Ang mga mananaliksik sa Alemanya ay nakabuo ng isang modelo ng pangitain ng AI na”nakikita”na katulad ng isang tao. detalyado sa journal na pag-uugali ng tao AI, nagpapatakbo ito ng kapansin-pansin na kahusayan ng enerhiya, isang pangunahing kalamangan para sa mga aparato na may mababang kapangyarihan. Habang hindi pa nito matalo ang mga karaniwang modelo sa hilaw na kawastuhan, ang istraktura na tulad ng utak ay nag-aalok ng isang bagong landas para sa pag-unlad ng AI. Ang gawaing ito ay naghahamon sa nangingibabaw na takbo ng pagbuo ng mga mas malalakas na modelo. Ayon sa isang ulat sa IEEE spectrum , ang all-tnn ay idinisenyo upang gayahin ang topographic, naayos na istraktura ng visual cortex ng utak ng tao. Ito ay isang makabuluhang pag-alis mula sa maginoo na AI. Ang pamamaraan na ito ay tumutulad sa magkaparehong tampok na mga detektor sa isang imahe. Si Propesor Tim C. Kietzmann, isang superbisor sa pag-aaral, ay tinawag itong isang”hack sa engineering na medyo mas mahusay sa pag-aaral,”ang pagpansin na hindi ito biologically posible. Ang utak ay hindi gagana sa ganoong paraan. Iniiwasan ng All-TNN ang pagbabahagi ng timbang. Sa halip ay gumagamit ito ng isang”pagpilit ng kinis”na naghihikayat sa kalapit na mga artipisyal na neuron na matuto ng katulad, ngunit hindi magkapareho, mga tampok.
Ang pamamaraang ito ay lumilikha ng isang makinis, tulad ng mapa. Sa mga pagsubok, natutunan ng All-TNN ang mga spatial biases ng tao. Ipinaliwanag ni Coauthor Zejin Lu,”Para sa mga tao, kapag nakita mo ang ilang mga bagay, mayroon silang isang pangkaraniwang posisyon. Alam mo na ang mga sapatos ay karaniwang nasa ilalim, sa lupa. Ang eroplano, nasa tuktok ito.”Ang modelo ay nakakaugnay ng tatlong beses na mas malakas sa paningin ng tao kaysa sa isang karaniwang CNN, na ipinapakita na natutunan nito ang mga panuntunang ito sa konteksto mula sa data. Ang katumpakan ng pag-uuri ng imahe ng All-TNN, sa halos 36 porsyento, ay mas mababa kaysa sa 43.2 porsyento na nakamit ng nasubok na CNN. Para sa mga gawain na hinihingi ang raw classification power, ang mga itinatag na mga modelo ay may hawak pa rin. Ang modelo ay kumonsumo ng higit sa sampung beses na mas kaunting enerhiya kaysa sa CNN, sa kabila ng pagkakaroon ng halos 13 beses na higit pang mga parameter. Ito ay dahil pinapayagan ng istrukturang topograpiko na ituon ang lakas ng pagproseso sa pinakamahalagang bahagi ng isang imahe, katulad ng pangitain ng tao. Ang pananaliksik ay nagmumungkahi na ang mas mahusay na disenyo ng arkitektura ay maaaring maging isang mas epektibong landas sa advanced cognition kaysa sa pag-scaling ng mga modelo at data. Ang mga kumpanya ay lalong lumilikha ng dalubhasa, madalas na bukas na timbang, mga modelo bilang mga kahalili sa napakalaking, pangkalahatang-layunin na mga sistema. Kasama dito ang mga modelo tulad ng Multilingual Aya Vision at Deepseek’s VL2 para sa pagsusuri ng dokumento. Pinahahalagahan nila ang mga tiyak na kakayahan-tulad ng kakayahang umangkop sa pananaliksik, pag-unawa sa dokumento, o pagganap sa gilid-sa isang sukat na sukat-lahat ng diskarte. Ang All-TNN ay umaangkop nang maayos sa tanawin na ito. Nagtalo si Kietzmann na ang pamamaraang ito ay hindi nasisiyahan, na nagsasabi,”May ganitong kalakaran, ang pakiramdam na ang sukat na iyon ay masyadong mainip ng isang sagot sa pangunahing tanong kung paano naganap ang pag-unawa.”Ang All-TNN ay nagbibigay ng isang nakakahimok na alternatibo sa kasalukuyang paradigma. Nag-sign ito ng isang potensyal na paglipat sa pananaliksik ng AI, na lumilipat sa kabila ng pag-compute ng brute-force patungo sa mas matikas, disenyo ng inspirasyon sa utak.
