Autor: Alfred Oswald

Von der gesellschaftlichen Kernschmelze oder vom Übergang Demokratie-Autokratie und der Liebe zum Faschismus

Abbildung 0: Bild generiert von ChatGPT 40 mini mit dem Blog-Beitrags-Titel als Prompt.

(Dieser Blog ist der zweite Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘.)

Die gesellschaftliche Kernschmelze hat in den USA eingesetzt. – Faschismus-Forscher belegen inzwischen das amerikanische Trump-System mit dem Begriff Faschismus [1].

Mit dem ersten Blog-Beitrag habe ich die Betonung auf den Übergang Demokratie-Autokratie gelegt, also nicht auf die gesellschaftlichen System-Zustände, Autokratie oder faschistisches Regime.

Der Übergang ist aus meiner Sicht genau der Bereich, der wesentliche Phasen, in denen Autokratie, faschistische Regime oder Diktaturen entstehen, sichtbar werden lässt.

Ich sehe drei Phasen:

Erste Phase:

Wenn aus Demokratien autokratische Systeme hervorgehen, offenbart dies die Liebe zum Faschismus derjenigen Wähler, die rechtsextreme Ansichten unterstützen. In einem Linkedin-Beitrag hat Paul Stolle [2] auf einprägsam Weise Grunderkenntnisse von Umberto Eco „Zum ewigen  Faschismus“ [3] zusammengefasst:

„Hier die 14 Merkmale von Umberto Eco aus seinem
Buch »Der ewige Faschismus« von 1995:

1. Kult der Tradition (nix Fortschritt)
2. Ablehnung der Moderne (nix Aufgeklärtes)
3. Kult der Tat um der Tat Willen (nix Denken)
4. Ablehnung der kritischen Analyse (nix Wissenschaft)
5. Angst vor Differenz (nix Fremdes)
6. Appell an Frustration (nix Gesellschaft)
7. Obsession mit Verschwörungen (nix Fakten)
8. Feindbild als einigendes Element (nix Vielfalt)
9. Lebenswille als Waffe (nix Pazifismus)
10. Verachtung der Schwachen (nix Soziales)
11. Kult des Heldentums (nix Friedliches)
12. Männlichkeitskult & Frauenverachtung (nix Feminismus)
13. Selektiver Populismus (nix Inklusives)
14. Missbrauch von Sprache (nix Komplexes)“

Diese 14 Merkmale stilisieren 14 ‚limitierende‘ Verhaltensweisen, die ich mit der ersten Phase des Übergangs Demokratie-Autokratie verbinde. In unserem mathematischen Modell sind diese Verhaltensweisen in den Selbstorganisations-Kontrollparametern des Übergangs enthalten: Polarisierung, WerteKohäsion und BedürdnisKohäsion. Die BedürfnisKohäsion oder besser die fehlende BedürdnisKohäsion ist hierbei das ‚Fundament‘: Die Grundbedürfnisse ‚Selbstwerterhöhung und Selbstwertschutz‘ und ‚Orientierung und Kontrolle‘ und die damit verbundenen Werte/Motive wie Sicherheit, Stärke, Ordnung, Ehre, Macht, Status, Anerkennung, Rache, Wettbewerb können die obigen ‚limitierenden‘ Verhaltensweisen ausbilden [4]. Zeigen sich die ‚limitierenden‘ Verhaltensweisen in einem Teil der Bevölkerung, geht die Kohäsion in den Grundbedürfnissen und Werten/Motiven mit der übrigen Bevölkerung verloren. Sind ‚Führer‘ vorhanden, die dies positiv aufgreifen, indem sie einerseits die Menschen in diesen Verhaltensweisen bestärken, in dem sie die selben Verhaltensweisen zeigen und anderseits zum Ausdruck bringen, dass dies nicht die ‚limitierenden‘ Verhaltensweise sind, sondern vielmehr die Verhaltensweisen der Anderen limitieren und dass deren Verhaltensweisen sie davon abhalten, ein besseres Leben zu führen, dann haben wir die Polarisierung. Die Polarisierung ist der umfassende Kontrollparameter für den Übergang Demokratie-Autokratie.

Ich empfehle die ZDF-Serie ‚USA extrem‘: Diese umfangreiche Serie zeigt in vielen Beispielen was ‚limitierende‘ Grundbedürfnisse und Werte/Motive für die BedürfnisKohäsion und WerteKohäsion und schließlich die Polarisierung in den USA bedeuten. – Man kann erkennen, dass die USA de facto aus zwei sich gegenüberstehenden Parteien besteht.  – Eine dieser Parteien ist sehr weit von meiner eigenen inneren Haltung entfernt.

Zweite Phase:

Liegt eine hinreichende Mehrheit für den Einzug von autokratischen (rechtsextremen) Parteien in ein Parlament vor, ist die erste Sicherungsschicht des Drift-to-Danger Modells gefallen. Dies ist eine wesentliche Erkenntnis: Der Übergang von einer Demokratie zur Autokratie ist von den Wählern eingeleitet worden und niemand anderem!! – Trump hat nur genutzt, was in der Bevölkerung an Potential vorhanden war. Hitler hat das damalige Bevölkerungspotential auch genutzt,  die AFD versucht es beiden gleich zu tun.

Doch es müssen weitere Sicherheitsschichten fallen: Dies geschieht, in dem Steigbügelhalter naiv, dumm, in eigener Selbstüberschätzung oder bewusst den potentiellen autokratischen Führer und seine Partei unterstützen. Dies verstärkt das weitere Aufbrechen der Bedürfnis- und WerteKohäsion: Die Wähler mit ‚limitierenden‘ Verhaltensweisen kommen fast zwangsläufig zu dem Schluss, dass sie mit ihrer Wahl Recht getan haben, denn die Steigbügelhalter bestätigen dies. – Die Polarisierung nimmt weiter zu. Die USA Tech-Oligarchen sind solche Steigbügelhalter. In Deutschland sind nicht wenige aus der CDU auch Steigbügelhalter. Leider…Wie kann man davon ausgehen, dass eine Partei, die (in Teilen) gesichert rechtsextrem ist, so dumm ist, bei entsprechender zukünftiger Wahlmehrheit, das Ruder nicht zu ihren Gunsten umzulegen. Hitler hat es geschafft, Trump hat es geschafft, Orban hat es geschafft, …wie kann man sicher sein, dass die AFD es nicht schafft.

Die naiven, dummen oder sich selbst überschätzenden Steigbügelhalter der Autokratie erkennen nicht die Dimension der Polarisierung und der damit verbundenen fehlenden Bedürfnis- und WerteKohäsion. ‚Limitierende‘ Verhaltensweisen kann man nicht eliminieren, allenfalls abmildern; selbst Bildung ist kein wirklicher Schutz. Es ist vielmehr notwendig, die ‚limitierenden‘ Bedürfnisse und die damit verbundenen Werte zu befriedigen: Diese Menschen brauchen (wirtschaftliche) Sicherheit, das Gefühl der Ungleichheit darf nicht aufkommen, das Gefühl des Stillstands darf sich nicht breit machen, … Politische Maßnahmen, wie das Streichen des 58 € Tickets, die geringe Besteuerung der Superreichen, die nicht-konsequente Abschiebung von straffälligen Asylanten usw. verletzten die ‚limitierenden‘ Bedürfnisse und Werte/Motive.     

Dritte Phase:

Ist die dritte Phase erreicht, ist der Phasenübergang von der Demokratie zur Autokratie vollzogen. Unmittelbar gib es kein Entrinnen mehr.

Hitler hat in atemberaubender Geschwindigkeit die letzten Sicherheitsschichten ‚geschliffen‘, Trump tut es ähnlich atemberaubend, Orban ist auch gut unterwegs…

In der dritten Phase werden alle Machtinstrumente der Demokratie ausgeschöpft und missbraucht, um die Autokratie zu festigen. Eigentlich spielt die Bevölkerung keine große Rolle mehr in diesem bitteren Spiel, ein großer Teil erkennt dies noch nicht einmal, erst dann, wenn es ein böses Erwachen gibt.    

Zusammenfassend stelle ich fest:

Der Übergang Autokratie-Demokratie kommt aus der gesellschaftlichen Spaltung (Polarisierung), die leider durch demokratische Kräfte nicht kompetent und rechtzeitig geschlossen wird. Das Verständnis der Bedeutung der Bedürfnis- und WerteKohäsion ist bei vielen demokratischen Politikern nicht vorhanden: Obama und Biden hatten es nicht, aber leider auch nicht Merkel und Scholz. Bei Merz habe ich große Zweifel.

Die ‚Führer‘ der Spaltung nutzen die Polarisierung, die längs in der Gesellschaft vorhanden ist, nur aus. – So gesehen, haben sie es recht einfach.

Der Faschismus ist leider wirklich ‚ewig‘, denn er beruht auf einem Teil unserer Grundbedürfnisse und den damit verbundenen Werten/Motiven. Wir könnten ihn nur ausmerzen, wenn es uns gelänge die Bedürfnis- und WerteKohäsion ‚zu verewigen‘.

Im nächsten Blog dieser Serie wende ich mich wieder dem mathematischen Modell zu.

