Wie ähnlich sind neuronale Netze unserem Gehirn?

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

Wann haben Sie das letzte Mal ein Bild eines Tieres, Vogels oder einer Pflanze angeschaut, es nicht sofort zuordnen können und waren verblüfft? Wenn wir etwas betrachten, feuert unser Gehirn eine Reihe von Neuronen ab, die dieses Bild über Tausende bis Millionen im Gehirn gespeicherte „Referenzbilder“ laufen lassen. Im Fall des ungewöhnlichen Tieres oder Vogels, das wir gesichtet haben: Größe, Ernährung, Lebensraum, Lebensdauer und so weiter.

Es besteht jedoch die Möglichkeit, dass Sie kein Tier- oder Pflanzenexperte sind und Ihr Gehirn jetzt auf der Suche nach den gewünschten Informationen ist – indem es beispielsweise einen superschnellen Vergleich mit dem Repertoire an Informationen über Tierarten durchführt, die es gespeichert hat. Ihr Verstand würde also Ohren, Pfoten, Schwänze, Schnauzen, Nasen und alles andere vergleichen, um zu einem Ergebnis zu kommen.

Die Verarbeitung, die Sie durchführen möchten, besteht einfach darin, dass Ihr biologisches neuronales Netzwerk frühere Erfahrungen oder, wenn Sie so wollen, tierische Referenzinformationen erneut verarbeitet, um mit der neuen Situation umzugehen.

Wie die Idee für künstliche neuronale Netze entstand

Diagramm des menschlichen Neurons und seiner Teile.

Vor Jahrzehnten, als KI immer beliebter wurde, gab es unter Wissenschaftlern und Forschern viele Debatten über die Entwicklung einer Maschine, die lernen, sich anpassen und Entscheidungen treffen könnte. Die allgemeine Idee bestand darin, Maschinen die Art und Weise nachbilden zu lassen, wie das menschliche Gehirn lernt.

Das Gehirn besteht in erster Linie aus einer Ansammlung von Neuronen, die alle miteinander verbunden sind und elektrische Signale hin und her senden, um dem Geist zu helfen, Dinge zu interpretieren, zu argumentieren, Entscheidungen zu treffen usw. KI-Forscher ließen sich damals davon inspirieren und versuchten, den Menschen nachzuahmen Gehirnfunktion durch die Schaffung künstlicher Neuronen.

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) würden ihnen helfen, komplexere Ergebnisse zu erzeugen – wenn Sie sich an den Cameron-Film „Der Terminator“ von 1984 erinnern Sie können sich vorstellen, wie diese Technologie zur Herstellung einer Maschine oder vielleicht eines Roboters genutzt werden könnte, der in der Lage ist, selbstständig tödliche Entscheidungen zu treffen. Nun, zum Glück ist es noch nicht so weit gekommen, und hoffentlich wird die Technologie sinnvoll eingesetzt, etwa bei selbstfahrenden Autos, die Hindernisse „sehen“ und ihnen ausweichen können, oder bei einem „intelligenten Roboter“, der als Hotel-Concierge fungiert.

Das Konzept für künstliche neuronale Netze geht tatsächlich auf das Jahr 1943 zurück, als Neurowissenschaftler mit einer Möglichkeit experimentierten, die Funktionsweise biologischer Neuronen im menschlichen Gehirn nachzubilden. Nur ein Jahrzehnt später entwickelte Frank Rosenblatt, ein damals 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 dieses Lernen dann auf einen neuen Datensatz usw. anwenden würde – ähnlich wie ein biologisches neuronales Netzwerk funktioniert: indem es neue Dinge lernt, Anpassung, Aufbau einer Geist-Muskel-Verbindung und Behalten von Referenzpunkten im Gehirn (Bilder, Töne, visuelle Referenzen, Erinnerungen), um weiter zu lernen.

Leider zeigte das Perceptron bald Einschränkungen bei der Bewältigung spezifischer Probleme, meist nichtlinearer Funktionen. Im Jahr 1986 wurde von KI-Forschern ein Forschungsbericht veröffentlicht, der Licht auf die „verborgenen Schichten“ von Neuronen wirft, die zur Lösung einiger grundlegender Probleme verwendet werden können, mit denen frühe Bauformen der Perzeptrons konfrontiert waren, insbesondere wenn diese mit großen Mengen gefüttert und trainiert wurden Daten.

