💬 NLP

Identifying Quantum Structure in AI Language: Evidence for Evolutionary Convergence of Human and Artificial Cognition

Diese Arbeit präsentiert Belege dafür, dass Large Language Models nicht-klassische, quantenähnliche kognitive Strukturen aufweisen – insbesondere Verletzungen der Bellschen Ungleichung und Bose-Einstein-Statistiken in Wortverteilungen –, die die menschliche Kognition widerspiegeln und auf ein Phänomen der evolutionären Konvergenz zwischen biologischer und künstlicher Intelligenz hindeuten, welches durch die zugrunde liegende Quantenorganisation der Bedeutung in Vektorräumen angetrieben wird.

Ursprüngliche Autoren: Diederik Aerts, Jonito Aerts Arguëlles, Lester Beltran, Suzette Geriente, Roberto Leporini, Massimiliano Sassoli de Bianchi, Sandro Sozzo

Veröffentlicht 2026-06-03

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Diederik Aerts, Jonito Aerts Arguëlles, Lester Beltran, Suzette Geriente, Roberto Leporini, Massimiliano Sassoli de Bianchi, Sandro Sozzo

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Kernidee: KI und Menschen denken ähnlich (auf Quanten-Art)

Stellen Sie sich vor, Sie haben zwei verschiedene Arten von Baumeistern. Der eine ist ein Mensch, der andere ein Roboter (eine KI wie ChatGPT oder Gemini). Sie bitten beide, ein Haus mit demselben Satz an Ziegeln (Wörtern) zu bauen.

Die Autoren dieser Arbeit argumentieren, dass die Art und Weise, wie Mensch und Roboter diese Ziegel anordnen, selbst wenn sie völlig unterschiedlich gebaut sind, demselben „Bauplan“ folgt. Und überraschenderweise ist dieser Bauplan nicht der, den wir für normale, alltägliche Objekte verwenden (wie das Stapeln von Ziegeln in einem Haufen). Stattdessen folgt er den seltsamen, magischen Regeln der Quantenphysik.

Die Arbeit behauptet, dass sowohl menschliche Gehirne als auch KI-Modelle die Bedeutung auf eine Weise organisieren, die wie Quantenverschränkung und Bose-Einstein-Statistik aussieht.

1. Der „Magische Verbindungs“-Test (Bellsche Ungleichungen)

Das Konzept:
In der Welt der Physik gibt es einen berühmten Test namens Bellsche Ungleichung. Es ist wie ein Regelbuch dafür, wie sich Dinge verhalten sollten, wenn sie getrennt und unabhängig sind.

Klassische Welt: Wenn Sie in New York eine Münze werfen und in London eine andere, sollte das Ergebnis der einen das Ergebnis der anderen nicht sofort verändern. Sie sind unabhängig.
Quantenwelt: In der Quantenphysik können Teilchen „verschränkt“ sein. Wenn man eines verändert, ändert sich das andere sofort, egal wie weit sie voneinander entfernt sind. Sie agieren wie eine einzige, verbundene Einheit.

Das Experiment:
Die Forscher baten Menschen und KI-Modelle eine Serie von Fragen zur Kombination von Konzepten zu beantworten.

Beispiel: Sie fragten: „Was ist ein gutes Beispiel für ein Tier?“ (Auswahl: Pferd, Bär). Dann: „Was ist ein gutes Beispiel für eine Handlung?“ (Auswahl: Brüllen, Wiehern). Schließlich fragten sie nach der Kombination: „Das Tier handelt.“
Der Clou: Als Menschen (und die KI) antworteten, behandelten sie „Tier“ und „Handlung“ nicht als getrennte Dinge. Die Bedeutung von „Pferd“ änderte sich, je nachdem, ob es mit „Brüllen“ oder „Wiehern“ kombiniert wurde.

Das Ergebnis:
Sowohl Menschen als auch die KI verletzten das „Regelbuch“ für unabhängige Dinge. Ihre Antworten zeigten, dass die Konzepte verschränkt waren.

