Am 27. und 28. September 2026 treffen sich in Frankfurt Forscherinnen und Forscher aus den Neurowissenschaften und der Künstlichen Intelligenz (KI) zum ersten gemeinsamen Kick-off-Meeting der vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Initiative Neuro-KI. Das BMFTR fördert seit 2025 mit bis zu 13,9 Millionen Euro elf Pilotprojekte an der Schnittstelle zwischen Neurowissenschaften und KI. Professor Dr. Fabian Sinz ist Koordinator der Netzwerkaktivitäten der Initiative Neuro-KI und Professor für Maschinelles Lernen am Institut für Informatik der Universität Göttingen. Im Interview spricht er über die Vision für Neuro-KI und über sein eignes Forschungsgebiet.

Herr Professor Sinz, welche Chancen sehen Sie für KI im Bereich der medizinischen Forschung?

Diese Frage ist nicht ganz leicht zu beantworten. Es beginnt damit, was mit dem Begriff KI überhaupt gemeint ist: Reden wir über sprachbasierte Modelle wie Chatbots oder Programmierassistenten? Oder reden wir über tiefe neuronale Netze im Allgemeinen? In beiden Fällen sehe ich sehr viel Potenzial für die Medizin − die konkreten Anwendungen unterscheiden sich aber deutlich. Hier nur zwei Beispiele:

Sprachmodelle können Ärztinnen und Ärzte dabei unterstützen, relevante Informationen zu finden und zusammen-zufassen.

Modelle, die bestimmte Aspekte biologischer Prozesse abbilden – sogenannte In silico-Ansätze –, helfen dagegen, komplexe biologische Prozesse besser zu verstehen und bessere Vorhersagen über das jeweilige System zu treffen. Tiefe neuronale Netze können viele Einflussfaktoren gleichzeitig integrieren und den Prozess dadurch genauer abbilden.

Sie arbeiten im Bereich der Neuro-KI, also an der Schnittstelle zwischen Neurowissenschaften und KI. Was kann eine Künstliche Intelligenz vom Gehirn lernen?

Es gibt einige Dinge, die biologische Gehirne sehr gut können: Wir lernen sehr effizient von wenigen Beispielen und können lebenslang Erfahrungen und Fertigkeiten sammeln, ohne diese durch neu gelernte Dinge wieder zu vergessen. Und wir können mit einem einzigen Gehirn sehr viele Dinge gleichzeitig: einen Körper steuern, Sprache verarbeiten, sozial interagieren. Hinzu kommen Kreativität und Neugierde. Einige dieser Dinge sind in der KI noch ungelöst oder nur sehr umständlich zu lernen. Die gängige − und auch meine – Meinung ist, dass unser Gehirn das durch „eingebaute Vorannahmen“ schafft, auf englisch „inductive biases“. Das bedeutet, dass das Gehirn auf eine be-stimmte Art gebaut ist, so dass ihm gewisse Dinge leichter fallen. Es bedeutet aber auch, dass das Gehirn nicht belie-bige Dinge lernen kann, sondern nur bestimmte, für die es über die Evolution optimiert wurde. Diese Abwägung ist mathematisch beweisbar: Ohne Vorannahmen ist Lernen aus endlich vielen Beispielen nicht möglich. Jede Annahme, die einem System bestimmte Probleme leichter macht, macht ihm andere schwerer. Die Kunst liegt darin, die Annah-men zu finden, die zur Welt passen, in der das System arbeiten soll. Das heißt: Was wir in der KI vom Gehirn lernen können, ist paradoxerweise, wie man sie am besten einschränkt.

Was verstehen Sie genau unter Neuro-KI?

Meiner Meinung nach ist Neuro-KI als bidirektionaler Austausch zwischen zwei wissenschaftlichen Feldern zu verstehen. Um das Gehirn besser zu verstehen, brauchen wir Methoden der KI zusammen mit experimentellen Daten. Die Neurowissenschaften haben in den letzten Jahrzehnten enorme methodische Fortschritte gemacht, so dass wir Gehir-ne immer besser bei der Arbeit beobachten können. Die dabei entstehenden Datenmengen werden wir ohne KI aber nicht analysieren können. Wenn wir uns aber fragen, was es letztlich bedeutet, „das Gehirn zu verstehen“, dann heißt das meiner Meinung nach: ein Modell zu bauen, das ähnliche Fähigkeiten wie ein biologisches Gehirn hat und dabei Bausteine benutzt, die sich mit denen des Gehirns vergleichen lassen. Das müssen keine einzelnen Nervenzellen sein, es könnten zum Beispiel auch Module sein, die für bestimmte Gehirnregionen stehen. Wenn wir das schaffen, haben wir nicht nur eine potenzielle Verbesserung der KI, sondern auch ein besseres Verständnis unseres Gehirns. Das ließe sich sowohl für die KI als auch für medizinische Entwicklungen nutzen. Neuro-KI bedient den Informations-fluss in beide Richtungen.

