Semantic Information Beyond Shannon: Meaning,Coherence, and Agency in Experiential Systems

Stellen Sie sich vor, Sie stünden in einem Raum voller Funkrauschen. Für eine Maschine, die nur Signale zählt, ist dieses Rauschen ein Schatzhaus an Informationen. Es ist chaotisch, unvorhersehbar und voller „Bits“. Aber für Ihre Ohren ist es einfach nur Lärm. Stellen Sie sich nun vor, ein Freund flüstert Ihren Namen in dasselbe Rauschen hinein. Plötzlich wird dieses winzige, leise Geräusch zum wichtigsten Ding im Universum. Es erregt Ihre Aufmerksamkeit, verändert Ihre Stimmung und sagt Ihnen genau, was Sie als Nächstes tun sollen. Dies ist das Rätsel, das Wissenschaftler seit Jahrzehnten beschäftigt: Wie wird aus einem bloßen Signal Bedeutung?

Lange Zeit war der Goldstandard für das Verständnis von Information eine Theorie namens Shannon-Information. Denken Sie an sie wie an einen super effizienten Postdienst. Es geht ihm nur darum, wie viele Briefe Sie versenden können, wie schnell sie reisen und wie wahrscheinlich es ist, dass sie auf dem Postweg verloren gehen. Es ist ihm egal, ob im Brief „Ich liebe dich“ oder „Der Himmel ist grün“ steht. Für den Postdienst sind beide einfach nur eine Folge von Symbolen. Das funktioniert perfekt beim Versenden von Textnachrichten oder beim Streaming von Videos, aber es stösst an seine Grenzen, wenn wir versuchen, Lebewesen zu verstehen. Ein Gehirn ist kein Postdienst; es ist eine geschäftige Stadt, in der jedes Signal eine Ampel, eine Warnsirene oder eine Landkarte ist. Wenn wir nur die Bits zählen, verpassen wir den eigentlichen Punkt dessen, warum das Gehirn so aktiv ist. Diese Arbeit stellt eine einfache, aber tiefe Frage: Was macht ein Signal für das empfangende System bedeutsam?

Die Autoren dieser Arbeit, ein Team vom Indian Institute of Technology Mandi und dem IKS Research Centre, schlagen einen neuen Weg vor, dies zu betrachten. Sie schlagen vor, dass Bedeutung nicht etwas ist, das man der Information später hinzufügt, wie das Bestreuen eines Kuchens mit Zucker. Stattdessen ist Bedeutung eine spezielle Art von „Passung“ oder „Kopplung“, die innerhalb des Systems selbst stattfindet. Sie nennen dies Meaning–Experience Coupling (MEC) (Bedeutungs–Erfahrungs-Kopplung).

Um ihre Idee zu verstehen, stellen Sie sich eine Tänzerin und ein Musikstück vor. Die Musik (die Information) hat einen Rhythmus und eine Struktur. Die Tänzerin (der Agent) hat einen Stil, ein Ziel und eine Art sich zu bewegen. Wenn die Tänzerin einfach nur stillsteht, während die Musik spielt, gibt es keinen Tanz, sondern nur Klang. Wenn die Tänzerin sich zufällig bewegt, gibt es Bewegung, aber keinen Tanz. Aber wenn die Bewegungen der Tänzerin perfekt zum Rhythmus passen und die Absicht der Tänzerin darin besteht, eine Geschichte auszudrücken, dann geschieht die Magie. Die Arbeit argumentt, dass semantische Information genau dieser „Tanz“ zwischen dem, was das System erlebt, und dem, was das System zu tun versucht, ist.

Die Arbeit führt eine Formel zur Messung dieses „Tanzes“ ein, geschrieben als SI = g(R, A).

• R steht für die Representational Organization (Repräsentationsstruktur). Dies ist die Art und Weise, wie das System die Welt sortiert. Es ist die Liste der Dinge, die das System wahrnimmt, wie etwa ein Plan des Raumes oder eine Liste von Geräuschen.
• A steht für Agentive Alignment (Agentive Ausrichtung). Dies ist die „Haltung“ oder das „Ziel“ des Systems. Es ist das, was das System erreichen will, wie zum Beispiel „den Ausgang finden“, „Gefahr vermeiden“ oder „Nahrung finden“.
• g ist die Funktion, die misst, wie gut die Karte (R) zum Ziel (A) passt.

Die Autoren legen nahe, dass, wenn Ihre Karte perfekt ist, Sie aber kein Ziel haben, Sie keine Bedeutung haben. Wenn Sie ein starkes Ziel haben, aber keine Karte, die Sie leitet, haben Sie ebenfalls keine Bedeutung. Bedeutung existiert nur, wenn die beiden miteinander gekoppelt sind.

