A behavior-environment information loop drives sensory navigation

Stellen Sie sich vor, Sie versuchen, die beste Pizza in einer neuen Stadt zu finden. Es gibt zwei Möglichkeiten, dies zu tun. Die erste Art ist passiv: Sie stehen still, warten darauf, dass ein Geruch herüberweht, und wenn es gut riecht, gehen Sie in diese Richtung. Wenn der Geruch aufhört, halten Sie an. Das ist wie ein Roboter, der nur auf das reagiert, was er gerade in diesem Moment wahrnimmt. Die zweite Art ist aktiv: Sie erkennen, dass Stillstehen nicht helfen wird, also beginnen Sie, in einem Zickzack-Muster zu laufen. Durch Ihre Bewegung verändern Sie, was Sie als Nächstes riechen werden. Sie gestalten Ihre eigene Erfahrung aktiv um, um bessere Informationen zu sammeln. So navigieren die meisten Lebewesen, von winzigen Bakterien bis hin zu Menschen. Sie warten nicht einfach darauf, dass die Welt ihnen sagt, wohin sie gehen sollen; sie bewegen sich, um herauszufinden, wie es weitergeht.

Wissenschaftler untersuchen schon lange, wie Tiere ihre Sinne nutzen, um Entscheidungen zu treffen, aber sie haben meistens nur die Einbahnstraße betrachtet: wie ein Geruch in eine Drehung umschlägt. Sie haben selten die andere Frage gestellt: Wie verändert der Akt des Abbiegens den Geruch, den man als Nächstes wahrnehmen wird? Dieses Paper tritt in diese Lücke. Es nutzt einen Zweig der Wissenschaft namens Informationstheorie, bei der es im Grunde um die Mathematik dessen geht, wie viel „Überraschung“ oder „Neuigkeit“ in einer Nachricht steckt. Die Autoren wollen den zwei-Wege-Dialog zwischen den Handlungen eines Tieres und der Welt um es herum messen. Sie fragen: Reagiert das Tier nur auf die Welt, oder stochert es die Welt aktiv an, um eine Reaktion zu provozieren? Das Verständnis dieser Schleife ist entscheidend, denn es erklärt, wie Kreaturen Nahrung, Partner oder Sicherheit in einer chaotischen, sich verändernden Welt finden, und es könnte uns sogar helfen, bessere Roboter zu bauen, die navigieren können, ohne sich zu verirren.

---

Die große Informationsschleife: Wie Bewegung verändert, was man weiß

Stellen Sie sich das Navigieren in der Welt wie ein Spiel von „Heiß oder Kalt“ mit einem Freund vor, der einen Schatz versteckt hat. Im alten Denkmodell glaubten Wissenschaftler, der Spieler sei lediglich ein Detektiv, der nach Hinweisen lauscht. Wenn der Freund „wärmer“ sagte, bewegte sich der Spieler näher heran. Wenn er „kälter“ sagte, bewegte sich der Spieler weg. Dies ist eine reaktive Strategie: Die Umgebung sendet ein Signal, und der Spieler reagiert.

Aber dieses Paper argumentiert, dass die wahre Magie entsteht, wenn der Spieler erkennt, dass er den Freund dazu bringen kann, zu sprechen. Wenn der Spieler Kreise läuft, könnte er versehentlich auf den Schatz stoßen oder einen neuen Hinweis auslösen. Dies ist eine aktive Strategie: Die Handlungen des Spielers verändern die Umgebung, welche dann wiederum neue, bessere Informationen zurücksendet. Die Autoren, ein Team der Yale University, nennen dies eine „Verhaltens-Umwelt-Informationsschleife“. Sie wollten genau messen, wie viel der Navigation aus dem Reagieren stammt und wie viel daraus besteht, die Erfahrung aktiv zu gestalten.

