GRAZ / LONDON (IT BOLTWISE) – Forschende aus Graz haben eine KI entwickelt, die sich an Mechanismen des Hippocampus orientiert. Das Modell plant zielgerichtet, indem es kartenartige Geometrie, stochastisches Probieren und wiederverwendbare Aktionsbausteine kombiniert. Dadurch passt es sich neuen Umgebungsstrukturen dynamisch an, ohne dass ein Retraining nötig wird. Für den Betrieb auf Robotik- und Edge-Plattformen steht vor allem die deutlich geringere Energieaufnahme im Fokus.
Die Energiebilanz von KI ist längst zu einem Produktivitäts- und Kostenfaktor geworden: Während große Sprachmodelle Training und Betrieb in Größenordnungen betreiben, die in Rechenzentren nur mit erheblichem Aufwand abbildbar sind, macht das Gehirn etwas vor, das viele AI-Teams praktisch nie erreichen. Der Ansatz aus Graz setzt genau dort an. Die Forschenden übersetzen drei Prinzipien aus der Hippocampus-Forschung in einen algorithmischen Baukasten, der Planung ohne vollständige Durchrechnung aller Pfade erlaubt und dabei flexibel auf neue Situationen reagiert. Damit rückt eine Architektur in den Mittelpunkt, die weniger auf „maximale Modellgröße“ setzt, sondern auf „effiziente Entscheidungslogik“.
Konkret wird die Grundlage über kognitive Karten gelegt: Statt abstrakte Relationen zwischen Zuständen direkt in eine lange Suchkette zu gießen, transformiert das Modell die Zusammenhänge in geometrisch interpretierbare Codes. Das Ergebnis ist eine Art Ziel- und Richtungsgefühl in der internen Repräsentation, vergleichbar mit einer Karte, auf der man Kandidatenwege schneller erkennt. Ergänzt wird das um stochastische neuronale Berechnungen. Das System generiert dabei nicht nur deterministisch eine einzige beste Hypothese, sondern erzeugt auf kontrollierte Weise Zwischen- und Szenariovarianten, die dann bewertet werden. Diese Kombination aus Geometrie (für Richtung) und kontrolliertem Zufall (für Hypothesen) reduziert die Rechenzeit, weil der Algorithmus früh unpromising erscheinende Zwischenstationen verwirft, statt sie bis zur Zielerreichung „auszurechnen“.
Der dritte Baustein heißt compositional coding und zielt auf Wiederverwendbarkeit: Informationen und Aktionspläne werden in Komponenten zerlegt, die sich in unterschiedlichen Aufgabenkontexten neu kombinieren lassen. Dadurch muss das Modell nicht für jede neue Zielstellung einen kompletten Parameterstapel nachjustieren. In der beschriebenen Logik genügt es, dass die kognitiven Karten und die stochastische Abfrage passende Zwischenentscheidungen anstoßen; die passenden Teilhandlungen werden dann im Verlauf der Planung aus wiederverwendbaren Elementen zusammengesetzt. Das adressiert unmittelbar die Frage, wie man „zero-shot“ im praktischen Sinn versteht: Nicht im Sinne fertiger Textkompetenz, sondern als Fähigkeit, die Struktur einer Aufgabe zu erkennen und ohne Retraining dynamisch auf neue Umgebungsbedingungen zu reagieren.
Validation lief über drei Aufgabenklassen, die jeweils unterschiedliche Skalierungs- und Generalisierungsanforderungen spiegeln. In einer 2D-Navigation bewegt sich das System in einem räumlichen Kontinuum, in dem kognitive Karten besonders anschaulich werden. Danach testen die Forschenden eine abstrakte mehrdimensionale Orientierung, bei der das Modell nicht nur Koordinaten im Raum, sondern strukturelle Relationen in einer „anderen Geometrie“ wiedererkennen muss. Schließlich kommt eine Aufgabe mit Silhouetten zum Einsatz, in der Bausteine zusammengesetzt und wieder zerlegt werden; genau hier zeigt sich, ob compositional coding als Wiederverwendungsmechanismus trägt. Die zentrale technische Kernaussage lautet: Das Modell sucht nicht erschöpfend über alle vollständigen Pfade, sondern bewertet zufällig erzeugte Zwischenstationen probabilistisch und nähert sich dem Ziel Schritt für Schritt.
