The Computational Primitives of Adaptation

Jedes Lebewesen, vom einzelligen Organismus, der in einem Teich treibt, bis hin zum Menschen, der sich durch eine belebte Stadt bewegt, steht vor derselben grundlegenden Herausforderung: Die Welt verändert sich ständig, und um am Leben zu bleiben, muss man sich an diese Veränderungen anpassen. Biologen untersuchen seit langem, wie Tiere sich verhalten, um zu überleben, indem sie beobachten, was sie tun, und Neurowissenschaftler haben die physische Maschinerie in ihren Körpern kartiert, die diese Handlungen ermöglicht. Aber es gibt eine dritte Ebene dieses Rätsels, die oft unbemerkt bleibt. Es geht nicht um die spezifischen Handlungen, die ein Tier vollzieht, noch geht es um die spezifischen Drähte und Chemikalien in seinem Gehirn. Stattdessen stellt sich die Frage, welche unsichtbaren Berechnungen jedes lebenden Systems durchführen muss, nur um zu existieren. Wenn man das Fell, die Federn oder die Neuronen abstreift, welche grundlegenden mentalen Operationen bleiben übrig, die absolut notwendig sind, damit ein System fortbestehen kann?

Jonathan Page, ein Forscher, der an der Schnittstelle zwischen Biologie und künstlicher Intelligenz arbeitet, schlägt vor, dass die Antwort in einem kleinen, universellen Satz von sechs computergestützten Aufgaben liegt. Er legt nahe, dass jedes System sechs spezifische Operationen ausführen muss, um sich an seine Umgebung anzupassen und zu bestehen: Es muss seinen Energieniveau verwalten, seine Aufmerksamkeit fokussieren, beurteilen, was gut oder schlecht ist, wissen, wo es sich im Raum befindet, sich selbst vom Rest der Welt abgrenzen und aus seinen Erfahrungen lernen. Dies sind nicht nur Dinge, die komplexe Gehirne tun; sie sind die grundlegenden Regeln der Anpassung selbst. Page argumentiert, dass diese sechs Aufgaben so essenziell sind, dass sie in jeder Linie des Lebens auftauchen, die sich unabhängig entwickelt hat, von den einfachsten Zellen bis hin zu Säugetieren. Darüber hinaus deutet er an, dass sie, da es sich um Regeln der Informationsverarbeitung und nicht um Regeln der Biologie handelt, auch für Maschinen gelten können. Wenn wir künstliche Intelligenz bauen wollen, die wirklich in der Lage ist, sich anzupassen und in einer sich verändernden Welt zu überleben, müssen wir Maschinen vielleicht lehren, dieselben sechs Berechnungen durchzuführen, anstatt nur zu versuchen, die physische Struktur eines menschlichen Gehirns zu kopieren.

Das Papier beginnt mit dem Blick auf eine vertraute Szene: eine Honigbiene, die eine Blumenparzelle findet und in den Bienenstock zurückkehrt, um ihren Schwestern zu sagen, wohin sie fliegen sollen. Traditionell würden Wissenschaftler dies beschreiben, indem sie das Verhalten der Biene (Fliegen, Tanzen) und ihren Mechanismus (das Feuern der Neuronen in ihrem Gehirn) auflisten. Page stellt eine andere Frage: Welche Berechnungen muss die Biene durchführen, um diese Reise möglich zu machen? Um dies zu beantworten, entwickelte er eine Methode, um die grundlegendsten Bausteine der Anpassung zu finden. Er nutzte einen einfachen Test, den der vergleichende Psychologe R. Allen Gardner formuliert hat, die sogenannte „Amöben-Heuristik“, bei dem er fragte, ob ein Einzeller eine spezifische Aufgabe ausführen könnte. Wenn die Aufgabe ein komplexes Gehirn oder ein spezifisches Körperteil erforderte, handelte es sich wahrscheinlich um ein abgeleitetes Verhalten und nicht um ein primitives. Wenn eine einzelne Zelle es tun konnte, konnte es ein Primitiv sein.

