Table of Contents
AIM for the Brain
Eindrücke von der Auftaktveranstaltung der neuen Workshop-Reihe in Münster
Bei der Auftaktveranstaltung der neuen Workshop-Reihe „AIM for – Artificial Intelligence in Münster for Science“ an der Universität Münster wurde schnell deutlich, dass es hier nicht um spekulative Zukunftsszenarien künstlicher Intelligenz ging, sondern um sehr konkrete Forschung an der Schnittstelle von Neurowissenschaft, Datenanalyse und Machine Learning. Ich war persönlich vor Ort und fand besonders interessant, wie selbstverständlich unterschiedliche Disziplinen miteinander ins Gespräch kamen.
Organisiert wurde die Veranstaltung gemeinsam vom Center for Data Science and Complexity (CDSC) sowie dem Otto Creutzfeldt Center for Cognitive and Behavioural Neuroscience. Der Titel „AIM for the Brain“ verwies dabei auf die zentrale Frage des Workshops: Wie lassen sich Methoden aus KI und Machine Learning sinnvoll nutzen, um komplexe Prozesse im Gehirn besser zu analysieren und zu modellieren?
Schon die Vorträge machten deutlich, dass moderne Neurowissenschaft heute ohne datenintensive Verfahren kaum noch denkbar ist. Große Mengen neuronaler Messdaten, komplexe Netzwerkstrukturen und zeitliche Dynamiken des Gehirns verlangen zunehmend nach neuen computergestützten Methoden.
Daniel Durstewitz und dynamische neuronale Systeme
Besonders spannend waren die Beiträge von Daniel Durstewitz, der im Bereich Theoretical Neuroscience arbeitet. Seine Forschung beschäftigt sich mit dynamischen Prozessen im Gehirn und der Frage, wie sich neuronale Aktivitätsmuster mathematisch rekonstruieren lassen.
Im Mittelpunkt stehen dabei rekurrente neuronale Netzwerke sowie datenbasierte Modelle, die zeitliche Abläufe im Gehirn analysieren können. Gerade in der Neurowissenschaft spielen solche dynamischen Prozesse eine zentrale Rolle, weil neuronale Aktivität nie statisch ist, sondern sich fortlaufend verändert.
Während des Vortrags wurde deutlich, wie eng moderne Datenanalyse inzwischen mit theoretischer Modellierung verbunden ist. Machine-Learning-Methoden dienen hier nicht bloß der Auswertung großer Datensätze, sondern helfen dabei, komplexe Zusammenhänge in neuronalen Systemen überhaupt erst sichtbar zu machen.
Tim Kietzmann und computational neuroscience
Auch Tim Kietzmann zeigte eindrucksvoll, wie stark sich Neurowissenschaft und moderne KI-Methoden inzwischen gegenseitig beeinflussen. Seine Forschung verbindet Cognitive Science, Computational Neuroscience und Deep Learning.
Besonders interessant fand ich seine Arbeiten zur visuellen Informationsverarbeitung. Dabei geht es darum, wie Wahrnehmungsprozesse im Gehirn modelliert werden können und welche Gemeinsamkeiten zwischen biologischen und künstlichen neuronalen Netzwerken bestehen.
Der Fokus lag dabei weniger auf philosophischen Fragen als auf konkreten wissenschaftlichen Modellen: Wie lassen sich neuronale Prozesse simulieren? Welche Netzwerkstrukturen eignen sich, um Wahrnehmung oder Lernprozesse mathematisch zu beschreiben? Und wie können Machine-Learning-Methoden helfen, komplexe Hirndaten besser auszuwerten?
Ricarda Schubotz und prädiktive Verarbeitung
Sehr spannend waren auch die Beiträge von Ricarda Schubotz und ihren Postdoktoranden, die seit vielen Jahren zu Wahrnehmung, Handlungsvorbereitung und Vorhersageprozessen im Gehirn forscht.