Für den Markt ist besonders relevant, dass die Architektur als proof-of-concept für alternative KI-Varianten positioniert ist, nicht als unmittelbarer Ersatz für große Sprachmodelle. In der Praxis liegt der Unterschied vor allem in der Zielsetzung: Sprachmodelle optimieren typischerweise sehr breite Fähigkeiten in zentralisierten Umgebungen, während dieser Ansatz eine energiearme, lokale Entscheidungsinstanz für Robotik und Edge-Geräte adressiert. Hier zählen Latenz, thermische Grenzen und Batterielaufzeiten; außerdem müssen Systeme real-time umplanen können, wenn sich die Sensorik oder die Umgebung verändert. In der Beschreibung wird deshalb auch der Gedanke betont, dass sich das Modell besonders für lokale Implementierungen eignet, beispielsweise auf Plattformen mit energieeffizienter Hardware-Nähe, einschließlich neuromorpher Konzepte und In-Memory-Computing.
Technisch schiebt die Studie damit die Debatte von „Skalierung als Allheilmittel“ hin zu „Struktur als Effizienzhebel“. Historisch wurden bereits viele energieoptimierte Wege diskutiert, darunter Kompression, Quantisierung und sparsity-basiertes Training; diese Verfahren sparen meist Rechenressourcen, ohne das Grundprinzip vollständig zu ändern. Der neue Beitrag liegt eher auf der Ebene der Such- und Planungsroutine: Wenn kognitive Karten früh erkennen lassen, ob eine zufällige Zwischenentscheidung in Richtung Ziel zeigt, dann wird Rechenarbeit gezielt nur dorthin gelenkt, wo sie wahrscheinlich nützt. Das senkt nicht nur die operative Last, sondern unterstützt auch die Idee, dass KI auf dem Gerät selbst lernen und anpassen kann. Für Entwicklerinnen und Entwickler heißt das: Planungskomponenten, die „online“ mit begrenzten Budgets arbeiten, könnten mittelfristig neue Lücken schließen – etwa dort, wo ein Modell zwar Wissen über Zustandsräume braucht, aber kein dauerhafter Zugriff auf Cloud-Infrastruktur möglich ist.
Als wissenschaftliche Basis wird die Arbeit unter dem Titel „Neural sampling from cognitive maps enables goal-directed imagination and planning“ in Nature Machine Intelligence geführt; der DOI lautet 10.1038/s42256-026-01254-4. Dort wird auch der Zusammenhang zu Hardware-Nähe konkretisiert: Die Forschenden argumentieren, dass sich die Architektur prinzipiell für in-memory computing und andere energieeffiziente neuromorphe Hardware eignen kann. Entscheidend für den nächsten Schritt ist jetzt, wie robust die Planungslogik unter realen Sensorrauschen, dynamischen Hindernissen und komplexeren Aktionsräumen wird. Doch selbst als frühes Demonstratorprojekt liefert die Arbeit eine klare Designrichtung: Intelligenz kann in Teilen bereits in der Art des Suchens und Kombinierens stecken – und nicht erst darin, wie groß ein Modell trainiert wurde.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Hippocampus-Logik für KI: Energieeffiziente Planung auf Edge-Geräten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Hippocampus-Logik für KI: Energieeffiziente Planung auf Edge-Geräten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Hippocampus-Logik für KI: Energieeffiziente Planung auf Edge-Geräten« bei Google Deutschland suchen, bei Bing oder Google News!