Künstliche Intelligenz: KI-Modell ahmt Hippocampus-Funktionen nach
Veröffentlicht am: 28.07.2026 um 15:52 Uhr | Redaktion boerse-global.de
In der Forschung zur künstlichen Intelligenz markiert die Entwicklung von Modellen, die biologische Prozesse imitieren, einen wichtigen Trend. Ein Team der Technischen Universität (TU) Graz stellte im Juli 2026 mit dem „Generative Cognitive Map Learner“ (GCML) einen neuen Ansatz vor, der menschliche kognitive Lösungsstrategien und neuronale Planungsprozesse erfolgreich nachahmt. Das Modell orientiert sich dabei an der Arbeitsweise des Hippocampus, einer zentralen Hirnregion für Navigation und Gedächtnisbildung.
Mechanismen der kognitiven Kartenbildung
Die Architektur des GCML basiert auf drei wesentlichen Mechanismen, die zusammenwirken, um komplexe Umgebungen zu erfassen und Entscheidungen vorzubereiten. Das Modell nutzt kognitive Karten, stochastische neuronale Berechnungen – das sogenannte neuronale Sampling – sowie eine kompositionelle Kodierung. Durch diese Kombination ist das System in der Lage, Folgezustände vorauszusagen, ohne auf eine globale Fehlerrückführung angewiesen zu sein, wie sie bei herkömmlichen KI-Verfahren oft notwendig ist.
Die Autoren der Studie, Hui Lin, Yukun Yang, Rong Zhao, Giovanni Pezzulo und Wolfgang Maass, beschreiben in ihrer Arbeit, wie das Modell neuronale Planungsprozesse des Menschen abstrahiert. Die Ergebnisse dieser Forschung wurden im Juli 2026 in der Fachzeitschrift Nature Machine Intelligence veröffentlicht. Dabei konnte belegt werden, dass die KI nicht nur statistische Muster erkennt, sondern ähnlich wie ein biologisches Gehirn agiert, um Aufgaben durch interne Simulationen zu lösen.
Hohe Energieeffizienz für mobile Anwendungen
Die TU Graz hat mit dem GCML ein KI-Modell vorgestellt, das den Hippocampus nachahmt und mit nur 20 Watt auskommt. Erfahren Sie in diesem Report, wie Sie die drei Mechanismen kognitiver Karten für Ihre eigenen Projekte nutzen können. Jetzt Report zu bio-inspirierter KI sichern
Ein zentraler Vorteil des GCML liegt in seinem geringen Ressourcenverbrauch. Während große Sprachmodelle (Large Language Models) für Training und Betrieb enorme Mengen an Strom benötigen, arbeitet das Modell der TU Graz mit einer Leistungsaufnahme von lediglich 20 Watt. Damit verbraucht es laut den vorliegenden Daten wesentlich weniger Energie als herkömmliche KI-Systeme vergleichbarer Komplexität.
Diese Effizienz macht die Technologie besonders für den Einsatz in Bereichen interessant, in denen Rechenleistung vor Ort und ohne permanente Anbindung an große Serverzentren benötigt wird. Forscher sehen potenzielle Anwendungsgebiete vor allem in der Robotik, bei autonomen Fahrzeugen sowie in sogenannten Edge-Geräten, also Hardware, die Daten direkt an ihrem Entstehungsort verarbeitet.
Validierung in komplexen Testumgebungen
Große Sprachmodelle verschlingen Unmengen Energie – der GCML der TU Graz zeigt einen alternativen Weg. Dieser Leitfaden erklärt, wie Sie mit kognitiven Karten und neuronalem Sampling effizientere KI-Architekturen für Edge-Anwendungen entwickeln. Checkliste für energieeffiziente KI jetzt herunterladen
Die Funktionsfähigkeit des Modells wurde in verschiedenen Szenarien erprobt. Im Rahmen der Studie wurde der GCML erfolgreich in drei spezifischen Aufgaben getestet: der Navigation in einer zweidimensionalen Umgebung, der Orientierung in einem abstrakten Raum sowie der korrekten Zusammensetzung von Silhouetten. In allen Fällen zeigte das System die Fähigkeit, eigenständig Strategien zu entwickeln und Aufgaben zielgerichtet auszuführen.
Die Entwicklung des Generative Cognitive Map Learner war das Ergebnis einer internationalen Zusammenarbeit. Neben der TU Graz waren die Tsinghua University sowie der italienische National Research Council an dem Projekt beteiligt. Die Kooperation unterstreicht die globale Bedeutung der Forschung an bio-inspirierten Algorithmen, die eine Brücke zwischen der Neurowissenschaft und der praktischen Informatik schlagen sollen. Durch die Veröffentlichung unter der DOI 10.1038/s42256-026-01254-4 wird das Modell nun der breiteren Fachöffentlichkeit für weitere Untersuchungen und Anwendungen zugänglich gemacht.
Disclaimer zu unseren Artikeln: Keine Anlageberatung, keine Kauf- oder Verkaufsempfehlung. Angaben zu Kursen, Unternehmen und Märkten ohne Gewähr; Änderungen jederzeit möglich. Börsengeschäfte können zu hohen Verlusten führen. Unsere Beiträge werden ganz oder teilweise automatisiert mit Unterstützung von AI erstellt und geprüft.
