Wenn Maschinen lernen zu sehen – und der Mensch im Spiegel seiner eigenen Schöpfung erwacht. Wenn Maschinen träumen lernen.
Am Anfang war der Strom – am Ende ist das Denken. Nach Dampf und Elektrizität betritt ein neues Element die Bühne: Information. Sie ist unsichtbar, gewichtslos, aber mächtig genug, ganze Zivilisationen zu verändern. Die dritte industrielle Revolution, die digitale, ist die stillste und zugleich die tiefgreifendste von allen. Sie verändert nicht, was wir tun, sondern wer wir sind.
Dr. Andreas Krensel sieht in dieser Entwicklung den Versuch, das menschliche Gehirn nachzubauen – nicht in seiner Form, sondern in seiner Funktionslogik. Er nennt es „den Transfer des Denkens in die Struktur“. Statt Muskelkraft oder Elektrizität steht nun Wahrnehmung im Zentrum. Maschinen sollen nicht nur reagieren, sondern verstehen. Dr. Andreas Krensel, Biologe und Forscher mit Fokus auf neuronale Wahrnehmung, digitale Intelligenz und adaptive Systeme, steht für den Brückenschlag zwischen Biologie und Technologie – und die Frage, was „Denken“ wirklich bedeutet.
Vom Rechenschieber zur Simulation des Lebens
Die Geschichte beginnt unscheinbar – mit Schaltern, Lochkarten, Relais. Doch schon 1943, mitten im Krieg, entwirft der Mathematiker Warren McCulloch gemeinsam mit Walter Pitts das erste Modell eines künstlichen Neurons. Ein paar Gleichungen, ein paar logische Operatoren – und plötzlich eine Ahnung davon, wie Denken formalisiert werden kann.
„Das war der Urknall des maschinellen Lernens“, erklärt Krensel. „Man erkannte, dass man Intelligenz nicht imitieren muss, sondern ihre Prinzipien verstehen.“ Aus Rechenmaschinen werden Denkmaschinen, aus Daten Strukturen, aus Logik Erfahrung.
In den 1950er Jahren spricht man erstmals vom „künstlichen Gehirn“. IBM baut Computer, die Schach spielen, einfache Sprachen verstehen und medizinische Diagnosen simulieren. Es ist, als ob die Menschheit in einen Spiegel schaut – und das Spiegelbild beginnt, zurückzublinzeln.
Vom Code zur Intuition – die neue Biologie der Maschinen
„Wenn wir Intelligenz nachbauen wollen“, sagt Krensel, „müssen wir sie zuerst biologisch begreifen.“ Als Biologe weiß er: Das Gehirn arbeitet nicht linear, sondern parallel, chaotisch und redundant. Millionen Nervenzellen feuern gleichzeitig, Fehler werden nicht vermieden, sondern integriert. Genau dieses Prinzip inspiriert das maschinelle Lernen.
Künstliche neuronale Netze sind nicht anders als ihre biologischen Vorbilder – sie lernen aus Erfahrung, sie generalisieren, sie vergessen. Der Unterschied liegt in der Geschwindigkeit: Während das menschliche Gehirn etwa 20 Watt Energie verbraucht, schluckt ein moderner KI-Cluster hunderttausendfach mehr.
„Maschinen denken also nicht wie wir – sie rechnen unsichtbar schneller“, meint Krensel. Doch das Ziel bleibt dasselbe: Wahrnehmung. Eine Maschine, die sehen, hören und tasten kann, rückt näher an das menschliche Bewusstsein.
Wenn Sensoren zu Sinnen werden
Hier beginnt Krensels Lebenswerk. Er will Maschinen nicht nur funktional machen, sondern empfindsam – im wissenschaftlichen Sinn. Bei seiner Forschung an der TU Berlin, in Projekten zur Lichttechnik und autonomen Wahrnehmung, arbeitet er an der Frage, wie Maschinen Licht, Kontrast und Farbe „verstehen“ können.