Und siehe da – wir schreiben das Jahr 2006 und Forscher haben endlich eine Formel entdeckt, die das oben Gesagte effektiv erreichen konnte: neuronale Netze mit Deep Learning (DL) als Kern.

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

Gibt es Ähnlichkeiten zwischen neuronalen Netzen und unserem Gehirn?

Einige Wurmarten haben nur 302 Neuronen!

Das menschliche Gehirn ist eine sehr leistungsstarke und hocheffiziente Verarbeitungsmaschine, die über Millionen von Jahren der Evolution verfeinert wurde. Es sortiert jeden Tag riesige Mengen an Informationen, die wir über unsere jeweiligen Sinne empfangen, und verknüpft bekannte Informationen mit ihren jeweiligen „Referenzpunkten“.

Während die Welt der Wissenschaft und Medizin noch nicht vollständig verstanden hat, wie das menschliche Gehirn funktioniert, kann man mit Recht sagen, dass wir am Anfang oder vielleicht sogar mitten in einer Ära stehen, in der wir die Mittel haben, unsere eigene Version davon zu entwickeln das Gehirn. Nach jahrzehntelanger intensiver Forschung und Entwicklung haben Neurowissenschaftler und Forscher tiefe neuronale Netzwerke geschaffen, die bei bestimmten Aufgaben die Fähigkeiten des menschlichen Gehirns nicht nur erreichen, sondern manchmal sogar übertreffen können.

Wenn Sie noch nie von einem künstlichen neuronalen Netzwerk gehört haben, ist es zufällig eine der einflussreichsten und revolutionärsten Technologien der letzten etwa 10 bis 12 Jahre – ein grundlegendes Puzzleteil, wenn es um Deep-Learning-Algorithmen (DL) geht , und im Mittelpunkt steht modernste Technologie der künstlichen Intelligenz (KI). Natürlich, was sonst, oder?

Möglicherweise ist Ihnen nicht bewusst, wie häufig Sie jeden Tag mit neuronalen Netzen interagieren – der KI-gestützte Assistent von Amazon, Alexa, Apples Smartphone-Sperre Face ID für das iPhone und der Übersetzungsdienst von Google sind Beispiele für Anwendungen neuronaler Netze. Aber sie beschränken sich nicht nur darauf, wie wir mit Geräten interagieren – neutrale Netzwerke stehen hinter einigen der bedeutendsten KI-Durchbrüche, darunter selbstfahrende Autos, die „sehen“ können, und medizinische Geräte, die Brust- und Hautkrebs ohne menschliches Eingreifen diagnostizieren können langwierige, vom Labor vorgeschriebene Tests.

Künstliche neuronale Netze sind jedoch nichts Neues. Tatsächlich gibt es das Konzept schon seit Jahrzehnten, doch erst in den letzten Jahren sind vielversprechende und leistungsstarke Anwendungen aufgetaucht. Dies wirft die Frage auf: Sind neuronale Netze dem menschlichen Gehirn ähnlich? Sind sie besser? Und wenn ja, wie?

Nun, die offensichtlichste Ähnlichkeit zwischen den beiden sind die Neuronen : die Grundeinheit, die für den Antrieb des Nervensystems verantwortlich ist. Interessant ist jedoch, wie diese Neuronen in beiden Fällen Eingaben aufnehmen. Nach heutigem Verständnis des menschlichen neuronalen Netzwerks erfolgt die Eingabe über die Dendriten und die Ausgabe der benötigten Informationen über das Axon.

Ohne zu technisch zu werden: Dendriten und Axone bilden den Zellkörper, den die meisten Neuronen haben. Während also einer für den Empfang von Informationen verantwortlich ist, ist der andere dafür verantwortlich, die Informationen an die richtigen „Knoten“ oder Neuronen weiterzuleiten, damit unser Gehirn Informationen verarbeiten und schnell Entscheidungen treffen kann, wenn es dazu aufgefordert wird.

