Delusions Emerge from Generative Model Reorganisation rather than Faulty Inference: Insights from Hybrid Predictive Coding

Die Studie zeigt, dass Wahnvorstellungen nicht auf fehlerhafte Inferenz, sondern auf eine adaptive Reorganisation generativer Modelle zurückzuführen sind, die durch unangemessene Initialisierung und übermäßige Gewissheit ausgelöst wird und neue therapeutische Ansätze ermöglicht.

Das Wesentliche

Wenn das Gehirn seine eigene Realität neu erfindet: Warum Wahnvorstellungen entstehen

Stellen Sie sich Ihr Gehirn wie einen super-intelligenten Chefkoch vor. Dieser Koch hat eine riesige Sammlung von Rezepten (sein „generatives Modell"), mit denen er vorhersagt, was auf dem Teller landen wird, bevor er überhaupt hineinschaut.

Normalerweise funktioniert das so:

1. Der Koch schaut auf den Teller (Sinnesreize).
2. Er vergleicht das mit seinem Rezept (Vorhersage).
3. Wenn das Essen anders aussieht als erwartet (z. B. er dachte, es sei Suppe, aber es ist ein Steak), entsteht ein „Fehler" (Vorhersagefehler).
4. Der Koch korrigiert sein Rezept oder seine Annahme: „Aha, ich habe mich geirrt, das ist ein Steak."

Das ist der normale Prozess des Denkens und Lernens. Aber was passiert, wenn dieser Prozess aus dem Ruder läuft?

Die neue Theorie: Es ist kein „Fehler" im Denken, sondern ein „Neubau" der Rezepte

Bisher glaubten viele Forscher, dass Wahnvorstellungen (Delirien) entstehen, weil das Gehirn falsch rechnet. Man dachte, der Koch sei einfach zu stur oder zu misstrauisch und ignoriere die Realität.

Die neue Studie von Navarro und Kollegen sagt jedoch: Nein, das Gehirn rechnet nicht falsch. Es ist sogar extrem effizient! Das Problem liegt nicht im Kochen, sondern darin, dass der Koch seine gesamte Küche umbaut, um die Realität an seine neue, verrückte Annahme anzupassen.

Das Experiment: Der vertauschte Kochlöffel

Die Forscher haben ein Computermodell gebaut, das wie ein Gehirn funktioniert. Sie trainierten es, Handschriften zu erkennen (Zahlen wie „4" und Buchstaben wie „A").

Dann machten sie einen kleinen, aber folgenschweren Fehler:

• Sie gaben dem Modell eine Zahl („4").
• Aber sie zwangen es, diese Zahl mit dem „Buchstaben-Rezept" zu interpretieren. Das Modell dachte also sofort: „Das ist ein A!" (Das nennt man eine falsche Initialisierung).
• Gleichzeitig gaben sie dem Modell eine sehr starke Überzeugung: „Du darfst nicht zweifeln! Das ist definitiv ein A!" (Das ist die überhöhte Gewissheit, typisch für Psychosen).

Was passierte dann? Der „Umbau der Küche"

Anstatt einfach zu sagen: „Ups, ich habe mich geirrt, das ist eine 4", geschah etwas Überraschendes. Das Modell begann, seine Rezepte (das generative Modell) komplett neu zu schreiben.

Stellen Sie sich vor, der Koch denkt fest daran, dass das Steak ein Suppenteller ist. Anstatt das Steak zu korrigieren, beginnt er, die Küche so umzubauen, dass ein Steak wie eine Suppe aussieht:

• Er füllt den Teller mit Wasser.
• Er schneidet das Steak in winzige Stücke, damit es wie Nudeln aussieht.
• Er ändert die Farbe des Tellers.

Am Ende sieht das Steak für den Koch perfekt aus wie Suppe. Der „Fehler" ist weg, weil die Küche nun perfekt zur neuen Annahme passt.

Das ist die Erkenntnis der Studie:
Wahnvorstellungen sind keine logischen Fehler. Sie sind das Ergebnis eines adaptiven Umbaus. Das Gehirn passt seine innere Welt so stark an die falsche Annahme an, dass die widersprüchlichen Beweise (die echte Zahl „4") einfach nicht mehr als Fehler wahrgenommen werden. Für das Gehirn ist die Wahnvorstellung dann die logischste und stabilste Erklärung für die Welt.

Warum ist das so schwer zu ändern?

Die Studie zeigt, dass je länger dieser Umbau dauert, desto schwerer er ist, rückgängig gemacht zu werden.

• Kurzfristig: Wenn der Koch nur kurz verwirrt ist, kann er schnell merken, dass es doch ein Steak ist.
• Langfristig: Wenn er Jahre lang die Küche umgebaut hat, um das Steak in Suppe zu verwandeln, ist die Küche so tief verändert, dass er das Steak kaum noch wiedererkennen kann. Die alten Rezepte sind fast vergessen, die neuen sind fest verankert.

