Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2020 | OriginalPaper | Buchkapitel

Vorbild Gehirn – Randbedingungen für eine kognitive Architektur

verfasst von : Christoph von der Malsburg

Erschienen in: Cognitive Computing

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Um menschliche Kognition als emergentes Phänomen verstehen zu können, müssen zwei Fragen beantwortet werden: Was ist das gemeinsame Datenformat aller kognitiven Strukturen und durch welchen Mechanismus wird dieses Datenformat geformt? Für die Beantwortung dieser Fragen dürfte es nützlich sein, sich von Wissen über Strukturen und Vorgänge im Gehirn, dem einzigen existierenden Modell für Kognition, leiten zu lassen. Als Datenformat werden hier strukturierte Netze vorgeschlagen, die durch den gut untersuchten Vorgang der Netzwerk-Selbstorganisation gebildet werden, und wichtige kognitive Prozesse werden auf dieser Basis diskutiert. Der Artikel setzt sich mit einigen der das Gebiet beherrschenden Vorurteile auseinander.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Artificial Intelligence – The Big Picture
Fußnoten
1
Diese virtuelle Realität müsste als vollgültige Lernumgebung alle Sinne umfassen. Praktikabel und sinnvoll wäre ein solches Unterfangen nur für lernende Roboter. Das ändert aber nicht wesentlich die Abschätzung des benötigten Programmumfangs.
 
2
Um eines der 1010 Neuronen zu adressieren braucht es ld(1010) = 33 bit. Für die 1014 Synapsen des Grosshirns braucht es daher 3.3 × 1015 bit.
 
3
Es ist nicht zu erwarten, dass sich dies im Laufe der Jahre ändert, etwa das Erwachsenengehirn von von aussen absorbierter Information dominiert sein könnte. Es gibt Argumente und Abschätzungen, dass der Mensch nur etwa ein bit an Information pro Sekunde in sein permanentes Gedächtnis absorbiert (Landauer 1986).
 
4
Bewusstsein bedeutet übrigens allgemeiner die Aktivierung eines Quorums von funktionellen Komponenten (etwa Agenda und Emotionen, Repräsentation der eigenen Person, Repräsentation der physischen Umgebung, Gedächtnis, Sprache) und die Integration derselben zu einem funktionellen Ganzen (von der Malsburg 1997).
 
5
Im Fall des Verstehens von Bildern dreidimensionaler Objekte gehört dazu auch Abstraktion von der Pose, der dreidimensionalen Orientierung des Objekts. Nach einem Vorschlag zur Behandlung dieses Problems, siehe z. B. Biederman (1987), werden Objekte gedacht als in ein Alphabet bekannter Objektkomponenten (genannt geons, primitives oder generalized cylinders) zerlegt, für die das System bereits gelernt hat, wie sich ihr Aspekt und wie sich ihre Lagebeziehungen bei Tiefenrotation verändern.
 
