Wie das Gehirn Relevanz erkennt – und KI davon lernt

Vom Gehirn inspirierte Künstliche Intelligenz (KI) löst zentrale Aufgaben visueller Aufmerksamkeit. Menschliche Sinnesorgane nehmen ununterbrochen Informationen auf. Aber nur ein kleiner Teil dieser Informationen ist für die Konzentration relevant, worauf sich Menschen scheinbar mühelos konzentrieren können. Neuronale Netze die im Gegensatz zur Bi-direktionalen Kommunikation nur in eine Richtung (Unidirektional) agieren, sollen dem Gehirn ähnlicher werden. Die gemeinsame Arbeit wurde nun in der Fachzeitschrift Nature Communications veröffentlicht.

Berlin/Germany, 20. Mai 2026. – Die Entwicklung gehört zweifelsohne zu den grossen Meilensteine in der Entwicklung der Künstlichen Intelligenz. Seien es Kameras, oder Sensoren beliebiger Technologie, welche menschliche Sinnesorgane interpretieren können, – KI lernt von dem was sie sieht, was sie wahrnimmt. Ohne das KI darauf programmiert werden muss, visualisiert diese die menschliche Aufmerksamkeit. Spätere Anwendungen können nicht nur vielfältiger werden, es erweitert auf psychologischer Ebene die Wahrnehmungen des Menschen. Ein Grossteil von Technologien, sei es aus der Steinzeit bis zum heutigen Tage, gelten als eine verlängerte Werkbank menschlicher Produktivität. Werkzeuge auf Psychologischer Ebene sind dahingehend schon eine exklusive erweiterte Dimension.

Aus einer Masse an täglichen Informationen, die für sich relevanten herauszufiltern, gehört zu einer gegenwärtigen Herausforderung und ist als Aufmerksamkeit bezeichnet. Ein vom Gehirn inspririertes KI-Modell reproduziert und visualisiert zahlreiche bislang etablierte Verhaltens- und Wahrnehmungsphänomene der Psychologie und Neurophysiologie, ohne das diese zuvor programmiert wurden. Mit dem Modell soll das Verständnis menschlich visueller Wahrnehmung erweitert werden, sowie neue Perspektiven bieten.

Die Arbeit setzt am Binding-Problem an, was zu einem der zentralsten ungelösten Probleme kognitiver Gehirnforschung gehört. Das Binding-Problem beschreibt, das menschliche Sinnesorgane ununterbrochen Informationen aufnehmen. Den Grossteil davon kann das Gehirn allerdings nicht prozessieren. Dennoch können sich Menschen nahezu mühelos auf die Verbindung der wichtigsten Informationen konzentrieren. So bsw., eine rote Ampel während der Fahrt, das Kind am Straßenrand oder ein Gespräch in einem sehr lauten Raum.

Der jüngst inspirierte Ansatz vereint mehrere Faktoren der Aufmerksamkeit in einem einzigen Modell. Räumlich, objektbasiert und auf Eigenschaften bezogen („feature-basiert“). Diese Fähigkeit wird als Aufmerksamkeit bezeichnet. Sie ermöglicht es dem Gehirn, aus einer Fülle von Informationen die relevanten Informationen auszuwählen oder auch verschiedene visuelle Merkmale zu einzelnen Objekten zu verbinden und so das Verhalten zu steuern. Doch wie das Gehirn die relevanten Informationen verarbeitet, ist noch nicht völlig geklärt. „Das entwickelte Modell ist in der Lage, die charakteristischen Verhaltensweisen der menschlichen Aufmerksamkeit erfolgreich auszuführen: Orientierung, Filterung und visuelle Suche in komplexen visuellen Szenen“, erklärt Saeed Salehi

Forschende des wissenschaftlichen Zentrums BIFOLD an der Technischen Universität Berlin haben nun in enger Zusammenarbeit mit Forscherinnen und Forschern des „Kording Lab“ an der University of Pennsylvania (USA) ein vom Gehirn inspiriertes KI-Modell der visuellen Aufmerksamkeit vorgestellt. Das System meistert sowohl Erkennungs- und Unterteilungs-Aufgaben als auch klassische Aufmerksamkeitsleistungen wie Orientierung auf relevante Reize, Filterung störender Informationen und zielgerichtete Suche. In umfangreichen Experimenten demonstriert das Team, dass das Modell nicht nur Objekterkennung in komplexen Szenen verbessert, sondern auch psycho-physikalische Effekte wie die sogenannte Wahrnehmungsbelastung und die Aufmerksamkeitsblindheit repliziert. Die internen Einheiten des Modells entwickeln neuronale Eigenschaften, die mit der Primatenphysiologie übereinstimmen. „Aufmerksamkeit, Objektwahrnehmung und Verbindung von Reizen gehören zu den wichtigsten Fähigkeiten des Gehirns. Diese in die Praxis für KI-Architekturen einzubringen, birgt großes Potenzial“, so Klaus-Robert Müller.

„Neuronale Netze verarbeiten Informationen im Allgemeinen nur in eine Richtung, das Gehirn hingegen ist bidirektional. Neuronale Netze haben nur eine Aufgabe: Informationen zu extrahieren. Das Gehirn hingegen leistet eine Vielzahl von Aufgaben, sowohl bottom-up als auch top-down. Unser Ziel ist es, neuronale Netze gehirnähnlicher zu gestalten und dadurch neue Gehirn- und KI-Modelle zu entwickeln“, erklärt Konrad Kording

Die praktischen Folgen der vorgestellten Arbeit könnten weitreichend sein, sowohl für die Neurowissenschaften als auch für die KI-Forschung: Durch die Verknüpfung von Erkenntnissen aus Psychologie, Neurowissenschaften und Computermodellierung erweitert die Studie das Verständnis der Funktionsweise von Aufmerksamkeit und Objektwahrnehmung im Gehirn. Sie stellt einen Schritt dar hin zu besseren Modellen der menschlichen Kognition und eröffnet Anwendungsmöglichkeiten, die von der Diagnose visueller Aufmerksamkeitsstörungen bis hin zur Entwicklung neuartiger adaptiver KI-Architekturen reichen.

Im Kern der Publikation steht eine neuartige Modellarchitektur für die visuelle Verarbeitung. Das Modell kombiniert einen sogenannten Feedforward-Pfad zur Merkmalsextraktion mit einem top-down gesteuerten Aufmerksamkeit-Pfad, der durch sogenannte bidirektionale, rekurrente Steuerungs-Mechanismen moduliert wird. Damit kann das Modell lernen, mehrere visuelle Aufgaben gleichzeitig zu lösen. Es ist so konzipiert, dass es bottom-up, top-down, rekurrente und laterale Informationsverarbeitung und -kommunikation ermöglicht und sowohl niedrigstufige Reize (etwa Bilder) als auch hochstufige Eingaben (zum Beispiel Aufgaben und Hinweise) parallel verarbeiten kann.

Publikation:
Nature Communications 17, 4072 (2026) „Modeling attention and binding in the brain through bidirectional recurrent gating“, Saeed Salehi, Jordan Lei, Ari S. Benjamin, Klaus-Robert Müller & Konrad P. Kording https://www.nature.com/articles/s41467-026-72146-9

Bildquelle
Gerd Altmann Smart Goals