Das erklärt, warum Wahnvorstellungen so schwer zu behandeln sind und warum frühe Intervention so wichtig ist: Je früher man eingreift, bevor die „Küche" komplett umgebaut wurde, desto leichter kann man das alte, gesunde Rezept wiederherstellen.

Fazit für den Alltag

Die Studie sagt uns: Menschen mit Wahnvorstellungen sind nicht „dumm" oder „verrückt" im Sinne von fehlerhaft. Ihr Gehirn hat eine neue, konsistente Realität erschaffen, in der ihre Wahnvorstellungen perfekt Sinn ergeben.

Die Lösung liegt also nicht darin, dem Patienten zu sagen: „Du irrst dich, schau mal, das ist eine 4!" (Das funktioniert nicht, weil das Gehirn die 4 ja schon als „A" interpretiert).
Die Lösung muss sein, das Rezeptbuch neu zu schreiben. Man muss dem Gehirn helfen, seine innere Struktur so umzubauen, dass die gesunde Realität wieder die logischste Erklärung für die Welt wird.

Kurz gesagt: Wahnvorstellungen sind kein Defekt im Rechner, sondern ein zu erfolgreiches Update des Betriebssystems, das die Welt so verändert hat, dass der Fehler verschwindet. Um ihn zu heilen, muss man das Betriebssystem neu installieren.

Technische Zusammenfassung

Titel: Wahnvorstellungen entstehen aus der Reorganisation generativer Modelle und nicht aus fehlerhafter Inferenz: Einblicke aus hybrider Predictive Coding

Autoren: Victor Navarro et al. (Cardiff University, Tel Aviv University, Cambridge University)
Veröffentlichung: März 2026 (Preprint auf bioRxiv)

---

1. Problemstellung

Wahnvorstellungen (Delusionen) sind bizarre, belastende Überzeugungen, die bei neuropsychiatrischen Erkrankungen wie Schizophrenie auftreten. Bisherige Erklärungsansätze im Rahmen des Predictive Coding (Vorhersagekodierung) konzentrierten sich primär auf fehlerhafte Inferenzprozesse, oft attribuiert auf ein Ungleichgewicht zwischen der Präzision von Sinnesdaten und Vorhersagen (Priors).

Diese herkömmlichen Modelle haben jedoch Schwierigkeiten, zwei Kernmerkmale von Wahnvorstellungen zu erklären:

1. Themenstabilität: Warum wiederholen sich bestimmte Wahnthemen?
2. Resistenz gegenüber widersprüchlichen Beweisen: Warum bleiben Wahnvorstellungen bestehen, auch wenn sie durch Sinnesdaten widerlegt werden?

Klassische Predictive-Coding-Modelle sind oft „gedächtnislos" (starten bei jedem Reiz zufällig) und würden bei hoher Prior-Präzision zu ständig wechselnden Inhalten führen, anstatt zu stabilen, fixierten Wahnvorstellungen. Zudem würden fehlerhafte Inferenzen zu hohen Vorhersagefehlern (Prediction Errors) führen, was der subjektiven Gewissheit von Wahnvorstellungen widerspricht.

2. Methodik

Die Autoren nutzen ein hybrides Predictive-Coding-Framework, das iterative Inferenz mit amortisierter Inferenz (amortised inference) kombiniert.

• Modellarchitektur: Ein vierstufiges neuronales Netzwerk, bestehend aus einem Inferenznetzwerk und zwei kontextsensitiven Amortisationsnetzwerken (eines für Ziffern, eines für Buchstaben).
• Datensatz: Handgeschriebene Zeichen aus dem EMNIST-Datensatz (Ziffern 0–5 und Buchstaben A, B, C, D, E, S).
• Experimentelles Design:
  1. Progenitor-Modell: Ein Basismodell wird zunächst überwacht trainiert, um eine korrekte Zuordnung von Eingaben (Ziffern/Buchstaben) zu lernen.
  2. Zwillingsmodelle: Das Progenitor-Modell wird in zwei Modelle kopiert:
     • Kontroll-Modell: Behält die korrekte Amortisationszuordnung bei.
     • Wahn-Modell (Delusional Twin): Die Amortisationsnetzwerke werden vertauscht (z. B. wird ein Bild der Ziffer „4" initialisiert mit der Erwartung eines Buchstabens „A"). Dies simuliert eine fehlerhafte Kontextauswahl.
  3. Selbstüberwachungsphase (Self-Supervised Period): In dieser Phase werden die höchsten Repräsentationsebenen (Layer 3) während der Inferenz auf die durch die Amortisation erzeugten (fehlerhaften) Werte „geklammert" (clamped). Dies simuliert eine extrem hohe Präzision der Vorhersagen (Priors), die nicht korrigiert werden darf. Das Modell muss nun lernen, die Sinnesdaten unter diesen falschen Annahmen zu erklären.
  4. Erholungsphase (Self-Sustaining Period): Nach unterschiedlich langen Phasen der Selbstüberwachung wird die Klammerung aufgehoben, um zu testen, ob das Modell zur „gesunden" Repräsentation zurückkehren kann.

