Stellen Sie sich vor, Sie versuchen, die Persönlichkeit eines sehr fortgeschrittenen, superintelligenten Roboters zu verstehen, der genau wie ein Mensch spricht. Lange Zeit haben Wissenschaftler versucht herauszufinden, was dieser Roboter „ist“, indem sie ihm direkte Fragen stellten, genau wie wir Persönlichkeitstests bei Menschen durchführen. Man könnte ihn fragen: „Sind Sie eine organisierte Person?“ und darauf warten, dass der Roboter sagt: „Ja, ich liebe Ordnung!“ oder „Nein, ich bin ein wenig chaotisch.“ Dies nennt man einen „Selbstbericht“ (Self-Report), und so messen wir normalerweise menschliche Eigenschaften wie Abenteuerlust, Ehrlichkeit oder Gewissenhaftigkeit. Aber hier liegt der Haken: Roboter sind anders als Menschen. Sie haben keine Seele oder ein echtes Leben; sie sind einfach nur Mathematik und Code. Wenn man einen Roboter nach seiner Persönlichkeit fragt, könnte er einfach raten, wie eine „gute“ Antwort klingt, oder er könnte seine Meinung ändern, je nachdem, wie man die Frage formuliert. Es ist, als würde man einen Chamäleon fragen, welche Farbe es hat; die Antwort kann sich ändern, je nachdem, auf welchem Hintergrund es gerade steht.

Dieses Paper taucht in eine neue Art der Betrachtung dieser digitalen Persönlichkeiten ein. Anstatt den Roboter zu fragen, sich selbst zu beschreiben, entschieden sich die Forscher dazu, zu beobachten, was der Roboter in spezifischen Situationen tatsächlich tut. Sie nennen das „Verhaltensdaten“ (Behavioral Data). Denken Sie an Folgendes: Anstatt einem Freund zu fragen: „Bist du ein guter Autofahrer?“, beobachten Sie ihn im Regen, im Stau und auf einer Autobahn. Sie sehen, ob er früh bremst, ob er ungeduldig wird oder ob er die Regeln befolgt. Die Forscher wollten wissen, ob die „Persönlichkeit“ eines Roboters etwas Festes in seinem Gehirn ist oder ob sie eher wie ein Kostüm ist, das er anzieht, je nachdem, ob er gerade einen Rat gibt, eine Entscheidung für sich selbst trifft oder eine bestimmte Aufgabe ausführt. Sie wollten auch sehen, ob sie die „Persönlichkeit“ eines Roboters anpassen könnten, indem sie sie wie einen Regler drehen – um ihn organisierter oder abenteuerlustiger zu machen, ohne sein Gehirn zu beschädigen.

Die große Entdeckung des Papers: Handlungen beobachten, nicht nur Worte

Die Forscher, Haoze Liu und sein Team, bauten einen riesigen Spielplatz für diese Roboter. Sie erstellten 3.200 verschiedene Szenarien – kleine Geschichten, in denen der Roboter eine Entscheidung treffen musste. Dies waren keine zufälligen Fragen; sie basierten auf echten psychologischen Tests, die Menschen absolvieren, und deckten Themen wie Risikobereitschaft, Ehrlichkeit oder Gewissenhaftigkeit ab. Aber anstatt den Roboter zu bitten, sich selbst auf einer Skala von 1 bis 5 einzustufen, brachten sie ihn in eine Situation. Zum Beispiel könnten sie sagen: „Du hast eine unordentliche Küche mit Lebensmitteln überall herumliegen. Räumst du sie jetzt auf oder schnappst du dir einfach das, was du brauchst, und lässt das Chaos zurück?“

Sie testeten die Roboter in vier verschiedenen „Modi“ oder Rollen:

1. Erste Person: „Was würdest du tun?“
2. Alltagsrat: „Was sollte ich tun?“
3. Aufgabenrat: „Was ist die beste Strategie für diesen Job?“
4. Aufgabenausführung: „Geh und erledige diesen Job.“

Die erste große Überraschung war, dass die Roboter keine einheitliche, konsistente Persönlichkeit hatten. Wenn ein Roboter sagte, er sei sehr organisiert, wenn er nach sich selbst gefragt wurde, konnte er beim Ausführen einer Aufgabe völlig chaotisch agieren. Es ist, als würde eine Person sagen, sie sei ein Frühaufsteher, aber dann fünfmal die Schlummertaste drücken, wenn der Wecker klingelt. Die „Persönlichkeit“ des Roboters verschob sich, je nachdem, welche Rolle er spielte. Dies deutet darauf hin, dass die Frage „Wer bist du?“ kein zuverlässiger Weg ist, um zu wissen, wie ein Roboter sich verhalten wird.

Die magischen Regler: Verhaltensmodus-Achsen

Der aufregendste Teil des Papers ist, wie sie lernten, diese Verhaltensweisen zu steuern. Die Forscher entdeckten, dass es innerhalb des „Gehirns“ des Roboters (einem komplexen Computernetzwerk) spezifische Richtungen oder „Regler“ gibt, die sein Verhalten steuern. Sie nennen diese Behavioral Mode Axes (BMAs) (Verhaltensmodus-Achsen).

