Computational Concept of the Psyche

Der Artikel stellt ein Konzept vor, das die Psyche als Betriebssystem eines Subjekts definiert und eine formale Berechnungsmethode für künstliche allgemeine Intelligenz vorschlägt, die durch erfahrungsbasiertes Lernen in einem Zustandsraum von Bedürfnissen optimale Entscheidungen unter Unsicherheit trifft.

Das Wesentliche

Stellen Sie sich vor, das menschliche Bewusstsein – oder die Psyche – ist nicht wie ein komplizierter Computercode, sondern eher wie das Betriebssystem eines Smartphones. Genau wie Ihr Handy Apps verwaltet, Akku spart und auf Benachrichtigungen reagiert, muss auch ein künstliches intelligentes Wesen (ein "Agent") seine inneren Bedürfnisse managen, um zu überleben und zu handeln.

Dieser Artikel von Anton Kolonin und Vladimir Krykov schlägt vor, wie man ein solches "künstliches Gehirn" bauen könnte, indem man es nicht als reines Rechenzentrum, sondern als Lebensmanager betrachtet.

Hier ist die Idee in einfachen Worten, mit ein paar anschaulichen Vergleichen:

1. Das Gehirn als Betriebssystem (Der "Betriebsleiter")

Stellen Sie sich vor, Ihr Gehirn ist der Chef in einer großen Fabrik.

• Die Bedürfnisse sind die Bestellungen: Der Körper schreit nach Essen, Schlaf oder Sicherheit. Das sind die "Bestellungen", die sofort bearbeitet werden müssen.
• Die Emotionen sind die Ampeln: Wenn eine Bestellung erfüllt ist (z. B. Sie haben gegessen), leuchtet eine grüne Ampel (Freude). Wenn eine Bestellung dringend ist (z. B. Hunger), leuchtet eine rote Ampel (Schmerz/Unbehagen).
• Die Intelligenz ist der Logistikmanager: Er schaut auf die Ampeln, prüft, wie viel Energie (Akku) noch da ist, und entscheidet: "Soll ich jetzt joggen gehen, um den Hunger zu stillen, oder lieber schlafen, um Energie zu sparen?"

Das Ziel dieses Systems ist nicht, alles perfekt zu berechnen, sondern überleben und effizient zu sein.

2. Der "Bedürfnis-Raum": Eine Landkarte der Wünsche

Die Autoren stellen sich vor, dass alle unsere Wünsche und Gefühle auf einer riesigen Landkarte liegen.

• Die Achsen der Landkarte: Eine Achse zeigt, wie dringend ein Bedürfnis ist (z. B. "Ich bin sterbend hungrig"). Eine andere Achse zeigt, wie wichtig es langfristig ist (z. B. "Ich will ein gutes Leben führen").
• Der aktuelle Punkt: Wo Sie sich gerade auf dieser Landkarte befinden, bestimmt, was Sie tun. Wenn Sie hungrig sind, springt Ihr "Punkt" auf die Karte in den Bereich "Essen suchen".
• Der Vergleich: Stellen Sie sich vor, Sie sind ein Navigator in einem Auto. Das Navi zeigt nicht nur den Weg, sondern auch, wie viel Benzin noch da ist und wie viel Zeit Sie haben. Das künstliche Gehirn macht genau das: Es navigiert durch die Welt, basierend darauf, wie dringend seine "Bedürfnis-Batterien" geladen werden müssen.

3. Lernen durch Erfahrung: Der "Versuch-und-Irrtum"-Koch

Wie lernt dieses künstliche Gehirn? Nicht durch Bücher, sondern durch Erleben, genau wie ein Kleinkind.

• Der Versuch: Das System probiert etwas aus (z. B. "Ich berühre das heiße Feuer").
• Die Reaktion: Es brennt! (Negative Verstärkung/Schmerz).
• Die Lektion: Das Gehirn merkt sich: "Feuer = Schlecht".
• Die Erwartung: Das System lernt nicht nur, was passiert ist, sondern auch, was es erwartet. Wenn es sich das Feuer anschaut, erwartet es Schmerz. Wenn die Erwartung nicht eintritt, ist es überrascht (Neugier).

