Wie ähnlich sind neuronale Netze unserem Gehirn?

Es gibt viele Unterschiede zwischen tiefen neuronalen Netzwerken und dem menschlichen Gehirn, obwohl neuronale Netzwerke biologisch inspiriert sind.

Wann haben Sie das letzte Mal ein Bild von einem Tier, Vogel oder einer Pflanze betrachtet, konnten es nicht sofort zuordnen und waren sprachlos? Wenn wir etwas betrachten, aktiviert unser Gehirn eine Reihe von Neuronen, die dieses Bild durch Tausende bis Millionen von im Gehirn gespeicherten „Referenzbildern“ laufen lassen. Im Fall des ungewöhnlichen Tieres oder Vogels, den wir entdeckt haben: Größe, Ernährung, Lebensraum, Lebensdauer und so weiter.

Wahrscheinlich sind Sie jedoch kein Tier- oder Pflanzenexperte und Ihr Gehirn arbeitet nun auf Hochtouren, um die gewünschten Informationen zu finden. Es führt beispielsweise einen superschnellen Abgleich mit dem gespeicherten Repertoire an Tierarteninformationen durch. Ihr Gehirn vergleicht also Ohren, Pfoten, Schwänze, Schnauzen, Nasen und alles andere, um zu einer Schlussfolgerung zu gelangen.

Bei der Verarbeitung, die Sie versuchen, handelt es sich lediglich um eine Neuverarbeitung vergangener Erfahrungen oder, wenn Sie so wollen, tierischer Referenzinformationen durch Ihr biologisches neuronales Netzwerk, um mit der vorliegenden neuen Situation fertig zu werden.

Wie die Idee für künstliche neuronale Netze entstand

Diagramm des menschlichen Neurons und seiner Teile.

Vor Jahrzehnten, als KI immer beliebter wurde, diskutierten Wissenschaftler und Forscher heftig über die Entwicklung einer Maschine, die lernen, sich anpassen und Entscheidungen treffen kann. Die Grundidee war, dass Maschinen die Lernweise des menschlichen Gehirns nachbilden sollten.

Das Gehirn besteht in erster Linie aus einer Ansammlung von Neuronen, die alle miteinander verbunden sind und hin und her elektrische Signale senden, um dem Gehirn zu helfen, Dinge zu interpretieren, logisch zu denken, Entscheidungen zu treffen usw. Die damaligen KI-Forscher ließen sich hiervon inspirieren und versuchten, die Funktion des menschlichen Gehirns nachzuahmen, indem sie künstliche Neuronen schufen.

Neuronen im menschlichen Gehirn. Bildquelle: Wikipedia .

Schließlich entdeckten sie Möglichkeiten, einfache künstliche Neuronen auf sehr komplexe Weise zu verbinden, und die Verbindungen zwischen diesen Neuronen in einem künstlichen neuronalen Netzwerk (KNN) halfen ihnen, komplexere Ergebnisse zu erzeugen – wenn Sie sich an den Cameron-Film „Terminator“ von 1984 erinnern, können Sie sich vorstellen, wie diese Technologie genutzt werden könnte, um eine Maschine oder vielleicht einen Roboter zu erschaffen, der in der Lage ist, autonom tödliche Entscheidungen zu treffen. Nun, zum Glück ist es noch nicht so weit gekommen und hoffentlich wird die Technologie sinnvoll eingesetzt, beispielsweise in selbstfahrenden Autos, die Hindernisse „sehen“ und ihnen ausweichen können, oder in einem „intelligenten Roboter“, der als Hotel-Concierge arbeitet.

Das Konzept künstlicher neuronaler Netzwerke geht eigentlich auf das Jahr 1943 zurück, als Neurowissenschaftler mit einer Methode experimentierten, die Funktionsweise biologischer Neuronen im menschlichen Gehirn nachzubilden. Nur ein Jahrzehnt später entwickelte Frank Rosenblatt, damals ein angesehener Psychologe, die Idee weiter, indem er ein einschichtiges neuronales Netzwerk für überwachtes Lernen entwickelte: das Perceptron .

Dieses künstliche neuronale Netzwerk könnte aus Datenbeispielen „lernen“ und so sein Netzwerk trainieren, das dann das Gelernte auf einen neuen Datensatz anwendet usw. – ganz ähnlich wie ein biologisches neuronales Netzwerk funktioniert: indem es neue Dinge lernt, sich anpasst, eine Geist-Muskel-Verbindung aufbaut und Referenzpunkte im Gehirn speichert (Bilder, Töne, visuelle Referenzen, Erinnerungen), um weiter zu lernen.