Untersuchungen zufolge verarbeiten die Dendriten Eingaben nun auf unterschiedliche Weise und durchlaufen eine nichtlineare Funktion, bevor sie die Informationen an den Zellkern – einen weiteren Bestandteil des Zellkörpers – weiterleiten. Wenn wir dies jedoch mit einem künstlichen neuronalen Netzwerk vergleichen, wird jede Eingabe direkt an ein Neuron weitergeleitet und die Ausgabe wird auf die gleiche Weise auch direkt vom Neuron übernommen.

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

Das ursprüngliche Motiv der Pioniere der KI 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 den Funktionen des menschlichen Gehirns abgeleitet, einschließlich des Begriffs KI oder künstliche Intelligenz.

Künstliche neuronale Netze sind also direkt von menschlichen neuronalen Netzen inspiriert. Auch wenn ein großer Teil der Funktionen des menschlichen Gehirns weiterhin ein Rätsel ist, wissen wir eines: Biologische Nervenbahnen oder Netzwerke ermöglichen es dem Gehirn, riesige Informationsmengen auf die komplexeste Art und Weise zu verarbeiten, die man sich vorstellen kann, und genau das versuchen Wissenschaftler nachzubilden über künstliche neuronale Netze.

Wenn Sie denken, dass der neueste Core™ i9-Prozessor von Intel mit 3,7 GHz leistungsstark ist, dann denken Sie im Gegensatz dazu an das neuronale Netzwerk des menschlichen Gehirns: 100 Milliarden Neuronen, die das Gehirn für die „grundlegendste“ Verarbeitung verwendet. In diesem Sinne gibt es absolut keinen Vergleich zwischen den beiden! Die Neuronen im menschlichen Gehirn erfüllen ihre Funktionen über ein riesiges miteinander verbundenes Netzwerk, das als Synapsen bekannt ist. Im Durchschnitt verfügt unser Gehirn über 100 Billionen Synapsen, das sind also etwa 1.000 pro Neuron. Jedes Mal, wenn wir unser Gehirn benutzen, laufen chemische Reaktionen und elektrische Ströme durch diese riesigen Netzwerke von Neuronen.

Lassen Sie uns nun unseren Fokus auf künstliche neuronale Netze oder ANNs verlagern, um die Ähnlichkeiten besser zu verstehen. Die Kernkomponente sind in diesem Fall künstliche Neuronen, wobei jedes Neuron Eingaben von mehreren benachbarten Neuronen empfängt, diese entsprechend den zugewiesenen Gewichten multipliziert, addiert und die Summe dann an ein oder mehrere benachbarte Neuronen weitergibt. Einige künstliche Neuronen wenden jedoch möglicherweise eine Aktivierungsfunktion auf die Ausgabe an, bevor sie an die nächste Variable übergeben wird.

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

Abgesehen von Science-Fiction-Theorien bestehen KNN aus drei Schichten:

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

Hier ist ein Beispiel:

Ein neuronales Netzwerk, das zur Erkennung von Autos, Personen und Tieren programmiert ist, verfügt über eine Ausgabeschicht, die aus drei Knoten besteht. Andererseits verfügt ein neuronales Netzwerk, das zwischen sicheren und betrügerischen Banktransaktionen unterscheiden soll, nur über eine Ausgabeschicht ohne Knoten.

Es sollte beachtet werden, 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 möglicherweise ins Stocken gerät – es muss nicht unbedingt die gleiche Reaktion geben auf genau denselben Input, etwas, das wir in der Geschäftssprache gemeinhin als menschliches Versagen bezeichnen.

Mittlerweile wurden viele Variationen von ANNs eingeführt;

Beispielsweise wird ein Faltungs-Neuronales Netzwerk (CNN) zur Verarbeitung von Bildern verwendet – jede Schicht wendet einen Faltungsprozess in Verbindung mit anderen Operationen auf Bilder an und reduziert oder erweitert die Bildabmessungen je nach Bedarf. Dadurch kann das Netzwerk die wichtigen Details erfassen und alles andere verwerfen. Interessanterweise wurden die Schlüsselfunktionen und algorithmischen Berechnungen von Faltungs-Neuronalen Netzen von frühen Erkenntnissen über das menschliche visuelle System inspiriert – als Wissenschaftler entdeckten, dass Neuronen im primären visuellen Kortex auf bestimmte Attribute in der Umgebung, wie zum Beispiel Kanten, reagieren.