Literatur
Amari S (1977) Dynamics of pattern formation in lateral-inhibitory type neural fields. Biological Cybernetics, 27(2):77–87.MathSciNetMATHCrossRef
Anderson C, Van Essen D (1987) Shifter circuits: a computational strategy for dynamic aspects of visual processing. Proceedings of the National Academy of Sciences of the United States of America 84:6297–6301.CrossRef
Arbib M (1992) Schema theory. The Encyclopedia of Artificial Intelligence, 2:1427–1443.
Barlow H (1972) Single units and sensation: A neuron doctrine for perceptual psychology. Perception, 1:371–394.CrossRef
Bartlett F (1932) Remembering, A Study in Experimental and Social Psychology. Cambridge University Press, Cambridge.
Bergmann U, von der Malsburg C (2011) Self-organization of topographic bilinear networks for invariant recognition. Neural Computation, 23(11):2770–2797.CrossRef
Biederman I (1987) Recognition-by-components: a theory of human image understanding. Psychological Review, 94(2):115–147.CrossRef
Bolder B (2005) Coordination of an artificial visual system with biological models, PhD thesis, Ruhr-University Bochum.
Brendel W, Bethge M (2019) Approximating CNNs with bag-of-local-features models works surprisingly well on imagenet. International Conference on Learning Representations (ICLR).
Bürglin T, Affolter M. (2016) Homeodomain proteins: an update. Chromosoma 125:497–521.CrossRef
Consortium TIHGM (2001) A physical map of the human genome. Nature, 409:934–941.CrossRef
Fernandes T, von der Malsburg C (2015) Self-organization of control circuits for invariant fiber projections. Neural Computation, 27(5):1005–1032.MathSciNetMATHCrossRef
Fleck L (1935) Entstehung und Entwicklung einer wissenschaftlichen Tatsache. Schwabe, Basel.
Geman S, Bienenstock E, Doursat R (1992) Neural networks and the bias/variance dilemma. Neural Computation, 4:1–58.CrossRef
Goodhill G (2007) Contributions of theoretical modeling to the understanding of neural map development. Neuron, 56(2):301–311.CrossRef
Grabska-Barwinska A, von der Malsburg C (2008) Perinatal ontogenesis of orientation specificity and maps in primary visual cortex of higher mammals. Journal of Neuroscience, 28:249–257.CrossRef
Grossberg S (1980) How does a brain build a cognitive code? Psychological Review, 87:1–51.CrossRef
Hebb D (1949) The Organization of Behavior, Wiley.
Hinton G (1981) A Parallel Computation that Assigns Canonical Object-Based Frames of Reference. International Joint Conference on Artificial Intelligence, pp. 683–685.
Hopfield J (1982) Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8):2554–2558.MathSciNetMATHCrossRef
Hubel D, Wiesel T (1977) Ferrier-lecture: Functional architecture of macaque monkey visual cortex. Proceedings of the Royal Society London, Series B, 198:1–59.
Häussler A, von der Malsburg C (1983) Development of retinotopic projections – an analytical treatment. Journal of Theoretical Neurobiology, 2:47–73.
Isaacson J, Scanziani M (2011) How inhibition shapes cortical activity. Neuron, 72(2):231–243.CrossRef
Jug F, Cook M, Steger A (2012) Recurrent competitive networks can learn locally excitatory topologies. Proceedings of International Joint Conference on Neural Networks, pp. 1–8.
Kant I (1781) Kritik der reinen Vernunft, Kap. Von dem Schematismus der reinen Verstandesbegriffe. gutenberg.spiegel.de/buch/kritik-der-reinen-vernunft-2-auflage-3502/1.
Kree R, Zippelius A (1988) Recognition of topological features of graphs and images in neural networks. Journal of Physics, A21:813–818.MathSciNetMATH
Kuhn T (1962) The Structure of Scientific Revolutions. University of Chicago Press.
Landauer T (1986) How much do people remember? some estimates of the quantity of learned information in long-term memory. Cognitive Science, 10(4):477–493.MathSciNetCrossRef
Li M, Vitányi P (2008) Preliminaries, in: An Introduction to Kolmogorov Complexity and Its Applications. Springer New York, NY, pp. 1–99.MATHCrossRef
McFarland D (1999) Biologie des Verhaltens. Evolution, Physiologie, Psychobiologie. Spektrum Akademischer Verlag, Heidelberg, Berlin.
Minsky M (1974) A framework for representing knowledge. Technical Report, 306, MIT AI Laboratory.