Leider zeigte das Perceptron bald seine Grenzen bei der Bearbeitung bestimmter Probleme, vor allem nichtlinearer Funktionen. 1986 wurde von KI-Forschern ein Forschungspapier veröffentlicht, das Licht auf die „verborgenen Schichten“ von Neuronen warf, die zur Lösung einiger der grundlegenden Probleme verwendet werden könnten, die bei frühen Versionen des Perceptrons auftraten, insbesondere wenn sie mit großen Datenmengen gefüttert und trainiert wurden.

Und siehe da – es war das Jahr 2006 und Forscher hatten endlich eine Formel entdeckt, mit der sich das oben Genannte wirksam erreichen ließ: neuronale Netzwerke mit Deep Learning (DL) als Kern.

Etwa zur gleichen Zeit weckte die Entwicklung von Cloud Computing, leistungsstarken GPU-Prozessoren und Big Data erneut das Interesse an im Labor hergestellten neuronalen Netzwerken. Sie wissen es vielleicht nicht, aber heute sind neuronale Netzwerke die treibende Kraft hinter vielen KI-gestützten Systemen: Sprachassistenten, Bild- und Gesichtserkennung, Online-Übersetzungsdienste, Suchmaschinen usw.

Gibt es Ähnlichkeiten zwischen neuronalen Netzwerken und unserem Gehirn?

Einige Wurmarten haben nur 302 Neuronen!

Das menschliche Gehirn ist eine sehr leistungsfähige und hocheffiziente Verarbeitungsmaschine, die im Laufe von Millionen von Jahren der Evolution perfektioniert wurde. Es verarbeitet täglich riesige Mengen an Informationen, die wir über unsere jeweiligen Sinne aufnehmen, und verknüpft bekannte Informationen mit ihren jeweiligen „Bezugspunkten“.

Obwohl die Wissenschaft und Medizin noch nicht vollständig verstanden haben, wie das menschliche Gehirn funktioniert, kann man durchaus sagen, dass wir am Anfang oder vielleicht sogar mitten in einer Ära stehen, in der wir die Möglichkeit haben, unsere eigene Version des Gehirns zu erschaffen. Nach Jahrzehnten intensiver Forschung und Entwicklung haben Neurowissenschaftler und Forscher tiefe neuronale Netzwerke geschaffen, die bei bestimmten Aufgaben nicht nur mit der Leistung des menschlichen Gehirns mithalten, sondern diese manchmal sogar übertreffen können.

Wenn Sie noch nie von einem künstlichen neuronalen Netzwerk gehört haben: Es handelt sich dabei um eine der einflussreichsten und revolutionärsten Technologien der letzten 10 bis 12 Jahre – ein grundlegendes Puzzleteil, wenn es um Deep-Learning-Algorithmen (DL) geht, und im Kern handelt es sich um modernste Technologie für künstliche Intelligenz (KI). Natürlich, was sonst, richtig?

Ihnen ist vielleicht gar nicht bewusst, wie häufig Sie täglich mit neuronalen Netzwerken interagieren – Amazons KI-gestützter Assistent Alexa, Apples Face ID-Smartphonesperre für das iPhone und Googles Übersetzungsdienst sind allesamt Beispiele für Anwendungen neuronaler Netzwerke. Sie beschränken sich jedoch nicht nur auf die Art und Weise, wie wir mit Geräten interagieren – neutrale Netzwerke stecken hinter einigen der bedeutendsten KI-Durchbrüche, darunter selbstfahrende Autos, die „sehen“ können, und medizinische Geräte, die Brust- und Hautkrebs ohne menschliches Eingreifen oder langwierige, im Labor verordnete Tests diagnostizieren können.

Künstliche neuronale Netzwerke sind jedoch nichts Neues. Das Konzept existiert tatsächlich schon seit Jahrzehnten, aber erst in den letzten Jahren sind vielversprechende und leistungsstarke Anwendungen aufgetaucht. Dies wirft die Frage auf: Sind neuronale Netzwerke dem menschlichen Gehirn ähnlich? Sind sie besser? Und wenn ja, wie?