Um dies zu tun, erfanden sie ein neues mathematisches Werkzeug, das auf etwas namens Transferentropie basiert. Stellen Sie sich vor, Sie versuchen, den nächsten Zug einer Videospielfigur zu erraten. Wenn Sie nur den Spielbildschirm betrachten (den sensorischen Input), können Sie eine ordentliche Vermutung anstellen. Aber wenn Sie zusätzlich wissen, was die Figur gerade getan hat (den Verhalten-Output), wird Ihre Vermutung sogar noch besser. Die Transferentropie misse diesen Faktor des „besseren Ratens“. Sie teilt den gesamten Informationsfluss in zwei Richtungen auf:

1. Reaktiver Fluss ($\dot{T}_{s \to a}$): Wie sehr der aktuelle Geruch oder Anblick dem Tier sagt, was es als Nächstes tun soll.
2. Aktiver Fluss ($\dot{T}_{a \to s}$): Wie sehr die aktuelle Bewegung des Tieres verändert, was es als Nächstes riechen oder sehen wird.

Die geheime Formel für den Erfolg

Das Team begann damit, ein super-simples Computermodell eines Bakteriums zu erstellen. Es gab dem Bakterium nur zwei Möglichkeiten: geradeaus laufen oder „tumbeln“ (sich um die eigene Achse drehen), um die Richtung zu ändern. Zudem gab es ihm zwei sensorische Zustände: das Riechen von „oben“ im Gradienten (in Richtung der Nahrung) oder „unten“ im Gradienten (weg von der Nahrung).

Als sie die Zahlen berechneten, fanden sie ein überraschendes Muster. Der Erfolg des Bakteriums beim Finden von Nahrung hing nicht nur von einem dieser Flüsse ab. Er hing vom geometrischen Mittel beider Flüsse ab. Denken Sie an ein Fahrrad: Wenn Sie einen großartigen Motor (reaktiven Fluss) haben, aber kein Lenkrad (aktiven Fluss), fahren Sie nur im Kreis. Wenn Sie ein großartiges Lenkrad haben, aber keinen Motor, kommen Sie nirgendwohin. Sie brauchen beide, die zusammenarbeiten.

Sie entwickelten eine einzige Zahl, die sie $\Phi$ (Phi) nennen, um dieses perfekte Gleichgewicht darzustellen. Als sie diese Zahl gegen reale Daten testeten, funktionierte sie einwandfrei. Sie betrachteten:

• Bakterien, die zu Nahrung schwimmen.
• Würmer, die durch chemische Landschaften kriechen.
• Fliegen, die unsichtbare, wirbelnde Duftfahnen im Wind verfolgen.
• KI-Agenten (Computerprogramme), die lernen, in einer virtuellen Welt zu navigieren.

In jedem einzelnen Fall galt: Je höher der Wert von $\Phi$, desto besser war die Navigationsleistung. Die Mathematik sagte die Erfolgsrate mit unglaublicher Genauigkeit voraus (eine Korrelation von 0,95, was in der Wissenschaft fast perfekt ist). Dies deutet darauf hin, dass – egal ob man ein winziges Mikrobenwesen oder ein smarter Roboter ist – das Geheimnis des Wegfindens darin liegt, eine enge Feedbackschleife zwischen dem, was man wahrnimmt, und der Art, wie man sich bewegt, aufrechtzuerhalten.

Einheitsgröße passt nicht für alle

Hier wird es besonders interessant. Das Paper zeigt, dass es nicht nur den einen Weg gibt, ein guter Navigator zu sein. Da der Erfolg vom Gleichgewicht der beiden Flüsse abhängt, können verschiedene Kreaturen dasselbe Ziel mit völlig unterschiedlichen Strategien erreichen.

Stellen Sie sich zwei Bakterien vor, die Nahrung mit exakt derselben Geschwindigkeit finden.

