KI lernt 3D-Visuospatiale Aufgaben dank menschlich gestalteter Lernkurve

Reinforcement Learning (RL) gilt als ausgereifte Technologie, die als möglicher Weg zur Erreichung einer allgemeinen künstlichen Intelligenz betrachtet wird. Durch die Nachbildung menschlicher und künstlicher Intelligenz‑fähigkeiten, einschließlich der Komplexität menschlicher Kognition, hat RL bereits Erfolge in klar definierten Umgebungen wie Atari‑Spielen und spezifischen Kontrollen erzielt. In den letzten Jahren wird jedoch verstärkt versucht, die Anwendbarkeit von RL auf anspruchsvollere, weniger strukturierte Problemfelder auszudehnen.

In dieser Arbeit wird die Leistungsfähigkeit moderner RL‑Frameworks an einer scheinbar einfachen 3D‑Same‑Different‑Visuospatiale-Aufgabe untersucht. Erste Versuche mit hochmodernen Methoden wie Proximal Policy Optimization (PPO), Verhaltensklonierung und Imitationslernen konnten keine optimalen Strategien direkt erlernen. Die Herausforderung lag in der Komplexität der visuellen Wahrnehmung und der Notwendigkeit, subtile Unterschiede zwischen 3D‑Objekten zu erkennen.

Durch die Einführung einer gezielten Curriculum‑Lernstrategie, die auf Erkenntnissen aus einem realen menschlichen Experiment basiert, erzielte das System jedoch bemerkenswerte Fortschritte. Die Lernkurve wurde so gestaltet, dass sie zunächst einfache Szenarien abdeckte und schrittweise zu komplexeren Varianten überging. Diese menschlich inspirierte Struktur ermöglichte es dem RL‑Agenten, effizienter zu lernen und schließlich die Aufgabe erfolgreich zu meistern.

Die Ergebnisse zeigen, dass ein sorgfältig konzipiertes Curriculum entscheidend sein kann, um die Grenzen von RL in komplexen visuellen Aufgaben zu überwinden. Diese Erkenntnisse eröffnen neue Perspektiven für die Entwicklung von KI‑Systemen, die in realen, hochdimensionalen Umgebungen agieren können, und tragen damit zur Weiterentwicklung von KI in Richtung allgemeiner Intelligenz bei.