Die auffälligste Ähnlichkeit zwischen beiden sind die Neuronen : die Grundeinheit, die für die Steuerung des Nervensystems verantwortlich ist. Interessant ist jedoch, wie diese Neuronen in beiden Fällen Eingaben aufnehmen. Nach dem aktuellen Verständnis des menschlichen neuronalen Netzwerks werden Eingaben über die Dendriten aufgenommen und die erforderlichen Informationen über das Axon ausgegeben.

Ohne zu technisch zu werden, bilden Dendriten und Axon den Zellkörper, den die meisten Neuronen haben. Während also einer für den Empfang von Informationen zuständig ist, ist der andere dafür verantwortlich, die Informationen an die richtigen „Knoten“ oder Neuronen weiterzuleiten, damit unser Gehirn Informationen verarbeiten und bei Bedarf schnell Entscheidungen treffen kann.

Nun haben die Dendriten der Forschung zufolge unterschiedliche Möglichkeiten, Eingaben zu verarbeiten, und durchlaufen eine nichtlineare Funktion, bevor sie die Informationen an den Zellkern weitergeben – einen weiteren Bestandteil des Zellkörpers. Aber wenn wir dies mit einem künstlichen neuronalen Netzwerk vergleichen, wird jede Eingabe direkt an ein Neuron weitergegeben und die Ausgabe wird auf die gleiche Weise direkt vom Neuron übernommen.

Während die Neuronen im menschlichen Gehirn eine fast endlose Reihe von Ausgaben liefern können, können Neuronen in einem KI-gestützten neuronalen Netzwerk nur eine binäre Ausgabe liefern – also einige zehn Millivolt pro Sekunde. Vielleicht wird das langsam zu technisch. Sagen wir es so:

Das ursprüngliche Motiv der KI-Pioniere bestand darin, die Funktion des menschlichen Gehirns nachzubilden: die komplexeste und intelligenteste bekannte Schöpfung der Natur. Aus diesem Grund hat der Bereich der KI den größten Teil seiner Nomenklatur von der Form und Funktion des menschlichen Gehirns abgeleitet, einschließlich des Begriffs KI oder künstliche Intelligenz.

Künstliche neuronale Netzwerke sind also direkt von menschlichen neuronalen Netzwerken inspiriert. Auch wenn ein großer Teil der Funktionen des menschlichen Gehirns weiterhin ein Rätsel ist, so viel wissen wir doch: Biologische neuronale Bahnen oder Netzwerke ermöglichen es dem Gehirn, riesige Mengen an Informationen auf die komplexeste Art und Weise zu verarbeiten, die man sich vorstellen kann, und genau das versuchen Wissenschaftler mit künstlichen neuronalen Netzwerken nachzubilden.

Wenn Sie meinen, dass Intels neuester Core™ i9-Prozessor mit 3,7 GHz leistungsstark ist, dann betrachten Sie im Vergleich dazu das neuronale Netzwerk des menschlichen Gehirns: 100 Milliarden Neuronen, die das Gehirn für die „grundlegendsten“ Verarbeitungsvorgänge verwendet. In dieser Hinsicht sind die beiden absolut nicht vergleichbar! Die Neuronen im menschlichen Gehirn führen ihre Funktionen über ein riesiges, miteinander verbundenes Netzwerk aus, das als Synapsen bezeichnet wird. Im Durchschnitt hat unser Gehirn 100 Billionen Synapsen, also etwa 1.000 pro Neuron. Jedes Mal, wenn wir unser Gehirn benutzen, fließen chemische Reaktionen und elektrische Ströme durch diese riesigen Netzwerke von Neuronen.

Um die Ähnlichkeiten besser zu verstehen, richten wir unseren Fokus nun auf künstliche neuronale Netzwerke oder ANNs. Die Kernkomponente sind in diesem Fall künstliche Neuronen, wobei jedes Neuron Eingaben von mehreren benachbarten Neuronen erhält, diese entsprechend der zugewiesenen Gewichte multipliziert, addiert und die Summe dann an ein oder mehrere benachbarte Neuronen weitergibt. Einige künstliche Neuronen können jedoch eine Aktivierungsfunktion auf die Ausgabe anwenden, bevor sie an die nächste Variable weitergegeben wird.