• Bacterium A ist ein „Reaktions-Meister“. Es riecht die Nahrung, wird aufgeregt und läuft geradeaus. Wenn es weniger riecht, „tumbelt“ es sofort, um seinen Kurs zu korrigieren. Es verlässt sich stark darauf, auf das Signal zu reagieren.
• Bacterium B ist ein „Aktiver Entdecker“. Es reagiert nicht nur; es bewegt sich so, dass es sicherstellt, dass es weiterhin Nahrung riecht, selbst wenn das Signal schwach ist. Es gestaltet seinen eigenen Pfad, um den Informationsfluss aufrechtzuerhalten.

Beide erzielen das gleiche Ergebnis, aber ihre interne „Persönlichkeit“ ist völlig unterschiedlich. Die Autoren fanden diese „Degenerationsfähigkeit“ (wo verschiedene Wege zum selben Ziel führen) bei Bakterien, Würmern und sogar bei den untersuchten KI-Agenten. Das bedeutet, dass es nicht ausreicht, nur zu beobachten, wie schnell sich ein Tier bewegt, um zu verstehen, wie es denkt. Man muss die Informationsschleife betrachten, um zu sehen, ob es ein reaktiver Folger oder ein aktiver Gestalter ist.

Die „Goldlöckchen“-Zone der Bewegung

Das Paper entdeckte auch eine Wendung, wenn Dinge zu vorhersehbar werden. In einer sehr stabilen, ruhigen Umgebung würde man denken, dass es am besten ist, super-deterministisch zu sein (immer exakt das Gleiche zu tun, wenn man Nahrung riecht). Aber die Mathematik legt etwas anderes nahe.

Wenn ein Tier in seinen Bewegungen zu vorhersehbar wird, hört es auf, neue Informationen zu generieren. Es ist wie ein Roboter, der ewig in einer geraden Linie läuft; irgendwann lernt er nichts Neues mehr über die Welt. Die Autoren fanden heraus, dass die beste Leistung oft bei einem intermediären Niveau des aktiven Flusses auftritt. Das Tier muss sich genug bewegen, um die Welt interessant und informativ zu halten, aber nicht so viel, dass es den Weg verliert.

Dies testeten sie mit einem Computerprogramm namens „Two-Armed Bandit“ (einem Spielautomaten mit zwei Hebeln). Während die KI lernte zu spielen, maximierte sie nicht nur ihre Belohnungen; sie passte ihren Informationsfluss an. Wenn das Spiel einfach war, wurde die KI sehr reaktiv. Wenn das Spiel schwer war, musste sie aktiver sein, um zu explorieren. Aber wenn sie zu selbstbewusst wurde und aufhörte zu explorieren, sank ihre Leistung tatsächlich. Die beste Strategie war ein „Goldlöckchen“-Gleichgewicht: gerade genug aktive Bewegung, um neugierig zu bleiben, aber genug reaktive Kontrolle, um auf Kurs zu bleiben.

Warum das wichtig ist

Diese Forschung verändert die Art und Weise, wie wir über Navigation denken. Sie sagt uns, dass Bewegung nicht nur ein Weg ist, um von Punkt A nach Punkt B zu gelangen; Bewegung ist ein Weg, der Umgebung Fragen zu stellen.

Die Autoren haben dies nicht nur simuliert; sie haben es in echten Bakterien, Würmern und Fliegen gemessen, und das Muster hielt stand. Sie fanden keinen einzigen „besten“ Weg zu navigieren. Stattdessen fanden sie eine universelle Regel: Erfolgreiche Navigation erfordert einen Tanz zwischen der Reaktion auf die Welt und dem Anstupsen der Welt, um zu sehen, was passiert.

Wenn Sie also das nächste Mal eine Fliege sehen, die in Zickzack durch die Luft fliegt, oder einen Hund, der die Nase am Boden hebt, denken Sie daran: Sie folgen nicht nur ihrer Nase. Sie führen aktiv ein Gespräch mit der Luft, dem Wind und dem Boden und nutzen ihre eigenen Bewegungen, um dieses Gespräch am Laufen zu halten. Und laut diesem Paper ist dieses Gespräch der Schlüssel dazu, den Weg nach Hause zu finden.