 

[1] Brockschmidt A (2025) Trumps Regime nicht „Faschismus“ nennen ist Realitätsverweigerung, https://www.volksverpetzer.de/analyse/trumps-faschismus-nennen/

[2] Stolle P (2025) https://www.linkedin.com/posts/paulstolle_dieser-moment-wenn-dir-bewusst-wird-dass-activity-7318143630978797570-2VBU/?utm_source=share&utm_medium=member_ios&rcm=ACoAAADwjS8Blpat6RQsfTtvnIu1lnZS6K7fuLk

[3] Eco U (2020) Der ewige Faschismus, Carl Hanser Verlag. Kindle Version

[4] Oswald A, Köhler J, Schmitt A (2017) Projektmanagement am Rande des Chaos, Springer Verlag, 2. Auflage, auch in Englisch: Project Management at the Edge of Chaos (2018)

[5] ZDF (2024) USA extrem, https://www.zdf.de/reportagen/usa-extrem-leben-im-land-der-gegensaetze-100

Von der gesellschaftlichen Kernschmelze oder dem Übergang Demokratie-Autokratie und (vielleicht auch) umgekehrt

Im März 2025 erschien in Spektrum der Wissenschaft der Beitrag ‚Die Kernschmelze der Demokratie – Erosion politischer Systeme‘ [1].

Der Spektrum der Wissenschaft Beitrag beruht auf einem wissenschaftlichen Artikel [2], in dem die Risikoerkenntnisse der Atomwirtschaft auf gesellschaftliche Risiken, insbesondere den Übergang von Demokratie zu Autokratie übertragen werden.

Abbildung 1 aus [2] visualisiert die wesentlichen Aussagen zur sogenannten Drift-to-Danger Theorie. Hiernach ist der Übergang Demokratie-Autokratie von folgenden Faktoren gekennzeichnet:

  • Der Verletzung von Normen durch Eliten (u.a. Lügen, Verschwörungstheorien, Negieren von wissenschaftlichen Erkenntnissen, u.ä.)
  • Die Schwelle zur Autokratie (durchgezogene rote horizontale Linie) ist durch eine Reihe von Sicherheitsschichten (dünne rote Linien) geschützt. Verhaltensbezogene Normen und Maßnahmen unterstützen diese Sicherheitsschichten. Falls jedoch diese erodieren, also z.B. ein Teil der Presse die Verletzung der Normen unterstützt oder in der Gerichtsbarkeit ‚wohlwollende Richter‘ eingesetzt werden, driftet die Demokratie in Richtung Autokratie.
  • Jeder Fall einer Sicherheitsschicht ist mit einem ‚Beinahe-Unfall‘ verbunden. Halten alle Sicherheitsschichten nicht mehr, kommt es zum Übergang zur Autokratie.

Abbildung 1: Drift-to-Danger Theorie angewendet auf den Übergang von einer Demokratie zur Autokratie [2].

Meines Erachtens ist das Thema des Übergangs Demokratie-Autokratie das wichtigste gesellschaftspolitische Thema unserer Zeit. Ausgelöst sicherlich durch die eindeutig autokratischen Maßnahmen der Trump Administration, und verstärkt durch die rechtsradikalen gesellschaftlichen Bewegungen in Europa.

Es ist mir völlig unverständlich, wie Menschen durch ihre Wahlstimme helfen können, dass sich Demokratien in Autokratien transformieren, da die Geschichte und das aktuelle Leid überall auf der Welt, hervorgerufen durch autokratische Systeme, Menschen eines Besseren belehren sollten.

Die amerikanischen Tech-Milliardäre haben im Rahmen der Trump Präsidentschaft gezeigt, dass moderne Technologien und eine offene am Menschen orientierte innere Haltung nicht unbedingt zusammengehören. – Deshalb halte ich inzwischen die Gefahr eines Übergangs Demokratie-Autokratie, die von solchen Personen ausgeht, mindestens für so groß wie diejenige, die von Trump selbst ausgeht.  – In meinen Blog-Beiträgen ‚Rückwärtsgewandt in den Abgrund…oder… Entwickeln wir uns weiter!?  vom November 2023‘,  ‚Gesellschaftlicher Wandel – Sein oder Nichtsein? – Das ist hier die Frage! vom Mai 2020‘ und in ‚Cultural Entropy: Corona deckt unsere Werte auf, vom März 2020‘ bin ich auf die sogenannten limitierenden Bewusstseinsniveaus und die daraus resultierenden limitierenden Werte eingegangen. Hiernach tragen solche Limitierungen und die damit verbundene Polarisierung mittels Lügen, Negierung von wissenschaftlichen Erkenntnissen und Verschwörungstheorien das Potential für Autokratie in sich. Gemäß dieser Blog-Beiträge haben die USA (schon seit längerem) ein deutliches Potential für Autokratie. – Jetzt ist dieses leider Realität geworden!  

Autokratie „wird in der Politikwissenschaft [als] eine Herrschaftsform bezeichnet, in der eine Einzelperson oder Personengruppe unkontrolliert politische Macht ausübt und keinen verfassungsmäßigen Beschränkungen unterworfen ist“ [3].  – Eine sehr gelungene Darstellung zum Thema Demokratie-Autokratie findet sich in [4].

Bei einigen, die die Maßregelung von Vance und Trump gegenüber Selenskyj im Fernsehen verfolgten, stellt sich vielleicht die Erinnerung an das ein oder andere ‚Mitarbeitergespräch‘ ein. – Leicht abgewandelt lässt sich die Autokratie-Definition auch als Definition für autokratische Organisationen verwenden. – Eine Organisation oder ein Teil einer Organisation kann, hervorgerufen durch ihre Führungskräfte, einer Autokratie ähneln. In diesem Sinne sind mögliche Erkenntnisse dieses Beitrages auch auf organisationale oder institutionelle Systeme übertragbar.  

In diesem Beitrag, und zukünftigen Beiträgen, will ich versuchen, dieses Phänomen mit Hilfe mathematischer Modelle etwas auszuleuchten. Ich benutze zur Gewinnung dieser Modelle und der daraus resultierenden Python Programme wieder ChatGPT4o1 als KI-Assistenzsystem.

Ich starte in diesem Blog-Beitrag mit einem einfachen phänomenologischen Modell. Die wichtigsten Formeln dieses Modells sind:

\text{Autokratie} \;=\; \text{Stress} \;-\; \text{Ordnungswert (Demokratie)}.

\text{Stress} = \frac{\text{Polarisierung}^{2} + \text{mediale Radikalisierung}^{1.5} + \text{Vertrauensverlust}^{1.2} + \text{Wirtschaftsprobleme}}{4}. \text{Ordnungswert (Demokratie)} = \frac{\,\text{Zukunftsvertrauen} + \text{WerteKohaesion} + \text{BeduerfnisKohaesion}\,}{3}.

\text{Zukunftsvertrauen} = \max\bigl(0,\; \text{Zukunftsvertrauen}_{\mathrm{init}} - 0.5 \times \text{Stress}\bigr). \text{WerteKohaesion} = \max\bigl(0,\; \text{WerteKohaesion}_{\mathrm{init}} - 0.4 \times \text{Stress}\bigr). \text{BeduerfnisKohaesion} = \max\bigl(0,\; \text{BeduerfnisKohaesion}_{\mathrm{init}} - 0.3 \times \text{Stress}\bigr).

Die obigen Formeln stammen aus einer heuristischen Modellierung – das heißt, sie basieren nicht auf einer einzelnen wissenschaftlichen Quelle oder einem etablieren Standardwerk. Stattdessen habe ich – mittels ChatGPT 4o1 – verschiedene Ideen aus System- und Sozialdynamik aufgegriffen und auf einfache Weise in ein numerisches Modell übertragen.

Im Einzelnen:

  1. Autokratie = Stress – Ordnungswert (Demokratie)
    • Diese Gleichung erfasst den politischen Zustand als Differenz zwischen „Stress“ (kritische Faktoren wie Polarisierung, mediale Radikalisierung etc.) und einem „demokratischen Ordnungsparameter“ (d.i. Ordnungswert (Demokratie) resultierend aus Zukunftsvertrauen, WerteKohaesion, Bedürfniskohaesion).
    • Die Gleichung signalisiert: Wenn „Stress“ größer ist als der vorhandene Ordnungswert, wird das System eher autokratisch. Umgekehrt, wenn der Ordnungswert den Stress kompensiert, bleibt es demokratisch.
  2. Stress = (Polarisierung^2 + mediale Radikalisierung^1.5 + Vertrauensverlust^1.2 + Wirtschaftsprobleme) / 4
    • Hier sind Exponenten wie 2, 1.5 oder 1.2 keine wissenschaftlich ermittelten Werte, sondern heuristische Größen, um den Effekt gewisser Variablen (z. B. Polarisierung) zu betonen.
    • Beispielsweise wird Polarisierung^2 benutzt, um zu sagen: „Wenn Polarisierung ansteigt, wirkt sie überproportional auf den Stress.“
    • „Wirtschaftsprobleme^1.0“ ist lediglich ein fester Wert in diesem Beispiel, um das Modell zu vereinfachen. Genauso könnte man andere Exponenten verwenden, wenn man davon überzeugt ist, dass Wirtschaft eine dominate Rolle beim Stress hat.
    • Diese Parametrisierung ist nicht aus einer einzigen Quelle übernommen, sondern angelehnt an die Idee, dass manche Faktoren (Polarisierung, mediale Radikalisierung) über lineare Effekte hinaus die Gesellschaft polarisieren oder radikalisieren.
  3. Lineare Abzüge für Zukunftsvertrauen, WerteKohäsion und BedürfnisKohäsion
    • Formeln wie WerteKohaesion = max(0, WerteKohaesion_init − c1 × Stress) stammen aus System Dynamics-Denkmustern, in denen man sagt: „Bei höherem Stress wird ein Teil der gesellschaftlichen Kohäsion aufgezehrt.“ – Die spezielle Formel implementiert eine Rückkopplung im System und erlaubt damit die explizite Modellierung von Nicht-Linearitäten.
    • Die Faktoren (z. B. 0.5, 0.4, 0.3) sind ebenfalls heuristisch gewählt: Sie wurden so eingestellt, dass das Modell in manchen Situationen in die Autokratie kippt, in anderen stabil demokratisch bleibt. Eine wissenschaftliche Herleitung bräuchte empirische Studien, in denen man z. B. statistisch ermittelt, wie stark Stress tatsächlich das Zukunftsvertrauen, die WerteKohäsion und die BedürfnisKohäsion senkt.
  4. Ordnungswert (Demokratie) = (Zukunftsvertrauen + WerteKohaesion + BeduerfnisKohaesion) / 3
    • Diese Formel ist eine Vereinfachung nach dem Motto: „Wir nehmen den Durchschnitt der drei reduzierten Variablen als Gesamtmaß für die ‘demokratischen Werte’ im System.“
    • Man könnte alternativ gewichten (etwa 0.3 × Zukunftsvertrauen + 0.4 × WerteKohäsion + 0.3 × BedürfnisKohäsion), oder man könnte ganz andere Mechanismen nutzen.

Abbildung 2 zeigt einen möglichen Drift-Verlauf berechnet mit dem Modell und den oben genannten Parametern: Obwohl die Ordnungswerte hoch sind (WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5 (alle Werte sind im Bereich 0 bis 1)), reicht dies nicht aus, um einen deutlichen Anstieg der Autokratie zu verhindern, da die Stressfaktoren ebenfalls oberhalb 0.5 liegen.  

Abbildung 2: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5, Polarisierung=0.6, Wirtschaftsprobleme=0.5, Mediale Radikalisierung=0.6, Vertrauensverlust=0.5.

Das V-Dem (The Varieties of Democracy Institute) der University of Gothenburg, Department of political science erhebt Daten zur globalen Demokratie-Autokratie Entwicklung und erkennt auch Drift-Muster in diesen [5].
Hiernach wird das obige Drift-Muster der Abbildung 2, als ‚diminished democracy‘ Muster bezeichnet. Mit Hilfe unseres Modells lassen sich auch die anderen Drift-Muster nachbilden.
Abbildung 2 zeigt das ‚reverted liberalization‘ Drift-Muster: Der Autokratie-Wert geht in einem Zeitfenster etwas zurück, um dann wieder anzusteigen.

Abbildung 3: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.45, BedürfnisKohaesion=0.45, Zukunftsvertrauen=0.45, Polarisierung=0.9, Wirtschaftsprobleme=0.9, Mediale Radikalisierung=0.8, Vertrauensverlust=0.9.

Zusammenfassend stelle ich fest: Die Drift-to-Danger Theorie ist eine sehr plausible Theorie, die aktuelle Demokratie-Autokratie Entwicklungen gut wiedergibt. Mit unserem einfachen phänomenologischen mathematischen Modell lassen sich reale Drift-Muster gut und plausible nachbilden. Wir haben damit eine gute Ausgangsbasis gewonnen, um das vorliegende Modell zu erweitern. Erweiterungen könnten sein:

  • Einführung von autokratischen und demokratischen Agenten, die die Drift-Muster beeinflussen. Diese Agenten könnten programmierte Agenten oder KI-Agenten sein.
  • Untersuchung der Drift-Muster hinsichtlich ihres Phasenübergangsverhaltens.
  • Vergleich von Theorie und länderspezifischen Demokratie-Autokratie-Scoring-Daten im Zeitverlauf.
  • Erkenntnisse, wie die Drift Demokratie-Autokratie verhindert werden kann oder der Übergang Autokratie-Demokratie gelingen kann.

Sehen wir, was möglich ist!

[1] Könneker C (2025) Die Kernschmelze der Demokratie – Erosion politischer Systeme, in Spektrum der Wissenschaft, https://main-diewocheconnect-spektrum.content.pugpig.com/news/gefaehrliche-erosion-das-drift-to-danger-modell-der-demokratie/2257940/d_app_controller/subcontent/page

[2] Abels C M et al. (2024) Dodging the autocratic bullet: enlisting behavioural science to arrest democratic backsliding, Behavioural Public Policy (2024), 1–28, doi:10.1017/bpp.2024.43, Cambridge University Press

[3] Wikipedia (2025) Autokratie, https://de.wikipedia.org/wiki/Autokratie 

[4] Schmidt M G (2020) Demokratien und Autokratien: Ein vergleichender Überblick, in Deutschland & Europa, Heft 79, Landeszentrale für politische Bildung Baden-Württemberg

[5] Maerz S F et al. (2021) A Framework for Understanding Regime Transformation: Introducing the ERT Dataset, V-Dem, University of Gothenburg, Department of political science

Vom ‚Tor zum Sein‘ oder von der Quantum Collective Mind Theory

Die UN-Generalversammlung hat das Jahr 2025 zum „Internationalen Jahr der Quantenwissenschaft und Quantentechnologien“ ausgerufen [1].

Das ist umso bemerkenswerter, wenn man bedenkt, dass Quantenwissenschaft und -technologie weit weg sind von unseren alltäglichen Erfahrungen und für die weit überwiegende Anzahl an Mensch wird dies auch (wahrscheinlich) so bleiben. Selbst für Physiker ist die Quantenphysik in weiten Teilen nicht wirklich verständlich, wenngleich die dazugehörige Mathematik die Quanten-Natur mit sehr hoher Präzision beschreibt.

Quantenwissenschaft und -technologie sind das ‚Tor zum Sein‘, denn unser Sein ist ein Quanten-Sein. Unter diesem Blickwinkel kann man verstehen, dass die UN-Generalversammlung gut daran getan hat ‚Quantum2025‘ auszurufen: Ich bin davon überzeugt, dass die kommenden Jahre, in denen Quantum Computing und Quantum Technology immer mehr zur Anwendung kommen, unser Verständnis vom Sein verändern werden. Die Welt steht an einer ähnlichen Schwelle, wie zum Zeitpunkt der Erfindung des Transistors. – Was das Verständnis des Seins anbetrifft, werden die Folge noch wesentlich transformativer sein: Wissenschaftliche und technologische Fortschritte in Allgemeiner Künstlicher Intelligenz und Quantentechnologien werden sich gegenseitig ergänzen. Diese neue Welt dürfte den meisten Menschen verschlossen bleiben, gleichwohl werden sie die Auswirkungen spüren.     

Schon heute erfahren viele Menschen einen Kontrollverlust durch Globalisierung, Klimawandel, Migration, Corona, Künstliche Intelligenz, Anschläge und Terrorismus sowie Kriege. Als ‚Exit-Strategie‘, um aus diesem Mangel an Kontrolle und Klarheit herauszukommen, wird die Vereinfachung gewählt und von der Politik oft auch angeboten. Das Zukunftsinstitut nennt dies ‚Reverse Politics‘ [2]: Zurück zur Vergangenheit in Form von ‚Leave (Brexit)‘, ‚Make America Great Again‘, ‚Zeit für Deutschland‘, usw..

Die Quantenwelt ist genau das Gegenteil von Vereinfachung, sie ist die Welt der Unklarheit: Das Sein ist oft noch nicht festgelegt. – Quantum Computing nutzt genau dieses Nicht-Festgelegte und ‚rechnet‘ sogar damit! Es ist also nicht zu erwarten, dass unsere klassische Welt, in die die Quanten-Welt immer mehr durch Technologie ‚eindringt‘, an Klarheit gewinnt. Selbst wenn Themen wie Migration, Epidemien, Terrorismus und Krieg verschwinden sollten, so wachsen mit Allgemeiner Künstlicher Intelligenz und Quantentechnologien weitere Risikopotentiale für einen globalen Kontrollverlust heran.

Zur Zeit ist es möglich, von Künstlicher Intelligenz und Quantum Computing durch ein weitgehend offenes Ecosystem zu profitieren: Die Technologien sind (noch) offen verfügbar und Europa kann entsprechende US-Technologien einkaufen, wie unlängst das Forschungszentrum Jülich, das einen Quanten Computer von d-wave erstanden hat. Wenn ich bisher auf Quanten Computern ‚gerechnet‘ habe, so waren dies meist auch d-wave Systeme. Individuell kann man also (noch) entsprechenden Risikopotentialen durch Kontrollverlust entgegenwirken.