Die Autoren nutzen hier eine spannende Idee aus der Wirtschaft: Risiko und Chance. Das Gehirn rechnet wie ein kluger Investor. Es fragt sich: "Wenn ich jetzt dieses Risiko eingehe, gewinne ich vielleicht viel (Essen), aber ich könnte auch alles verlieren (Schmerz). Ist es das wert?"

4. Zwei Denksysteme: Der Reflex und der Planer

Das Papier erwähnt, dass wir zwei Arten zu denken haben (ähnlich wie Daniel Kahneman es beschreibt):

1. System 1 (Der schnelle Reflex): Das ist wie ein Auto-Pilot. Wenn Sie eine Fliege wegschlagen, tun Sie es sofort, ohne nachzudenken. Das ist schnell und effizient.
2. System 2 (Der langsame Planer): Das ist der Chef, der sagt: "Warte, wenn wir jetzt essen gehen, haben wir morgen keine Energie für die Arbeit." Das ist langsam, aber strategisch.

Das künstliche Gehirn soll beide Systeme kombinieren: Ein neuronales Netz für die schnellen Reflexe und ein logisches System für die langfristigen Pläne.

5. Das Experiment: Der Ping-Pong-Roboter

Um zu beweisen, dass das funktioniert, haben die Autoren einen einfachen Computer-Agenten programmiert, der Ping-Pong gegen eine Wand spielt.

• Die Bedürfnisse des Roboters:
  1. Glücklich sein: Wenn er den Ball trifft.
  2. Traurig sein: Wenn er den Ball verpasst.
  3. Neugier: Wenn er etwas Neues sieht.
  4. Vorhersehbarkeit: Wenn er weiß, was als Nächstes passiert.
• Das Ergebnis: Der Roboter hat gelernt, den Ball zu schlagen. Aber es gab eine wichtige Erkenntnis: Wenn der Roboter zu sehr Angst vor dem "Traurig sein" (dem Verpassen des Balls) hatte, war er so vorsichtig, dass er gar nichts mehr wagte und nicht lernte. Erst als er mehr auf das "Glücklich sein" (den Erfolg) fokussiert wurde, lernte er schnell und sicher.

Fazit: Warum ist das wichtig?

Die Autoren sagen: Um eine echte Künstliche Intelligenz (AGI) zu bauen, die so klug wie ein Mensch ist, reicht es nicht, nur Daten zu verarbeiten. Wir müssen ihr ein Herz geben – im Sinne von Bedürfnissen.

Ein künstliches Wesen muss wissen, was es "will" (überleben, Energie sparen, Neugier befriedigen). Nur dann kann es Entscheidungen treffen, die nicht nur mathematisch korrekt, sondern auch sinnvoll für sein eigenes "Leben" sind.

Kurz gesagt: Sie bauen keine Maschine, die nur rechnet. Sie bauen einen digitalen Organismus, der lernt, zu leben, indem er lernt, was ihm gut tut und was ihm weh tut.

Technische Zusammenfassung

1. Problemstellung

Das Papier adressiert die fundamentale Herausforderung, eine künstliche allgemeine Intelligenz (AGI) zu konstruieren, die der menschlichen Intelligenz gleichwertig oder überlegen ist.

• Die Lücke: Bestehende Ansätze in der KI (z. B. rein probabilistische Modelle oder reine Logik) vernachlässigen oft die ökonomische und energetische Effizienz sowie die Rolle von „Bedürfnissen" und „Emotionen" als treibende Kräfte für Entscheidungen.
• Das Kernproblem: Wie kann man die menschliche Psyche computergestützt modellieren, sodass ein Agent nicht nur Ziele verfolgt, sondern dies unter Berücksichtigung von Unsicherheit, existenziellen Risiken, Ressourcenknappheit und einem dynamischen System von Bedürfnissen tut?
• Ziel: Die Formalisierung der Psyche als Betriebssystem eines lebenden oder künstlichen Agenten, das Entscheidungen im Raum der Bedürfnisse trifft, um das Überleben und die Effizienz zu maximieren.

