Von Christoph Meier

Lernen – Lernen ist, wenn man aus einzelnen sensorischen Begebenheiten eine Einheit bilden kann. Lernen ist aber auch, wenn es gelingt, eine Verbindung zwischen Wahrnehmungen und Handlungen zu knüpfen, ohne die einzelnen Wahrnehmungen zu einem Ganzen zusammenzufassen. Natürlich weiss jeder aus eigener Erfahrung, dass auch beide Lernformen zusammentreffen können.

Doch wie geschieht das? Von der Wissenschaft gibt es wenig Hilfe, da beispielsweise bei Studien an Tieren nicht genügend Neuronen gemessen werden könnten, um eine schlüssige Antwort auf die Frage zu bekommen. So geht es den meisten Forschenden wie den Weisen bei Konfuzius, der sagte: „Der normale Mensch staunt über ungewöhnliche Dinge; der weise Mann staunt über das Alltägliche.“ Nicht nur Staunen kann Paul Verschure. Er und zwei weitere Forschende des Instituts für Neuroinformatik der ETH und Uni Zürich konnten mit Hilfe simulierter und realer Roboter zeigen, dass die Wahrnehmung und das Verhalten via die Umwelt zu einen effektiven Lernen führen. Die Arbeit wird diese Woche im Wissenschaftsmagazin „Nature“ publiziert (1).

Dreistufige Kontrolle

Für die Untersuchung statteten die Forscher sowohl in Computersimulationen als auch im Labor Roboter mit ganz einfachen Grundreaktionen aus. Die Roboter versuchten einerseits möglichst viele erleuchtete Regionen aufzusuchen, die auf einer rund ein Quadratmetergrossen Fläche verteilt waren. Andererseits sollten sie aber auch Kollisionen mit der Bande vermeiden, welche die Versuchsfläche begrenzte. Kontrolliert wurde die Roboter von einem neuralen Modell, DAC genannt für „Distributed adaptive control“. Dieses wird in der künstlichen Intelligenzforschung standardmässig eingesetzt.

Die beschriebenen Grundreaktionen werden bei diesem Modell auf der untersten Stufe reguliert. Auf einer nächst höheren Kontrollebene ändert sich das rein reaktive Verhalten, indem der Roboter durch Verstärkungen zunehmend eine interne Repräsentation für die folgenden Reaktionen benutzt. So entstehen konditionierte Antworten. Die höchste, als kontextuell bezeichnete Kontrollstufe besteht aus Kurz- und Langzeitgedächtnis, welche die Repräsentationen, die zu konditionierten Antworten führen, verarbeiten.

Die Hypothese der Forscher war nun, dass die Leistung des Roboters durch diese höchste Stufe verbessert wird, indem weniger Kollisionen vorkommen und mehr leuchtende Ziele erreicht werden. Computersimulationen bestätigten die Vermutung. Die virtuellen Roboter mit der kontextuellen Kontrolle wiesen im Vergleich mit solchen, denen diese Regulierungsstufe fehlte, ein signifikant besseres Verhältnis zwischen Zielerreichen und Hindernisvermeiden auf. Das äusserte sich auch darin, dass die Diskrepanz zwischen erwarteten Stimuli und wirklich vorhandenen kleiner wurde.

weiter