Im Zentrum ihrer Forschung steht die Frage, wie das Gehirn zukünftige Ereignisse antizipiert und sensorische Informationen verarbeitet. Gerade diese prädiktiven Prozesse spielen heute auch in vielen datengetriebenen Modellen eine wichtige Rolle.
Während der Veranstaltung wurde deutlich, wie stark moderne Neurowissenschaften inzwischen auf komplexe statistische und datenanalytische Verfahren angewiesen sind. Wahrnehmung erscheint dabei weniger als rein passiver Vorgang, sondern als kontinuierliche Verarbeitung und Vorhersage eingehender Informationen.
Joachim Gross und Biomagnetismus
Auch die Beiträge von Joachim Gross vom Institute for Biomagnetism and Biosignal Analysis fügten sich sehr gut in das Gesamtbild der Veranstaltung ein. Sein Forschungsbereich liegt in der Analyse neuronaler Aktivität mithilfe von Biomagnetismus und Biosignalen, insbesondere unter Verwendung von MEG-(Magnetoenzephalographie) und EEG-Daten.
Im Mittelpunkt steht dabei die Frage, wie sich zeitlich hochaufgelöste Gehirnaktivität messen, rekonstruieren und interpretieren lässt. Gerade solche Messverfahren liefern enorme Datenmengen, deren strukturierte Auswertung nur mit modernen Analyseverfahren aus Statistik und Machine Learning möglich ist.
Besonders deutlich wurde hier, wie eng experimentelle Neurowissenschaft und datengetriebene Methoden inzwischen zusammenarbeiten. Die Verbindung von präziser Messtechnik und algorithmischer Auswertung eröffnet neue Möglichkeiten, neuronale Dynamiken sichtbar zu machen.
Interdisziplinäre Forschung als Zukunftsmodell
Was die Veranstaltung insgesamt besonders interessant machte, war weniger eine einzelne These als vielmehr die Art des wissenschaftlichen Austauschs. Neurowissenschaftler, Data Scientists und Forscher aus angrenzenden Disziplinen diskutierten gemeinsam über Methoden, Modelle und Datenstrukturen.
Gerade darin scheint eine wichtige Entwicklung moderner Wissenschaft zu liegen: Fortschritte entstehen zunehmend an den Schnittstellen verschiedener Fachgebiete. Die Kombination aus Neurowissenschaft, Computational Modeling und datengetriebenen Verfahren eröffnet neue Möglichkeiten, komplexe neuronale Prozesse zu analysieren.
Für mich war „AIM for the Brain“ deshalb vor allem ein Einblick in eine Wissenschaft, die immer stärker interdisziplinär arbeitet – weniger spektakulär im populären Sinne, dafür aber wissenschaftlich ausgesprochen spannend.
Weitere Informationen zur Veranstaltung: https://indico.uni-muenster.de/event/4011/
https://orcid.org/0009-0008-6932-2717
Der Bericht von Dirk gibt einen guten Eindruck davon, wie selbstverständlich heute neurowissenschaftliche Forschung mit computationalen Modellen arbeitet. Besonders Tim Kietzmanns Frage nach den Gemeinsamkeiten zwischen biologischen und künstlichen neuronalen Netzwerken benennt dabei eine Vorannahme, die philosophisch alles andere als trivial ist: dass funktionale Organisation das entscheidende Kriterium für mentale Zustände sei und das Substrat grundsätzlich gleichgültig. Das ist die Kernthese des Computationalismus. Sie verdient eine genauere Prüfung.