Im Kern mag das wie eine übermäßig komplexe und triviale mathematische Gleichung klingen. Aber wenn Hunderte bis Tausende und sogar Millionen von Neuronen in mehreren Schichten angeordnet und übereinander gestapelt werden, ist das Endergebnis ein künstliches neutrales Netzwerk, das selbst die kompliziertesten Aufgaben ausführen kann, wie etwa Spracherkennung und Bildklassifizierung. Vielleicht ist die Vorstellung, dass Maschinen in Zukunft die Macht übernehmen und genauso menschlich aussehen wie in den Terminator-Filmen, doch gar nicht so weit hergeholt.

Abgesehen von Science-Fiction-Theorien bestehen neuronale Netzwerke aus drei Schichten:

• Eine Eingabeebene, die für die Annahme von Daten aus externen Quellen zuständig ist – z. B. Bilder, Datendateien, Mikrofon, Hardwaresensoren usw.
• Eine oder zwei weitere Ebenen (versteckt) zur Verarbeitung der Daten.
• Und eine Ausgabeebene, die je nach Netzwerkfunktion als ein oder mehrere Datenpunkte fungiert.

Hier ist ein Beispiel:

Ein neuronales Netzwerk, das darauf programmiert ist, Autos, Personen und Tiere zu erkennen, wird eine Ausgabeebene mit drei Knoten haben. Ein neuronales Netzwerk, das darauf ausgelegt ist, zwischen sicheren und betrügerischen Banktransaktionen zu unterscheiden, wird dagegen nur eine Ausgabeebene ohne Knoten haben.

Es ist zu beachten, dass ein wesentlicher Unterschied zwischen dem Gehirn und einem künstlichen neuronalen Netzwerk darin besteht, dass das künstliche neuronale Netzwerk bei derselben Eingabe die gleiche Ausgabe liefert, das menschliche Gehirn jedoch ins Straucheln geraten kann – es reagiert auf dieselbe Eingabe möglicherweise nicht unbedingt gleich, was wir in der Geschäftssprache üblicherweise als menschliches Versagen bezeichnen.

Mittlerweile wurden viele Variationen von neuronalen Netzwerken eingeführt.

Beispielsweise wird ein Convolutional Neural Network (CNN) zur Bildverarbeitung verwendet – jede Schicht wendet einen Faltungsprozess in Verbindung mit anderen Bildoperationen an und verkleinert oder vergrößert die Bildabmessungen nach Bedarf. Dadurch kann das Netzwerk die wichtigen Details erfassen und alles andere verwerfen. Interessanterweise wurden die Schlüsselfunktionen und algorithmischen Berechnungen, die von Convolutional Neural Networks durchgeführt werden, von frühen Erkenntnissen über das menschliche Sehsystem inspiriert – als Wissenschaftler entdeckten, dass Neuronen im primären visuellen Kortex auf bestimmte Eigenschaften in der Umgebung, wie z. B. Kanten, auf eine bestimmte Weise reagieren.

Eine weitere Weiterentwicklung der ANN-Architektur ist in der Lage, verschiedene Eingabe-/Ausgabeschichten so zu verbinden, dass Netzwerke bestimmte Muster lernen können. Rekurrente neuronale Netzwerke oder RNNs können Ausgaben einer Schicht mit vorherigen Schichten verknüpfen. Dadurch können Informationen entlang eines Netzwerks in vorherige Teile zurückfließen – wir haben also ein neuronales Netzwerk, das (in der Gegenwart) Ausgaben basierend auf vergangenen Ereignissen liefert. Diese Anwendung kann besonders in Situationen nützlich sein, in denen eine Sequenz beteiligt ist: Handschrifterkennung, Sprache, Muster- und Anomalieverfolgung sowie andere Elemente der Vorhersage, die auf „Zeitsequenz“-Mustern basieren.

Es gibt auch Unterkategorien von RNNs – dazu gehören Long Short-Term Memory- oder LSTM-Netzwerke. Diese fügen Fähigkeiten hinzu, wie das Verbinden sehr weit entfernter und neuer Neuronen auf ziemlich intelligente und ausgefeilte Weise. LSTMs eignen sich daher am besten für die Vorhersage des nächsten Wortes, das ein Benutzer während einer Suchanfrage online eingeben könnte, für die Textgenerierung, maschinelle Übersetzung und verschiedene prädiktive Anwendungen.

