Signaltheorie der Intelligenz

Einleitung

Die jüngsten Erfolge der Künstlichen Intelligenz haben zu einer bemerkenswerten Entwicklung geführt – und zugleich ihre Grenzen sichtbar gemacht. Der extreme Energiebedarf moderner Systeme, die Abhängigkeit von gigantischen Trainingsdatensätzen, die Forderung nach Vergütung der geistigen Urheber sowie das Phänomen des „Halluzinierens“ verdeutlichen, dass die Funktionsweise dieser Systeme zunehmend als Black Box erscheint.

Doch auch die Neurologie stößt an ihre Grenzen. Das europäische Human Brain Project konnte sein ambitioniertes Ziel, eine numerische Simulation des Gehirns, nicht einmal ansatzweise erreichen. Die Konzentration auf den Cortex und die mikroskopische Sicht auf Synapsen ließ das Verständnis der eigentlichen Arbeitsweise des Gehirns in den Hintergrund treten. Das amerikanische Connectome Project brachte zwar große Einsichten in die neuronalen Verknüpfungen, doch zeigen diese Daten allein nicht, wie Intelligenz tatsächlich entsteht. Hinzu kommt die Konkurrenz um Führerschaft innerhalb der Fachgebiete und die zunehmende Spezialisierung, die Neurologie und KI immer weiter voneinander entfernt.

Es ist daher an der Zeit, diese wissenschaftliche Divergenz zumindest vorübergehend zu unterbrechen. Die Signaltheorie der Intelligenz setzt sich genau dieses Ziel: Sie will eine Brücke schlagen zwischen Neurologie und KI, indem sie Intelligenz als Signalphänomen begreift – und damit einen gemeinsamen Bezugsrahmen schafft, der beiden Disziplinen neue Perspektiven eröffnet.

Wir zeigen in dieser Monografie, dass das die Algorithmen, nach denen das Gehirn und die Systeme der Künstlichen Intelligenz arbeiten, prinzipiell identisch sind. Wir diskutieren also nicht die Frage, wie das Gehirn arbeitet oder wie KI funktioniert, sondern wir beantworten sie. Natürlich schrittweise. Und unter Beachtung der Tatsache, dass die Vertreter der einen Richtung, nämlich die Neurologen, und die Vertreter der anderen Richtung, also die KI-Experten, zu wenig vom Fachgebiet der Gegenseite verstehen. Daher müssen wir für jedes Kapitel die elementaren neurologischen und KI-mäßigen Grundvoraussetzungen für die Gegenseite leichtverständlich darstellen.

Die Signalverarbeitung im Gehirn und in der Künstlichen Intelligenz folgt denselben grundlegenden Prinzipien. Hebbsches Lernen in Kombination mit lateraler Hemmung führt zu einer Zerlegung von Eingaben in Haupt- oder unabhängige Komponenten (PCA/ICA), wodurch orthogonale oder unabhängige Richtungen entstehen. Ohne Hemmung entwickeln sich Feedforward-Netze (KNNs), die statistisch bedeutende Muster erkennen; mit lokalen rezeptiven Feldern und Gewichtsteilung entstehen CNNs für räumliche Muster. Durch die Erweiterung der rezeptiven Felder und die Einbeziehung zeitlicher Echos entstehen RNNs, die Sequenzen und Gedächtnis verarbeiten. Mit vollständiger Rückkopplung, bei der Outputs auf Inputs wirken, entstehen Transformer, die globale Abhängigkeiten über Selbstaufmerksamkeit modellieren. Damit zeigt sich, dass Gehirn und KI prinzipiell dieselbe Systemarchitektur nutzen, wobei die verschiedenen Netztypen im Gehirn räumlich lokalisierbar sind und gemeinsam eine kohärente Signaltheorie der Intelligenz bilden.

In meiner "Gehirntheorie der Wirbeltiere" schrieb ich den folgenden Satz: "Wir wissen nicht zu wenig, sondern zu viel. Die Fülle der Fakten vernebelt die zu erkennenden Zusammenhänge."

Angesichts der Fülle der bereits bekannten Fakten wird es für alle immer schwieriger, den Gesamtüberblick zu behalten. Außerdem ist es Mode geworden, sich zu einem Experten zu entwickeln, der über immer weniger immer mehr weiß. Dieser Falle gilt es zu entkommen.

Andreas Heinrich Malczan 

Oranienburg, den 04.04.2026

Erstveröffentlichung im Internet: 04.04.2026

Monografie von Dr. rer. nat. Andreas Heinrich Malczan