3. Schlüsselbeiträge und Hypothesen

Die zentrale These des Papers ist, dass Wahnvorstellungen nicht das Ergebnis einer fehlerhaften Inferenz sind, sondern eine adaptive Konsequenz der Reorganisation des generativen Modells.

• Eine fehlerhafte Initialisierung (durch falsche Amortisation) in Kombination mit übermäßiger Präzision der Vorhersagen zwingt das System, das generative Modell (die Gewichte der Feedback-Verbindungen) neu zu organisieren.
• Das Ziel ist die Minimierung des Vorhersagefehlers. Das System lernt also, die Sinnesdaten so zu interpretieren, dass sie mit dem falschen Wahn konsistent sind, anstatt den Wahn zu korrigieren.

4. Ergebnisse

• Entstehung von Wahnzuständen: Im Wahn-Modell führte die Kombination aus falscher Initialisierung und hoher Prior-Präzision zu einer dramatischen Reorganisation des generativen Modells. Das Modell lernte, dass die Ziffer „4" am besten durch den Buchstaben „A" erklärt wird.
• Stabilität ohne Vorhersagefehler: Entgegen der Erwartung klassischer Modelle führte dies nicht zu einem Anstieg des globalen Vorhersagefehlers. Das generative Modell passte sich so stark an, dass die falsche Interpretation („4 ist ein A") intern konsistent und fehlerfrei wurde.
• Attraktoren im Glaubensraum: Die Simulation zeigte die Bildung neuer Attraktoren im Raum der Überzeugungen. Das Modell entwickelte stabile Zustände, in denen die Wahnvorstellung die wahrscheinlichste Erklärung für den Input war.
• Resistenz gegenüber Beweisen: Selbst wenn die Inferenz von zufälligen Startzuständen aus begann (ohne die anfängliche Amortisation), konnte das Modell nach langer Selbstüberwachungsphase nicht mehr zur korrekten Klassifikation zurückkehren. Das generative Modell war so verändert, dass die „falsche" Erklärung die optimale war.
• Zeitabhängigkeit der Erholung: Es bestand eine inverse Dosis-Wirkungs-Beziehung zwischen der Dauer der Wahnphase und der Erholungsfähigkeit.
  • Kurze Phasen: Das Modell konnte sich schnell erholen.
  • Lange Phasen: Die Gradienten, die die „gesunden" Überzeugungen stützten, wurden erodiert, während die „wahnhaften" Gradienten verstärkt wurden. Eine vollständige Erholung war selbst nach langer Zeit nur teilweise möglich.
• Strukturelle Veränderungen: Die Analyse der Repräsentationsausrichtung (CKA) zeigte, dass die Veränderungen primär in den höheren Schichten (Layer 2 und 3) stattfanden, während die niedrigen Schichten (Sinnesdaten) weitgehend erhalten blieben.

5. Bedeutung und Implikationen

• Neues Verständnis von Wahn: Wahnvorstellungen sind keine „fehlerhaften" Berechnungen, sondern optimale Inferenzen innerhalb eines idiosynkratischen, reorganisierten generativen Modells. Für den Betroffenen ist der Wahn rational, da er den Vorhersagefehler minimiert.
• Therapeutische Konsequenzen:
  • Die Behandlung sollte sich nicht nur auf die Korrektur der Inferenz (z. B. durch kognitive Umstrukturierung) konzentrieren, sondern auf die Reorganisation des generativen Modells selbst.
  • Frühe Intervention: Sollte darauf abzielen, die Struktur des generativen Modells zu schützen, bevor sich neue, pathologische Attraktoren festigen.
  • Späte Intervention: Muss darauf abzielen, das „wahnhafte" Modell zu „entlernen" und ein gesundes Modell neu zu erlernen.
• Kulturelle Aspekte: Da generative Modelle durch externe Supervision (Erziehung, Kultur) geformt werden, erklärt dies, warum Wahninhalte kulturell geprägt sind und warum Migration (Wechsel des geteilten generativen Modells) ein Risikofaktor für Psychosen sein kann.

Fazit: Das Paper liefert einen formalen, computergestützten Mechanismus, der erklärt, wie Wahnvorstellungen entstehen, stabil bleiben und gegen Beweise immun sind, indem es zeigt, dass das Gehirn lernt, die Realität so zu modellieren, dass sie den Wahn bestätigt, anstatt den Wahn zu widerlegen.