Ein neuronales Netzwerk zur Modellierung menschlicher Konzeptbildung, -verständnis und -kommunikation

Wie der Geist Bilder in Ideen verwandelt

Wenn Sie das Wort „Abendessen“ hören, können Sie sich einen Tisch, Gerüche und Geräusche vorstellen, selbst ohne Essen zu sehen. Diese Fähigkeit, reiche Eindrücke in kompakte Ideen zu verdichten und später wieder abzurufen, bildet die Grundlage von Sprache, Planung und gemeinsamem Verständnis. Die Studie stellt eine neue Art künstlichen neuronalen Netzwerks vor, das versucht, diese alltägliche Fähigkeit des menschlichen Geistes nachzuempfinden, und damit Einblicke liefert, wie Gehirne Wissen organisieren und wie zukünftige Maschinen auf menschenähnlichere Weise denken könnten.

Reiche Erfahrung in einfache Codes packen

Die Autoren beginnen mit einer einfachen Frage: Wie komprimiert das Gehirn detaillierte Sinnesdaten zu einer kleineren Menge von Konzepten und nutzt diese Konzepte dann flexibel? Aktuelle künstliche Netze sind sehr gut darin, Bilder zu erkennen, verbergen ihr Wissen aber in Millionen von Parametern, was die Wiederverwendung von Wissen oder dessen Austausch mit anderen Systemen erschwert. Große Sprachmodelle wiederum stützen sich auf bereits vorhandene menschliche Wörter, statt Konzepte direkt aus Bildern und Geräuschen aufzubauen. Das neue Framework, CATS Net genannt, ist so konzipiert, dass es sowohl Konzeptbildung als auch Konzeptnutzung innerhalb eines einzigen Systems modelliert, ausgehend nur von visuellen Aufgaben.

Zwei zusammenarbeitende Module für Konzepte und Entscheidungen

CATS Net teilt Denken in zwei interagierende Teile. Ein Modul zur Konzeptabstraktion lernt für jede Objektklasse, etwa Äpfel oder Busse, einen kurzen numerischen Code oder „Konzeptvektor“ aus visuellen Beispielen. Ein separates Aufgabenlösungsmodul erhält Bildmerkmale von einem Standard‑Visions‑Backbone und muss einfache Ja‑oder‑Nein‑Fragen wie „Ist das ein Apfel?“ beantworten. Der entscheidende Trick ist ein Gating‑Mechanismus: Der Konzeptvektor steuert, wie Aktivität durch die Planungsschichten fließt, und formt so dasselbe Netzwerk um, damit es unterschiedliche Konzepte verarbeiten kann, ohne seine Grundverdrahtung zu ändern. Das Training wechselt zwischen dem Feinabstimmen der Module und dem Anpassen der Konzeptvektoren, sodass sich sowohl das Netzwerk als auch seine internen Konzepte allmählich spezialisieren.

Eine menschenähnliche Bedeutungslandkarte entdecken

Einmal auf großen Bilddatensätzen trainiert, klassifiziert CATS Net nicht nur ungesehene Bilder mit hoher Genauigkeit, sondern entwickelt auch einen organisierten „Konzeptraum“. Nahe beieinanderliegende Codes stehen tendenziell für verwandte Dinge, sodass etwa Tiere zusammenklumpen oder Werkzeuge eigene Gruppen bilden. Die Autoren zeigen, dass diese Anordnung nicht willkürlich ist: Sie stimmt mit Mustern überein, die in menschlichen Studien gefunden wurden, in denen Personen bewerten, wie ähnlich sich Objekte anfühlen, und mit sprachbasierten Modellen, die Bedeutung entlang vieler Dimensionen beschreiben, wie etwa Nahrung, Möbel oder emotionaler Wert. Bemerkenswerterweise finden die Forscher, wenn sie die internen Ähnlichkeitsmuster des Netzwerks mit Hirnscans vergleichen, die aufgenommen wurden, während Probanden Objekte benennen, dass die Konzeptschicht mit Aktivität in einer hochstufigen visuellen Region übereinstimmt und das Gating‑Modul Bereichen ähnelt, die an der Kontrolle des Zugangs zu Bedeutung beteiligt sind.

Wissen allein über Konzepte teilen

Die Studie untersucht auch, ob niederdimensionale Konzepte als gemeinsame Währung zwischen verschiedenen Netzen dienen können. Das Team trainiert separate „Lehrer“‑ und „Schüler“‑Versionen von CATS Net auf überlappenden Kategorienmengen und fügt dann ein kleines Übersetzungsmodul hinzu, das Konzeptvektoren vom Raum des Lehrers in den Raum des Schülers überführt. Ohne die Hauptnetzgewichte zu verändern, kann der Schüler einen übersetzten Konzeptvektor für eine Kategorie nutzen, die er während des Trainings nie gesehen hat, und liegt damit bei Ja‑oder‑Nein‑Urteilen immer noch deutlich über Zufallsniveau. In anderen Tests verwendet CATS Net erfolgreich von Menschen abgeleitete Konzepträume, die aus Sprachstatistiken und Verhaltensdaten gebaut wurden, und behandelt diese, als wären sie eigene interne Codes.

Warum das für Geist und Maschine wichtig ist

Insgesamt deuten diese Ergebnisse darauf hin, dass kompakte Konzeptcodes in Kombination mit flexiblem Gating der Sinnesverarbeitung ein praktikables Rezept für menschenähnliches konzeptuelles Denken bieten könnten. Das Modell zeigt, wie reiche visuelle Erfahrungen in wiederverwendbare, teilbare Repräsentationen verdichtet werden können, die mit Mustern sowohl im menschlichen Verhalten als auch in der Gehirnaktivität übereinstimmen. Auch wenn die Arbeit sich auf konkrete Objekte konzentriert, die wir sehen und benennen können, weist sie in Richtung künftiger Systeme, die auch abstraktere Ideen erfassen könnten und damit die künstliche Intelligenz einen Schritt näher an die Art und Weise bringt, wie Menschen Konzepte bilden, verstehen und kommunizieren.

Zitation: Guo, L., Chen, H., Chen, Y. et al. A neural network for modeling human concept formation, understanding and communication. Nat Comput Sci 6, 497–511 (2026). https://doi.org/10.1038/s43588-026-00956-4

Schlüsselwörter: Konzeptbildung, neuronale Netze, semantische Kognition, Gehirn‑Alignment, Konzeptkommunikation