Video: KI-generierter Avatar und KI-Stimme von Alex Trupp · KI-Transparenz
Warum wir überhaupt träumen, ist eine der ältesten offenen Fragen der Wissenschaft. Eine ungewöhnliche Antwort darauf kommt nicht aus der Schlafforschung, sondern aus dem maschinellen Lernen: Ein Konzept, das dort als Overfitting bekannt ist, liefert eine Analogie dafür, was nachts in unserem Gehirn passieren könnte.
Trainiert man ein neuronales Netz immer wieder mit denselben Daten, wird es dadurch nicht klüger – es lernt die Beispiele schlicht auswendig, ähnlich einem Studenten, der Prüfungsantworten auswendig gelernt statt den Stoff verstanden hat. Bei der exakt gleichen Prüfung schneidet er hervorragend ab, bei einer leicht veränderten Formulierung fällt er durch. Genau dieses Phänomen brachte den Neurowissenschaftler Erik Hoel von der Tufts University 2021 auf eine Vermutung über unser Gehirn.
Was Overfitting mit dem Gehirn zu tun hat
Ein Tag gleicht oft dem nächsten: dieselbe Route, dieselben Menschen, ähnliche Aufgaben. Würde das Gehirn diese Routine jede Nacht einfach abspeichern, wäre es zwar perfekt auf gewohnte Abläufe trainiert, aber schlecht vorbereitet auf alles Neue und Unbekannte. Erik Hoel vermutete 2021, dass unser Gehirn genau dasselbe Problem hat wie ein neuronales Netz, das zu einseitig trainiert wird.
Seine These: Das Gehirn wehrt sich aktiv gegen diese Art von Überanpassung – und zwar mit Träumen.
Wie Träume dem Gehirn beim Lernen helfen sollen
Nach dieser Hypothese erzeugt das Gehirn nachts absichtlich seltsame, unlogische Situationen. Es mischt Menschen, Orte und Ereignisse durcheinander, kombiniert fremde Orte mit alten Bekannten oder konfrontiert uns mit Aufgaben, die es in der Realität nie gab. Damit wirft sich das Gehirn selbst eine Art Chaos zu, um nicht in immer gleichen Tagesabläufen steckenzubleiben.
Die Parallele zum künstlichen Rauschen im Training
Im maschinellen Lernen ist dieses Prinzip längst etabliert: Man fügt Trainingsdaten gezielt Rauschen hinzu, damit ein Modell nicht einzelne Beispiele auswendig lernt, sondern verallgemeinerbare Muster erkennt. Nach Hoels Hypothese macht das Gehirn seit Millionen von Jahren jede Nacht etwas Vergleichbares – nur eben in Form von Träumen statt in Form von Trainingsdaten-Rauschen.
Häufige Fragen
Overfitting beschreibt den Effekt, dass ein neuronales Netz, das immer wieder mit denselben oder sehr ähnlichen Daten trainiert wird, die Beispiele auswendig lernt statt zugrunde liegende Muster zu verstehen. Es liefert bei bekannten Aufgaben gute Ergebnisse, versagt aber, sobald sich die Formulierung oder Situation ändert.
Der Neurowissenschaftler Erik Hoel von der Tufts University vermutete 2021, dass das Gehirn dasselbe Problem hat wie überangepasste neuronale Netze und Träume deshalb absichtlich seltsame, unlogische Situationen erzeugen.
Im maschinellen Lernen fügt man Trainingsdaten gezielt Rauschen hinzu, damit ein Modell nicht einzelne Beispiele auswendig lernt, sondern allgemeinere Muster erkennt, die auch auf neue, unbekannte Situationen übertragbar sind.
Muster erkennen, bevor sie zum Problem werden
Overfitting ist kein Nischenproblem der KI-Forschung – es betrifft jedes System, das aus wiederkehrenden Daten lernen soll, auch in Unternehmen. Wenn Prozesse oder Modelle nur auf den immer gleichen Fällen trainiert werden, brechen sie bei der ersten Abweichung zusammen. Nordvind AI unterstützt Unternehmen dabei, KI-Anwendungen so aufzusetzen, dass sie robust bleiben statt nur Vergangenes zu wiederholen.
Kostenlose Erstberatung →