🤖 AI

A Cellular Doctrine of Morality: Intrinsic Active Precision and the Mind-Reality Overload Dilemma

Die Arbeit argumentiert, dass aktuelle KI-Systeme durch die Verstärkung verzerrter Informationen ohne Validierung ihrer Wahrheit ein „Überlastungs-Dilemma von Geist und Realität" riskieren, und schlägt vor, diese Bedrohung durch die Entwicklung fortschrittlicher KI zu mildern, die auf den biophysikalischen Dynamiken pyramidenförmiger Neuronen basiert, welche einen intrinsischen aktiven Präzisionsmechanismus nutzen, um kohärente und valide Evidenz vor der Aufmerksamkeit zu priorisieren.

Ursprüngliche Autoren: Ahsan Adeel

Veröffentlicht 2026-05-06

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ahsan Adeel

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

Das große Problem: Das „Überlastungs-Dilemma von Geist und Realität"

Stellen Sie sich vor, Sie rennen durch einen Wald.

Normales Laufen: Sie laufen in einem Tempo, bei dem Ihr Gehirn die Bäume, Felsen und Wege klar erkennen kann. Sie wissen genau, was Sie ausweichen müssen. Ihr Geist und die Realität um Sie herum sind synchron.
Die Überlastung: Stellen Sie sich nun vor, der Wald rast plötzlich mit 160 Stundenkilometern an Ihnen vorbei. Die Bäume verschwimmen zu einer grünen Wand. Sie können einen Felsen nicht von einem Ast unterscheiden. Sie sind überwältigt, verwirrt und werden wahrscheinlich einen Unfall bauen.

Der Autor, Ahsan Adeel, nennt dies das „Dilemma der Überlastung von Geist und Realität".

Derzeit ist unsere Welt (insbesondere das Internet und soziale Medien) wie dieser superschnelle Wald. Wir werden mit so vielen Informationen bombardiert – einige wahr, einige falsch, einige nur Rauschen –, dass unsere Gehirne (und unsere aktuellen Computer) nicht mithalten können. Wir können nicht mehr unterscheiden, was real oder wichtig ist. Dies führt zu Verwirrung, schlechten Entscheidungen und irrationalen Verhaltensweisen.

Warum aktuelle KI das Problem verschlimmert

Denken Sie an die heutige KI (wie die Chatbots oder Social-Media-Algorithmen, die Sie nutzen) als einen gierigen Aufmerksamkeitsbereich.

Wie es funktioniert: Diese Systeme sind darauf ausgelegt, Ihre Aufmerksamkeit zu erregen. Sie schauen sich alles an, was sie sehen, und sagen: „Hey, das ist interessant! Lass uns das ansehen!"
Der Fehler: Sie haben keinen eingebauten „Wahrheitsdetektor". Sie prüfen nicht, ob die Information Sinn ergibt oder mit dem übereinstimmt, was sie bereits wissen, bevor sie ihre Aufmerksamkeit darauf richten. Sie verstärken einfach alles, was die meisten Klicks erhält oder ein Muster entspricht, selbst wenn es Unsinn ist.
Das Ergebnis: Es ist wie ein Sicherheitsbeamter auf einer Party, der jeden hereinlässt, ohne seinen Ausweis zu prüfen. Bald ist die Party so voller Fremder und Lügner, dass niemand ein echtes Gespräch führen kann. Das System wird mit „Müll"-Signalen überlastet.

Die biologische Lösung: Der „intelligente Filter" in unserem Gehirn

Das Papier schlägt vor, dass die Natur dieses Problem bereits gelöst hat. Es betrachtet eine bestimmte Art von Gehirnzelle, das Pyramidenneuron (speziell in Schicht 5 des Gehirns).

Stellen Sie sich diese Neuronen als einen Zwei-Tür-Sicherheitskontrollpunkt vor:

Tür A (Die Evidenz): Das ist das, was Ihre Augen und Ohren gerade sehen (der „Wald").
Tür B (Der Kontext): Das ist die interne Vorhersage Ihres Gehirns darüber, was da sein sollte, basierend auf dem, was Sie wissen (z. B. „Ich laufe in einem Wald, also erwarte ich Bäume, keine fliegenden Schweine").

Der magische Mechanismus:
In einem gesunden, wachen Gehirn müssen sich diese beiden Türen gleichzeitig öffnen, damit das Signal durchgelassen wird.

Wenn Sie einen Baum sehen (Evidenz) und Ihr Gehirn einen Baum erwartet (Kontext), öffnen sich die Türen, und das Signal erhält ein „grünes Licht". Es wird verstärkt.
Wenn Sie ein fliegendes Schwein sehen (Evidenz), Ihr Gehirn aber weiß, dass Schweine nicht fliegen (Kontext), öffnen sich die Türen nicht gleichzeitig. Das Signal wird sofort blockiert oder ignoriert.

