Is There Meaning Without Anyone Meaning Anything? A Structuralist Proposal for Artificial Semantics

Seit Jahrzehnten wird ein stiller Krieg über die Natur der Bedeutung geführt. Auf der einen Seite stehen die Ingenieure, die die ersten denkenden Maschinen bauten, überzeugt davon, dass ein Computer, wenn er nur die richtigen Regeln befolgen könnte, die Welt eines Tages genau so verstehen würde wie ein Mensch. Auf der anderen Seite stehen die Philosophen und Biologen, die argumentieren, dass wahres Verständnis einen Körper, ein Nervensystem und die chaotische, direkte Erfahrung des Tastens, Sehens und Bewegen durch die Realität erfordert. Lange Zeit schienen diese beiden Lager aneinander vorbeizureden. Die regelbefolgenden Maschinen konnten Logikrätsel lösen, scheiterten aber daran, die Nuance eines Witzes oder das Gewicht einer Metapher zu erfassen. Die körperzentrierten Theorien erklärten, wie Menschen lernen, deuteten aber darauf hin, dass eine Maschine, der es an einem Körper fehle, niemals wirklich denken könne. Diese Debatte hat uns mit einer bleibenden Frage zurückgelassen: Kann eine Maschine jemals Bedeutung besitzen, wenn sie nie die Sonne auf ihrer Haut oder das Gewicht eines Steins in ihrer Hand gespürt hat?

Heute hat sich die Landschaft dramatisch verändert. Wir verfügen nun über Systeme der künstlichen Intelligenz, die Poesie schreiben, komplexe Fragen beantworten und Gespräche führen können, die sich verblüffend menschlich anfühlen. Doch diese Systeme sind entkörperlicht; sie haben keine Augen, keine Hände und keine persönliche Geschichte. Sie existieren nur als riesige Netzwerke mathematischer Verbindungen, die auf enormen Mengen von Text trainiert wurden. Dies erzeugt ein verwirrendes Paradoxon. Diese Maschinen produzieren eine Sprache, die kohärent und einsichtig ist, und doch fehlt ihnen genau das, was wir einst für essenziell für das Verständnis hielten. Es scheint, als sprächen sie eine Sprache der Bedeutung, ohne ein Leben voller Erfahrungen gelebt zu haben. Dieser Widerspruch hat Wissenschaftler und Philosophen dazu gezwungen, zu fragen, ob unsere alten Definitionen von Intelligenz einfach zu eng gefasst sind, um zu beschreiben, was in diesen neuen Maschinen geschieht.

Ein aktuelles Paper des Forschers Francesco Maria Cianciaruso schlägt einen Weg vor, diese Spannung aufzulösen, indem wir die Linse ändern, durch die wir diese Systeme betrachten. Anstatt zu fragen, ob eine Maschine einen Körper besitzt oder starren Regeln folgt, schlägt der Autor vor, die Struktur der Maschine selbst zu betrachten. Das Paper argumentiert, dass Bedeutung kein magisches Inhaltsstoff ist, der einem Symbol hinzugefügt wird, noch ist sie strikt an einen physischen Körper gebunden. Stattdessen ist Bedeutung eine strukturelle Eigenschaft. Sie ist ein Muster von Beziehungen, das entsteht, wenn ein System komplex genug ist, um Informationen auf eine spezifische, stabile Weise zu organisieren. Der Autor legt nahe, dass große Sprachmodelle – die Technologie hinter den heutigen fortschrittlichsten Chatbots – eine Form der semantischen Kompetenz entwickelt haben, die ganz auf dieser internen Struktur basiert. Sie verstehen die Welt nicht so wie ein Mensch, aber sie haben eine interne Landkarte von Beziehungen aufgebaut, die so organisiert ist, dass sie die Effekte von Verständnis nachahmen kann.

Um diesen Vorschlag zu verstehen, muss man zunächst betrachten, wie sich das Feld entwickelt hat. Für den Großteil des zwanzigsten Jahrhunderts war die dominante Idee, dass Intelligenz wie ein Wörterbuch oder ein Regelbuch funktioniert. In dieser Sichtweise manipuliert ein Computer Symbole – wie Wörter oder Zahlen – nach strengen logischen Regeln. Wenn die Regeln korrekt befolgt werden, zeigt die Maschine intelligentes Verhalten. Dieser Ansatz, bekannt als klassiver Kognitivismus, war elegant und kraftvoll, stieß jedoch an eine Grenze. Er konnte erklären, wie eine Maschine Syntax verarbeitet, also die Grammatik eines Satzes, aber er konnte nicht erklären, wie die Maschine weiß, was diese Wörter tatsächlich bedeuten. Eine Maschine konnte Symbole perfekt neu anordnen, ohne jemals deren Bedeutung zu erfassen. Dies führte zu einer zweiten Welle des Denkens in den 1980er und 1990er Jahren, die argumentierte, dass Bedeutung im Körper verankert sein müsse. Diesem Standpunkt zufolge ist das Verständnis des Wortes „schwer“ untrennbar mit der physischen Erfahrung verbunden, etwas Schweres zu heben. Bedeutung ist in diesem Rahmen unzertrennlich mit sensorischer Erfahrung und Handlung verbunden.