Olshausen B, Anderson C, Van Essen D (1993) A neurobiological model of visual attention and invariant pattern recognition based on dynamic routing of information. Journal of Neuroscience, 13(11):4700–4719.CrossRef
Riseman E, Hanson A (1992) A Methodology for the Development of General Knowledge-Based Vision Systems. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 293–336.
Schank R, Abelson R (1977) Scripts, plans, goals and understanding: An inquiry into human knowledge structures. Erlbaum, New Jersey.MATH
Stringer S, Trappenberg T, Rolls E, de Araujo I (2002) Self-organizing continuous attractor networks and path integration: one-dimensional models of head direction cells. Network: Computation in Neural Systems, 13(2):217–242.MATHCrossRef
Turing A (1936) On computable numbers, with an application to the Entscheidungsproblem. Proceedings of London Mathematical Society, 2–42:230–265.MathSciNetMATH
von der Malsburg C (1973) Self-organization of orientation sensitive cells in the striate cortex. Kybernetik, 14:85–100.CrossRef
von der Malsburg C (1979) Development of ocularity domains and growth behaviour of axon terminals- Biological Cybernetics, 32:49–62.CrossRef
von der Malsburg C (1981) The correlation theory of brain function. Internal report, 81-2, Max-Planck-Institut für Biophysikalische Chemie, Postfach 2841, 3400 Göttingen, FRG. Reprinted in Domany E, van Hemmen JL, Schulten K (Hrsg.) Models of Neural Networks II, chapter 2, pp. 95–119. Springer, Berlin, 1994.
von der Malsburg C (1985) Nervous structures with dynamical links. Berichte der Bundengesellschaft für physikalische Chemie, 89(6):703–710.CrossRef
von der Malsburg C (1986) Am I thinking assemblies? In Brain Theory. Proceedings of the Trieste Meeting on Brain Theory, 1–4 October 1984, Springer, pp. 161–176.
von der Malsburg C (1987) Ist die Evolution blind? Küppers BO (Hrsg.) Ordnung aus dem Chaos, Piper, München, pp. 269–279.
von der Malsburg C (1994) Network self-organization in the ontogenesis of the mammalian visual system. Zornetzer S, Davis J, Lau C (Hrsg.) An Introduction to Neural and Electronic Networks. Second Edition. Academic Press, pp. 463–447.
von der Malsburg C (1997) The coherence definition of consciousness, in Ito M, Miyashita Y, Rolls ET (Hrsg.) Cognition, Computation and Consciousness. Oxford University Press, pp. 193–204. URL: http://​cogprints.​org/​1487/​.
von der Malsburg C (2018a) Concerning the neural code. Journal of Cognitive Science, 19:511–550.CrossRef
Willshaw D, Longuet-Higgins H (1970) Associative memory models. Machine Intelligence, 5:351–359.MATH
Willshaw D, von der Malsburg C (1976) How patterned neural connections can be set up by self-organization. 194:431–445.
Willshaw D, von der Malsburg C (1979) A marker induction mechanism for the establishment of ordered neural mappings: its application to the retinotectal problem. Philosophical Transactions of the Royal Society of London, Series B:287:203–243.CrossRef
Wilson H, Cowan J (1972) Excitatory and inhibitory interactions in localized populations of model neurons. Biophysical Journal, 12:1–24.CrossRef
Winograd T (1971) Procedures as a representation for data in a computer program for understanding natural language. Technical Report, 235, MIT AI.
Wolfrum P, Wolff C, Lücke J, von der Malsburg C (2008) A recurrent dynamic model for correspondence-based face recognition. Journal of Vision, 8(7):34.CrossRef
Wolpert D, Mcready W (1997) No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1):67–82.CrossRef
Zhu J, Bergmann U, von der Malsburg C (2010) Self-organization of steerable topographic mappings as basis for translation invariance. International Conference on Artificial Neural Networks (ICANN 2010), pp. 414–419.
Metadaten
Titel
Vorbild Gehirn – Randbedingungen für eine kognitive Architektur
verfasst von
Christoph von der Malsburg
Copyright-Jahr
2020
Buch
Cognitive Computing

Print ISBN: 978-3-658-27940-0

Electronic ISBN: 978-3-658-27941-7

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-658-27941-7_1

Premium Partner

    Bildnachweise