Unser Gehirn ist ein Meister der Energieeffizienz: Mit nur 20 Watt Leistung – vergleichbar mit einem modernen Kühlschrank – bewältigt es Billionen Rechenoperationen pro Sekunde. Können diese Tricks der Evolution helfen, künstliche Intelligenz (KI) stromsparender zu machen? Ein internationales Forschungsteam des Frankfurt Institute for Advanced Studies (FIAS) präsentiert in Nature Communications einen revolutionären Ansatz.
Das menschliche Gehirn ist ein Meister im Energiesparen: Nur etwa 20 Watt – etwa so viel wie ein moderner Gefrierschrank – benötigt es, um Trillionen von Rechenoperationen pro Sekunde auszuführen. Können solche Erkenntnisse zu einer neuen Generation energieeffizienterer KI beitragen?
Gehirn versus KI: Zwei Welten treffen aufeinander
Während KI-Systeme mit kontinuierlichen Aktivitätsmustern arbeiten, nutzt das Gehirn präzise elektrische Impulse (Aktionspotentiale). Zudem filtert es vorhersagbare Informationen heraus – ein Prinzip namens prädiktives Kodieren. Diese Doppelstrategie spart Energie, war aber bisher technisch nicht nachbildbar.
Abb.: Das Gehirn benötigt nur einen Bruchteil der Energie moderner KI-Systeme
Bild: Kohji Asakawa / Pixabay
Predictive Coding Light: Die energiesparende Alternative
Das Team um FIAS-Forscher Jochen Triesch entwickelte »Predictive Coding Light« – ein Modell, das hemmende Synapsen gezielt zur Unterdrückung vorhersagbarer Signale einsetzt. Diese „intelligenten Bremsen“ reduzieren den Datenstrom, ohne wichtige Informationen zu verlieren.
Schlüsselmechanismen:
- Selektive Filterung: Hemmende Synapsen blockieren redundante Signale
- Komprimierte Daten: Statt Fehlermeldungen werden essentielle Informationen weitergeleitet
- Lernfähigkeit: Das System optimiert sich selbstständig durch Erfahrung
Praxistest: Vom Labor zur Anwendung
In Simulationen zeigte das Modell verblüffende Parallelen zum visuellen Kortex von Säugetieren. Gleichzeitig bewährte es sich bei praktischen Aufgaben wie Handschrifterkennung und Gestenanalyse.
„Unsere Ergebnisse zeigen: Hemmende Synapsen sind keine einfachen Bremsen, sondern aktive Informationsmanager“, erklärt Triesch. „Sie könnten der Schlüssel zu echtem neuroinspiriertem Computing sein.“
Die Forscher vermuten, dass hemmende Synapsen eine zentrale Rolle dabei spielen, wie das Gehirn lernt, sensorische Informationen energiesparend zu kodieren und zu verarbeiten.
Der Weg in die Technik
Trotz der Erfolge warnen die Forscher vor zu frühem Optimismus: Aktuelle KI-Chips arbeiten fundamental anders als biologische Nervennetze. Erste neuromorphe Chips zeigen jedoch Potenzial. „Es ist ein Marathon, kein Sprint“, so Triesch. „Aber jedes Prozent Energieersparnis zählt.“ Bis diese Erkenntnisse ihren Weg in unsere Smartphones finden, könnte aber noch etwas Zeit vergehen.
Bisher ist es nur eine kleine, aber schnell wachsende Gruppe von Forschenden, die die Entwicklung von neuromorphen, also dem Gehirn nachempfundenen Chips vorantreibt, um KI energieeffizienter zu machen.
Publikation:
Antony W. N’dri, Thomas Barbier, Celine Teuliere, Jochen Triesch: Predictive Coding Light, Nature Communications (online 06.10.2025), https://doi.org/10.1038/s41467-025-64234-z
Kontakt
Prof. Dr. Jochen Triesch
Frankfurt Institute for Advanced Studies (FIAS)
Tel.: +49 69-798-47531
eMail: triesch@fias.uni-frankfurt.de
Web: https://www.fias.science/de/lebens-und-neurowissenschaften/gruppen/jochen-triesch/
Das FIAS (Frankfurt Institute for Advanced Studies) ist eine interdisziplinäre Forschungseinrichtung in Frankfurt am Main. Hier entwickeln international ausgewiesene Wissenschaftlerinnen und Wissenschaftler Theorien zu komplexen naturwissenschaftlichen Zukunftsthemen in den Bereichen theoretische Naturwissenschaften, Computerwissenschaften und KI-Systeme sowie Lebens- und Neurowissenschaften. Über die Grenzen der Disziplinen hinweg erforschen sie mit Hilfe mathematischer Algorithmen und Simulationen die komplexen selbstorganisierenden Systeme der Natur. Das FIAS ist eine gemeinnützige Stiftung zwischen der Goethe-Universität und privaten Stiftern und Sponsoren. https://fias.institute/