Neuro-wissenschaftlich inspirierte Architekturen für den Aufbau wirklich adaptiver KI Moderne KI-Systeme sind leistungsstark, aber brüchig. Trainiere ein Modell, setze es ein und beobachte, wie die Leistung nachlässt, während sich die Welt verändert. Trainiere mit neuen Daten, und das Modell vergisst, was es wusste. Dieser Zyklus produziert Systeme, die bei statischen Benchmarks hervorragend abschneiden, aber Schwierigkeiten mit kontinuierlicher Anpassung haben – etwas, das biologische Intelligenz mühelos bewältigt. Eine Maus kann in etwa zehn Versuchen mit wenigen Beispielen lernen, Wasser in einem neuen Labyrinth zu finden, eine Lernrate, die 1.000 Mal schneller ist als bei traditionellen Laboraufgaben. Doch unsere ausgeklügeltsten neuronalen Netzwerke leiden unter katastrophalem Vergessen, wenn sie sequenziell lernen sollen. Das Gehirn bietet eine andere Architektur. Es funktioniert nicht als ein einziges verworrenes Netzwerk, sondern als intelligent miteinander verbundene spezialisierte Module – der visuelle Kortex verarbeitet Kanten, der motorische Kortex rechnet im Kraftfeld, die präfrontalen Regionen verfolgen aufgabenstrukturierte Erinnerungen. Jedes Modul erstellt interne Modelle, die durch Vorhersagefehler aktualisiert werden, wenn die erwarteten Ergebnisse von der Realität abweichen. Diese signierten Lehrsignale wurden inzwischen in sensorischen, motorischen und Belohnungsschaltkreisen entdeckt. Mackenzie Weygandt Mathis synthetisiert diese Erkenntnisse in einen Vorschlag für adaptive agentische KI. Anstatt immer größere monolithische Grundmodelle zu verfolgen, plädiert sie für Systeme von domänenspezifischen Codierern, deren Ausgaben in einem gemeinsamen latenten Raum gemeinsam optimiert werden. Jeder Codierer wird durch Vorhersagefehlersignale überwacht – robuste Codierer bleiben "gesperrt", während diejenigen, die eine verschlechterte Leistung zeigen, "entsperrt" werden, um kontinuierliches Lernen mithilfe von Gedächtniswiederholung oder synaptischer Intelligenz zu ermöglichen, ohne das gesamte System offline zu nehmen. Das übergeordnete Prinzip: Durch die Strukturierung von KI rund um neuro-wissenschaftlich inspirierte Modularität und vorhersagefehlerbasierte Aktualisierung anstelle von monolithischem Maßstab wird es möglich, über statische Modelle hinaus zu einer wirklich adaptiven Intelligenz zu gelangen – Systeme, die ihre Modelle der Welt kontinuierlich durch Interaktion mit ihr verfeinern.