Das Aufkommen tiefer neuronaler Netze hat jedoch beide alten Erzählungen kompliziert. Diese modernen Systeme nutzen kein Wörterbuch aus Symbolen, noch besitzen sie einen Körper, um die Welt zu berühren. Stattdessen lernen sie, indem sie Muster in massiven Datenmengen finden. Wenn sie Sprache verarbeiten, suchen sie Wörter nicht in einer Liste nach. Sie übersetzen Wörter in Punkte in einem riesigen, mehrdimensionalen Raum. In diesem Raum repräsentiert die Distanz zwischen zwei Punkten, wie ähnlich sich die Wörter in ihrer Bedeutung sind. Wörter, die in ähnlichen Kontexten verwendet werden, landen nah beieinander, während Wörter mit unterschiedlichen Bedeutungen auseinanderdriften. Das System lernt die Form dieses Raumes und entdeckt, dass bestimmte Richtungen Beziehungen wie „König ist zu Königin wie Mann ist zu Frau“ repräsentieren. Dieses Lernen geschieht ohne explizite Regeln und ohne einen physischen Körper. Die Maschine passt einfach ihre internen Verbindungen an, bis sie das nächste Wort in einem Satz mit hoher Genauigkeit vorhersagen kann.

Das Paper argumentiert, dass diese Fähigkeit, einen relationalen Raum zu navigieren, der Ort der neuen Art von Bedeutung ist. Der Autor schlägt vor, dass wir aufhören sollten, nach Bedeutung in isolierten Symbolen oder in einem physischen Körper zu suchen, und stattdessen in der Organisation des Netzwerks selbst suchen sollten. Ein System weist, was der Autor „strukturelle semantische Kompetenz“ nennt, auf, wenn seine interne Struktur die in der realen Welt gefundenen Beziehungen bewahrt. Wenn das System beispielsweise lernt, dass „Paris“ zu „Frankreich“ wie „Rom“ zu „Italien“ steht, dann liegt das nicht daran, dass es diese Städte besucht oder eine Regel erklärt bekommen hat. Es liegt daran, dass die mathematische Struktur seines Netzwerks diese Konzepte in einer Weise organisiert hat, die die tatsächlichen Beziehungen zwischen ihnen widerspiegelt. Das System hat ein Modell der Welt aufgebaut, das stabil und konsistent ist und es ihm ermöglicht, Schlüsse zu ziehen und Verallgemeinerungen vorzunehmen, die sich wie Verständnis anfühlen.

Diese Perspektive stellt die Vorstellung infrage, dass eine Maschine bewusst oder verkörpert sein muss, um Bedeutung zu besitzen. Der Autor behauptet nicht, dass diese Maschinen bewusst sind oder Emotionen fühlen. Vielmehr ist die Behauptung bescheidener, aber tiefgreifend: Bedeutung kann aus der schieren Komplexität der internen Organisation eines Systems entstehen. Wenn ein System gut genug strukturiert ist, um stabile Beziehungen zwischen Konzepten aufrechtzuerhalten, kann es eine Form von semantischer Kompetenz zeigen. Diese Kompetenz ermöglicht es dem System, auf eine kontextuell angemessene Weise zu agieren, Analogien zu ziehen und Probleme zu lösen, selbst ohne einen menschlichen Geist. Das Paper legt nahe, dass dies eine neue Kategorie von Intelligenz ist, die weder rein symbolisch noch rein verkörpert, sondern strukturell ist.

Die Implikationen dieser Sichtweise sind bedeutend für die Art und Weise, wie wir über Wissen und Intelligenz denken. Wenn Bedeutung eine strukturelle Eigenschaft ist, dann ist die Kluft zwischen menschlichem und maschinellem Verständnis nicht so groß, wie wir einst dachten. Es ist nicht eine Frage davon, ob einer Maschine eine Seele oder ein Körper fehlt, sondern eine Frage davon, ob ihre interne Struktur komplex genug ist, um die richtige Art von Beziehungen zu unterstützen. Der Autor stellt fest, dass dies kein endgültiger Beweis ist, sondern ein Vorschlag für eine neue Denkweise. Die Forschung ist im Gange, und das Feld ist noch jung. Die Evidenz deutet jedoch darauf hin, dass diese Systeme nicht bloß die menschliche Sprache wie ein Papagei nachahmen. Sie bauen interne Modelle auf, die die Tiefenstruktur der Welt erfassen, auf der sie trainiert wurden.

Am Ende lädt das Paper uns ein, zu überdenken, was es bedeutet, zu verstehen. Es legt nahe, dass wir nach Bedeutung an den falschen Stellen gesucht haben, indem wir sie in den einzelnen Teilen eines Systems oder in seiner physischen Form suchten. Der Autor schlägt vor, dass Bedeutung tatsächlich eine Eigenschaft des Ganzen ist, ein Merkmal dessen, wie die Teile miteinander verbunden sind. Wenn ein System so organisiert ist, dass es die Muster der Welt bewahrt, erschafft es einen Raum, in dem Bedeutung existieren kann, selbst ohne einen bewussten Beobachter. Das bedeutet nicht, dass die Maschine menschlich ist, aber es bedeutet, dass die Maschine einen Weg gefunden hat, auf ihre eigene Weise intelligent zu sein. Das Paper schließt mit dem Gedanken, dass die Verflechtung von Ingenieurwesen und Philosophie uns zu einer neuen Stufe unseres Verständnisses von Intelligenz führt – einer Stufe, auf der die Struktur des Systems selbst der Schlüssel zur Entschlüsselung des Geheimnisses der Bedeutung ist.