idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Künstliche Intelligenz wird immer größer, immer datenhungriger und immer rechenintensiver. Doch eine neue Studie der Universität Osnabrück zeigt: Für robustes Sehen ist größer nicht immer besser. Entscheidend kann vielmehr sein, wie ein KI-System lernt.
In einer neuen Publikation in Nature Machine Intelligence, die auch das Cover des renommierten Fachmagazins ziert, stellt ein Forschungsteam um Prof. Dr. Tim C. Kietzmann vom Institut für Kognitionswissenschaft einen biologisch inspirierten Trainingsansatz vor, der künstliche Sehsysteme deutlich robuster macht. Die Modelle sind dabei vergleichsweise klein, schlagen aber große aktuelle KI-Systeme in mehreren zentralen Bereichen visueller Robustheit.
Das Problem ist bekannt: KI kann Bilder oft erstaunlich gut erkennen, bleibt dabei aber fragil. Schon kleine Störungen, veränderte Texturen oder gezielte Manipulationen können dazu führen, dass ein System ein Objekt falsch einordnet. Während Menschen in vielen Situationen zuverlässig die Form eines Gegenstands erkennen, orientieren sich künstliche Sehsysteme häufig stärker an Oberflächenmustern.
Um dieses Problem zu lösen, setzt der neue Ansatz aus Osnabrück an einer überraschenden Stelle an: bei der Entwicklung des menschlichen Sehens. Menschen kommen nicht mit perfektem Sehvermögen zur Welt. Säuglinge sehen zunächst unscharf, kontrastarm und mit eingeschränkter Farbwahrnehmung. Erst nach und nach entwickelt sich das visuelle System. Genau diesen Entwicklungsweg haben die Forschenden in ein Trainingscurriculum für KI übersetzt, die sogenannte „Developmental Visual Diet“. Dabei durchlaufen künstliche Sehsysteme eine Art visuelle Kindheit, bevor sie mit Bildern in voller Qualität trainiert werden.
„Unsere Ergebnisse zeigen, dass robuste KI nicht nur eine Frage von mehr Daten, größeren Modellen und höherer Rechenleistung ist“, sagt Kietzmann. „Entscheidend ist auch, wie ein Modell lernt. Wenn künstliche Sehsysteme eine visuelle Entwicklung durchlaufen, die stärker an menschliches Lernen angelehnt ist, nähern sie sich auch dem menschlichen Sehen an.“
In Tests verließen sich die so trainierten Modelle stärker auf die Form von Objekten statt auf Texturen. Sie blieben stabiler bei Bildrauschen, Unschärfe oder schlechter Bildqualität und waren widerstandsfähiger gegenüber gezielten Angriffen auf KI-Systeme. In einigen Fällen erhöhte sich die Robustheit um bis zum Fünffachen. Als ein Beispiel verweist das Wissenschaftsteam auf das Bild eines Bären, das sich aus einzelnen Flaschen zusammensetzt: „Der hier gezeigte Stimulus ist ein Beispiel, in dem traditionelle KI anders als der Mensch entscheidet. KI erkennt Flaschen, Menschen sehen einen Bären“, erläutert Zejin Lu, Erstautor der Studie und Doktorand bei Professor Kietzmann.
Damit zeigt die Studie eine wichtige Alternative zum derzeit dominierenden Trend in der KI-Forschung: Fortschritt muss nicht allein über größere Modelle und mehr Daten entstehen. Auch kleine, effizient trainierte Systeme können leistungsfähig und robust sein, wenn ihre Lernumgebung besser gestaltet ist.
Weitere Informationen für die Medien:
Prof. Dr. Tim C. Kietzmann, Universität Osnabrück
Institut für Kognitionswissenschaft
E-Mail: tim.kietzmann@uni-osnabrueck.de
https://www.nature.com/articles/s42256-026-01228-6
Merkmale dieser Pressemitteilung:
Journalisten
Informationstechnik, Medien- und Kommunikationswissenschaften
überregional
Forschungsprojekte, Wissenschaftliche Publikationen
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