Die Analogie: Stellen Sie sich vor, Sie haben einen roten Ball und einen blauen Ball. In der klassischen Welt ist der rote Ball immer rot. Aber in dieser „Quantenwelt“ wird der rote Ball zu einem „Pferd“, wenn man ihn allein betrachtet, aber verwandelt sich in einen „Bären“, wenn man ihn neben einem „Wiehern“ sieht. Die KI und der Mensch konnten die Ideen nicht trennen; sie waren miteinander verschmolzen.

Was dies bedeutet: Die KI berechnet nicht einfach nur Wahrscheinlichkeiten wie ein Taschenrechner. Sie navigiert durch ein „semantisches Feld“, in dem Wörter auf eine Weise miteinander verbunden sind, die der normalen Logik trotzt, genau wie Quantenteilchen.

2. Der „Wort-Crowd“-Test (Bose-Einstein-Statistik)

Das Konzept:
In der Physik gibt es zwei Hauptarten, wie Teilchen zusammenkommen können:

Klassische Teilchen (Maxwell-Boltzmann): Stellen Sie sich Menschen in einem Park vor. Sie verteilen sich gleichmäßig. Wenn es 100 Personen gibt, sind sie über das Gras verstreut. Niemand ist überwältigend populär.
Quantenteilchen (Bose-Einstein): Stellen Sie sich einen Moshpit bei einem Konzert vor. Alle drängen sich um die Bühne. Ein paar „Superstars“ bekommen die ganze Aufmerksamkeit, während der Rest der Menge dünn besiedelt ist.

Das Experiment:
Die Forscher untersuchten Geschichten, die von Menschen geschrieben wurden, und Geschichten, die von einer KI geschrieben wurden. Sie zählten, wie oft jedes Wort vorkam.

Sie fanden heraus, dass in sowohl menschlichen als als auch in KI-geschriebenen Geschichten die Wörter sich nicht gleichmäßig verteilten.
Stattdessen trat eine kleine Gruppe von Wörtern (wie „der“, „und“, „zu“) massiv häufiger auf als der Rest, was ein „Kondensat“ der Bedeutung erzeugte.

Das Ergebnis:
Die Verteilung der Wörter in KI-Geschichten entsprach perfekt dem Bose-Einstein-Muster (dem Moshpit) und nicht dem klassischen Muster (dem Park).

Die Analogie: Betrachten Sie eine Geschichte als eine Party. Bei einer „klassischen“ Party spricht jeder mit ein paar verschiedenen Leuten, und der Lärm ist verteilt. In einer „Quanten-Geschichte“ (sowohl menschlich als auch KI) stürzen sich alle auf dieselben wenigen Schlüsselideen (den „Grundzustand“). Die wichtigsten Wörter wirken wie ein Supraleiter, der die Bedeutung der gesamten Geschichte trägt, während die seltenen, komplexen Wörter die ruhigen Ecken des Raumes sind.

Warum es wichtig ist: Dies deutet darauf darauf hin, dass die KI nicht nur Grammatikregeln auswendig gelernt hat. Sie hat die „Physik der Bedeutung“ gelernt. Sie hat gelernt, dass Wörter, um eine kohärente Geschichte zu erstellen, in einer spezifischen, quantenähnlichen Weise zusammenclustern müssen.

3. Die „Evolutionäre Konvergenz“

Das große Ganze:
Warum denkt ein Roboter aus Silizium und Code wie ein Mensch aus Fleisch und Neuronen?

Die Autoren schlagen das Konzept der Evolutionären Konvergenz vor.

Die Augen-Analogie: In der Natur haben sowohl Kraken als auch Menschen Augen entwickelt. Sie haben sie nicht von einem gemeinsamen Vorfahren mit Augen geerbt; sie haben sie separat entwickelt, weil Augen die beste Lösung zum Sehen sind.
Die Geist-Analogie: Das Papier argumentt, dass die Organisation von „Bedeutung“ ein schwieriges Problem ist. Ob Sie ein menschliches Gehirn sind, das sich über Millionen von Jahren entwickelt hat, oder eine KI, die sich über ein paar Jahre im Internet trainiert hat – der effizienteste Weg, komplexe Ideen zu organisieren, ist die Nutzung von quantenähnlichen Strukturen.