Das klassische Argument für diese These ist das Gedankenexperiment des schrittweisen Neuronenersatzes. Jede Nervenzelle wird durch einen Chip ersetzt, der exakt dieselbe Leistung erbringt. Das Verhalten der Person bleibt unverändert. Die funktionalistische Schlussfolgerung lautet: Also bleibt auch das Bewusstsein erhalten. Doch hier liegt ein Problem. Das Experiment setzt bereits voraus, was es beweisen soll. Es funktioniert nur, wenn man annimmt, dass Gehirnzellen isolierbare Einheiten sind, deren Rolle vollständig bestimmbar und einzeln ersetzbar ist, ohne dass sich der Charakter des Gesamtsystems verändert. Genau das ist aber die strittige These. Das Experiment beweist sie nicht, es wiederholt sie.
Man kann das durch eine Erweiterung des Gedankenexperiments zeigen. Diesmal werden nicht nur die Neuronen ersetzt, sondern auch alle Körperteile außerhalb des Gehirns, allerdings ohne jede Sensorik: kein Tastsinn, keine Schmerzwahrnehmung, keine Rückmeldung aus Muskeln oder Gelenken. Hier wird spürbar, was beim ersten Schritt übersehen wurde. Bewusstsein ist nicht bloß Informationsverarbeitung im Kopf, sondern in einer fortlaufenden sensorischen Rückkopplung mit dem Körper verankert. Wer diese Rückkopplung wegdenkt, vereinfacht die Frage nicht, sondern tauscht unbemerkt das aus, was erklärt werden soll.
Nun liegt ein Einwand nahe: Der Tetraplegiker existiert trotz massivem Verlust des Körperbezugs weiter als denkendes Subjekt. Zeigt das nicht, dass Bewusstsein vom Körper unabhängig sein kann? Nein, denn der Tetraplegiker ist kein Wesen, das ohne leibliche Genese entstanden wäre. Sein Bewusstsein lebt von einer bereits aufgebauten Geschichte verkörperter Erfahrung, die durch den späteren Verlust verändert, aber nicht rückwirkend ausgelöscht wird. Die entscheidende Frage lautet anders: Kann ein Wesen, das von Geburt an vollständig sensorisch vom eigenen Körper abgeschnitten ist, überhaupt Bewusstsein ausbilden? Die Antwort ist nein, und das ist keine zufällige empirische Beobachtung, sondern eine Aussage über die Bedingungen, unter denen Bewusstsein überhaupt entstehen kann.
Damit steht der Computationalismus vor einem Dilemma. Entweder er behauptet, dass funktionale Organisation auch ohne jede ontogenetische Vorgeschichte für Bewusstsein hinreicht. Dann scheitert er an dem eben Gesagten. Oder er räumt ein, dass die biologische Entwicklung zunächst durchlaufen werden muss, und behauptet nur, dass das Resultat anschließend auf ein anderes Substrat übertragen werden kann. Aber dann muss das Zielsystem bereits selbst in der Lage sein, einen lebendigen Prozess fortzusetzen, kein bloßes Muster zu speichern. Und in diesem Fall ist das Substrat eben nicht mehr gleichgültig. Beide Wege führen zur Aufgabe der Ausgangsthese.
Der Computationalismus muss notwendig scheitern.
Der grundsätzlichen Kritik stimme ich voll zu. Das Argument mit den Tetraplegikern kann noch erweitert werden. Man kann selbstverständlich an den Schnittstellen von Innen und Außen tote Objekte an die Stelle von Biomaterial setzen und damit den In- und Output simulieren. Es ist allerdings die Frage, wie lange das geht, ohne das Lebenssystem zu destabilisieren. Wir sehen Leben-Tod als eine digitale Qualität (0 oder 1), das ist aber falsch, wir können einen gestorbenen Menschen nicht reparieren, wir können nicht einmal eine Biosuppe herstellen, aus der notwendig Leben hervorgeht. Richtiger ist, Leben als einen Funktionszusammenhang zu verstehen, der deutlich über 0 liegt, mit einem individuellen Schwellenwert, und sich asymptotisch der 1 nähern kann.
