Gonzalo de Polavieja, Neurowissenschaftler: „Wir neigen dazu, einigen wenigen zu folgen, die klare Entscheidungen treffen, sowohl bei Zebrafischen als auch bei Menschen.“

Gonzalo de Polavieja (56, Madrid) ist bestürzt über die Leichtfertigkeit, mit der viele Menschen zu allem ihre Meinung äußern, ohne zu wissen, was sie tun. Der in Oxford und Cambridge ausgebildete Neurowissenschaftler mit einem Doktortitel in Quantenphysik und einem Postdoc in mathematischer Neurobiologie ist vom CSIC beurlaubt und leitet das Labor für Verhaltens- und Intelligenzmathematik der Champalimaud-Stiftung in Lissabon, wo er die Organisation von Tiergruppen, einschließlich des Menschen, erforscht. Er spricht vorsichtig und versucht, Fehler in der gleichen Disziplin zu vermeiden, in der er neuronale Schaltkreise untersucht. Nach dem Interview fragt er sich, ob seine Antworten den Themen, in denen er sich nicht so gut auskennt, gerecht wurden.

In einem kürzlich im Rahmen der Sommerkurse der Menéndez Pelayo International University (UIMP) in Santander gehaltenen Vortrag mit dem Titel „Anwendungen der KI in Neurowissenschaft und Verhalten “ stellte er seine Arbeit mit dem Zebrafisch ( Danio rerio ) vor, einem Tiermodell, das in der Biomedizin und Neurowissenschaft zunehmend Verwendung findet. Seine Transparenz in frühen Stadien ermöglicht es uns, das Gehirn in Aktion zu beobachten; sein Nervensystem – mit rund 100.000 Neuronen – ist so einfach, dass es als Ganzes untersucht werden kann, und über 80 % seiner Gene sind mit denen des Menschen identisch. All dies macht ihn zu einem hervorragenden Instrument, um zu verstehen, wie sich neuronale Aktivität in beobachtbare Verhaltensweisen wie Lernen, Erkundung und Entscheidungsfindung umsetzt.

Frage: Was begeistert Sie an der Interaktion zwischen Neurowissenschaft und künstlicher Intelligenz (KI)?

Antwort: Meine Karriere begann mit der Quantenchemie , aber die Biologie hat mich schon immer fasziniert. Da ich nicht gut im Auswendiglernen bin, interessierte ich mich für Mathematik, die es mir ermöglicht, Informationen zu komprimieren. Während meiner Postdoc-Zeit in Cambridge gelang mir der Sprung in die Neurowissenschaften, und seitdem versuche ich, sie mit einfachen mathematischen Modellen zu verstehen.

Das Problem ist, dass die Probleme in der Biologie sehr komplex sind. Hier ist KI nützlich , auch wenn sie das Risiko birgt, Lösungen zu liefern, ohne dass man sie versteht. Für mich liegt der Schlüssel darin, dass die Wissenschaft nicht nur ein bestimmtes Problem löst, sondern auch die Möglichkeit bietet, über die nächsten Experimente nachzudenken. Deshalb setzen wir KI bei Aufgaben ein, bei denen Verständnis nicht unbedingt erforderlich ist, wie etwa bei der Verfolgung von Tieren. Um Prozesse zu verstehen, brauchen wir jedoch eine transparentere Mathematik. Ich denke seit Jahren darüber nach, wie sich das erreichen lässt.

F: Ist es nicht paradox, die Feinheiten des Gehirns mit einer KI zu entschlüsseln , die wir nicht vollständig verstehen ?

A. Konventionelle KI sagt zwar voraus, erklärt aber nicht. Um sie verständlicher zu machen, muss sie vereinfacht werden. In meinem Fall transformiere ich neuronale Netze [digitale Algorithmen, die die Funktionsweise biologischer Neuronen modellieren] in besser interpretierbare Module und prüfe, ob sie weiterhin die gleiche Vorhersage liefern. Modellieren bedeutet Verstehen, und das erfordert Abstraktion: Wir suchen nicht nach einer Kopie des Gehirns, sondern nach Darstellungen, die es uns ermöglichen, darüber nachzudenken.

Diese Einfachheit ist strategischer, nicht realer Natur, aber sie ist der einzige Weg, um das Verständnis solch komplexer Systeme voranzutreiben.

F: Hilft der Zebrafisch als Studienmodell bei dieser Vereinfachung?

A: Ja, es hat viele Vorteile. Im Larvenstadium ist ihr Gehirn durchsichtig, und wir können die Aktivität des gesamten Gehirns unter normalen physiologischen Bedingungen aufzeichnen, ohne das Tier zu öffnen, was bei fast keiner anderen Spezies möglich ist. Außerdem ist ihr Genom sequenziert, was es uns ermöglicht, Sensoren zur Visualisierung der neuronalen Aktivität zu entwickeln. All dies ermöglicht es uns, ihr Verhalten sehr gut zu studieren. Ich habe zuvor mit Wirbellosen wie der Drosophila- Fliege gearbeitet, aber ich suche immer nach dem einfachsten Modell, um ein Problem zu verstehen. Das Gehirn zu verstehen ist sehr schwierig, und der einzige Weg ist, es so weit wie möglich zu vereinfachen.