Um zu beweisen, dass dies nicht nur ein philosophisches Tagträumen ist, haben die Autoren eine einfache Computersimulation erstellt, die sie ein „Toy Model“ (Spielzeugmodell) nennen. Sie erschufen einen winzigen digitalen Agenten mit drei Sinnen (einem räumlichen Hinweis, einem Kantenmuster und einem Umgebungs-Ton) und drei möglichen Zielen (Navigieren, einen Orientierungspunkt finden oder einfach nur den Hintergrund beobachten).

In ihrer Simulation hielten sie die Sinne des Agenten exakt gleich, änderten aber sein Ziel.

• Als das Ziel des Agenten Navigation war, wurde der „räumliche Hinweis“ extrem bedeutsam. Der Wert der semantischen Information sprang auf etwa 0,433.
• Als das Ziel auf Hintergrundbeobachtung wechselte, wurde derselbe räumliche Hinweis fast nutzlos. Der Wert sank auf etwa 0,317.
• Die „Bedeutung“ des Signals änderte sich um etwa 27 %, nur weil sich der Fokus des Agenten verschob, obwohl sich das Signal selbst überhaupt nicht verändert hatte.

Diese Simulation zeigt, dass Bedeutung keine feste Eigenschaft eines Signals ist. Es ist eine Beziehung. Ein Signal kann schwer an Daten sein, aber leer an Bedeutung, wenn es nicht mit dem verbunden ist, was das System gerade tut. Umgekehrt kann ein winziges, schwaches Signal voller Bedeutung sein, wenn es genau das ist, was das System gerade braucht.

Die Arbeit untersucht auch, was passiert, wenn dieser „Tanz“ bricht. Sie beschreiben drei Wege, wie Bedeutung scheitern kann:

1. Fragmentierung: Das System sieht zu viele Dinge, kann sie aber nicht mit einem Ziel verbinden. Es ist wie in einem überfüllten Raum zu sein, in dem alle schreien und man kein einziges Gespräch verstehen kann.
2. Rigidität (Starrheit): Das System macht immer wieder das Gleiche, selbst wenn sich die Welt verändert hat. Es ist wie ein GPS, das immer wieder sagt, man solle links in eine Wand abbiegen, weil es seine Karte nicht aktualisiert hat.
3. Fehlleitung (Misalignment): Das Signal ist klar, aber das Ziel ist falsch. Es ist wie ein Feueralarm, den man hört, während man gerade schlafen möchte; der Ton ist klar, aber das aktuelle Ziel (Schlafen) macht ihn verwirrend oder lässt ihn ignoriert werden, bis man die Gefahr erkennt.

Die Autoren betonen vorsichtig, dass sie nicht versuchen, das „harte Problem“ des Bewusstseins zu lösen (warum wir überhaupt etwas fühlen). Sie sagen nicht, dass diese Formel uns sagen wird, ob ein Roboter wirklich „lebendig“ ist oder „fühlt“. Vielmehr bieten sie ein neues Werkzeug an, um zu beschreiben, wie ein System seine Welt organisiert. Sie argumenten, dass bisherige Theorien versuchten, Bedeutung in dem Signal selbst zu finden (indem sie prüften, ob es wahr ist) oder in der Außenwelt (indem sie prüften, ob es beim Überleben hilft). Dieser Artikel schlägt vor, dass wir in das System schauen sollten, um zu sehen, wie seine interne Karte und seine internen Ziele miteinander tanzen.

Das Team gibt zu, dass dies nur ein erster Schritt ist. Ihre Formel ist eine „gewichtete Summe“, was eine einfache Art ist, Dinge zusammenzuzählen, aber sie zeigen, dass komplexere Versionen (unter Verwendung einer sogenannten „Power-Mean-Familie“) ebenfalls funktionieren könnten. Sie schlagen vor, dass Wissenschaftler in Zukunft diese Idee nutzen könnten, um Künstliche Intelligenz zu testen. Wenn ein Roboter eine großartige interne Karte hat, seine Ziele aber nur vom Menschen programmierte Zufallszahlen sind, könnte er eine hohe „Datenmenge“, aber null „Bedeutung“ besitzen. Aber wenn die Ziele des Roboters und seine Karte wirklich gekoppelt sind – wenn er wirklich versucht, ein Problem unter Nutzung seines eigenen Verständnisses zu lösen – dann könnte er sich auf dem Weg zu etwas befinden, das wir als semantisches Verständnis bezeichnen könnten.

Kurz gesagt: Dieser Artikel legt nahe, dass Bedeutung nichts ist, das man findet; es ist etwas, das man tut. Es ist die aktive, dynamische Beziehung zwischen dem, was man weiß, und dem, was man zu erreichen versucht. Wenn diese beiden Linien sich kreuzen, hört Information auf, nur Rauschen zu sein, und beginnt, eine Geschichte zu erzählen.