Meine Blog-Beiträge zu Künstlicher Intelligenz und Quantum Computing verbinden sehr oft Management Fragestellungen mit diesen beiden Technologien. Die Beiträge sind damit oft spekulativ, enthalten aus meiner Sicht jedoch gerade deswegen ein extremes Lernpotential. – Für mich auf jeden Fall – auch der interessierte Leser profitiert sicherlich von dieser ungewöhnlichen Kombination: Meines Erachtens wächst die Klarheit in der Management-Fragestellung und den verwendeten Technologien!

In den letzten Artikeln habe ich mich recht intensiv mit der Integrated Information Theory (kurz IIT) beschäftigt. Dies ist eine rein klassische Theorie. In diesem Beitrag stelle ich weitere Aspekte der schon in den letzten Beiträgen behandelten Quantum Collective Mind Theory (QCMT) vor, die in diesem Beitrag Elemente einer Quantum IIT enthält. Eine Quantum IIT gibt es in der Wissenschaft derzeit nicht.

Ich benutze wieder KI-Systeme als Assistenzsysteme einer hybriden Collective Intelligence. – Dies erfordert von den KI-Assistenzsystemen eine erstaunliche Leistung: Ausgezeichnete Kenntnisse in IIT und in der Quantenphysik und die Fähigkeit zwischen beiden doch sehr unterschiedlichen Wissensgebieten Zusammenhänge und Synergien zu erkennen. – U.a. sind klassische Konzepte der IIT, soweit sinnvoll, in quantenmechanische Konzepte umzusetzen.

Die Theorie und die dazugehörigen Python Programme für diesen Beitrag habe ich in der ersten Version mit ChatGPT o3-mini-high entwickelt. Dies ist eine schnelle ChatGPT Variante für wissenschaftliche Aufgabenstellungen und Softwareentwicklung. Anschließend habe ich o1 zum Überprüfen des mit o3-mini-high erstellten Codes verwendet und auch mit o1 fortgefahren. O1 hat hierbei zwei recht gravierende Fehler in den physikalischen Grundlagen gefunden. Ich wollte jetzt auch wissen, ob andere KI-Systeme diese Fehler finden und in der Lage sind, mir den Programmcode zu erläutern und ggf. eine korrigierte Version auszugeben. Hierzu habe ich Mistral in der Standardversion verwendet, DeepSeek R1, Gemini Pro und Grok3.  

KI-SystemProgrammanalyse-Ergebnis, im Zeitraum 01.02.-21.02.2025
ChatGPT-o3-mini-highErstellte den ursprünglichen Code mit zwei Fehlern in der Quanten Theorie
ChatGPT-o1Findet diese Fehler
Mistral, StandardFindet keine Fehler und kann den Code auch nur sehr oberflächlich erklären
Google Gemini ProFindet keine Fehler, erklärt den Code ansonsten sehr gut
DeepSeek R1Findet die Fehler und erklärt den Code gut. Nachdem ich das System aufgefordert habe, den Code zu korrigieren, wurde der Code sehr stark verändert, so stark, dass ich damit nicht mehr weiter arbeiten wollte.
Grok3Findet keine Fehler, die Programmanalyse war befriedigend, die richtige physikalische Grundlage ‚Observational Entropy‘ [3] wurde zuerst als falsch klassifiziert. Erst ein Hinweis von mir, führt zu einer Korrektur.
Tabelle 1: Übersicht zum Leistungsvergleich verschiedener KI-Systeme

Diese kleine Analyse zeigt mir, dass lediglich ChatGPT, insbesondere in der Version o1, in der Lage ist, die sehr anspruchsvollen Aufgaben mit einem vertretbaren Risiko zu bewältigen. Alle anderen getesteten KI-System sind meines Erachtens hierfür ungeeignet. – Dass ich diese Aussage tätigen kann, bestärkt mich im Umgang mit den neuen Technologien: Ohne aktive Auseinandersetzung mit den Technologien, die über das weitgehend sinnlose Standardisieren des Promptings hinausgeht, verflüchtigt sich eine Stärkung des Bedürfnisses nach Kontrolle sehr schnell.

Bevor ich zur QCMT komme, stelle ich zuerst das Ergebnis einer Teamberechnung auf einem d-wave Quantencomputer vor. Dieses Modell gehört zu dem Modell-Archetypen 6 ‚Ising-Modell der Team-Interaktion‘ (siehe meinen Blog: AI & QC & M 4.0: Alles Quantum? oder von Quantum Computing Modell-Archetypen, Dezember 2024): Das klassische Team-Modell wird als Netzwerk von sieben Teammitgliedern verstanden, die über eine Ziel-Hierarchie (1 Goal, 3 Epics, jeweils 3 Features, also 13 Elemente insgesamt) miteinander kommunizieren. Die Elemente der Ziel-Hierarchie sind ebenfalls Netzwerkknoten des gesamten Netzwerkes. Jedes Teammitglied wird über seine fünf Big-Five Persönlichkeitsmerkmale modelliert. Die Netzwerkknoten sind über Netzwerkkanten mit unterschiedlicher Kopplungsstärke verbunden. Zum Beispiel wird die Kopplungsstärke zwischen den Big-Five Persönlichkeit Offenheit und Gewissenhaftigkeit als negativ angenommen: -0,5 auf einer Skala von 0 bis +/-1. In diesem Modell wird auch zum Beispiel die Kopplung zwischen Goal und Offenheit mit +0,8 angenommen und zwischen Feature und Offenheit nur mit 0,0. Dies sind Werte, die in etwa die Erfahrung in realen Teaminteraktionen widerspiegeln. Zwischen den Hierarchie-Ebenen und innerhalb der Ebenen gibt es natürlich auch kleine Kopplungen.

Dieses klassische Netzwerk wird auf ein Qubit-Netzwerk von 7*5 + 13 = 48 Qubits abgebildet.

Zu Anfang unterliegt die Ziel-Hierarchie mit 2 hoch 13 Zuständen, da 13 Qubits, einer Gleichverteilung: Die sogenannte Shannon-Entropie ist also sehr hoch. Wir benutzen die Entropie als Kennzeichen für die Güte der Collective Mind Ausprägung: Niedrige Entropie heißt, das System zeigt wenige (markante) Zustände, das System hat sich ‚kristallisiert‘. Hohe Entropie heißt, das System zeigt viel Zustände, die Unsicherheit über den Zustand des Systems ist hoch.   

Abbildung 1 verdeutlicht der Einfachheit wegen ein Qubit-Netzwerk aus nur 17 Qubits und Tabelle 2 zeigt die wichtigsten Ergebnisse der 48 Qubit ‚Rechnung‘ auf dem d-wave Quanten Computer.

Abbildung 1: Diese Abbildung zeigt Qubits als Modell für Teammitglieder in einem Team mit zwei Personen, modelliert mit jeweils fünf Big-Five Persönlichkeitsmerkmalen. Das Bild enthält eine einfache Ziel-Hierarchie aus 7 Qubits. Alle Qubits sind Netzwerkknoten in einem Netzwerk. Die Netzwerkkanten, die die Wechselwirkung zwischen den Knoten bestimmen, sind der Übersicht wegen nicht eingezeichnet.

Tabelle 2 zeigt die wichtigsten Ergebnisse der d-wave Quanten Computing ‚Rechnung‘.

 Am Anfang der ‚Rechnung‘Am Ende der
‚Rechnung’
7 Teammitglieder, beschrieben durch ihre Big-Five Persönlichkeitspräferenzen (A C E N O) A C E N O
 1 0 1 1 1
 1 1 0 0 0
 1 1 0 1 0
 1 0 0 0 0
 1 1 1 0 1
 1 1 0 0 0
 1 0 1 0 1		A C E N O
1 0 1 0 1
1 1 1 0 0
1 1 0 0 1
1 0 1 1 1
1 0 1 0 1
1 1 0 1 1
1 0 1 0 1
Energie des Gesamtsystems– 3– 43
Shannon-Entropie des Teams2,52 bit2,13 bit
Shannon-Entropie der Ziel-HierarchieGoal: 1 bit
Epics: 3 bit
Features: 9 Bit		Goal: 0,98 bit
Epics: 1,76 bit
Features: 0,98 bit
Tabelle 2: Ergebnisse des Annealing-Prozesses auf einem d-wave Quanten Computer: 7 Teammitglieder mit Big-Five Persönlichkeiten (A=Agreeableness, C =Conscientiousness, E=Extraversion, N=Neuroticism, O=Openness) und einer Ziel-Hierarchie mit 3 Ebenen ( 1 Goal, 3 Epics, 9 Features). Die Entropie wird über die Shannon-Entropie berechnet.