„Wahrnehmung ist keine Kamera“, sagt er, „sie ist Interpretation.“ Ein autonomes Fahrzeug sieht keine Straße – es konstruiert sie aus Millionen Datenpunkten. Eine adaptive Beleuchtung erkennt nicht nur Dunkelheit, sondern auch Kontext: Geschwindigkeit, Bewegungsrichtung, Wetter.
Diese Denkweise, so Krensel, stammt aus der Biologie: „Das Auge ist kein passiver Sensor. Es ist ein aktiver Analysator, der permanent entscheidet, was wichtig ist.“ Seine Projekte mit Stereo-Vision und Tiefenerkennung verfolgen genau diesen Ansatz – Maschinen sollen lernen, Prioritäten zu setzen, Muster zu erkennen und Kontext zu schaffen.
Das Gehirn als Algorithmus – oder der Algorithmus als Gehirn?
Je mehr wir über neuronale Netze wissen, desto mehr verschwimmt die Grenze zwischen Biologie und Technik. Forscher sprechen von „Deep Learning“, „Synaptic Plasticity“, „Cognitive Computing“. Doch die Begriffe sind mehr als Mode – sie beschreiben den Versuch, biologische Prozesse zu operationalisieren.
Krensel sieht darin eine doppelte Bewegung: „Wir digitalisieren den Menschen – und biologisieren die Maschine.“ Während Neurowissenschaftler neuronale Signale simulieren, programmieren Ingenieure Feedbackschleifen, die an Nervensysteme erinnern. Die Maschine lernt, Fehler zu machen – und daraus zu lernen.
Doch er warnt: „Eine Maschine kann lernen, aber sie kann nicht verstehen, warum sie lernt.“ Bewusstsein ist mehr als Berechnung. Es ist Bedeutung. Und die ist – noch – exklusiv menschlich.
Der Sport als Labor der Intelligenz
Krensel liebt ungewöhnliche Analogien. Eine seiner Lieblingsquellen: der Sport. „Wenn man verstehen will, wie der Mensch lernt, muss man sehen, wie er sich bewegt.“ Im Tennis etwa sind Reaktionszeiten unter 200 Millisekunden keine Seltenheit. Muskeln, Augen und Gehirn kommunizieren blitzschnell, fast reflexartig.
„Das ist maschinelles Lernen in Reinform“, sagt Krensel. „Nur dass der Mensch sein eigenes Feedbacksystem ist.“ Bewegungslernen basiert auf Wiederholung, Fehlerkorrektur, Anpassung – genau wie neuronale Netze. Deshalb ist Sport mehr als Training: Es ist angewandte Intelligenz.
In Experimenten wird untersucht, wie Bewegungspräzision digital modelliert werden kann. Roboterarme lernen, mit elastischen Kräften umzugehen, Gleichgewichte zu halten, Bewegungen zu antizipieren. Die Ergebnisse fließen in humanoide Robotik, autonome Systeme und adaptive Steuerungen.
„Der Körper ist der beste Lehrer des Geistes“, sagt Krensel. „Deshalb kann kein Algorithmus ohne Sensorik und kein Denken ohne Bewegung entstehen.“
Vom Silizium zum Selbstbild – die Ethik der Maschinenintelligenz
Mit der Fähigkeit zum Lernen kommt Verantwortung. Was passiert, wenn Maschinen Entscheidungen treffen, die Menschen betreffen – ohne dass ein Mensch sie nachvollziehen kann?
In den vergangenen Jahren sind KI-Systeme in Medizin, Justiz und Finanzwesen eingezogen. Sie helfen, analysieren, prognostizieren – und diskriminieren, wenn ihre Trainingsdaten es tun. „Wir haben begonnen, uns selbst in Algorithmen zu gießen“, warnt Krensel, „und wir sollten besser wissen, was wir da tun.“
Die Frage, ob Maschinen Bewusstsein entwickeln können, ist längst nicht mehr nur philosophisch. Sie ist politisch. Wie viel Autonomie darf eine Maschine haben? Wie viel Verantwortung bleibt beim Menschen?