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

Es gibt auch Unterkategorien von RNNs – darunter lange Kurzzeitgedächtnis- oder LSTM-Netzwerke. Diese fügen Funktionen hinzu, wie z. B. die Verbindung sehr entfernter und aktueller Neuronen auf ziemlich intelligente und ausgefeilte Weise. LSTMs eignen sich daher am besten für die Vorhersage des nächsten Wortes, das ein Benutzer online während einer Suchanfrage, für die Textgenerierung, für die maschinelle Übersetzung und für verschiedene Vorhersageanwendungen eingeben könnte.

Während dieser Zeit wurden zwei Arten einzigartiger Zellen im menschlichen Sehsystem entdeckt: einfache Zellen und komplexe Zellen . Während erstere nur in einer bestimmten Ausrichtung reagierten, reagierten letztere in mehreren Ausrichtungen. Daher wurde der Schluss gezogen, dass letztere die Eingaben von ersteren überlagerten, was zu einer räumlichen Invarianz in komplexen Zellen führte. Dies war im Wesentlichen die Inspiration für die Idee hinter Faltungs-Neuronalen Netzen.

Ein weiterer wichtiger Unterschied zwischen menschlichen und künstlichen neuronalen Netzen ist, wie wir bereits erwähnt haben, die Anzahl der Neuronen. Einige Studien gehen davon aus, dass es im menschlichen Gehirn etwa 86 Milliarden sind, während neuere Studien sagen, dass die Zahl etwa 100 Milliarden beträgt. Im Vergleich dazu beträgt die Gesamtzahl der Neuronen in regulären ANNs weniger als 1000 – bei weitem nicht die „geistige Leistung“ des menschlichen Gehirns!

Untersuchungen zufolge liegt der Stromverbrauch menschlicher neuronaler Netze außerdem bei etwa 20 W, während er bei ANNs bei etwa 300 W liegt.

Während die menschliche Intelligenz nahezu unbegrenzt ist, gibt es für künstliche neuronale Netze Grenzen

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

Obwohl das Konzept so fortschrittlich klingt und die spannenden Ähnlichkeiten zwischen ihnen und ihrem menschlichen Gegenstück bestehen, sind KNNs tatsächlich ganz anders. Und obwohl neuronale Netze in Kombination mit Deep Learning heute auf dem neuesten Stand der KI-basierten Technologie sind, sind sie weit von der Intelligenz entfernt, die das menschliche Gehirn hervorbringen kann.

Daher können KNNs bei einer Reihe von Dingen scheitern, bei denen ein menschlicher Geist hervorragende Leistungen erbringen würde:

Neuronale Netze sind im Gegensatz zum menschlichen Äquivalent datenhungrig

Im Gegensatz zu ihrem Gegenstück zu biologischen neuronalen Netzen benötigen neuronale Netze viele Daten in Form von Tausenden bis Millionen von Beispielen, um der Funktionsweise des menschlichen Gehirns überhaupt 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, ungewöhnliche oder ungewöhnliche Pflanzen-, Vogel- oder Tierarten zu identifizieren.

Neuronale Netze sind nicht sehr gut im Verallgemeinern

Auch wenn ein neuronales Netzwerk eine Aufgabe, für die es trainiert wurde, mit nahezu punktgenauer Genauigkeit ausführt, wird es bei allem anderen im Allgemeinen eine schlechte Leistung erbringen, selbst wenn es seiner Natur nach der ursprünglichen Anfrage oder dem ursprünglichen Problem ähnelt.

Beispielsweise erkennt ein Hundeklassifizierer, der darauf trainiert ist, Tausende von Hundebildern zu erkennen, keine Bilder von Katzen. Dafür bedarf es völlig neuer Katzenbilder, und zwar wieder in Tausenden. Im Gegensatz zu menschlichen neuronalen Netzen sind künstliche Netze nicht in der Lage, Wissen in Form von Symbolen zu entwickeln: Augen, Ohren, Schnauze, Schwanz, Schnurrhaare usw. Stattdessen verarbeiten sie Pixelwerte. Aus diesem Grund müssen sie jedes Mal von Grund auf neu trainiert werden, da sie einfach nicht in der Lage sind, neue Objekte im Kontext von Funktionen auf hoher Ebene kennenzulernen.