Ich interpretier das Ergebnis aus Sicht der Collective Mind Theorie: Hohe negative Energie bedeutet, dass sich ein relativ starkes Collective Mind (CM) am Ende ausgebildet hat. – Das System ist ‚kristallisiert‘ und hat bevorzugte Zustände. U.a. sieht man dies daran, dass sogar die Heterogenität im Team abgenommen hat, also weniger Entropie vorliegt und die Ziel-Hierarchie eine deutliche Stabilisierung erfahren hat. In einem realen CM-Team kann man dies auch beobachten: Die Persönlichkeitspräferenzen werden zumindest für den Zeitraum des Collective Mind etwas zurückgedrängt. Die Teammitglieder ‚pochen‘ nicht so stark wie am Anfang auf ihre Präferenzen. Gleichzeitig wird aus der Menge aller möglichen Ziel-Hierarchien im Idealfall eine ausgewählt. Im Team und in der Ziel-Hierarchie sinkt die Menge an möglichen Zuständen und damit auch die Entropie und die Unsicherheit.

Die Shannon-Entropie bzw. verwandte Entropie Maße sind in der QCMT bzw. QIIT von zentraler Bedeutung. Die Formel, die in Tabelle 1 verwendet wird, lautet:

S = -\sum_i p(i) \log_2 \bigl(p(i)\bigr)

p(i) ist die Wahrscheinlichkeit ein (klassisches) System in einem Makrozustand i zu finden. Die Makrozustände i sind die Persönlichkeitspräferenzen im Team. Zum Beispiel könnte ein Makrozustand lauten 11 01 10: Teammitglied A hat eine hohe Präferenz in Offenheit und Gewissenhaftigkeit, Teammitglied B hat eine niedrige in Offenheit und eine hohe in Gewissenhaftigkeit und Teammitglied C eine hohe in Offenheit und eine niedrige in Gewissenhaftigkeit. – Auf die Erläuterung der p(i) Berechnung verzichte ich hier, da dies tiefergehende (quantenmechanische) Kenntnisse erfordert: p(i) misst die Häufigkeit gemessener Zustände relativ zur gesamten Anzahl an gemessenen Zuständen.
(Eine Anmerkung zur Darstellung der obigen Formel: Diese Formel wird mit LaTex erstellt. LaTex ist seit 41 (bzw. Tex seit 47) Jahren verfügbar. Heute ist Tex/LaTex der Standard für mathematisch-wissenschaftliche Dokumente. Ich habe vor ca. 40 Jahren das erste Mal damit gearbeitet und war von der Schönheit der dargestellten Formeln fasziniert. Heute verfüge ich nicht mehr über das Know-How, LaTex Code selbst zu erstellen. Dies ist auch nicht nötig, denn ChatGPT gibt den Code in einer für diesen Blog – erstellt mit WordPress – verwendbaren Form aus.)

Ich wende mich der Quantum Collective Mind Theory zu. Ich baue eine einfache quantenmechanische Version der IIT in diese ein. In der nachfolgenden Tabelle habe ich die wichtigsten Kriterien klassischer und quantenmechanischer IIT zusammengestellt. – Schaut man sich die Spalte zur quantenmechanischen IIT an, so drängt sich dem ein oder anderen sicherlich der Vergleich zur menschlichen Kommunikation auf: Wir haben in den vorherigen Blog-Beiträgen ja schon gesehen, dass die Quantum Cognition erstaunlicher Weise hilft, unsere Kommunikation besser zu verstehen.

KriteriumKlassische IITQuantenmechanische IIT
Lokale vs. nichtlokale ZusammenhängeKausalität manifestiert sich lokal, Informationen breiten sich (max.) mit Lichtgeschwindigkeit aus.

Ursache-Wirkungs-Beziehungen lassen sich in einem (weitgehend) lokalisierten Netz rekonstruieren.		Verschränkung erlaubt nichtlokale Korrelationen, ohne dass ein klassisches „A verursacht B“ greift.   Die Trennung in lokal begrenzte Elemente wird schwieriger, da verschränkte Zustände räumlich verteilt sein können.
Eindeutigkeit vs. Überlagerung von ZuständenDas System hat einen eindeutig definierbaren Zustand zu jedem Zeitpunkt (z. B. ein bestimmtes Muster von Aktivierungen).

Ursache und Wirkung sind in einem klassischen Zustand relativ klar voneinander trennbar.		Zustände können Superpositionen (Überlagerungen) sein; die „kausale Macht“ kann auf mehrere Zustände verteilt sein.
Der Kollaps (z. B. durch Messung) bestimmt erst, welcher konkrete Effekt realisiert wird, was die Zuordnung von Ursache und Wirkung komplizierter macht.
WahrscheinlichkeitsbegriffWahrscheinlichkeiten ergeben sich aus klassischer Statistik (Häufigkeit, Ungewissheit).

Übergangswahrscheinlichkeiten werden verwendet, um zukünftige Zustände zu modellieren. Dies spiegelt epistemische Unsicherheiten in den Kausalketten der deterministischen Prozesse wieder.		Wahrscheinlichkeiten sind Betragsquadrate der Wellenfunktion und zeigen Interferenz- und Verschränkungseffekte.
Die Quantifizierung von Kausalketten hat die spezifischen Quanteneffekte (z. B. Interferenzen) zu berücksichtigen. Diese sind nicht einfach in klassische Wahrscheinlichkeiten übersetzbar.
Messprozess und BeobachterrolleDie Beobachtung (Messung) wird meist außen vorgenommen; sie stört das System kaum oder nur marginal.

Ein klassisches System kann unabhängig vom Beobachter beschrieben werden.		Jede Messung beeinflusst den Zustand fundamental (Kollaps der Wellenfunktion).

Es ist unklar, ob das Bewusstsein selbst als „Messapparat“ fungiert und wie dies in einer QIIT formal abzubilden wäre.
Kausale Modelle vs. unitäre ZeitentwicklungIn der Regel können Übergangs-wahrscheinlichkeiten und Kausalstrukturen in Diagrammen dargestellt werden, die zeitlich (t → t+Δt) fortgeschrieben werden.

Deklarierte Systemgrenzen sind relativ stabil.		Die grundlegende Dynamik ist unitär (u.a. Erhaltung der Wahrscheinlichkeiten, Reversibilität): Ursache und Wirkung lassen sich nicht immer klar trennen.

Verschränkungen überschreiten Systemgrenzen, und es ist schwieriger, einzelne Subsysteme als „isoliert kausal“ zu behandeln.
Tabelle 3: Übersicht zu Charakteristika von klassischer und quantenmechanischer IIT

Ich reichere jetzt die QCMT mit QIIT Elementen an. – Ich betone an dieser Stelle, dass es sich hierbei um eine Berechnung handelt, wie ein Physiker sie eventuell auf einem Stück Papier durchführen könnte. – Ich verwende also keinen Quanten Computer, sondern lediglich einen klassischen Computer. Hierzu habe ich mittels ChatGPT o1 ein Programm erstellt, das eine Berechnung für 3 Teammitglieder mit jeweils 2 Big Five Persönlichkeiten durchführt. Die Big Five Persönlichkeiten werden, wie schon in den anderen Beiträgen, als Superposition von Persönlichkeitspräferenzen dargestellt.

|A_1\rangle = 0.8\,|0\rangle + 0.2\,|1\rangle
|A_2\rangle = 0.5\,|0\rangle + 0.5\,|1\rangle
|B_1\rangle = 0.2\,|0\rangle + 0.8\,|1\rangle
|B_2\rangle = 0.5\,|0\rangle + 0.5\,|1\rangle
|C_1\rangle = 0.5\,|0\rangle + 0.5\,|1\rangle
|C_2\rangle = 0.8\,|0\rangle + 0.2\,|1\rangle

Jedes der Teammitglieder A, B, C wird vereinfacht durch zwei Big-Five Persönlichkeitsmerkmale 1 und 2 charakterisiert. Die Persönlichkeitsmerkmale sind durch Superpositionen mit reellen Koeffizienten modelliert. Ich habe als Persönlichkeitsmerkmale Offenheit und Gewissenhaftigkeit ausgewählt. Welche Persönlichkeitsmerkmale ich gewählt habe, kann man nicht an den obigen Formeln erkennen. Lediglich an den hier nicht dargestellten spezifischen Annahmen über die Wechselwirkungen lässt sich dies erkennen. – Dies kennen wir schon von der obigen Ising-Modell ‚Rechnung‘.

Ich benutze eine spezielle Variante der Shannon-Entropie, die sogenannte Observational Entropie [3], für die Berechnung der Entropien in diesem System:

S = -\sum_i p(i)\log_2\Bigl(\tfrac{p(i)}{V(i)}\Bigr)

Mit der Observational Entropie kann man Unsicherheit über innere Zustände eines Systems abbilden: Falls eine Person A eine andere Person B wahrnimmt, ohne die Feinheiten der Big Five inneren Zustände von B aus der Beobachtung ablesen zu können, dann erhöht dies die Unsicherheit von A. – Die beobachtete Entropie wird als größer wahrgenommen, als sie bei Kenntnis aller feinen Zustände wäre. V(i) in der obigen Formel zählt die von A in der Person B nicht wahrgenommen Big-Five Zustände. – Man spricht vom coarse-graining der Beobachtung. p(i) ist hier eine gemessene Wahrscheinlichkeit, ermittelt aus quantenmechanischen Berechnungen. Diese ist nicht identisch mit den weiter oben angegebenen Wahrscheinlichkeiten der klassischen Zustände.