Unter Verwendung dieses Tests sowie vier strenger Kriterien filterte Page eine lange Liste potenzieller mentaler Aufgaben auf sechs herunter. Das erste Kriterium war die Notwendigkeit: Die Aufgabe muss essenziell für das Überleben sein; ohne sie scheitert das System. Das zweite war die Universalität: Die Aufgabe muss in vielen verschiedenen Arten auftreten, die sich getrennt entwickelt haben, was beweist, dass sie eine Lösung für ein universelles Problem und kein Eigenart eines einzelnen Stammbaums ist. Das dritte Kriterium war die Konservierung: Die Maschinerie für die Aufgabe muss über Millionen von Jahren der Evolution bewahrt werden. Das letzte Kriterium war die Irreduzibilität: Die Aufgabe kann nicht in kleinere, einfachere Aufgaben aus derselben Liste zerlegt werden. Wenn ein Verhalten als Kombination zweier anderer Aufgaben beschrieben werden konnte, war es kein Primitiv.

Die sechs Aufgaben, die dieses strenge Filtern überlebten, sind Arouse (Erregung/Aktivierung), Orient (Orientierung), Valence (Valenz/Wertigkeit), Position (Position), Boundary (Abgrenzung) und Attune (Anpassung/Abstimmung). Arouse ist die Berechnung der Verwaltung der Energie. Ein Organismus muss entscheiden, wie viel Aufwand er zu jedem gegebenen Moment betreiben muss, indem er das Bedürfnis, bereit für Gefahr zu sein, mit dem Bedürfnis, Ressourcen zu sparen, abwägt. Orient ist die Fähigkeit, das Wichtige aus einer Flut von Informationen herauszufiltern. Da ein Organismus nicht alles gleichzeitig verarbeiten kann, muss er auswählen, welchen Signalen er Aufmerksamkeit schenkt. Valence ist die Fähigkeit zu beurteilen, ob etwas gut oder schlecht, annähernd oder gefährlich ist. Position ist die Fähigkeit zu wissen, wo sich der Organismus im Raum befindet und wo sich andere Dinge relativ zu ihm befinden. Boundary ist die Fähigkeit, den Unterschied zwischen „Selbst“ und „Nicht-Selbst“ zu erkennen – zu wissen, was zum Organismus gehört und was Teil der Außenwelt ist. Schließlich ist Attune die Fähigkeit, sich basierend auf Erfahrung zu verändern und interne Einstellungen an neue Bedingungen anzupassen.

Page argumentiert, dass diese sechs nicht nur eine Liste von Verhaltensweisen sind, sondern ein vollständiger Satz von Operationen, die für jedes adaptive System erforderlich sind. Er zeigt, dass komplexe menschliche Fähigkeiten wie Aufmerksamkeit, Gedächtnis und Entscheidungsfindung eigentlich nur Kombinationen dieser sechs grundlegenden Aufgaben sind, die zusammenarbeiten. Zum Beispiel ist das, was wir „Aufmerksamkeit“ nennen, einfach die durch die Arouse-Aufgabe angepasste Orient-Aufgabe. „Gedächtnis“ ist die Attune-Aufgabe, die mit der Position-Aufgabe zusammenarbeitet, um zu speichern, wo Dinge sind. Durch das Aufbrechen dieser komplexen Ideen bietet die Theorie einen neuen Weg, verschiedene Arten zu vergleichen. Anstatt zu fragen, ob eine Biene auf die gleiche Weise ein „Gedächtnis“ hat wie ein Mensch – eine Frage, die schwer zu beantworten ist, weil ihre Gehirne so unterschiedlich sind –, können Wissenschaftler fragen, wie die Biene die Attune- und Position-Aufgaben nutzt, um zu navigieren. Dies verschiebt den Fokus vom Vergleich physischer Gehirne zum Vergleich der zugrunde liegenden Logik des Überlebens.

Das Papier wendet sich dann der künstlichen Intelligenz zu und legt nahe, dass dieselbe Logik auch für Maschinen gelten kann. Page schlägt vor, dass viele der aktuellen Probleme, vor denen die künstliche Intelligenz steht, nicht nur technische Fehler sind, sondern Symptome eines tiefer liegenden fehlenden Puzzlestücks. Moderne Computersysteme sind exzellent darin, spezifische Aufgaben auszuführen, aber sie haben Schwierigkeiten, sich anzupassen, wenn sich die Bedingungen ändern. Dabei gilt: Diese Primitiven gelten nur für eine Maschine, die etwas zu verlieren hat; eine, deren fortgesetzte Funktion von ihrer eigenen Lebensfähigkeit abhängt. Eine Maschine, die nichts zu verlieren hat, kann diese Berechnungen nur simulieren.