Dies wird als Intrinsische Aktive Präzision bezeichnet. Es ist ein eingebauter Filter, der prüft, ob Informationen „kohärent" (sinnvoll) sind, bevor sie Ihre Aufmerksamkeit erregen dürfen.

Der vorgeschlagene Lösungsansatz: „Zukünftige Maschinen"

Der Autor schlägt vor, neue KI-Systeme zu bauen, die diesen biologischen „Zwei-Tür"-Mechanismus kopieren. Er nennt dies Kooperative Kontext-sensitive Kognitive Berechnung (Co4).

Anstatt nur Aufmerksamkeit zu erregen, würden diese neuen Maschinen:

Zuerst auf Kohärenz prüfen: Bevor Informationen in das System gelangen, prüfen sie, ob sie mit dem internen Kontext übereinstimmen (ergibt es Sinn?).
Frühzeitig filtern: Wenn die Information inkohärent ist (wie ein fliegendes Schwein in einem Wald), wird sie sofort herausgefiltert, bevor sie Verwirrung stiften kann.
Ergebnis: Das System achtet nur auf zuverlässige, gültige Informationen.

Die Analogie:

Aktuelle KI: Ein Sieb mit riesigen Löchern, das alles durchlässt, und versucht, den Müll später herauszufischen.
Vorgeschlagene KI: Ein intelligentes Tor, das nur die richtigen Personen genau in dem Moment hereinlässt, in dem sie ankommen, und die Party sauber und überschaubar hält.

Was dies für Moral und Gesellschaft bedeutet

Das Papier macht eine spezifische, vorsichtige Behauptung über Moral:

Es lehrt der KI nicht, „gut" zu sein. Der Autor sagt ausdrücklich, dass diese Technologie keine moralischen Regeln schreibt oder uns sagt, was richtig oder falsch ist.
Es repariert das „Fundament". Das Argument ist, dass Menschen, um gute moralische Entscheidungen zu treffen, zuerst die Welt klar sehen müssen. Wenn wir durch eine Flut von Lügen und Rauschen verwirrt sind, können wir keine guten Entscheidungen treffen.
Das Ziel: Indem wir die „Informationsüberlastung" reparieren (den Wald, der zu schnell rennt), geben wir den Menschen einen klareren Blick auf die Realität. Dies schafft eine bessere Umgebung für die Bildung zuverlässiger Überzeugungen und das Treffen kohärenter Urteile.

Zusammenfassung der Hoffnung des Autors

Der Autor ist vorsichtig optimistisch. Er glaubt, dass wir durch den Bau von Maschinen, die Informationen basierend auf Kohärenz und Gültigkeit filtern (wie es unsere Gehirne tun), den „Wald" der Informationen verlangsamen können. Dies würde helfen, Verwirrung zu reduzieren und der Gesellschaft helfen, bessere, fundiertere Entscheidungen zu treffen.

Wichtiger Hinweis: Das Papier räumt ein, dass dies kein magisches Allheilmittel ist. Es wird nicht verhindern, dass Menschen schlechte Werte haben oder von Gier beeinflusst werden. Aber es zielt darauf ab, das „Rauschen" zu entfernen, das es unmöglich macht, überhaupt klar zu denken.

Visualisierung des Unterschieds (basierend auf den Abbildungen des Papiers)

Abbildung 1 (Aktuelle KI): Stellen Sie sich einen Fahrer vor, der versucht, in einer Spur zu bleiben, während ein Sturm aus zufälligen, blinkenden Lichtern ihn ablenkt. Das Auto driftet von der Straße ab, weil der Fahrer auf jedes Blinken reagiert, sogar auf die gefälschten.
Abbildung 2 & 3 (Vorgeschlagene KI): Stellen Sie sich denselben Fahrer vor, aber jetzt hat er einen Filter, der die gefälschten blinkenden Lichter blockiert. Er sieht nur die tatsächlichen Straßenmarkierungen. Er bleibt perfekt in der Spur, selbst im Sturm.

Das Papier argumentiert, dass wir die „Filter"-Version der KI bauen müssen, um der Menschheit zu helfen, den Informationssturm zu navigieren.

Technische Zusammenfassung: Eine zelluläre Doktrin der Moral

1. Problemstellung: Das Dilemma der Überlastung durch Geist und Realität

Das Papier identifiziert eine kritische Schwachstelle in aktuellen künstlichen Intelligenzsystemen und den von ihnen betriebenen Informationssystemen: das Dilemma der Überlastung durch Geist und Realität. Dieser Zustand entsteht, wenn die Geschwindigkeit der beobachtbaren Realität ( $S_R$ ) – definiert als die Rate, mit der Informationen (sowohl relevante als auch irrelevante) einen Individuum erreichen – die Geschwindigkeit des kohärenten Denkens ( $S_C$ ) übersteigt, welche die Rate ist, mit der ein Geist relevante Signale separieren und ihnen eine gültige Präzision zuweisen kann.