Während dieser Zeit wurden im menschlichen Sehsystem zwei Arten einzigartiger Zellen entdeckt: einfache Zellen und komplexe Zellen . Während erstere nur in einer bestimmten Ausrichtung reagierten, reagierten letztere in mehreren Ausrichtungen. Daraus schloss man, dass letztere die Eingaben ersterer bündelten, was zu einer räumlichen Invarianz in komplexen Zellen führte. Dies war im Wesentlichen die Inspiration für die Idee hinter Convolutional Neural Networks.

Ein weiterer wichtiger Unterschied zwischen menschlichen und künstlichen neuronalen Netzwerken ist, wie wir bereits erwähnt haben, die Anzahl der Neuronen. Einige Studien gehen davon aus, dass das menschliche Gehirn fast 86 Milliarden Neuronen hat, während neuere Studien von ungefähr 100 Milliarden sprechen. Zum Vergleich: Die Gesamtzahl der Neuronen in herkömmlichen neuronalen Netzwerken liegt bei weniger als 1000 – also bei weitem nicht an der „mentalen Leistung“ des menschlichen Gehirns!

Zudem liegt der Stromverbrauch menschlicher neuronaler Netzwerke laut Forschung bei etwa 20 W, während er bei neuronalen Netzwerken bei etwa 300 W liegt.

Während die menschliche Intelligenz nahezu unbegrenzt ist, gibt es bei künstlichen neuronalen Netzen Grenzen

Nun, wir haben viel über die Ähnlichkeiten zwischen menschlichen und künstlichen neuronalen Netzwerken gesprochen – es lohnt sich, den Fokus auf einige der Einschränkungen von neuronalen Netzwerken zu richten.

Obwohl das Konzept so fortschrittlich klingt und sie spannende Ähnlichkeiten mit ihrem menschlichen Äquivalent aufweisen, sind neuronale Netzwerke tatsächlich ganz anders. Und obwohl neuronale Netzwerke in Kombination mit Deep Learning heute den neuesten Stand der KI-basierten Technologie darstellen, sind sie weit von der Intelligenz entfernt, die das menschliche Gehirn hervorbringen kann.

Daher können neuronale Netzwerke bei einer Reihe von Dingen versagen, bei denen der menschliche Verstand hervorragende Leistungen erbringen würde:

Neuronale Netze sind datenhungrig, anders als das menschliche Pendant

Im Gegensatz zu ihren biologischen Gegenstücken, den neuronalen Netzen, benötigen neuronale Netze große Datenmengen in Form von Tausenden bis Millionen Beispielen, um der Funktionsweise des menschlichen Gehirns auch nur nahe zu kommen.

Wenn Sie sich an das Beispiel erinnern, das wir am Anfang des Artikels besprochen haben – die Identifizierung einer seltsamen neuen Pflanzen- oder Tierart –, würde ein künstliches neuronales Netzwerk Tausende, vielleicht Millionen von Referenzpunkten oder Daten benötigen, um etwas zu identifizieren und die richtige Ausgabe zu liefern. Das menschliche Gehirn hingegen würde nur wenige Sekunden brauchen, um die Informationen zu verarbeiten und die erforderlichen Informationen weiterzuleiten, die uns helfen würden, die ungewöhnliche oder seltene Pflanzen-, Vogel- oder Tierart zu identifizieren.

Neuronale Netze sind nicht sehr gut im Verallgemeinern

Auch wenn ein neuronales Netzwerk eine Aufgabe, für die es trainiert wurde, mit nahezu höchster Genauigkeit ausführen kann, wird es bei allen anderen Aufgaben im Allgemeinen schlechte Leistungen erbringen, selbst wenn diese der ursprünglichen Abfrage oder dem ursprünglichen Problem ähnlich sind.

Ein Hundeklassifizierer, der darauf trainiert ist, Tausende von Hundebildern zu erkennen, wird beispielsweise keine Katzenbilder erkennen. Dafür wären völlig neue Katzenbilder erforderlich, und zwar Tausende. Im Gegensatz zu menschlichen neuronalen Netzwerken sind künstliche Netzwerke nicht in der Lage, Wissen in Form von Symbolen zu entwickeln: Augen, Ohren, Schnauze, Schwanz, Schnurrhaare usw. Stattdessen verarbeiten sie Pixelwerte. Deshalb müssen sie jedes Mal von Grund auf neu trainiert werden, da sie einfach nicht in der Lage sind, neue Objekte im Kontext hochrangiger Merkmale zu erlernen.

