Von Silizium zu Synapsen: Die Suche nach biologischer und hybrider KI

Aktuelle große Sprachmodelle (LLMs) sind leistungsstarke statistische Systeme, die flüssigen Text produzieren und viele nützliche Aufgaben lösen können.
Allerdings belegt Flüssigkeit allein kein menschenähnliches Verständnis, Bewusstsein oder allgemeine Intelligenz, weil das reine Muster‑Matching keine innere Modellbildung der Welt erfordert.
Und bislang fehlt ein verlässlicher Test, der bloßes Nachahmen von echtem Verstehen trennt; diese Fragen bleiben offen.

Eine Forschungsrichtung verändert den Fokus von der bloßen Skalierung der Software zur Veränderung des Rechensubstrats, indem sie das physikalische Medium des Rechnens neu definiert: biologisches und hybrides Computing.
Forscher untersuchen lebende Neuronen, Gehirnorganoide und Chips, die von neuronaler Signalgebung inspiriert sind, und prüfen, ob deren dynamische Eigenschaften neue Lernparadigmen ermöglichen.
Dieser Artikel trennt etablierte Ergebnisse von längerfristiger Spekulation, sodass der Leser die Grenze zwischen belegten Daten und bloßen Visionen klar erkennen kann.

Warum siliziumbasierte KI noch Grenzen hat

Künstliche neuronale Netze sind mathematische Modelle, die auf digitaler Hardware implementiert sind.
Sie haben bemerkenswerte Ergebnisse erzielt, aber mehrere Unterschiede zu biologischen Gehirnen bleiben bestehen:

• Energieverbrauch: Das menschliche Gehirn läuft mit etwa 20 Watt, vergleichbar mit einer schwachen Glühbirne. Das Training eines großen Sprachmodells kann Megawattstunden an Strom verbrauchen. Die Lücke ist nicht nur eine Frage der Hardware‑Effizienz; sie spiegelt einen grundlegenden Unterschied in der Organisation von Berechnungen wider. Während das Gehirn Milliarden von Neuronen parallel nutzt, verarbeitet ein digitaler Chip Aufgaben sequentiell oder in relativ kleinen Parallelblöcken, was den Energieverbrauch stark erhöht. Dieser Effizienzunterschied bedeutet, dass konventionelle KI‑Systeme in ihrer jetzigen Form nicht langlebig und umweltverträglich sind.

• Lernen: Die meisten eingesetzten Modelle werden in Batches trainiert und dann periodisch aktualisiert. Biologische Gehirne lernen jedoch kontinuierlich durch viele lokale und interagierende Mechanismen, synaptische Plastizität, Neuromodulation und Schlafkonsolidierung, ohne eine separate „Trainingsphase“ zu benötigen. Diese kontinuierliche Lernfähigkeit ermöglicht biologischen Gehirnen, ihre Kenntnisse in Echtzeit zu erweitern und anzupassen, ohne ihre bisherigen Fähigkeiten zu verlieren. Daher muss ein digitales Modell nach jedem Retraining‑Durchlauf neu gestartet werden, während das Gehirn nahtlos weiterarbeitet.

• Verkörperung und Plastizität: Ein Modell hat normalerweise keinen Körper oder direkte physische Erfahrung, und seine Parameter sind während des Einsatzes fixiert. Biologische Nervensysteme passen sich kontinuierlich an sensorischen Input und Aktionen an, wobei der Körper selbst formt, was das Gehirn lernt. Durch die fortwährende Rückkopplung von Sinnesdaten zu motorischen Handlungen entstehen Bedeutungen, die ein reines Textmodell nicht generieren kann. Diese Verkörperung und die Fähigkeit, sich kontinuierlich anzupassen, sind entscheidende Voraussetzungen für eine tiefgreifende und flexiblere Lernfähigkeit.

Diese Unterschiede beweisen nicht, dass biologisches Gewebe für allgemeine Intelligenz erforderlich ist. Sie deuten vielmehr darauf hin, dass Effizienz, Anpassungsfähigkeit und Kontextbezug im biologischen Gehirn eng miteinander verknüpft sind; sie zeigen jedoch, warum Forscher weiterhin Alternativen zu konventioneller Hardware und Trainingsmethoden untersuchen.

Was ist ein biologisches neuronales Netz?

In diesem Artikel bedeutet biologisches neuronales Netz ein Computersystem, das lebende Neuronen oder neuronales Gewebe als Teil seiner Verarbeitungsschleife verwendet. Verwandte Forschung wird auch als biologisches Computing, Wetware oder Organoid‑Intelligenz beschrieben.

Drei Ansätze werden oft diskutiert:

Neuromorphes Engineering

Neuromorphe Chips imitieren Aspekte biologischer Signalgebung mit elektronischen Schaltkreisen. Spiking Neural Networks verarbeiten diskrete Ereignisse, Spikes, statt kontinuierlich jeden Wert zu aktualisieren. Dies kann für spärliche, ereignisgesteuerte Workloads energieeffizienter sein, weil ein Neuron nur feuert, wenn sein Membranpotential einen Schwellenwert überschreitet und damit Rechenleistung nur bei relevanten Ereignissen verbraucht wird. Systeme wie Intels Loihi und IBMs NorthPole sind Forschungsplattformen. Diese Chips sind jedoch keine biologischen Gehirne; sie erforschen lediglich effizientere Wege, Berechnungen durchzuführen.

Hybride Bio‑Silizium‑Systeme

In hybriden Systemen werden lebende Neuronen, oft aus Tieren oder menschlichen Stammzellen gewonnen, mit Mikroelektroden‑Arrays verbunden. Elektronik liefert Stimulation und zeichnet Aktivität auf, während das Gewebe biologische Dynamik beiträgt. Die Herausforderung besteht darin, die Zellen am Leben zu erhalten, ihre Signale zu interpretieren und die Schnittstelle zu skalieren. Ein weiteres Hindernis ist die Latenz zwischen elektrischer Messung und biologischer Reaktion, die die Echtzeit‑Steuerung erschwert. Diese Probleme bleiben wichtige Ingenieursprobleme.