Beispielsweise verwenden aktuelle Maschinen oft die gleiche Rechenleistung für eine einfache Frage wie für eine komplexe und versäumen es so, ihre Energie wie ein Lebewesen zu verwalten. Dies ist ein Versagen von Arouse. Sie lassen sich auch leicht von irrelevanten Informationen ablenken oder von verwirrenden Anweisungen täuschen, was darauf hindeutet, dass ihnen eine starke Orient-Funktion fehlt, die Ziele über Rauschen priorisiert. Sie liefern oft selbstbewusste, aber falsche Antworten, bekannt als Halluzinationen, weil sie nicht zwischen dem unterscheiden können, was sie wissen und was sie vermuten – ein Versagen der Boundary-Aufgabe. Sie haben Schwierigkeiten, den Überblick darüber zu behalten, wo sie sich in einem langen Gespräch oder einem mehrstufigen Plan befinden, was auf eine fehlende Position-Berechnung hindeutet. Sie können nicht aus neuen Erfahrungen lernen, ohne alte zu vergessen, was ein mangelndes Attune zeigt. Und sie optimieren oft die Belohnungen, die ihnen gegeben werden, selbst auf unbeabsichtigte Weise, weil sie keine eigene interne Valenz besitzen – keine Bewertung, die in ihrer eigenen Beständigkeit verwurzelt ist.

Page schlägt vor, dass die Lösung dieser Probleme nicht darin besteht, Maschinen zu bauen, die menschlichen Gehirnen ähneln, sondern Maschinen, die diese sechs Berechnungen durchführen. Er argumentiert, dass der Versuch, die physische Struktur des Gehirns zu kopieren, ein Fehler ist, da das Gehirn nur eine spezifische Art und Weise ist, wie die Natur diese Probleme gelöst hat. Die wahre Lektion aus der Biologie ist der Satz an Berechnungen, die sie durchführt. Wenn eine Maschine so konzipiert werden kann, dass sie ihre eigene Energie verwaltet, ihre Aufmerksamkeit fokussiert, ihre eigene Beständigkeit beurteilt, ihren Platz kennt, ihre Grenzen definiert und aus ihren Fehlern lernt, könnte sie endlich wirklich adaptiv werden.

Die Theorie wird als Arbeitshypothese präsentiert, als ein Ausgangspunkt für weitere Tests und nicht als fertiges Naturgesetz. Page räumt ein, dass die Liste der sechs Aufgaben möglicherweise verfeinert oder die Grenzen zwischen ihnen neu gezogen werden müssen. Er lädt andere Wissenschaftler ein, die Idee zu testen, indem sie prüfen, ob sie eine Maschine bauen können, die diese Aufgaben ausführt, und beobachten, ob sie dadurch robuster und anpassungsfähiger wird. Er schlägt auch vor, dass, wenn diese sechs Aufgaben tatsächlich die Grundlage der Anpassung sind, sie auch als ein einheitliches System zusammenarbeiten müssen. Man kann sie nicht einfach nacheinander zu einer Maschine hinzufügen und erwarten, dass sie funktioniert; sie müssen von Anfang an integriert sein. Wenn einer Maschine eine dieser Berechnungen fehlt, sagt die Theorie voraus, dass sie auf spezifische, vorhersehbare Weise scheitern wird.

Diese Perspektive bietet einen neuen Weg, über die Zukunft der Intelligenz nachzudenken. Sie legt nahe, dass der Weg zur Schaffung von Maschinen, die wirklich an die Welt anpassen können, nicht darin besteht, sie in ihrem Aussehen oder ihrer Verschaltung menschlicher zu machen, sondern sie in ihren grundlegenden Operationen eher wie lebende Systeme zu gestalten. Indem wir uns auf die sechs Berechnungen konzentrieren, die es einer einzigen Zelle ermöglichen, in einem Teich zu überleben, könnten wir den Schlüssel finden, um Maschinen zu bauen, die in einer sich verändernden Welt überleben können. Das Papier schließt mit dem Gedanken, dass, egal ob ein System aus Kohlenstoff oder Silizium besteht, die Regeln für das Überleben dieselben sind, und das Verständnis dieser Regeln ist der nächste große Schritt in der Wissenschaft der Anpassung.