Neuronale Netze sind von Natur aus undurchsichtig

Neuronale Netzwerke können ihr Verhalten nur durch Neuronengewichte und -aktivierungen ausdrücken. Das bedeutet, dass es generell sehr schwer ist, die Logik hinter ihren Entscheidungen zu verstehen. Darum werden neuronale Netzwerke oft als „Black Boxes“ bezeichnet, was es wirklich schwierig macht festzustellen, ob sie ihre Entscheidungen auf der Grundlage der richtigen Faktoren treffen. So wurden im Fall Loomis vs. Wisconsin beispielsweise Algorithmen verwendet, um den Ausgang des Falls zu bestimmen. Weder die Jury noch der Angeklagte durften die Daten einsehen, auf denen der Algorithmus basierte, und die Gesetzgeber kritisierten das für die Entwicklung des Algorithmus verantwortliche Unternehmen, weil es seine Entscheidung nicht auf rassenneutraler Basis getroffen habe.

Außerdem sind neuronale Netzwerke per Definition nicht dazu gedacht, traditionelle regelbasierte Algorithmen zu ersetzen, die klar argumentieren können und in festen Regeln kodifiziert sind. So schneiden neutrale Netzwerke beispielsweise beim Lösen mathematischer Probleme im Allgemeinen schlecht ab.

Ein weiterer großer Nachteil ist, dass es im Allgemeinen schwierig ist, zu visualisieren, was „hinter den Kulissen“ neuronaler Netzwerke vor sich geht. So wie man versucht, zu visualisieren, wie der menschliche Verstand eine Entscheidung trifft, ist es praktisch unmöglich, zu untersuchen oder aufzudecken, wie ein bestimmter Input eines neuronalen Netzes zu einem Output führt – und zwar auf transparente, sinnvolle oder erklärbare Weise –, damit Neurowissenschaftler den Gesamtprozess verbessern können.

Neuronale Netzwerke sind in der Regel recht gut darin, Datensätze zu klassifizieren und zu clustern, aber sie sind nicht besonders einfallsreich, wenn es darum geht, Entscheidungen zu treffen oder Szenarien zu lernen, in denen logisches Denken und Deduktion eine Rolle spielen. Tatsächlich beginnen viele Studien zu entdecken, dass künstliche Neuronen im Vergleich zum menschlichen Gehirn auf eine ganz andere und eigenständige Weise lernen.

Abschließende Gedanken zu Ähnlichkeiten zwischen biologischen und künstlichen neuronalen Netzwerken

Man kann wohl sagen, dass wir noch viel zu tun haben und noch ein langer Weg vor uns liegt, bevor wir künstliche Intelligenz und Deep Learning auf menschlichem Niveau erreichen können, um Anwendungen auf Basis neuronaler Netzwerke voranzutreiben. Aber wir sind diesem Ziel definitiv viel näher als beispielsweise vor 30 Jahren.

Mooresches Gesetz – zeigt den exponentiellen Anstieg der Rechenleistung seit den 1970er Jahren. Datenquelle: Wikipedia .

Da sich die Lücke zwischen dem menschlichen Gehirn und künstlichen neuronalen Netzwerken immer weiter schließt, könnten wir auf unvorstellbare Weise ein Zeitalter künstlicher Intelligenz erleben. Aber wir hoffen, dass kein „Maschinenmensch“ herumläuft und uns verkündet, dass „das Ende naht“.

Positiv zu vermerken ist jedoch, dass die Leistungsfähigkeit von KI und neuronalen Netzwerken durchaus genutzt werden kann, um selbstfahrende Autos oder sogar selbstfliegende Lufttaxis anzutreiben. Sie können in der Medizin eingesetzt werden, um Krebs im Frühstadium oder andere schwächende Krankheiten zu erkennen, die ein frühes Eingreifen erfordern. Möglicherweise werden wir sogar den Einsatz künstlicher neutraler Netzwerke vor Gericht erleben, um Fälle zu entscheiden und Urteile zu fällen, obwohl dies derzeit noch umstritten ist, insbesondere aus der Perspektive der Menschenrechte.

Wenn die Technologie zum Wohle der Allgemeinheit eingesetzt wird, könnten wir schon bald Zeugen der nächsten technologischen Revolution werden – die vollständig auf unserem Wissen über das menschliche Gehirn basiert.