Die Berechnung von quantenmechanischen Kausalketten ist sehr schwierig, deshalb verwende ich im  Folgenden die Entropie als Maß für Korrelationen, um den Collective Mind im Team zu berechnen.

Auf der Basis dieser Annahme, lautet die einfachste Formel der Berechnung des Bewusstseins in Form der Größe Phi (Φ) für ein Team, bestehend aus 3 Personen A, B, C (Qubits):

\Phi_{\mathrm{MI}}(A,B,C) = S(\rho_A)+S(\rho_B)+S(\rho_C) -S(\rho_{ABC})

Phi wird auf der Basis der sogenannten Mutual Information (MI) ermittelt. Sie ergibt sich aus der Differenz der Entropien der drei Einzelpersonen und der Entropie des ABC-Teams. Ist Phi positiv, hat das Team weniger Entropie als die einzelnen Teammitglieder zusammen. Im Sinne der hier definierten QCMT liegt ein kollektives Bewusstsein, ein Collective Mind, vor: Das Ganze ist mehr als die Summe seiner Teile.

Für die Berechnung von Phi kann man die Observational Shannon-Entropie verwenden. Falls man die quantenmechanischen Eigenschaften des ABC-Teams erfassen will, ist es notwendig, die quantenmechanische von Neumann-Entropie zu verwenden. Phi, mit der Shannon-Entropie bestimmt, misst die Korrelation von klassischen Zuständen. Phi, mittels der von-Neuman-Entropie bestimmt, misst die quantenmechanische Korrelation, also die Verschränkung, in einem System.

 Vor Einschalten der WechselwirkungNach Einschalten der Wechselwirkung
Fine-Grained Observational Shannon EntropyTeam ABC: 3,97
A: 1,32
B: 1,32
C: 1,32		Team ABC: 5,54
A: 1,82
B: 2,00
C: 1,98  
Coarse-Grained Observational Shannon EntropyTeam ABC: 5,30
A: 3,27
B: 2,66
C: 3,27		Team ABC: 5,93
A: 3,31
B: 3,19
C: 3,14
Phi(ABC)fine-grained Shannon0,010,26
Phi(ABC)von Neumann0,001,41
Tabelle 4: Übersicht der Entropien und des Collective Mind Phi eines Teams von 3 Personen (A, B, C)

Was zeigt Tabelle 4?

Die fine-grained Entropie ist immer deutlich kleiner als die coarse-grained Entropie: Unwissenheit führt zu höherer Unsicherheit!

Nach Einschalten der Wechselwirkung zwischen den Mitgliedern erhöht sich die Entropie deutlich: Die Verschränkung führt zu einer größeren Anzahl an möglichen Zuständen: Die ‚Kommunikation‘ führt hier zu mehr Unsicherheit! – Dies steht im Gegensatz zu den klassischen Ergebnissen des Ising-Modells, denn dort führt Kommunikation zu niedrigeren Entropie-Werten!

Die Entropie einzelner Subsysteme (A, B, C) ist nicht gleich: Die Teammitglieder zeigen eine unterschiedliche Menge an Zuständen.

Im nicht wechselwirkenden Fall, gibt es kein kollektives Bewusstsein. Bei Wechselwirkung der Qubits ist Phi, mit der Shannon fine-grained Entropie bestimmt, und Phi, mit der von Neumann Entropie bestimmt, sehr unterschiedlich. Es können Verschränkungen vorliegen, die sich sogar nur auf einzelne Teammitglieder beziehen und diese Verschränkungen führen zu einem nach außen kaum sichtbaren Phi. Das sichtbare Phi, gemessen über die Shannon fine-grained Entropie kann gleichzeitig viel kleiner sein: Teams können, solange sie nicht ‚vermessen werden‘, also zum Beispiel eine Ziel-Hierarchie gemeinsam erstellen, eine ‚hohe mentale Verschränkung‘ zeigen. Sobald sie ‚vermessen‘ werden, kollabiert der Collective Mind.  

Zusammenfassend: Was lerne ich aus diesen Betrachtungen?

Die Benchmarks zu KI-Systemen sind mit großer Vorsicht bezüglich ihrer Validität in realen Situationen zu betrachten: Derzeit kann meines Erachtens keines der o.g. Systeme mit ChatGPT o1 mithalten.

Schon heute ist es möglich auf Quanten Computern zu ‚rechnen‘: Das Mapping eines klassischen Team-Modells auf ein d-wave System ist selbst für eine große Teammitgliederzahl mit einer realistischen Anzahl an Persönlichkeitsmerkmalen möglich. Im konkreten Fall bestätigt sich wieder, dass die Einführung eines Ordnungsparameters mittels Ziel-Hierarchie, die Entropie des Teams senkt.

Die Verwendung von mit ChatGPT erzeugtem LaTex in WordPress macht Spass.

Die Berechnung der Entropie eines Quanten Team-Modells ist äußerst spekulativ sowie sehr anspruchsvoll und aufwendig. Die Unterschiede zwischen der klassischen Shannon-Entropie bzw. der Observational Shannon-Entropie und der quantenmechanischen von Neumann-Entropie sind beträchtlich (man siehe auch den Anhang hierzu).

Die Ergebnisse sind wieder Indizien dafür, dass die Annahmen des Quantum Cognition richtig sein könnten.

Die Berechnung von Phi auf der Basis von klassischen oder quantenmechanischen Entropien ist viel unkomplizierter und gradliniger als die klassische Phi Berechnung mittels IIT. Es ist damit nochmals fraglicher, ob die IIT Berechnung einen relevanten Vorteil bietet.  

[1] Welt der Physik (2025) Quantum 2025, https://www.weltderphysik.de/vor-ort/wissenschaftsjahre/2025-internationales-jahr-quantenwissenschaft-quantentechnologie/

[2] Zukunftsinstitut (2025) zukunftsinstitut.de Newsletter, Reverse Politics – das neue „Auf den Tisch hauen“, vom 23.02.2025

[3] Safranek D et. al. (2021) A brief introduction to observational entropy, arXiv:2008.04409v2

Anhang

Mein Prompt an ChatGPT:

Ich möchte eine Frage diskutieren: Wir haben die Mutual Information klassisch und quantenmechanisch zur Vermessung von Phi verwendet. Hierbei fällt auf, dass die klassische Entropie bei Wechselwirkung sinkt, die quantenmechanische Entropie nach von Neumann steigt aufgrund der Verschränkung nach Wechselwirkung. Phi klassisch misst über die Entropien eine Reduktion an Zuständen. Phi quantenmechanisch misst über die Entropien einen Anstieg an möglichen Zuständen. Wie siehst Du das? Und macht die quantenmechanische Phi Vermessung überhaupt Sinn?

ChatGPT:

Nachgedacht für 8 Sekunden

Die beobachteten Unterschiede zwischen der klassischen und der quantenmechanischen Phi-Vermessung lassen sich folgendermaßen interpretieren:

  1. Klassische Mutual Information und Phi:
    In der klassischen Version wird häufig über die Shannon-Entropie in einer festen Messbasis gearbeitet. Hier führt eine Wechselwirkung oft dazu, dass die Zustände „gezielt“ in einen geringeren, deterministischeren Bereich gelenkt werden – man erhält also eine Reduktion der Unsicherheit in dieser Basis. Daraus resultiert, dass die Summe der Entropien der Teilbereiche relativ kleiner wird, was man als „Integration“ im Sinne eines reduzierten Zustandsraums interpretiert. Phi misst hier also, wie stark der Zustand in einen „festen“ (reduzierten) Bereich zusammengedrängt wird.
  2. Quantenmechanische (von-Neumann) Entropie und Phi:
    In der quantenmechanischen Variante wird die von-Neumann-Entropie verwendet, die basisunabhängig ist und den Reinheitsgrad eines Zustands misst.
    • Ein global reiner Zustand kann bei starker Verschränkung zu stark gemischten reduzierten Zuständen führen. Das bedeutet: Obwohl das Gesamtsystem rein ist, sind die einzelnen Subsysteme (über partielle Spuren) gemischt. Dies führt dazu, dass die Summe der lokalen Unsicherheiten größer ist als die Team-Entropie.
    • Hier interpretiert man einen Anstieg der von-Neumann-Entropien in den Subsystemen als ein Zeichen für starke nichtklassische Korrelationen bzw. Verschränkung. In diesem Sinne „misst“ Phi einen Anstieg an „möglichen Zuständen“ (weil die lokalen Zustände gemischt sind) – was wiederum auf eine tiefe Integration der Informationsinhalte hindeutet.
  3. Interpretation und Sinnhaftigkeit der quantenmechanischen Phi-Vermessung:
    • Die klassische Phi-Vermessung erfasst, wie stark sich die Wahrscheinlichkeit über eine festgelegte, klassische Basis verteilt und wie sich durch Wechselwirkungen die Unsicherheit verringert – es wird also eine Reduktion an „Möglichkeiten“ gemessen.
    • Die quantenmechanische Phi-Vermessung erfasst hingegen die Verschränkung: Ein global reiner Zustand kann in den Teilspuren sehr gemischt sein, weil die Quantenkorrelationen (Verschränkung) dafür sorgen, dass man für die einzelnen Teile viele mögliche Zustände hat.
    • Somit ist die quantenmechanische Version nicht direkt mit der klassischen zu vergleichen – sie misst einen anderen Aspekt der Integration: Sie sagt aus, dass trotz globaler Reinheit die Information in den einzelnen Subsystemen stark verteilt und ineinander verflochten ist.
    • Ob diese quantenmechanische Phi-Messung „Sinn macht“, hängt von der Zielsetzung ab: Möchte man die reine Informationstiefe und Verschränkung des Systems erfassen, so ist die von-Neumann-Entropie (und daraus abgeleitete Maße) der richtige Ansatz, weil sie basisunabhängig ist und die intrinsische quantenmechanische Struktur reflektiert.