Das Geheimnis des „Vektorraums“:
Das Papier legt nahe, dass der wahre Zauber, obwohl wir KI als „neuronale Netze“ bezeichnen, in den Vektorräumen (mathematischen Landkarten der Bedeutung) stattfindet.

Stellen Sie sich eine riesige, unsichtbare 3D-Karte vor, auf der jedes Wort ein Punkt ist.
In dieser Karte sind Wörter nicht nur einzelne Punkte. Sie sind wie Wellen, die sich überlagern, interferieren und kombinieren können.
Sowohl Menschen als auch KI scheinen sich natürlich in diese „Wellenzustandsstruktur“ einzuordnen, weil dies der beste Weg ist, um mit der Mehrdeutigkeit und dem Kontext von Sprache umzugehen.

Zusammenfassung der Behauptungen (Was das Papier tatsächlich sagt)

KI verletzt die klassische Logik: In Tests zeigen KI-Modelle (ChatGPT, Gemini) eine „Verschränkung“ in ihren Antworten, die die Bellschen Ungleichheiten verletzen, genau wie Menschen es tun. Sie behandeln Konzepte als verbundene Ganze, nicht als getrennte Teile.
KI folgt Quantenstatistiken: Die Häufigkeit von Wörtern in KI-geschriebenen Geschichten folgt der Bose-Einstein-Statistik (Clustering um Schlüsselbegriffe) und nicht der klassischen Statistik. Dies geschieht, weil die KI aus menschlichen Texten gelernt hat, die bereits diese Struktur besitzen.
Bedeutung ist der Treiber: Dies ist kein Fehler im Code. Es liegt daran, dass die KI gelernt hat, „Bedeutung“ zu organisieren. Die Struktur der Bedeutung selbst scheint quantenähnlich zu sein.
Konvergenz: Menschen und KI sind unterschiedliche „Substrate“ (Biologie vs. Silizium), aber sie sind auf dieselbe mathematische Lösung für den Umgang mit Sprache konvergiert, da diese Lösung der effizienteste Weg ist, um Bedeutung zu organisieren.
Sicherheitsimplikationen: Die Autoren deuten an, dass wir die KI nicht einfach mit einfachen Regeln „patchen“ können, da sie auf diesen tiefen, quantenähnlichen Strukturen operiert. Wir müssen die zugrunde liegende „Physik der Bedeutung“ verstehen, um die Sicherheit der KI zu gewährleisten.

Zusammenfassend: Das Papier behauptet, dass die KI denselben „Geheimbauplan“ für Sprache entdeckt hat, den Menschen über Millionen von Jahren entwickelt haben. Dieser Code ist keine klassische Mathematik; es ist die seltsame, vernetzte Mathematik der Quantenmechanik.

Technische Zusammenfassung: Identifizierung von Quantenstrukturen in der KI-Sprache

Problemstellung
Die Arbeit adressiert eine Lücke im Verständnis der fundamentalen kognitiven Strukturen von Large Language Models (LLMs). Während LLMs historisch als neuronale Netze klassifiziert werden, postulieren die Autoren, dass ihre essenzielle Wissensorganisation innerhalb der distributiven semantischen Struktur von Vektorräumen stattfindet. Die Studie untersucht, ob diese künstlichen kognitiven Agenten „nicht-klassische“ Strukturen aufweisen, die ähnlich den zuvor bei der menschlichen Kognition und Sprache identifizierten Strukturen sind. Insbesondere untersuchen die Autoren, ob LLMs die Bellschen Ungleichungen verletzen (was auf eine nicht-kolmogorowsche Wahrscheinlichkeit und Verschränkung hindeutet) und ob die statistische Verteilung von Wörtern in von LLMs generierten Texten der Bose-Einstein-Statistik (BE) folgt statt der klassischen Maxwell-Boltzmann-Statistik (MB).