Gehirnorganoide

Forscher können einige menschliche Zellen in Stammzellen umprogrammieren und dreidimensionale neuronale Organoide züchten. Diese Strukturen entwickeln Neuronen und synaptische Aktivität, sind aber keine miniaturisierten menschlichen Gehirne: Ihnen fehlen die vollständige Anatomie, das Gefäßsystem, die sensorischen Eingaben und der Entwicklungsverlauf eines Gehirns. Ohne Blutversorgung müssen Organoide in künstlichen Medien versorgt werden, was ihre Lebensdauer und Komplexität begrenzt.

Was wurde demonstriert?

Die Idee ist nicht mehr rein spekulativ, aber die Demonstrationen sind klein und aufgabenspezifisch.

• DishBrain (2022): Forscher bei Cortical Labs verbanden kultivierte Maus‑ und menschliche Neuronen mit Elektroden und einer simulierten Pong‑Umgebung. Die Studie berichtete, dass die Kultur ihre Aktivität als Reaktion auf Feedback änderte und ihre Feuerraten anpasste, um den Ball besser zu treffen, ein rudimentäres Verstärkungslernen. Das System demonstrierte jedoch kein Bewusstsein oder allgemeine Intelligenz.

• Brainoware (2023): Forschende setzten ein menschliches Gehirnorganoid mit einer Elektrodenschnittstelle für eine Spracherkennungs‑Klassifizierungsaufgabe ein. Die Zuordnung von Aktivitätsmustern zu Phonemen erfolgte durch überwacht­es Training, sodass das Organoid nur das bereits Gelernte wiedergeben kann. Das Ergebnis war ein Proof of Concept, kein Allzweck‑Biologie‑Computer.

Was für allgemeinere Intelligenz benötigt würde

Das Ändern des Hardware‑Substrats würde nicht automatisch allgemeine Intelligenz erzeugen. Jede der folgenden Anforderungen adressiert eine spezifische Lücke zwischen aktuellen Systemen und biologischer Kognition:

• Verkörperung: Sensoren und Aktoren würden die Rückkopplungsschleifen liefern, die zum Lernen über physische Ursache und Wirkung benötigt werden. Biologische Intelligenz wird durch einen Körper geformt, das Gehirn lernt, welche Aktionen welche Ergebnisse produzieren, durch kontinuierliche sensomotorische Erfahrung. Ohne diese Rückkopplung bleiben Konzepte abstrakt und können nicht auf reale Handlungsmöglichkeiten übertragen werden.

• Kontinuierliches Lernen: Das System müsste aus neuen Erfahrungen aktualisieren, ohne katastrophale Interferenz, die Tendenz neuronaler Netze, zuvor gelerntes Wissen zu überschreiben, wenn sie auf neuen Daten trainiert werden. Biologische Gehirne lösen dies teilweise durch schlafbasierte Gedächtniskonsolidierung und komplementäre Lernsysteme, wodurch sie neu erworbene Fähigkeiten behalten und alte nicht verwirfen.

• Eine Kontroll‑ und Schnittstellenschicht: Neuronales Gewebe würde zuverlässige Stimulation, Auslesen, Speicher und Fehlerbehandlung benötigen. Ohne diese Schicht kann die biologische Komponente weder gezielt auf eine Aufgabe gerichtet noch ihre Ausgaben interpretiert werden; sie muss zudem Fehlertoleranz bieten, weil biologische Signale verrauscht sind.

• Eine Kognitionstheorie: Ideen wie prädiktive Verarbeitung und aktive Inferenz sind einflussreiche Hypothesen darüber, wie Gehirne Vorhersagefehler minimieren. Sie sind keine fertigen Rezepte zum Aufbau von Intelligenz, legen aber nahe, dass ein generatives Weltmodell nötig ist, nicht bloß reine Mustererkennung.

Plausibler Entwicklungsweg

Vorhersagen über Zeithorizonte sind hochunsicher. In der kurzen Dauer wird die Arbeit eher spezialisierte Forschungswerkzeuge, niedrigenergetische Sensoren oder Schnittstellen für Prothesen produzieren als autonome, menschenähnliche Systeme.

Über einen längeren Horizont könnten hybride Architekturen konventionelle Modelle mit spikenden oder biologischen Komponenten für ausgewählte Sensierungs‑ und Kontrollaufgaben kombinieren. Es ist unklar, ob solche Systeme als künstliche allgemeine Intelligenz qualifiziert würden.

Mehr kompetente Organoide würden auch ethische Fragen aufwerfen. Wenn ein System bedeutende Erfahrungen machen würde, ein Anspruch, den man aktuell nicht für heutige Organoide nachweisen kann, würden Forschende Sicherheitsmaßnahmen zur Wahrung von Wohlbefinden, Einwilligung und Entsorgung benötigen. Diese Fragen sollten vor dem Alleingang zur reinen Leistungssteigerung behandelt werden, denn andernfalls könnte öffentlicher Widerstand die Finanzierung und rechtliche Zulassung blockieren.

Fazit

Biologisches und neuromorphes Computing erweitert die Suche nach effizienter, adaptiver Intelligenz. Aktuelle Experimente demonstrieren lernähnliches Verhalten in eng kontrollierten Umgebungen, keine bewusste oder allgemeine KI. Das Feld ist vielversprechend, gerade weil es noch unsicher ist: Fortschritte werden ebenso sehr von Messung, Sicherheit und Ethik abhängen wie von Hardware.