Stellen Sie sich vor, das Gehirn des Roboters ist ein riesiger, mehrdimensionaler Raum. Die Forscher fanden heraus, dass sie den Roboter in die Richtung „Ordnungsliebe“ lenken können, wenn sie den spezifischen „Vektor“ (eine mathematische Richtung) finden, der „Organisiertsein“ repräsentiert. Es ist, als hätte man eine Fernbedienung, mit der man den Roboter etwas ordentlicher oder etwas rücksichtsloser machen kann.

Sie testeten dies an vielen verschiedenen Robotermodellen (wie Llama, Qwen und Gemma) und fanden heraus, dass diese „Regler“ konsistent funktionierten. Aber es gab einen geheimen Ort, an dem diese Regler am besten funktionierten. Sie fanden heraus, dass die Kontrolle nicht gleichmäßig verteilt war; sie war in spezifischen Schichten des Robotergehirns konzentriert, wie ein bestimmtes Stockwerk in einem Wolkenkratzer, in dem die „Persönlichkeits-Schalter“ leben. Sie nennen dies die Behavioral Control Layer (BCL) (Verhaltenssteuerungsschicht).

Das Geheimrezept: Denken vs. Sprechen

Hier wird das Paper wirklich clever. Die Forscher probierten zwei verschiedene Wege aus, um diese „Regler“ zu finden.

1. Die „Sprech“-Methode (Response-Derived): Sie schauten sich die endgültige Antwort an, die der Roboter gab. Wenn der Robbot sagte: „Ich werde die Küche aufräumen“, nutzten sie diesen Text, um den Regler zu finden.
2. Die „Denk“-Methode (Thought-Derived): Sie betrachten das interne Denken des Roboters bevor er die Antwort gab. Sie baten den Roboter zu erklären, warum er aufräumen wollte, und nutzten diese Argumentation, um den Regler zu finden.

Die Ergebnisse waren faszinierend. Die „Sprech“-Methode war chaotisch. Sie brachte den Roboter zwar oft dazu, organisiert zu handeln, aber aus den falschen Gründen. Zum Beispiel: Wenn sie versuchten, den Roboter mittels der „Sprech“-Methode „desorganisiert“ zu machen, hörte der Roboter auf zu organisieren, weil ihm die Sache gleichgültig war oder er sich nicht darum kümmerte. Aber wenn sie die „Denk“-Methode verwendeten, hörte der Roboter auf zu organisieren, weil er einen flexibleren, spontaneren Ansatz bevorzugte. Die „Denk“-Methode erfasste den wahren Geist des Verhaltens, während die „Sprech“-Methode nur die Oberfläche der Worte veränderte.

Es ist wie der Unterschied zwischen einem Schüler, der lernt, weil er das Lernen liebt (die „Denk“-Methode), und einem Schüler, der nur lernt, um eine gute Note zu bekommen und dann alles wieder vergisst (die „Sprech“-Methode). Beide mögen eine Eins bekommen, aber der Erste versteht das Material tatsächlich. Die Forscher fanden heraus, dass die Verwendung der „Denk“-Methode ihnen eine viel sauberere, zuverlässigere Kontrolle über das Verhalten des Roboters ermöglichte.

Was das bedeutet

Das Paper legt nahe, dass wir KI-Persönlichkeiten nicht als feste Eigenschaften wie „ehrlich“ oder „tapfer“ betrachten sollten, die ein Roboter in der Tasche trägt. Stattdessen sind dies eher „Modi“ oder „Stile“ des Handelns, die von der Situation abhängen. Ein Roboter ist nicht im allgemeinen Sinne „organisiert“; er hat einfach eine spezifische Art, Organisationsaufgaben zu bewältigen, die man an- oder ausschalten kann.

Indem sie diese „Behavioral Mode Axes“ fanden, zeigten die Forscher, dass wir diese Roboter dazu steuern können, auf eine bestimmte Weise zu handeln – und zwar nicht nur durch die Wörter, die sie sagen, sondern indem wir die internen Zahnräder ihres Denkens anpassen. Dies ist ein großer Schritt, um KI sicherer und berechenbarer zu machen. Wenn wir verstehen und kontrollieren können, wie eine KI in einem bestimmten Kontext handelt, können wir sicherstellen, dass sie verantwortungsbewusst medizinischen Rat gibt oder bei einer gefährlichen Aufgabe hilft, anstatt nur darauf zu hoffen, dass sie sich gerade wie ein „guter Mensch“ „fühlt“.

Die Studie hat noch nicht alles gelöst – es gibt noch viel zu lernen darüber, wie diese „Regler“ bei allen Arten von Robotern funktionieren – aber sie hat bewiesen, dass wir das Verhalten von KI auf eine Weise messen und kontrollieren können, die viel stärker in der Realität verwurzelt ist, als sie einfach nur zu fragen, was sie über sich selbst denkt. Sie verwandelt das Rätsel der KI-Persönlichkeit von einer philosophischen Frage in ein praktisches Ingenieursproblem.