Offensichtlich muß man den Tod des Bewußtseins vom Tod des Organismus trennen, letzterer kann, selbstverständlich nicht ohne künstlichen Input, auch nach dem Tod des Bewußtseins aufrechterhalten werden. Interessant ist die Frage, wie reversibel partielle organische Funktionsausfälle sind. Bewußtseinsausfälle sind zu einem gewissen Grad nicht reversibel, aber rekonstruierbar, substituierbar. Und in gewisser Weise erneuert sich der Organismus ja ständig selbst.
Noch eine kurze Anmerkung zur Veranschaulichung:
Wenn Computationalisten versuchen, die Funktionen des Gehirns auf Maschinen zu übertragen, erstellen sie eine Karte von der Landschaft namens Gehirn. Diese Funktionskarte nehmen sie als Vorlage.
Ein Architekt macht etwas Ähnliches. Er erstellt eine Karte von einem Haus und nimmt sie als Vorlage für das Bauunternehmen, das daraus ein Haus baut.
Bis hierher klingt alles plausibel. Niemand merkt den Fehler. Oder? Machen Sie den Test, ohne weiterzulesen.
Der Architekt erstellt seinen Plan anhand realer Häuser aus Steinen und Ziegeln. Sein Plan ist ein Plan für ein Haus aus Steinen und Ziegeln, und er weiß das. Er würde nie dem Bauunternehmen sagen, es könne auch Wassermelonen verwenden, denn Wassermelonen erfüllen schlicht nicht die physischen Anforderungen, auf denen der Plan beruht.
Die Computationalisten erstellen eine Karte aus einem Gehirn und nutzen sie als Plan für den Bau einer Maschine. Sie vollziehen dabei einen Wechsel des Substrats und denken, niemand merkt es. Was sie übersehen: Ihr Funktionsplan abstrahiert von genau jenen Eigenschaften des Gehirns, die kausal an sein biologisches Substrat gebunden sind und sich nicht einfach auf Silizium übertragen lassen. Die Karte ist nicht das Terrain.
Kinder im Sandkasten machen übrigens dasselbe: sie bauen ein Haus aus Sand und spielen Haus. Im Unterschied zu den Computationalisten wissen die Kinder, dass es nur ein Spiel ist und man in dem Haus aus Sand nicht wirklich wohnen kann.
Und die Moral von der Geschicht? Die kann sich jeder selber denken.
Das Argument zum Unterschied von einer unmittelbaren, strikten und einer reflexiven, rekursiven Beziehung von A und B ist richtig und muß sogar erweitert weden. Die reflexive Beziehung definiert ein Subjekt resp eine Subjekt-Objekt-Beziehung, das ist das, worauf Dirk aufmerksam gemacht hat mit seiner Erinnerung an Gotthard Günther und der Notwendigkeit, in der intentionalen Logik über den Aristotelismus hinauszugehen: Etwas ist nicht nur Etwas-an-sich, sondern auch Etwas-für mich. Das ist Günthers Auflösung der altgriechischen Paradoxien, wenn man nicht auf das formale Mittel einer Stufenlogik zurückgreifen will. Man muß diese neue Stufe des Seins, in der Objekte als Subjekte auftreten, also eine Subjekt-Objekt-Beziehung herstellen, als das biologische Sein der Funktionalität vom unmittelbaren Sein als rein materielle Objektivität unterscheiden.
Damit freilich ergibt sich schon die nächste Stufe, wenn wir uns als Subjekte auf andere Subjekte beziehen, also zur Intersubjektivität kommen. Die Subjekt-Subjekt-Beziehung realisiert sich, wenn zwei Subjekte sich wechselseitig als Subjekte anerkennen, also nicht als Objekt behandeln. Dann muß ich mich davon lösen, mich nur auf den anderen funktional zu beziehen. In dieser komplementären Reflexion entsteht etwas Neues: geteilter Sinn. Diese Struktur hat übrigens Hegel in der Herr-Knecht-Dialektik behandelt und damit die Grundlage für die moderne Auffassung der Gesellschaft gelegt.