F: Was haben Sie über das Verhalten von Zebrafischen in Gruppen gelernt?

A. In sehr einfachen Situationen tendieren Fische dazu, sich dorthin zu bewegen, wo mehr Individuen sind, aber unter natürlichen Bedingungen passiert das fast nie; das Verhalten ist viel komplexer . Bei der Analyse mit Modellen und Tracking-Techniken stellten wir fest, dass sie nicht unbedingt der Mehrheit folgen, sondern eher einigen wenigen Individuen (normalerweise einem, zwei oder drei), die voraus sind und sich mit größerer Überzeugung oder Geschwindigkeit bewegen. Mit anderen Worten, die Gruppe wird normalerweise von einer kleinen, sehr entschlossenen Untergruppe geleitet. Um zu dieser Schlussfolgerung zu gelangen, war ich auf eine interpretierbare KI angewiesen, die nicht nur das Verhalten vorhersagte, sondern mir auch half, die dahinterstehenden Regeln zu verstehen.

F: Können diese Modelle auf das Gruppenverhalten von Säugetieren wie Menschen angewendet werden?

A: Ja. Obwohl wir die Experimente mit Zebrafischen durchgeführt haben, haben wir allgemeine, nicht artspezifische Modelle entwickelt und festgestellt, dass diese auch bei Ameisen und Menschen funktionieren. In vergleichbaren Situationen (z. B. wenn eine Gruppe zwischen einfachen Optionen ohne sprachliche Beteiligung wählen muss) gelten die gleichen Regeln: Individuen neigen dazu, einigen wenigen zu folgen, die klare Entscheidungen treffen. Das Schöne an diesen einfachen Modellen ist, dass sie, wenn sie funktionieren, in der Regel für viele Arten gültig sind.

F. So nach dem Motto „Folge dem Anführer“ ?

A. Ja, aber nicht so einfach. Der „Führer“ ist derjenige, der die größte Überzeugung zeigt und schnell handelt, auch wenn es aus den falschen Gründen geschieht. Die anderen folgen ihm, weil diese Strategie für sie evolutionär funktioniert hat.

F: Meinen Sie, dass dieses Individuum, ob Zebrafisch oder Mensch, in seinen Entscheidungen als zuverlässig wahrgenommen wird?

A. Genau. Das Modell verfügt über einen Parameter, der die Zuverlässigkeit der Personen, denen Sie folgen, genau widerspiegelt.

F: Welche vielversprechenden Anwendungen der KI für die Neurowissenschaft sehen Sie heute und welche Prinzipien der Neurowissenschaft könnten wiederum KI-Algorithmen verbessern?

A. Ein sehr interessanter Forschungszweig sind die sogenannten Grundlagenmodelle, die auf Daten zur Gehirnaktivität einer Spezies (Maus, Zebrafisch usw.) in verschiedenen Situationen basieren. Sie dienen als gemeinsame Grundlage, die andere Forscher übernehmen können, sogar als teilweiser Ersatz für Experimente. Was den umgekehrten Einfluss betrifft, könnten viele Erkenntnisse der Neurowissenschaften die KI verbessern , aber der Transfer verläuft langsam: Die Überprüfung der tatsächlichen Funktionsweise des Nervensystems dauert lange, während die KI sich in schwindelerregendem Tempo weiterentwickelt. Dennoch hat dieser Transfer bereits Früchte getragen und wird dies wahrscheinlich auch in Zukunft tun.

F: Welches Potenzial hat das Quantencomputing für die Entwicklung der Neurowissenschaften und der KI?

Antwort: Soweit ich weiß, sind Quantencomputer nur in einem sehr engen Satz von Algorithmen überlegen; sie erledigen nicht automatisch alles, was klassische Computer bereits besser oder schneller lösen. Es ist also nicht garantiert, dass KI auf breiter Front davon profitiert. Wir werden nur dann einen Unterschied sehen, wenn jemand einen Algorithmus findet, bei dem Quantencomputer einen echten Vorteil bieten.

F: Wovon sind Sie in der KI-Forschung besonders besessen?

A. Gemeinsam mit Fernando Martín Maroto, einem weiteren Forscher in meinem Team, entwickeln wir einen völlig anderen Ansatz für neuronale Netze, der auf abstrakter Algebra basiert. Die Idee ist, eine KI zu schaffen, die leistungsstark lernt, aber im Gegensatz zu aktuellen Modellen in jedem Schritt transparent und verständlich ist. Sie basiert nicht auf der Minimierung von Fehlern wie neuronale Netze, sondern auf algebraischen Eigenschaften, die die Konvergenz zur zugrunde liegenden Regel in den Daten garantieren. Die große Herausforderung besteht nun darin, diese vielversprechende mathematische Grundlage in ein praktisches System zu überführen, das so effizient wie aktuelle Modelle und gleichzeitig für Menschen deutlich besser interpretierbar ist.