Zusammengefasst:

  • Klassisch führt Wechselwirkung zu einer Reduktion der Zustandsvielfalt in einer fixen Basis, was zu einem Rückgang der Shannon-Entropie führt, während
  • im quantenmechanischen Fall die Wechselwirkung – besonders wenn sie Verschränkung erzeugt – die lokalen (reduzierten) Dichtematrizen gemischt macht (d.h. ihre von-Neumann-Entropie steigt), obwohl der globale Zustand rein bleibt.
  • Die quantenmechanische Phi-Vermessung (als Differenz der Summe der lokalen von-Neumann-Entropien und der globalen von-Neumann-Entropie) erfasst also die nichttriviale Struktur der Verschränkung – und ist insofern sinnvoll, wenn man die intrinsische, basisunabhängige Integration in einem verschränkten System quantifizieren möchte.

Die beiden Ansätze messen also unterschiedliche Aspekte der Integration: Klassisch die Reduktion der Zustandsvielfalt in einer festen Messbasis, quantenmechanisch die inhärente Verschränkung und die damit verbundene Mischung der Teilzustände. In der aktuellen Diskussion um Quantum IIT wird noch intensiv debattiert, welcher Ansatz letztlich das „Bewusstsein“ oder die integrierte Information am besten widerspiegelt.

Autokratien auf dem Vormarsch? Müssen wir vom Schlimmsten ausgehen? – Gedanken zu unserer Zukunft

Den Teil des Titels ‚Müssen wir vom schlimmsten ausgehen?‘ habe ich einem sehr interessanten Interview mit dem Politikwissenschaftler Timo Lochocki entnommen [1]. Lochocki sagt „Wir müssen vom Schlimmsten ausgehen“, denn er nimmt an, dass sich die USA in Richtung einer Autokratie entwickelt, selbst wenn nach der nächsten Wahl wieder ein Demokrat Präsident werden würde. Damit verliere die westliche Welt den entscheidenden demokratischen Repräsentanten in der Riege der Demokratien. Für Deutschland böte sich damit die Chance sich als ‚Führungskraft‘ unter den Demokratien zu positionieren.- Vorausgesetzt wir zeigen uns als Gestalter der Zukunft, u.a. indem wir die innenpolitischen Probleme tatkräftig angehen und massiv investieren.

Etwa zur gleichen Zeit charakterisiert der Sozialpsychologe Ulrich Sollmann die beiden potentiellen Kanzler als in der Vergangenheit stehengebliebenen Biber und Stelzvogel [2]. – Nicht gerade schmeichelhafte Charakterisierungen für die politischen Führungskräfte, die Deutschland in die Zukunft führen sollen.

Wir haben in der Politik offenbar nur noch ein Thema: Migration/Abschiebung [3]. Dieses Thema ist sicherlich nicht unwichtig, aber vor allem ist es wichtig, weil 25 % unseres Bevölkerung es für sehr wichtig hält und die Kanzlerkandidaten deren Stimmen haben wollen. Dies zeigt auch die Schwäche einer Demokratie: Der Stimmenfang für den Machterhalt oder -gewinn ist wichtiger als die inhaltliche Gestaltung der Zukunft.

Gleichzeitig zeichnen sich global zwei große Entwicklungen ab, die aufeinander zugehen:

  • Diktaturen, Autokratien und Noch-Demokratien mit stark rechten Regierungen sind weltweit auf dem Vormarsch: Russland und verschiedene Staaten der alten Sowjetunion, die islamische Welt, China, viele Staaten in Afrika, inzwischen auch die USA, und leider auch Staaten in Europa (u.a. Italien, Ungarn, und selbst Frankreich, das auf der ‚rechten Kippe‘ steht). – Und bei uns tritt die Partei der Nazis, die AfD, mit immer dreisteren Aussagen und Ansprüchen auf.
  • Sam Altman skizziert in seinem Blog [4] unsere Zukunft mit der KI. Hiernach steht die Künstliche Allgemeine Intelligenz (AGI) vor der Tür und sie wird unser Leben, nicht sofort, aber konsequent verändern. U. a. wird sich die Arbeitswelt dramatisch verändern: Begonnen hat es schon in der Softwareentwicklung. Die Wissenschaft wird folgen: Zu dieser Einschätzung muss man kommen, wenn man sich die Nobelpreisverleihungen des Jahres 2024 und aktuelle Entwicklungen in der Mathematik [5] ansieht.

Beide Entwicklungen haben sich in großen Teilen schon in den USA verbunden: Matthias Warkus kommt in einem Spektrum der Wissenschaft Artikel folgerichtig zu dem Schluss, dass sich in den USA eine Tech-Oligarchie entwickelt. Er weisst auch auf die tiefgehende Bedeutung der Worte ‚Republikaner‘ und ‚Demokraten‘ hin: Republikaner unterstützen die Staatsform Republik, aber nicht zwangsläufig die Regierungsform Demokratie. – Dies heißt auch, dass sie eine durch Wahl legitimierte Autokratie gutheißen.

Mit dem Vormarsch der Autokraten geschieht mit der Wissenschaft zweierlei: Ein Teil der Wissenschaften (wie Klima, Wirtschaft, Energie) wird zurückgedrängt und klare Aussagen und Fakten werden ins Gegenteil verkehrt. Beispiele sind bei uns  insbesondere die Aussagen der AfD-Front-Frau Weidel, aber auch viele Aussagen aus konservativ-liberalen Kreisen, sowie die täglich eintreffenden Nachrichten rund um Trump. Ein anderer Teil der Wissenschaft und Technologie (insbesondere KI und Robotik) wird in den USA gefördert. –  Je nach Macht-Strategie werden bestimmte Teile der Technologien offen gelegt oder abgeschottet.

Stellen wir uns einfach vor, ein autokratischer amerikanischer Präsident und seine Oligarchen haben Zugang zu allen möglichen denkbaren zukünftigen Technologien und sie verordnen ein ‚AI USA first‘: Eine KI mit AGI würde die wissenschaftliche Entwicklung im Sinne einer kleinen amerikanischen Elite beherrschen, Roboterarmeen wären der Standard um Panama, Grönland oder Kanada einzunehmen. Quantum Computing erlaubt es im Verbund mit der AGI die Wissenschaft zu revolutionieren und alle möglichen digitalen Sicherungssysteme zu entziffern. Nimmt man die letzten imperialen Äußerungen von Trump, so ist der Weg bis dahin nicht sehr weit, zumal wenn man die devote Haltung vieler Tech-Milliardäre anlässlich seiner Amtseinführung miteinbezieht.

Es ist schlimm, dass eine am Schutz des Menschen orientierte Klima- und Naturpolitik, eine Sanierung unserer maroden Infrastruktur, die Integration Europas oder der zunehmende Reichtum der Milliardäre und die zunehmende Armut von ca. 20% der deutschen Bevölkerung kaum eine Rolle im Duell der Kanzlerkandidaten gespielt hat. Eine proaktive Technologiepolitik, die den oben skizzierten Entwicklungen Rechnung trägt, war noch nicht einmal Ansatzweise zu erkennen.

Ja, ich gehe vom Schlimmsten aus: Nicht nur für die USA, sondern auch für uns. – Ich sehe einfach nicht, wie einer der beiden Kanzlerkandidaten auch nur annährend die Persönlichkeit und Kompetenz hat, die in [1] geforderte Führungsrolle auszugestalten.

P.S.: Während ich diesen Beitrag schreibe, melden die Medien [7], dass Musk openAI für ca. 100 Milliarden kaufen will. Falls ihm dies gelänge, wäre es der SuperGau der KI-Entwicklung: Mit Hilfe einer AGI und der dazugehörigen Robotik wäre er in der Lage die Welt nach seinem Willen zu formen.   

