foto (c) robert geirhos

Forschungsprojekt der Universität Osnabrück ist Titelstory von Nature Machine Intelligence.

Künstliche Intelligenz wird immer größer, immer datenhungriger und immer rechenintensiver. Doch eine neue Studie der Universität Osnabrück zeigt: Für robustes Sehen ist größer nicht immer besser. Entscheidend kann vielmehr sein, wie ein KI-System lernt.

In einer neuen Publikation in Nature Machine Intelligence, die auch das Cover des renommierten Fachmagazins ziert, stellt ein Forschungsteam um Prof. Dr. Tim C. Kietzmann vom Institut für Kognitionswissenschaft einen biologisch inspirierten Trainingsansatz vor, der künstliche Sehsysteme deutlich robuster macht. Die Modelle sind dabei vergleichsweise klein, schlagen aber große aktuelle KI-Systeme in mehreren zentralen Bereichen visueller Robustheit.

Das Problem ist bekannt: KI kann Bilder oft erstaunlich gut erkennen, bleibt dabei aber fragil. Schon kleine Störungen, veränderte Texturen oder gezielte Manipulationen können dazu führen, dass ein System ein Objekt falsch einordnet. Während Menschen in vielen Situationen zuverlässig die Form eines Gegenstands erkennen, orientieren sich künstliche Sehsysteme häufig stärker an Oberflächenmustern.

Um dieses Problem zu lösen, setzt der neue Ansatz aus Osnabrück an einer überraschenden Stelle an: bei der Entwicklung des menschlichen Sehens. Menschen kommen nicht mit perfektem Sehvermögen zur Welt. Säuglinge sehen zunächst unscharf, kontrastarm und mit eingeschränkter Farbwahrnehmung. Erst nach und nach entwickelt sich das visuelle System. Genau diesen Entwicklungsweg haben die Forschenden in ein Trainingscurriculum für KI übersetzt, die sogenannte »Developmental Visual Diet«. Dabei durchlaufen künstliche Sehsysteme eine Art visuelle Kindheit, bevor sie mit Bildern in voller Qualität trainiert werden.

»Unsere Ergebnisse zeigen, dass robuste KI nicht nur eine Frage von mehr Daten, größeren Modellen und höherer Rechenleistung ist«, sagt Kietzmann. »Entscheidend ist auch, wie ein Modell lernt. Wenn künstliche Sehsysteme eine visuelle Entwicklung durchlaufen, die stärker an menschliches Lernen angelehnt ist, nähern sie sich auch dem menschlichen Sehen an.«

In Tests verließen sich die so trainierten Modelle stärker auf die Form von Objekten statt auf Texturen. Sie blieben stabiler bei Bildrauschen, Unschärfe oder schlechter Bildqualität und waren widerstandsfähiger gegenüber gezielten Angriffen auf KI-Systeme. In einigen Fällen erhöhte sich die Robustheit um bis zum Fünffachen. Als ein Beispiel verweist das Wissenschaftsteam auf das Bild eines Bären, das sich aus einzelnen Flaschen zusammensetzt: »Der hier gezeigte Stimulus ist ein Beispiel, in dem traditionelle KI anders als der Mensch entscheidet. KI erkennt Flaschen, Menschen sehen einen Bären«, erläutert Zejin Lu, Erstautor der Studie und Doktorand bei Professor Kietzmann.

Damit zeigt die Studie eine wichtige Alternative zum derzeit dominierenden Trend in der KI-Forschung: Fortschritt muss nicht allein über größere Modelle und mehr Daten entstehen. Auch kleine, effizient trainierte Systeme können leistungsfähig und robust sein, wenn ihre Lernumgebung besser gestaltet ist.

42 Artikel zu „SLM“

Ausgabe 3-4-2026 | News | Kommunikation | Künstliche Intelligenz | New Work

Integrierte multimodale SLMs in einer Suite von KI-Agenten – Kleine Sprachmodelle ganz groß

5. Mai 2026

Kleine Sprachmodelle (SLMs) ermöglichen leistungsfähige KI direkt auf Endgeräten und bieten entscheidende Vorteile bei Latenz, Datenschutz, Datensouveränität und Offline-Fähigkeit. Als spezialisierte KI‑Agenten steigern sie die Produktivität operativer Teams, senken Kosten und ebnen den Weg für eine neue Generation multimodaler Edge‑KI.