GRAZ / LONDON (IT BOLTWISE) – Die TU Graz hat Ende Juli 2026 mit dem Generative Cognitive Map Learner (GCML) ein Modell vorgestellt, das kognitive Aufgaben effizienter plant, indem es Mechanismen aus dem menschlichen Gehirn nachbildet. Der Ansatz kombiniert kognitive Karten, stochastische neuronale Berechnungen und kompositionelle Kodierung. Laut Darstellung senkt GCML den Energieverbrauch gegenüber rechenintensiven KI-Setups deutlich. Besonders interessant ist das für Robotik, autonome Fahrzeuge und Edge-Geräte mit begrenzter Rechenleistung.
Ende Juli 2026 hat die Technische Universität Graz (TU Graz) mit dem Generative Cognitive Map Learner (GCML) ein KI-Modell präsentiert, das ausdrücklich nicht den Weg über immer größere, rechenintensive Modelle sucht. Stattdessen orientieren sich die Entwickler an der Arbeitsweise biologischer Systeme: Das Modell soll kognitive Aufgaben so bearbeiten, dass der Energiebedarf deutlich sinkt. Für Unternehmen ist das mehr als eine Forschungsneugier, denn schon heute entscheidet der Energie- und Rechenaufwand darüber, wie gut sich KI in Produktivumgebungen bei knappen Budgets betreiben lässt.
Kern des GCML-Konzepts sind drei Mechanismen, die aus dem Gehirn abgeleitet sind: kognitive Karten, stochastische neuronale Berechnungen und kompositionelle Kodierung. Genau diese Kombination soll die Informationsverarbeitung gegenüber herkömmlichen mehrschichtigen neuronalen Netzen oder weit verbreiteten Large Language Models (LLMs) effizienter machen. Entscheidend ist dabei die Art, wie das System seine „Welt“ nutzt: Es geht nicht nur um Mustererkennung, sondern um die zielgerichtete Planung innerhalb einer Umgebung, ohne dabei alle möglichen Pfade oder Variablen vollständig durchrechnen zu müssen.
Ein weiterer Punkt hebt GCML von vielen gängigen KI-Architekturen ab: Das Modell benötigt laut Darstellung kein fortlaufendes Neutraining, um neue Aufgaben in bekannten Umgebungen zu bewältigen. Das adressiert in der Praxis ein typisches Problem bei lernenden Systemen – nämlich den Aufwand, der entsteht, wenn sich Anforderungen zwar im Detail ändern, aber die grundlegenden Randbedingungen in einer Umgebung wiederkehren. Für Deployments bedeutet das weniger Trainingszyklen, weniger GPU-Zeit und damit auch einen kleineren CO2- und Betriebskosten-Fußabdruck, selbst wenn die Zielarchitektur am Ende sehr unterschiedlich zu Großmodellen aussieht.
Die Leistungsfähigkeit wurde bereits in mehreren Testumgebungen gezeigt, darunter 2D-Navigation und Aufgaben in abstrakten Räumen. Zusätzlich wird das Modell beim Zusammenbau von Silhouetten als Beispiel für kognitive Fähigkeiten genannt. Die Ergebnisse dieser Untersuchungen sind 2026 in der Fachzeitschrift Nature Machine Intelligence veröffentlicht worden. Aus Techniksicht ist dabei vor allem relevant, dass Navigation und strukturierte Aufgaben häufig weniger „Sprachwissen“ erfordern als vielmehr eine robuste Planungskomponente – und genau dort könnte der Ansatz mit kognitiven Karten einen praktischen Vorteil ausspielen.
Mit Blick auf Anwendungsszenarien und Infrastruktur rückt insbesondere der Wechsel vom Rechenzentrum zur Peripherie in den Fokus: Aufgrund des geringen Energieverbrauchs sehen Experten als naheliegende Einsatzgebiete Robotik, autonome Fahrzeuge und Edge-Geräte. Dort werden Daten direkt vor Ort verarbeitet, während Bandbreite und Rechenressourcen häufig begrenzt sind. Auch neuromorphe Hardware, die auf die Simulation neuronaler Strukturen ausgelegt ist, könnte GCML besonders entgegenkommen, weil der Energiebedarf laut den beteiligten Institutionen nur einen Bruchteil der Leistung konventioneller neuronaler Netze erfordern soll.
Interessant ist zudem die Einordnung: Die beteiligten Institutionen ordnen GCML nicht als direkte Konkurrenz zu bestehenden Large Language Models ein. Stattdessen positionieren sie das System eher als alternative technologische Basis für kognitive Aufgaben und effiziente Planungsprozesse. Genau an dieser Stelle wird der Markttrend sichtbar, der seit einigen Jahren an Fahrt gewinnt: Unternehmen investieren zunehmend in KI-Infrastruktur, die nicht nur „intelligent“, sondern auch steuerbar, skalierbar und ressourcenschonend ist. Für die nächsten Projekte ist daher weniger die Frage „LLM oder nicht“ entscheidend, sondern ob sich die Architektur gezielt an die Domäne anpasst – und ob sie unter Edge-Bedingungen zuverlässig arbeitet.
Parallel dazu bleibt für den praktischen Einsatz die regulatorische Perspektive wichtig. In dem Beitrag wird auf die EU-KI-Verordnung verwiesen, unter anderem mit dem Hinweis auf Kennzeichnung und Risikodokumentation sowie darauf, dass viele Unternehmen die neuen Vorgaben noch nicht im Detail kennen. Auch wenn GCML als ressourcensparende Architektur zunächst technisch bewertet wird, hängt die Rollout-Entscheidung im Betrieb letztlich davon ab, wie die konkrete Anwendung eingestuft wird und welche Nachweise in der Produktion gefordert sind. Wer das früh adressiert, reduziert späteren Aufwand bei Prüfungen, Dokumentation und Freigaben.
💳 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 "GCML von der TU Graz: KI spart Energie durch Gehirn-nahe Planung" 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 "GCML von der TU Graz: KI spart Energie durch Gehirn-nahe Planung" 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: »GCML von der TU Graz: KI spart Energie durch Gehirn-nahe Planung« bei Google Deutschland suchen, bei Bing oder Google News!