In Ihrem Forschungsprojekt PRISMA-V möchten Sie – einfach ausgedrückt – Computern beibringen, wie die biologischen Prinzipien des sehr effizienten menschlichen Sehens funktionieren, also beispielweise wie unser Auge Bilder fokussiert und unser Gehirn diese verarbeitet, wie wir aktiv unseren Blick steuern und wie ein räumliches Gedächtnis entsteht. Wie gehen Sie dabei vor?

Wir setzen einen Aspekt von dem um, was ich eben beschrieben habe: Wir versuchen ein System zu bauen, das mit den Bauteilen eines biologischen Gehirns Probleme des rechnergestützten Sehens, englisch Computer Vision, löst. Aktuelle Computer-Vision-Algorithmen bearbeiten das ganze Bild in seiner vollen Auflösung. Das kostet unnötig Rechenleistung, weil nicht alles in einem Bild gleich wichtig ist. Unser Sehsystem macht das anders. Wir sehen nur in einem sehr kleinen Teil unseres Gesichtsfelds wirklich scharf. Das ist der Teil des Bildes, der auf die Fovea im Auge abgebildet wird, wo unsere Lichtsensoren besonders eng gepackt sind. Ein kleiner Bildausschnitt reicht natürlich nicht aus. Um die relevante Information aus einer Szene zu extrahieren, machen wir daher permanent Augenbewegungen, so dass die wichtigen Teile zumindest einmal scharf gesehen wurden. Das dauert vielleicht etwas länger, spart aber Rechenkapazität, weil wir unnötige Teile gar nicht erst ansehen. Daraus ergeben sich aber einige Fragen: Woher weiß das Sehsystem, was relevant ist? Wie werden die verschiedenen Einzelblicke in einem szenischen Kurzzeitgedächtnis so zusammengefügt, dass sie effizient verwertbar sind? Und wie vergleicht man überhaupt sinnvoll zwei verschiedene Sehsysteme? Das versuchen wir in unserem Projekt anzugehen.

Welche Anwendungsbereiche erhoffen Sie sich von Ihren Forschungsergebnissen?

Mittel- und langfristig erhoffen wir uns davon, besser zu verstehen, wie menschliche Informationsverarbeitung im Sehsystem funktioniert – und damit auch technische Anwendungen effizienter zu machen. Zum Beispiel könnten viele Anwendungen, die Videodaten in Echtzeit verarbeiten müssen, davon profitieren, nur einen kleinen Bildausschnitt in voller Auflösung zu verarbeiten. Ich denke aber, wir müssen realistisch bleiben, was wir in drei Jahren in einem so großen Feld wie Computer Vision erreichen können.

Welche Rolle spielen die öffentlich finanzierten Forschungsprojekte der Neuro-KI Förderinitiative neben der KI-Entwicklung kommerzieller Anbieter?

Kommerzielle Anbieter entwickeln Produkte, wir betreiben Forschung. Das ist kein Wettbewerb, sondern eine Arbeitsteilung: Die Förderinitiative fördert elf Pilotprojekte, die Erkenntnisse aus den Neurowissenschaften nutzen, um KI-Systeme effizienter, robuster oder interpretierbarer zu machen. An solchen Fragen arbeitet öffentlich finanzierte Forschung typischerweise früher und mit mehr Risikobereitschaft, als es ein Produktzyklus erlaubt. Wir können Ansätze verfolgen, die sich erst in fünf oder zehn Jahren auszahlen – oder sich als Irrweg erweisen. Genau das ist der Sinn von Grundlagenforschung, und genau das kann ein kommerzieller Anbieter in der Regel nicht leisten.

Der Mehrwert liegt daher nicht in einem konkurrierenden Produkt, sondern in dem, was Produkte später erst möglich macht: in neuen Architekturprinzipien, in einem besseren Verständnis biologischer Informationsverarbeitung, in offen publizierten Methoden und nicht zuletzt in gut ausgebildetem wissenschaftlichem Nachwuchs. Hinzu kommt ein zweiter Ertrag, der in einem Produktvergleich gar nicht auftaucht: Weil wir versuchen, mit den Bauteilen eines biologischen Gehirns zu arbeiten, lernen wir dabei auch etwas über das Gehirn selbst. Ein Modell, das bestimmte Leistungen des Sehsystems mit biologisch plausiblen Mechanismen erreicht, ist immer auch eine Hypothese darüber, wie das Gehirn diese Leistung erbringt. Wie eben beschrieben: Neuro-KI bedient den Informationsfluss in beide Richtungen. Dieser Erkenntnisgewinn über unser eigenes Gehirn ist wissenschaftlich wertvoll und längerfristig auch für medizini-sche Fragestellungen relevant.