2. Methodik und Konzeptuelle Architektur

Die Autoren schlagen ein anthropozentrisches Modell der Psyche vor, das auf der Theorie funktioneller Systeme (Anokhin), der Dynamischen Gleichgewichtstheorie und Prinzipien der Mikroökonomie basiert.

A. Die Psyche als Betriebssystem

Die Psyche wird als das „Betriebssystem" des Agenten definiert, bestehend aus:

• Raum der Zustände (State Space): Ein multidimensionaler Raum, der Sensationen, Aktionen und Bedürfnisse umfasst.
• Raum der Bedürfnisse (Needs Space): Der Kern des Systems. Bedürfnisse werden als Vektoren in einem Vektorraum (oder Tensorraum/Matrix) dargestellt. Sie umfassen physiologische und psychologische Bedürfnisse (von grundlegend bis zu höheren Ebenen wie Familie oder Gesellschaft).
• Intelligenz als Entscheidungssystem: Intelligenz ist die Fähigkeit, optimale Entscheidungen zu treffen, um Bedürfnisse zu befriedigen und Ziele zu erreichen, unter Berücksichtigung von Ressourcenbeschränkungen.

B. Mathematische Formalisierung

Das Modell nutzt eine Erweiterung des Reinforcement Learning (RL) und der Prospekt-Theorie (Kahneman/Tversky):

• Motivationsvektor ($z$): Definiert als Skalarprodukt aus dem langfristigen Prioritätsvektor ($x$, „Persönlichkeitsprofil"/Genetik/Kultur) und dem kurzfristigen Unzufriedenheitsvektor ($y$, aktuelle Bedürfnisactualisierung).
  $$z = x \cdot y$$
• Nutzenfunktion (Utility): Statt eines skalaren Rewards wird ein vektorieller Nutzen betrachtet, der positive Verstärkung (Gewinn) und negative Verstärkung (Verlust/Existenzrisiko) sowie implizite Faktoren wie Vorhersehbarkeit (Reduktion von Unsicherheit) und Energieeffizienz integriert.
• Entscheidungsfindung: Der Agent wählt Aktionen, die den erwarteten Nutzen ($U$) unter Berücksichtigung der Übergangswahrscheinlichkeiten ($P$) maximieren. Dies geschieht in einem nicht-deterministischen Umfeld, wobei das System zwischen „System 1" (schnell, assoziativ/neuromorph) und „System 2" (langsam, symbolisch/planend) wechselt.

C. Hybrid-Architektur (Neuro-Symbolisch)

Die Autoren schlagen eine hybride Architektur vor, die zwei Wissensrepräsentationen verbindet:

1. Assoziative Netzwerke: Tiefe neuronale Netze/Transformer für „System 1" (Intuition, Mustererkennung).
2. Symbolische Wissensgraphen: Interpretierbare Logik und Regeln für „System 2" (strategisches Planen).

• Tensor-Logik: Beide Repräsentationen können über eine gemeinsame mathematische Sprache (Tensor-Logik) transformiert und verknüpft werden, was lebenslanges Lernen und den Transfer von Wissen ermöglicht.

D. Speicherarchitektur (Vierschichtig)

Das Gedächtnis des Agenten ist in vier Schichten unterteilt:

1. Episodisches Langzeitgedächtnis: Vollständige Protokolle aller Interaktionen (Vermeidung von katastrophalem Vergessen).
2. Modell-Speicher: Abstrahierte Modelle (neuronale Netze oder symbolische Graphen) basierend auf den Episoden.
3. Kontext-Speicher (Kurzzeitgedächtnis): Aktueller operativer Kontext für Entscheidungen.
4. Aufmerksamkeits-Fokus: Der aktuelle Zustand und die wahrgenommene Umgebung.