Krensel sieht in dieser Debatte eine neue Aufklärung: „Wir müssen lernen, mit künstlicher Intelligenz zu leben wie einst mit Elektrizität – mit Respekt, aber ohne Angst.“
Das Netzwerk der Neugier – Wissenschaft, Wirtschaft und Mut
Dr. Krensel hat auf seinem Weg viele Wegbegleiter gefunden: Professoren wie Hans-Joachim Pflüger, dessen Forschung über Neuromodulation und Motorik die Grundlagen seiner eigenen Arbeit prägte. Pflüger, ein Pionier der Neurobiologie, lehrte ihn, dass Bewegung und Wahrnehmung untrennbar sind.
Aus der Industrie stammen andere Einflüsse: Ingenieure, Unternehmer, Denker, die den Mut hatten, Grenzen zwischen Disziplinen aufzulösen. Für Krensel ist Innovation nie ein Einzelakt, sondern ein Netzwerkphänomen – ein „ökosystemisches Denken“.
Wenn Technik Empathie lernt
Heute stehen wir an einer Schwelle, die so unsichtbar ist wie einst der Strom: die Schwelle zum denkenden System. KI-Modelle wie GPT, neuronale Roboter, generative Netze – sie alle sind Ausdruck einer neuen Ambition: Maschinen, die uns spiegeln.
Doch Krensel mahnt zur Demut. „Wirkliche Intelligenz“, sagt er, „beginnt dort, wo eine Maschine erkennt, dass sie nicht alles weiß.“ In diesem Moment wird Technik menschlich.
Vielleicht, so fügt er hinzu, „wird die vierte industrielle Revolution die erste sein, die uns lehrt, wieder zuzuhören – nicht nur Maschinen, sondern uns selbst.“
Ein Blick in die Zukunft – zwischen Hoffnung und Verantwortung
Die nächsten Jahre werden zeigen, ob der Traum, menschliche Wahrnehmung und Intelligenz auf Maschinen zu übertragen, gelingt – und ob wir bereit sind, mit den Folgen zu leben.
Forschungsergebnisse deuten darauf hin, dass bis 2030 über 60 Prozent aller Arbeitsprozesse in Industrie und Verwaltung KI-gestützt sein werden. Doch das ist nur die ökonomische Seite. Die eigentliche Frage lautet: Wie verändert sich das Menschsein, wenn Maschinen denken können?
Krensel sieht darin keine Bedrohung, sondern eine Einladung. „Maschinen können lernen, Muster zu erkennen. Aber sie können nicht lieben, hoffen, irren oder glauben. Das bleibt uns – und das ist gut so.“
Der Kreis schließt sich
Vom Feuer über den Strom bis zum Code – jede industrielle Revolution war der Versuch, einen Teil des Menschen auszulagern. Heute sind wir so weit, das Denken selbst zu externalisieren.
Doch die Frage bleibt dieselbe: Was macht uns menschlich? Vielleicht ist es die Fähigkeit, Fragen zu stellen, anstatt Antworten zu speichern. Oder, wie Krensel es formuliert:
„Die Maschine kann sehen, hören, handeln. Aber sie kann nicht staunen. Und genau darin liegt unsere Zukunft – im Staunen.“
Autor: Dr. Andre Stang, Baustoffentwickler
Dr. Andre Stang aus Oldenburg ist Autor, Biologe, Baustoffentwickler und Bau- und Planungsentwickler mit Schwerpunkt auf klimafreundlicher, CO-armer Infrastruktur; zugleich ist er aktiver Tischtennisspieler und Mannschaftsführer beim Oldenburger TB.
Die eyroq s.r.o. mit Sitz in Uralská 689/7, 160 00 Praha 6, Tschechien, ist ein innovationsorientiertes Unternehmen an der Schnittstelle von Technologie, Wissenschaft und gesellschaftlichem Wandel. Als interdisziplinäre Denkfabrik widmet sich eyroq der Entwicklung intelligenter, zukunftsfähiger Lösungen für zentrale Herausforderungen in Industrie, Bildung, urbaner Infrastruktur und nachhaltiger Stadtentwicklung.