Neuronale Netze sind von Natur aus undurchsichtig

Neuronale Netze können ihr Verhalten ausschließlich durch Neuronengewichte und -aktivierungen ausdrücken. Das bedeutet, dass es im Allgemeinen sehr schwierig ist, die Logik hinter den von ihnen getroffenen Entscheidungen zu verstehen. Aus diesem Grund werden KNNs oft als Black Boxes bezeichnet, was es wirklich schwierig macht, festzustellen, ob sie Entscheidungen auf der Grundlage der richtigen Faktoren treffen. Zum Beispiel im Fall Loomis vs. Wisconsin , wo Algorithmen verwendet wurden, um den Ausgang des Falles zu bestimmen – weder die Jury noch der Angeklagte durften die Daten sehen, auf denen der Algorithmus basierte, und der Gesetzgeber kritisierte das Unternehmen, das für die Entwicklung verantwortlich war Der Algorithmus weist darauf hin, dass er keine Entscheidung auf der Grundlage der Rassenneutralität getroffen hat.

Darüber hinaus sind neuronale Netze per Definition nicht dazu gedacht, herkömmliche regelbasierte Algorithmen zu ersetzen, die auf klare Weise schlussfolgern können und in festen Regeln kodifiziert sind. So schneiden neutrale Netzwerke beispielsweise im Allgemeinen schlecht ab, wenn es um die Lösung mathematischer Probleme geht.

Ein weiterer großer Nachteil besteht darin, dass es im Allgemeinen schwierig ist, sich vorzustellen, was „hinter den Kulissen“ neuronaler Netze vor sich geht. Ebenso wie der Versuch, sich vorzustellen, wie der menschliche Geist eine Entscheidung trifft, ist es praktisch unmöglich, zu untersuchen oder aufzudecken, wie eine bestimmte Eingabe eines neuronalen Netzes zu einer Ausgabe führt – und zwar auf irgendeine transparente, sinnvolle oder erklärbare Weise – damit Neurowissenschaftler den Gesamtprozess verbessern können .

Neuronale Netze sind in der Regel ziemlich gut darin, Datensätze zu klassifizieren und zu gruppieren, aber sie sind nicht besonders einfallsreich, wenn es darum geht, Entscheidungen zu treffen oder Szenarien zu lernen, bei denen Argumentation und Schlussfolgerungen eine Rolle spielen. Tatsächlich beginnen viele Studien herauszufinden, wie künstliche Neuronen im Vergleich zum menschlichen Gehirn auf ganz andere und unterschiedliche Weise lernen.

Abschließende Gedanken zu Ähnlichkeiten zwischen biologischen und künstlichen neuronalen Netzen

Man kann mit Fug und Recht sagen, dass wir noch viel Arbeit und einen langen Weg vor uns haben, bevor wir künstliche Intelligenz und Deep Learning auf menschlicher Ebene erreichen können, um Anwendungen auf Basis neuronaler Netzwerke voranzutreiben. Aber wir sind uns auf jeden Fall viel näher als noch vor 30 Jahren.

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

Da die Kluft zwischen dem menschlichen Gehirn und künstlichen neuronalen Netzen immer kleiner wird, könnten wir Zeuge einer Ära der künstlichen Intelligenz auf unvorstellbare Weise werden. Aber wir hoffen, dass kein „Maschinenmensch“ herumläuft und uns sagt: „Das Ende ist nah“.

Positiv zu vermerken ist jedoch, dass die Leistungsfähigkeit von KI und neuronalen Netzen durchaus für den Antrieb selbstfahrender Autos oder sogar selbstfliegender Flugtaxis genutzt werden kann. Sie können in medizinischen Anwendungen eingesetzt werden, um Krebs im Frühstadium oder andere schwächende Krankheiten zu erkennen, die ein frühzeitiges Eingreifen erfordern. Möglicherweise werden wir sogar Zeuge des Einsatzes künstlicher neutraler Netzwerke vor Gericht, um Fälle zu entscheiden und Urteile zu fällen, auch wenn dies derzeit noch umstritten ist, insbesondere aus Menschenrechtsperspektive.

Wenn die Technologie zum Wohle der Allgemeinheit eingesetzt wird, können wir bald die nächste technologische Revolution erleben – alles basierend auf dem, was wir über das menschliche Gehirn wissen.