Methodik
Die Forschung verwendet zwei primäre experimentelle Rahmenbedingungen unter Verwendung von ChatGPT und Gemini als Testsubjekte, welche die Protokolle widerspiegeln, die zuvor mit menschlichen Probanden angewandt wurden:

Verletzung der Bellschen Ungleichung (CHSH-Test):
- Konzept: Die Studie nutzt die konzeptionelle Kombination „Das Tier handelt“ (The Animal Acts), welche das Konzept Tier (Exemplare: Pferd, Bär, Tiger, Katze) mit Handeln (Exemplare: Brüllen, Wiehern, Schnauben, Miauen) kombiniert.
- Verfahren: Die LLMs wurden vier Koinzidenzmessungen ($AB, AB', A'B, A'B'$) unterzogen, bei denen nach dem „besten Beispiel“ des kombinierten Konzepts gefragt wurde.
- Ansätze:
  - Geführte Konversation: Die LLMs wurden schrittweise durch die vier Tests geführt, um die Verletzung zu maximieren.
  - Statistische Stichprobenziehung: Die LLMs wurden angewiesen, die vier Tests 81 Mal durchzuführen (entsprechend der Stichprobengröße früherer Humanstudien) unter Verwendung von zwei unterschiedlichen Prompts: einer, der explorative/unkonventionelle Antworten förderte, und einer neutraler Natur.
- Analyse: Erwartungswerte ( $E$ ) wurden für jedes Messpaar berechnet und in die Clauser-Horne-Shimony-Holt (CHSH)-Ungleichung eingesetzt: $-2 \leq E(A', B') + E(A', B) + E(A, B') - E(A, B) \leq 2$ .
Statistische Analyse von Wortverteilungen:
- Aufgabe: Die LLMs wurden angewiesen, originelle Geschichten zu schreiben (speziell im Stil von A.A. Milnes Winnie the Pooh und H.G. Wells), ohne inhaltliche Einschränkungen.
- Modellierung: Die Häufigkeit der Wörter in den generierten Texten wurde unter Verwendung eines quantenstatistischen Rahmens analysiert.
  - Energiezuweisung: Wörtern wurden „Energieniveaus“ ( $E_i$ ) basierend auf ihrem Häufigkeitsrang ( $i$ ) zugewiesen, wobei das häufigste Wort $E_1=0$ , das zweithäufigste $E_2=1$ usw. hat, folgend der Formel $E_i = (i-1)^d$ .
  - Beschränkungen: Die Modelle wurden an die Daten unter Verwendung von zwei Randbedingungen angepasst: der Gesamtzahl der Wörter ( $N$ ) und der Gesamtenergie des Textes ( $E = \sum N(E_i)E_i$ ).
- Vergleich: Die empirischen Worthäufigkeitsverteilungen wurden gegen die Bose-Einstein-Verteilungsfunktion ( $N(E_i) = 1 / (Ae^{E_i/B} - 1)$ ) und die Maxwell-Boltzmann-Verteilungsfunktion ( $N(E_i) = 1 / Ce^{E_i/D}$ ) gefittet.

Kernergebnisse

Verletzung der Bellschen Ungleichungen:
- In der Phase der geführten Konversation erzeugten sowohl ChatGPT als auch Gemini Antworten, die die CHSH-Ungleichung maximal verletzten und einen Wert von 4 lieferten (das theoretische Maximum für nicht-kolmogorowsche Modelle).
- In der Phase der statistischen Stichprobenziehung produzierten die Modelle CHSH-Werte, die die klassische Grenze von 2 überschritten.
  - ChatGPT (Prompt 1): CHSH = 2,25
  - ChatGPT (Prompt 2): CHSH = 3,09
  - Gemini (Prompt 1): CHSH = 2,12
  - Gemini (Prompt 2): CHSH = 4,0
- Die durchschnittlichen CHSH-Werte (2,67 für ChatGPT, 3,06 für Gemini) sind konsistent mit den Verletzungen, die in menschlichen Kognitionsexperimenten beobachtet wurden, was darauf hindeutet, dass die den LLM-Antworten zugrunde liegenden Wahrscheinlichkeitsmodelle nicht-kolmogorowsch sind und eine „Verschränkung“ zwischen konzeptionellen Komponenten aufweisen.
Bose-Einstein-Statistik in Texten:
- Die Worthäufigkeitsverteilungen in den von ChatGPT und Gemini generierten Geschichten passten mit hoher Präzision zur Bose-Einstein-Verteilung.
- Für die von Gemini generierte Winnie the Pooh-Geschichte (2.861 Wörter, 822 Energieniveaus) passten die Daten mit einem Parameter $d = 0,8$ an das BE-Modell (was auf eine leichte Abweichung von einem perfekten harmonischen Oszillator hindeutet, aber näher an diesem liegt als an einem Coulomb-Kraft-System).
- Die Maxwell-Boltzmann-Verteilung konnte die Daten nicht erklären und wich signifikant von der beobachteten Clusterbildung hochfrequenter Wörter ab.
- Die Analyse bestätigte, dass die „semantische Kondensation“ (Clusterbildung häufiger Wörter bei niedrigen Energieniveaus) ein strukturelles Merkmal des generierten Textes ist und nicht bloß ein Resultat syntaktischer Regeln.