Aktuelle KI-Systeme, insbesondere solche, die auf vereinfachten Neurowissenschaftsmodellen basieren (z. B. Standard-Transformer-Architekturen), verschärfen dieses Dilemma. Diese Systeme maximieren den globalen Belohnungswert oder minimieren den Vorhersagefehler, indem sie die Aufmerksamkeit auf Informationen verstärken, ohne über intrinsische Präzisionsmechanismen zu verfügen. Folglich:

Sie besitzen keine Fähigkeit, die Gültigkeit oder kontextuelle Angemessenheit von Beweisen bevor sie ihnen Aufmerksamkeit schenken, zu bewerten.
Sie verstärken verzerrte, falsche oder irrelevante Informationen neben gültigen Signalen.
Dies führt zu einem Informationsumfeld, in dem die effektive Signallrate die kognitive Kapazität der Nutzer überfordert, was zu Verwirrung, Fehleinschätzungen und irrationalen oder schädlichen Entscheidungen führt.

Der Autor argumentiert, dass ohne intrinsische Mechanismen zur Bewertung der Präzision vor der Zuweisung von Aufmerksamkeit inkohärente Informationen durch hierarchische Schichten mit aufgeblähtem Selbstvertrauen propagiert werden und schließlich die Nutzer erreichen, bevor sie gefiltert werden können.

2. Methodik und Theoretischer Rahmen

Das Papier schlägt einen Wechsel von „nur-Aufmerksamkeit"-Architekturen zu einem Kooperativen, kontextsensitiven Kognitiven Berechnungsrahmen (Co4) vor. Dieser Ansatz basiert auf jüngsten Fortschritten in der zellulären Neurobiologie und der biophysikalischen Modellierung von pyramidalen Zwei-Punkt-Neuronen (TPN) im Säugetierneokortex.

Biologische Grundlage

Die Methodik stützt sich auf die Biophysik der TPN der Schicht 5, die zwei distincte Eingangsströme integrieren:

Sensorische Evidenz ( $R$ ): Vorwärtsgerichteter (FF) Input, der an den basalen Dendriten eintrifft.
Kontextueller Input ( $C$ ): Intern generierte Vorhersagen, die an den apikalen Dendriten eintrifft.

Im Regime des „wachenden Denkens" zeigen diese Neuronen einen intrinsischen aktiven Präzisionsmechanismus. Wenn die basalen ( $R$ ) und apikalen ( $C$ ) Kompartimente gleichzeitig depolarisiert werden, erzeugt das Neuron hochfrequente Bursts. Dieses Bursting signalisiert Kohärenz zwischen Evidenz und Kontext und verstärkt effektiv gültige Signale, während es inkohärente Aktivität bevor das Signal zu höheren wahrnehmenden Schichten weitergeleitet wird, unterdrückt.

Computergestützte Formulierung

Das Papier operationalisiert dieses biologische Prinzip in einen mathematischen Rahmen für zukünftige KI-Systeme:

Aktive Präzision ( $\pi^a_{ij}$ ): Definiert als ein modulatorisches Kooperationsgesetz $MOD(R_i, C_j)$ , das die Übereinstimmung zwischen externer Evidenz ( $R_i$ ) und internem Kontext ( $C_j$ ) quantifiziert.
$\pi^a_{ij} = \max(\epsilon, MOD(R_i, C_j))$
Dabei wird $MOD(R, C)$ als Funktion der integrierten Evidenz ( $f_r(R)$ ), des integrierten Kontexts ( $f_c(C)$ ) und ihrer kooperativen Interaktion ( $g(R, C)$ ) modelliert.
Kontextdefinition: Der Kontext ( $C_j$ ) umfasst interne Vorhersagen und Online-Feedback-Signale ( $F_j$ ), skaliert mit einem Faktor $\lambda$ .
Präzisionsgesteuerte Aufmerksamkeit: Im Gegensatz zu Standard-Aufmerksamkeitsmechanismen, die Signale basierend auf erlernten Merkmalen nachträglich gewichten, gating Co4 Signale vor dem Aufmerksamkeitswettbewerb. Vorhersagefehler ( $\epsilon_{ij}$ ) werden mit $\pi^a_{ij}$ gewichtet, was bedeutet, dass selbst große Fehler heruntergewichtet werden, wenn ihnen die Kohärenz mit dem aktuellen Kontext fehlt.