3. Wichtige Beiträge

• Formalisierung der Psyche als „Betriebssystem": Eine neue Definition, die Bedürfnisse, Sensationen und Aktionen in einem einheitlichen mathematischen Raum (Zustandsraum) vereint.
• Einführung von „Überlebensenergie" als Währung: Die Idee, dass alle Entscheidungen (biologisch oder künstlich) auf einer Optimierung der „Überlebensenergie" basieren, die als universelle Maßeinheit für physiologische und psychologische Prozesse dient.
• Integration von Ökonomie und Psychologie: Die Anwendung von Marktmechanismen (Ressourcenallokation, Risikomanagement) und der Prospekt-Theorie auf die KI-Entscheidungsfindung.
• Vektorisierung von Bedürfnissen: Die Darstellung von Bedürfnissen als dynamische Vektoren, die Prioritäten und aktuelle Dringlichkeit abbilden, anstatt als statische Regeln.
• Hybride Lernarchitektur: Ein Vorschlag, wie symbolische und sub-symbolische KI-Methoden integriert werden können, um sowohl Effizienz als auch Erklärbarkeit zu gewährleisten.

4. Ergebnisse (Empirische Evaluation)

Die Autoren führten ein Minimal-Experiment durch: Ein Agent lernte, Ping-Pong gegen eine Wand zu spielen („Single-player Ping-Pong").

• Setup: Der Agent operierte in einem 4-dimensionalen Bedürfnisraum:
  1. Glück (Happy): Positive Verstärkung beim Treffen der Wand.
  2. Trauer (Sad): Negative Verstärkung beim Verfehlen (Ball trifft den Spieler).
  3. Neuheit (Novelty): Belohnung für das Erkennen neuer Zustände.
  4. Erwartung (Expectedness): Belohnung für Vorhersehbarkeit.
• Ergebnisse:
  • Das Experiment bestätigte, dass eine ungleiche Gewichtung von positiven und negativen Verstärkungen entscheidend ist.
  • Wenn positive und negative Rückmeldungen gleich stark gewichtet wurden, verlangsamte sich das Lernen oder scheiterte, da negative Verstärkung die explorative Aktivität des Agenten unterdrückte (Angst vor Fehlern).
  • Durch die Priorisierung positiver Verstärkung gegenüber der Vermeidung negativer Verstärkung blieb die Lernfähigkeit stabil und erfolgreich.
  • Dies unterstreicht die Notwendigkeit, die „Persönlichkeitsprofile" ($x$) der Agenten so zu konfigurieren, dass sie risikobereit genug für Exploration sind.

5. Bedeutung und Ausblick

Das Paper bietet einen neuen theoretischen Rahmen für die Entwicklung von AGI, der über reine Datenverarbeitung hinausgeht.

• Existenzielle Sicherheit: Durch die Einbeziehung von Risikomanagement und Energieeffizienz als fundamentale Ziele könnte dies zu robusteren und sichereren KI-Systemen führen.
• Biologische Plausibilität: Das Modell erklärt menschliches Verhalten (und potenziell AGI-Verhalten) durch die Dynamik von Bedürfnissen und Emotionen, was eine Brücke zwischen Neurowissenschaft, Psychologie und Informatik schlägt.
• Praktische Anwendung: Die vorgeschlagene Architektur ist als „Betriebssystem" für autonome Agenten konzipiert, die in komplexen, unsicheren Umgebungen überleben und gedeihen müssen.

Zusammenfassend stellt das Paper einen Weg vor, Intelligenz nicht als abstrakte Berechnung, sondern als zielgerichtete, ressourcenoptimierte Steuerung eines Systems von Bedürfnissen zu verstehen, wobei Lernen durch Erfahrung und emotionale Rückkopplung erfolgt.