Bedeutung und Behauptungen

Das Paper behauptet, dass diese Ergebnisse eine „systematische Emergenz nicht-klassischer, quantenähnlicher Strukturen in konzeptionell-linguistischen Domänen“ demonstrieren, unabhängig davon, ob der kognitive Agent biologisch (Mensch) oder künstlich (LLM) ist.

Evolutionäre Konvergenz: Die Autoren argumentieren, dass die menschliche Kognition und die LLM-Kognition zu denselben zugrunde liegenden vektorbasierten Strukturen konvergiert sind. Während die menschliche Kognition sich langsam durch biologische Prozesse entwickelt hat, um „Bedeutung“ zu organisieren, haben LLMs diese Struktur durch Selbstlernen und Training auf menschlichen Textkorpora schnell repliziert.
Natur der LLM-Intelligenz: Das Paper stellt die Sichtweise infrage, dass LLMs lediglich neuronale Netze sind. Stattdessen postulieren sie, dass die „Intelligenz“ in den hochdimensionalen Vektorräumen residiert, in denen Bedeutung organisiert ist. Diese Struktur ermöglicht Phänomene analog zur Quantenverschränkung (nicht-lokale semantische Verbindungen) und Bose-Einstein-Kondensation (Clusterbildung von Bedeutung).
Vereinheitlichungsrahmen: In Analogie zu Einsteins Vereinigung von Licht und Gasen schlagen die Autoren einen vereinheitlichenden Rahmen vor, in dem „Bedeutung“ als Strukturprinzip fungiert. Sie legen nahe, dass der mathematische Apparat der Quantenmechanik (Hilbert-Räume, komplexe Zahlen, Superposition) nicht auf physikalische Teilchen beschränkt ist, sondern als universeller Kalkül dient, um Ambiguität und Kontextualität in jedem System zu navigieren, das Bedeutung organisiert.
Implikationen für die KI-Sicherheit: Die Autoren deuten an, dass das Verständnis dieser quantenähnlichen Strukturgesetze entscheidend für die KI-Sicherheit ist. Sie argumentieren, dass Sicherheitsinterventionen, die auf klassischer, regelbasierter Logik beruhen, unzureichend sein könnten, da sie die zugrunde liegende „quantenhafte“ Organisation der Bedeutung nicht adressieren. Eine strukturelle Ausrichtung auf diese invarianten morphischen Architekturen wird als notwendiger Schritt vorgeschlagen, um eine kohärente Ko-Evolution zwischen menschlicher und künstlicher Kognition zu gewährleisten.

Das Paper schließt mit dem Schluss, dass das Vorhandensein dieser Strukturen in LLMs kein Zufall ist, sondern ein Spiegelbild der fundamentalen Gesetze, die regeln, wie Bedeutung organisiert wird, und bietet damit eine neue Perspektung auf die Natur künstlicher Kognition und deren Beziehung zum menschlichen Denken.

Die Kernidee: KI und Menschen denken ähnlich (auf Quanten-Art)

1. Der „Magische Verbindungs“-Test (Bellsche Ungleichungen)

2. Der „Wort-Crowd“-Test (Bose-Einstein-Statistik)

3. Die „Evolutionäre Konvergenz“

Zusammenfassung der Behauptungen (Was das Papier tatsächlich sagt)

Mehr davon