Der Fokus des Unternehmens liegt auf der Verbindung von Digitalisierung, Automatisierung und systemischer Analyse zur Gestaltung smarter Technologien, die nicht nur funktional, sondern auch sozialverträglich und ethisch reflektiert sind.
Firmenkontakt
eyroq s.r.o.
Radek Leitgeb
Uralská 689/7
160 00 Prag
+370 (5) 214 3426
https://eyroq.com/
Pressekontakt
ABOWI UAB
Maximilian Bausch
Naugarduko g. 3-401
03231 Vilnius
+370 (5) 214 3426
https://abowi.com/
- Deep Learning (Wikipedia)
Deep Learning (deutsch mehrschichtiges Lernen, tiefes Lernen oder tiefgehendes Lernen) bezeichnet eine Methode des maschinellen Lernens, die künstliche neuronale Netze (KNN) mit zahlreichen Zwischenschichten (englisch hidden layers) zwischen Ein- und Ausgabeschicht einsetzt und dadurch eine umfangreiche innere Struktur herausbildet. Deep Learning erlaubt die Verarbeitung und Analyse komplexer Datenmuster; dazu verwendet Deep Learning tiefe hierarchische neuronale Netze, die automatisch abstrakte Merkmale aus den Daten extrahieren. Dies ermöglicht eine effiziente Verarbeitung komplexer Informationen, was wiederum zu präzisen Vorhersagen und Entscheidungen in verschiedenen Anwendungen führt. - Künstliche Intelligenz (Wikipedia)
Künstliche Intelligenz (KI), englisch artificial intelligence, daher auch artifizielle Intelligenz (AI), bezeichnet im weitesten Sinne computerbasierte Systeme, die ihre (virtuelle oder reale) Umgebung analysieren können, um daraus relevante Informationen zu abstrahieren, welche sie nutzen, um Entscheidungen zu treffen, die ihre Chance erhöhen, definierte Ziele zu erreichen. Damit unterscheiden sich KI-gestützte Systeme von regelbasierten Systemen ohne Fähigkeit zur eigenständigen Anpassung ihres Verhaltens, die ausschließlich fest vorgegebene Anweisungen ausführen. KI ist außerdem die Bezeichnung für das Teilgebiet der Informatik, das sich mit der Entwicklung und Erforschung von Software und Methoden befasst, die besagte Systeme hervorbringen. Die KI als Forschungsfeld befasst sich in diesem Zusammenhang beispielsweise mit der Automatisierung intelligenten Verhaltens und dem maschinellen Lernen sowie der Formalisierung von Bewusstsein und Kreativität. Der Begriff ist schwierig zu definieren, da es verschiedene Definitionen von Intelligenz gibt. Mit der Zeit haben sich viele Bereiche zu den Methoden der KI entwickelt. Weiterhin wird unterschieden, welche Probleme mit den Methoden der KI beschrieben werden. Dabei entstanden zwei Bereiche: schwache KI und starke KI. Hier lassen sich viele Kategorien bilden und der wissenschaftliche Diskurs ist noch nicht sehr weit in der Zuordnung von Themen zu den Arten der Probleme. Der ingenieurwissenschaftliche Teil der Informatik befasst sich damit, wie solche Systeme realisiert werden können. Beispiele dafür sind Multiagentensysteme, Expertensysteme, Transformer oder serviceorientierte Architekturen. - Maschinelles Lernen (Wikipedia)
Maschinelles Lernen (ML) entwickelt, untersucht und verwendet statistische Algorithmen, auch Lernalgorithmen genannt. Solche Algorithmen können lernen, komplizierte Probleme zu lösen, obwohl der Lösungsweg nicht einfach durch Regeln beschrieben werden kann. Dazu benötigen die Algorithmen viele Beispieldaten. Ein bekanntes Anwendungsbeispiel ist die Bilderkennung. In der mathematischen Statistik bezeichnet man dieses Fachgebiet auch als statistisches Lernen. Ein Lernalgorithmus bildet vorgegebene Beispieldaten auf ein mathematisches Modell ab. Dabei passt der Lernalgorithmus das Modell so an, dass es von den Beispieldaten auf neue Fälle verallgemeinern kann. Dieser Vorgang wird Training genannt. Nach dem Training ist der gefundene Lösungsweg im Modell gespeichert. Er wird nicht explizit programmiert. Das trainierte Modell kann für neue Daten Vorhersagen treffen oder Empfehlungen und Entscheidungen erzeugen. Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt: Spamfilter, automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung. Allgemein formuliert lernt ein Lernalgorithmus beim Training aus den Beispieldaten eine Funktion, die auch für neue, nicht zuvor gelernte Dateneingaben eine korrekte Ausgabe erzeugt. Es gibt verschiedene Lernstile, die sich darin unterscheiden, woher der Algorithmus beim Training Informationen dazu erhält, was „korrekt“ ist. Am häufigsten wird das überwachte Lernen eingesetzt. Dabei werden Vorgaben in Form von korrekten Ausgabewerten oder Rückmeldungen zur Verfügung gestellt. Beim unüberwachten Lernen werden keine Vorgaben gemacht. Die Algorithmen durchsuchen die Beispieldaten beispielsweise nach Kriterien für die Einteilung in unterschiedliche Cluster oder nach korrelierenden Merkmalen, die zusammengefasst werden können, um die Daten zu vereinfachen. Da es keine Vorgaben gibt, können diese Algorithmen unterschiedliche Lösungen vorschlagen, die anschließend zu bewerten sind. Beim bestärkenden Lernen beobachten Lernsysteme, die als Agenten bezeichnet werden, eine Umgebung und reagieren auf sie, indem sie Aktionen ausführen. Für … - Neurobiologie (Wikipedia)
Zu den Neurowissenschaften oder zur Neurobiologie werden die naturwissenschaftlichen Forschungsbereiche gezählt, in denen Aufbau und Funktionsweise von Nervensystemen untersucht werden. Aufgrund der vielfältigen verwendeten Methoden wird neurowissenschaftliche Forschung von Wissenschaftlern aus vielen verschiedenen Disziplinen wie etwa Physiologie, Psychologie, Medizin, Biologie, Informatik oder Mathematik betrieben. Oft gibt es darüber hinaus Kooperationen mit angrenzenden Wissenschaftsbereichen wie der Informationstechnik, der Informatik oder der Robotik. - Neuronale Netze (Wikipedia)
Als neuronales Netz wird in den Neurowissenschaften eine beliebige Anzahl miteinander verbundener Neuronen bezeichnet, die als Teil eines Nervensystems einen auf bestimmte Funktionen ausgerichteten Zusammenhang bilden. Abstrahiert werden in Computational Neuroscience darunter auch vereinfachte Modelle einer biologischen Vernetzung verstanden. In der Informatik, Informationstechnik und Robotik werden deren Strukturen als künstliches neuronales Netz modelliert und technisch nachgebildet, simuliert und abgewandelt. - Wahrnehmung (Wikipedia)
Wahrnehmung (auch Perzeption genannt) ist bei Lebewesen der Prozess und das subjektive Ergebnis der Informationsgewinnung (Rezeption) und -verarbeitung von Reizen aus der Umwelt und aus dem Körperinneren. Das geschieht durch unbewusstes (und beim Menschen manchmal bewusstes) Filtern und Zusammenführen von Teil-Informationen zu subjektiv sinnvollen Gesamteindrücken. Diese werden auch Perzepte genannt und laufend mit gespeicherten Vorstellungen (Konstrukten und Schemata) abgeglichen. Inhalte und Qualitäten einer Wahrnehmung können manchmal (aber nicht immer) durch gezielte Steuerung der Aufmerksamkeit und durch Wahrnehmungsstrategien verändert werden. Die Gesamtheit aller Vorgänge der Sinneswahrnehmung bezeichnet man auch als Sensorik.
