Forscher der Zhejiang-Universität haben eine neuartige KI-Trainingsmethode vorgestellt, die menschliche Gehirnsignale nutzt, um die Kategorisierung von Modellen zu verbessern, wie in einem in Nature Communications veröffentlichten Artikel beschrieben. Die Studie zeigt, dass eine Erhöhung der Modellparameter zwar die Erkennung spezifischer Objekte verbessert, jedoch das Verständnis abstrakter Konzepte nicht fördert und sogar behindern kann. Durch die Integration von neuronalen Aktivitätsdaten zielt das Team darauf ab, KI-Modelle enger an menschliche kognitive Strukturen anzupassen, um deren Fähigkeit zur Generalisierung und Kategorisierung von Konzepten zu verbessern. Die vorgeschlagene Methode zeigte signifikante Verbesserungen der KI-Leistung, insbesondere bei Aufgaben, die die Erkennung abstrakter Konzepte erfordern. Experimente zeigten eine Verbesserung von 20,5 % bei der Unterscheidung abstrakter Konzepte mit minimalen Beispielen und übertrafen damit größere Modelle. Dieser Ansatz stellt den vorherrschenden Trend zur Vergrößerung der Modellgrößen in Frage und legt nahe, dass eine strukturierte kognitive Ausrichtung effektiver sein könnte als bloße Größe, um KI mit menschenähnlichen Denkfähigkeiten zu entwickeln.