3. Hauptbeiträge

Definition des Dilemmas der Überlastung durch Geist und Realität: Das Papier definiert formal den Zustand, in dem $S_R > S_C$ , und führt ein dimensionsloses Verhältnis $\gamma = S_C / S_R$ ein, um den Zustand der Synchronisation versus Überlastung zu charakterisieren.
Kritik an aktueller KI: Es identifiziert das Fehlen intrinsischer Präzisionsmechanismen in Transformer-basierten Modellen als Haupttreiber der Informationsüberlastung und stellt fest, dass diese Modelle inkohärente Signale verarbeiten, bevor sie diese filtern.
Der Co4-Rahmen: Es schlägt eine neuartige Architektur vor, die biophysikalische Prinzipien des TPN-Bursting integriert, um intrinsische aktive Präzision zu etablieren. Dieser Mechanismus bewertet lokale und globale Kohärenz vor der Zuweisung von Aufmerksamkeit und stellt sicher, dass nur Repräsentationen, die für die Handlungsführung angemessen sind, weitergeleitet werden.
Epistemische, nicht moralische Grundlage: Der Autor klärt, dass dieser Ansatz keine moralischen Regeln aus der Biologie ableitet. Stattdessen zielt er darauf ab, epistemische Bedingungen wiederherzustellen, indem er die Informationsüberlastung reduziert, wodurch eine stabile Grundlage für die Bildung zuverlässiger Überzeugungen und besser informierte Urteile geschaffen wird.

4. Ergebnisse und empirische Evidenz

Das Papier präsentiert theoretische Argumente und illustrative Simulationen zur Unterstützung des Co4-Rahmens:

Simuliertes autonomes Fahren: In einer ressourcenbeschränkten Verstärkungslernsimulation (analog zum Beispiel des „Laufens im Wald") zeigten Agenten, die auf Standard-Aufmerksamkeits-Transformern basierten, Drift, Instabilität und Kontrollverlust, wenn sie mit hohen Informationsraten konfrontiert wurden. Im Gegensatz dazu behielten Agenten, die mit Co4-Mechanismen ausgestattet waren, eine stabile Trajektorienkontrolle und Ausrichtung auf den beabsichtigten Pfad bei.
Wirkungsweise: Die Co4-Agenten filterten inkohärente oder aufgabenirrelevante Merkmale erfolgreich früh in der Verarbeitungspipeline, reduzierten die effektive Signallrate und verhinderten den Zustand der Überlastung durch Geist und Realität ( $S_R > S_C$ ).
Ablationsstudien: Referenzierte Arbeit [33] zeigt, dass eine Modifikation der Struktur des aktiven Präzisionsterms ( $\pi^a_{ij}$ ) die Leistung verschlechtert, was darauf hindeutet, dass die vorgeschlagene Formulierung nicht willkürlich ist, sondern für eine robuste Inferenz empirisch notwendig.
Effizienz: Der Rahmen wird als Ergebnis des frühen Filterns inkohärenter Signale zu schnellerem Lernen und reduzierten Rechenkosten führen.

5. Bedeutung und Behauptungen

Das Papier geht davon aus, dass die vorgeschlagene zelluläre Doktrin einen Weg bietet, um die gesellschaftlichen Risiken der Informationsüberlastung und Fehlinformation zu mindern. Ihre Bedeutung liegt in:

Wiederherstellung epistemischer Bedingungen: Indem diese Systeme Kohärenz und Angemessenheit vor der bloßen Maximierung der Aufmerksamkeit priorisieren, können sie das Volumen verzerrter und unzuverlässiger Informationen, die die Öffentlichkeit erreichen, reduzieren.
Unterstützung moralischer Urteilsfähigkeit: Obwohl es keine Moral vorschreibt, legt der Rahmen nahe, dass eine zuverlässige moralische Argumentation von zuverlässigen Überzeugungen über die Welt abhängt. Durch die Verbesserung der Qualität der Informationsverarbeitung unterstützt Co4 die Bildung besser informierter Überzeugungen, was eine Voraussetzung für kohärente moralische Urteile ist.
Ein neues Paradigma für KI: Es plädiert für einen Wechsel von „Attention is all you need" zu „Kohärenz und Angemessenheit zuerst" und schlägt vor, dass zukünftige Maschinen intrinsische Mechanismen besitzen sollten, um Evidenz gegen den Kontext zu validieren, bevor sie weitergeleitet wird.

Der Autor behält eine bescheidene Haltung bei und erkennt an, dass keine Technologie moralische Entscheidungsfindung garantieren oder alle Unsicherheiten eliminieren kann. Das Papier argumentiert jedoch, dass die Einbettung von kohärenzgetriebenen Prinzipien auf architektonischer Ebene eine „vorsichtige Optimismus" für die Reduzierung von Verwirrung und irrationalem Verhalten sowohl in biologischen als auch in künstlichen Systemen bietet.