LONDON (IT BOLTWISE) – Eine Studie aus der Grundlagenforschung zeigt, dass Primaten nicht erst nach jedem Blicksprung die Bedeutung eines Bildausschnitts verarbeiten. Stattdessen entsteht ein schneller „Semantic Novelty“-Impuls genau in den kurzen Intervallen zwischen zwei Fixationen. Der Befund entsteht aus synchronisierten Augenbewegungs- und Hirnaufzeichnungen bei Menschen und Rhesusaffen. Daraus leiten die Autoren eine Lernstrategie ab, mit der KI-Modelle effizienter und energiesparender Video-Informationen nutzen könnten.
Beim Blick auf einen Film oder durch eine belebte Innenstadt wirkt die Wahrnehmung erstaunlich stabil. Neurowissenschaftlich betrachtet ist das jedoch ein Kunstgriff: Die Augen führen pro Sekunde mehrere schnelle Sprünge aus, sogenannte Sakkaden, und halten Fixationen nur für Bruchteile einer Sekunde. Genau in diesem Zeitraster, zwischen zwei Fixationspunkten, muss das Gehirn entscheiden, wie aus vielen diskreten Ausschnitten eine durchgehende Weltkonstruktion wird. Eine vergleichende Untersuchung unter der Leitung von Vinay Raghavan vom City College of New York adressiert genau diese Frage und zeigt, dass die „Bedeutung“ nicht einfach frame-basiert nachgereicht wird, sondern während der Übergänge aktiv berechnet.
Technisch setzt die Arbeit auf eine Kombination aus hochauflösendem Eye-Tracking und neuralen Messungen: In Human-Experimenten verfolgten die Forschenden die Blicktrajektorien und zeichneten dazu ganze Hirnaktivitäten auf, während Teilnehmende komplette Filme sowie Videoclips sahen. Ergänzend kamen zwei Rhesusmakaken (Macaca mulatta) hinzu, bei denen die Aktivität mit elektrophysiologischen Verfahren erfasst wurde. Entscheidend war dabei die zeitliche Kopplung: Die Analyse prüfte nicht nur, ob die Hirnaktivität auf neue Szeneninhalte reagiert, sondern ob sie diese Reaktion in einem sehr spezifischen Moment innerhalb der Blickfolge zeigt – nämlich in den kurzen Lücken zwischen den Fixationen, wenn der Blick gerade vom vorherigen Fokus zum nächsten springt.
Die Ergebnisse drehen sich um ein rasches Aktivierungsmuster, das als „semantic novelty signal“ beschrieben wird. Sobald die Filme oder Clips eine neue semantische oder konzeptionelle Information einführen – etwa einen thematischen Übergang, das Auftauchen eines neuen Objekts oder eine plötzliche Änderung im narrativen Kontext – steigen die Aktivitätsniveaus in Aufmerksamkeits- und Arealen für Szenenverarbeitung. Besonders bemerkenswert ist die zeitliche Platzierung: Die starke Aktivität fällt zeitlich in das Intervall zwischen zwei Fixationen und damit in die Phase, in der die Netzhaut im nächsten Moment erst wieder einen neuen Ausschnitt liefert. Damit verschiebt sich die Perspektive weg von einem passiven „Warten auf den nächsten Frame“ hin zu einem prädiktiven Architekturprinzip, in dem das Gehirn Hypothesen bildet, welche Bedeutung als Nächstes plausibel wird.
Damit lässt sich auch ein wichtiges technisches Detail der Interpretation festhalten. Die Studie berichtet von Beteiligung von Regionen außerhalb der frühen Sehfelder, also von Arealen, die typischerweise nicht nur Kanten, Bewegung oder Helligkeitskontraste aggregieren. In den Daten tauchen vielmehr Netzwerke auf, die für die Integration über größere Informationssprünge hinweg stehen, darunter unter anderem die parahippocampale Region für Orte sowie Teile des retrosplenialen Komplexes. Diese Verteilung ist ein Argument gegen eine reine Low-Level-Detektion: Wenn semantische Veränderungen synchron mit Blickübergängen sichtbar werden, dann ist die Zwischenfixationsverarbeitung offenbar ein Schauplatz für abstrakte, top-down getriebene Bedeutungsbildung.
Für die KI-Entwicklung ist das mehr als ein biologisch interessantes Detail. Moderne Video-Modelle – egal ob Vision Transformer oder tiefe konvolutionelle Netze – verarbeiten Videoinhalte üblicherweise als dichte Folge aus Pixelmatrizen über weitgehend gleichförmige Zeitfenster. Das führt zu hoher Rechenlast und entsprechend zu Energieverbrauch, vor allem wenn lange Sequenzen mit hoher Auflösung verarbeitet werden müssen. Die Autoren argumentieren hingegen mit einem Lernprinzip, das der biologischen Strategie ähnelt: Das System solle nicht alles gleichmäßig „durchrechnen“, sondern den Fokus auf semantische Neuheit legen. Übersetzt heißt das, dass sich eine Trainingslogik entwickeln ließe, die zwischen Fixationen bzw. zwischen konsistenten Kontextwechseln gezielt verarbeitet, statt bei jedem Zeitschritt maximaler Dichte zu arbeiten.
Was dabei praktisch reizvoll ist: Wenn das „semantic novelty signal“ als lernbares Kriterium dient, könnte sich die Effizienz in mehreren Dimensionen verbessern – nicht nur in der Rechenzeit, sondern auch in der Fähigkeit, dynamische Szenen schneller zu interpretieren. Denkbar wäre ein Modell, das sparse sampling mit einer Art semantischer Vorhersage koppelt: Es schaut nicht nur, was im nächsten Moment sichtbar sein könnte, sondern optimiert darauf, wann ein Kontextwechsel wirklich Relevanz besitzt. Aus Sicht der Systemarchitektur passt das zu neuromorphen Ansätzen, bei denen Ereignis-orientierte Verarbeitung und lokale Zustandsänderungen den Energieverbrauch senken können, solange die Architektur die „zwischen den Blicken“-Zeitskala tatsächlich abbildet.
Für Unternehmen und Forschungsteams, die KI-Video in Produktion bringen, ergibt sich daraus eine klare Leitfrage: Wie nah kommt das eigene System an eine auf Kontextwechsel optimierte Verarbeitung heran – und wie gut erkennt es „Zwischenmomente“ statt nur „Frames“? Die Studie liefert dafür eine biologische Referenz, aber sie impliziert auch messbare Entwicklungsziele: Zielgrößen wären etwa geringere Trainings- und Inferenzkosten bei vergleichbarer semantischer Leistung sowie eine Robustheit gegenüber wechselnden Szenenkontexten, die in echten Anwendungen häufig abrupt auftreten. Am Ende geht es nicht darum, Augenbewegungen eins zu eins zu imitieren, sondern darum, die zugrunde liegende Priorisierung semantischer Neuheit in eine KI-Pipeline zu übertragen.
🔥 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 "Primatenhirn erkennt Bedeutung zwischen Blicksprüngen – Chance für KI-Video" 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 "Primatenhirn erkennt Bedeutung zwischen Blicksprüngen – Chance für KI-Video" 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: »Primatenhirn erkennt Bedeutung zwischen Blicksprüngen – Chance für KI-Video« bei Google Deutschland suchen, bei Bing oder Google News!