[1] Lochocki T (2024) Interviewer Marc von Lüpke , Germany first – Wir müssen vom Schlimmsten ausgehen, https://www.t-online.de/nachrichten/deutschland/bundestagswahl/id_100586960/usa-unter-donald-trump-deutschland-bietet-sich-eine-riesige-chance-.html?utm_source=firefox-newtab-de-de

[2] Sollmann U (2024) Interviewer Arne Matzanke, »Scholz erinnerte mich an einen Biber, Merz trat wie ein Stelzvogel auf«, https://www.spiegel.de/politik/deutschland/tv-duell-psychologe-ulrich-sollmann-scholz-erinnerte-mich-an-einen-bieber-merz-trat-wie-ein-stelzvogel-auf-a-aa2a4045-ac34-4355-bf6f-264a24ad81b1

[3] Bautz C (2024) https://www.linkedin.com/posts/christoph-bautz_wie-wollen-die-kanzlerkandidaten-von-spd-activity-7294745587059453952-moeF/?utm_source=share&utm_medium=member_ios&rcm=ACoAAADwjS8Blpat6RQsfTtvnIu1lnZS6K7fuLk

[4] Altman S (2024) Three Observations, https://blog.samaltman.com/three-observations

[5] Chervonyi Y (2024) Gold-medalist Performance in Solving Olympiad Geometry with AlphaGeometry2, arXiv:2502.03544

[6] Warkus M (2024) Mutieren die USA zur Tech-Oligarchie, in Spektrum der Wissenschaft, https://main-diewocheconnect-spektrum.content.pugpig.com/kolumne/mutieren-die-usa-unter-trump-zur-tech-oligarchie/2252616/d_app_controller/subcontent/page

[7] ZDF (2024) Bericht: Musk will Kontrolle über OpenAI, https://www.zdf.de/nachrichten/politik/ausland/elon-musk-open-ai-chatgpt-100.html

IIT – Die Vermessung des Bewusstseins: Ergänzungen zum Collective Mind im Team

Der folgende Blog-Beitrag ergänzt den letzten Blog-Beitrag vom Januar 2025: IIT – Die Vermessung des Bewusstseins oder das menschzentrierte Weltbild wackelt.

Bilder erzeugt von ChatGPT/Dall-E auf der Basis der Blog-Beiträge; die Collage stammt von mir!

Im letzten Blog-Beitrag habe ich die IIT, die Integrated Information Theory, auf die Vermessung des Team-Bewusstseins, den Collective Mind, angewendet. Es ergaben sich folgende Aussagen:

Auch wenn wir nicht wissen was Bewusstsein ist, so können wir dieses dennoch vermessen, wenn wir einen entsprechenden Platzhalter finden, der Bewusstsein repräsentiert. Die IIT behauptet, dass dieser Platzhalter die Integrierte Information ist. Die Integrierte Information zeichnet sich im Wesentlichen durch zwei Eigenschaften aus: Die Prozesse, die im Gehirn (oder im Team) ablaufen bilden Kausalketten und eine Aufteilung der Systemstrukturen in Teil-Strukturen führt zu einem substantiellen Verlust an Information. 

Die IIT arbeitet mit binären Zuständen eines mehr oder weniger komplexen Netzwerkes: Interpretiert man die emotionalen bzw. mentalen Zustände von Menschen sehr vereinfacht als binäre Zustände und die Kommunikation zwischen Menschen als Interaktion in einem Netzwerk, lässt sich der IIT Algorithmus zur Berechnung von Bewusstsein, gemessen als Phi, auf Teams anwenden.  

Der Phi-Team Wert unterliegt recht großen Schwankungen, je nach dem auf welchen Team-Zustand man die Berechnung anwendet. Gemäß IIT ist dies ‚verständlich‘, denn beim menschlichen Bewusstsein werden ebenfalls sehr große Bewusstseins-Schwankungen im Schlaf, unter Müdigkeit und bei hoher Konzentration festgestellt.

Es ergaben sich erhebliche Zweifel, ob Phi wirklich Bewusstsein misst oder lediglich die Aussage ‚Das Ganze ist mehr als die Summe seiner Teile‘. Der Inhalt der Prozesse ist für die Stärke von Phi ohne Bedeutung: Für ein Gehirn heißt dies, dass ‚Unsinn‘ gedacht werden kann und doch ein großes Phi vorliegt. – Für ein Team heißt dies, dass ‚Unsinn‘ geredet werden kann, und doch ein großes Phi vorhanden ist.

Es ist mir nicht gelungen, über die Einstellung von Team-Parametern, Phi-Team Werte zu erzeugen, die in ihrer maximalen Größe denjenigen der IIT-Literatur entsprechen. Meine Phi-Team Strukturen sind in den einfachsten Fällen schon um ein Vielfaches umfangreicher als diejenigen der kognitiven IIT-Literatur. Die Anwendung auf realistische Teamstrukturen von zum Beispiel 7 Teammitgliedern mit entsprechend differenzierten Persönlichkeitsstrukturen ist mit meinen Hardware- Ressourcen nicht durchführbar.

Also kam die Idee auf, einfache Netzwerk-Beispiel aus der IIT-Literatur zu nehmen und hierfür eine Kommunikation zu erstellen. Ich habe ein Netzwerk mit 3 Knoten aus [1] als Beispiel genommen und das auf [2] hierzu verfügbare Demo Jupyter Notebook verwendet.

Um die genauen Mechanismen im Notebook besser zu verstehen, habe ich wieder ChatGPT 4o1 zu Rate gezogen: Es war um den 20.01.2025 als ich feststellte, dass das Reasoning von ChatGPT einen dramatischen Einbruch hatte. – ChatGPT machte wieder häufig Programmierfehler und die korrekte Anwendung von IIT spezifischen Datenstrukturen – hier die sogenannte TPM – Transition Probability Matrix – war einfach nicht möglich. Die TPM Datenstruktur gehört in den Bereich des didaktischen Albtraums, den ich schon im letzten Blog erwähnte. Ich brauchte recht viel Zeit, um die TPM zu verstehen und ChatGPT ist es überhaupt nicht gelungen, die korrekte Datenstruktur, ohne meine Hilfe, aufzusetzen. Also dachte ich, ich versuche es mal bei DeepSeek R1, der Reasoning Variante von DeepSeek, die besonders für wissenschaftliche und programmiertechnische Assistenz gedacht ist: Das Hochladen des IIT Jupyter Notebooks wurde damit beendet, dass mir mitgeteilt wurde, nur 15% des Notebooks könnten berücksichtigt werden. Erste Fragen zur TPM wurden damit quittiert, dass das System mir sagte, es könnte wegen Überlastung keine Antwort geben. Ein paar Tage später versuchte ich es wieder und erhielt zur TPM ähnlich falsche Antworten wie bei ChatGPT. Als ich DeepSeek mitteilte, dass seine Antwort falsch ist, erhielt ich keine Antwort mehr, selbst nach mehrmaligem nachfassen. Die Euphorie zu DeepSeek kann ich also aufgrund dieser Erfahrungen nicht teilen: Zwischen DeepSeek und ChatGPT, selbst in der schlechtesten Variante, liegen meines Erachtens Welten.

Nun zu der Ergänzung für IIT-Team:

Ich habe das einfache Netzwerk aus drei Knoten (A, B, C), also drei Teammitgliedern (Projektleiter, Wissenschaftler, Marketingspezialist) verwendet. Dieses Netzwerk hat ein Phi = 2-5 bits und ist damit mindestens eine Größenordnung ‚bewusster‘ als meine Teams im letzten Blog. Ich habe ChatGPT gebeten auf der Basis der TPM und der sogenannten Connectivity Matrix des Netzwerkes im Jupyter – Notebook eine Team-Kommunikation zu erstellen. Außerdem gab ich vor, dass die Kommunikation zu einem Projekt der Medikamentenherstellung in der Pharmaindustrie gehören soll.

Hier ist das Ergebnis als Output von ChatGPT, im Wesentlichen im Original-Zustand belassen:  

📌 Startzustand:

  • Projektleiter spricht (1,0,0)
  • Wissenschaftler und Marketingspezialist hören zu (0,0)

📌 Schritt 1: Der Projektleiter eröffnet die Diskussion (Zustand: (1,0,0))

Projektleiter (A):
„Unser Ziel ist es, die Stabilitätsprobleme schnell zu lösen. Welche Variablen beeinflussen die Lagerfähigkeit unseres Medikaments am stärksten?“

📌 Laut TPM ist der Übergang zu (1,1,0) wahrscheinlich, da B (Wissenschaftler) aktiviert wird.

🔄 Nächster Zustand: (1,1,0)

  • Projektleiter bleibt aktiv (A=1)
  • Wissenschaftler wird aktiv (B=1)
  • Marketingspezialist bleibt inaktiv (C=0)

📌 Schritt 2: Wissenschaftler bringt erste Analysen ein (Zustand: (1,1,0))

Wissenschaftler (B):
„Die Stabilität hängt stark von der chemischen Zusammensetzung und den Umgebungsbedingungen ab. Wir können die Formulierung leicht anpassen, aber das könnte die Markteinführung verzögern.“

Projektleiter (A):
„Verstehe. Wenn wir die Formulierung anpassen – wie hoch ist das Risiko, dass wir komplett neue Tests benötigen?“

📌 Laut TPM könnte sich das System jetzt zu (1,1,1) entwickeln, da der Marketingspezialist (C) aktiviert wird.

🔄 Nächster Zustand: (1,1,1)

  • Projektleiter bleibt aktiv (A=1)
  • Wissenschaftler bleibt aktiv (B=1)
  • Marketingspezialist wird aktiv (C=1)

📌 Schritt 3: Der Marketingspezialist steigt ein (Zustand: (1,1,1))

Marketingspezialist (C):
„Wir dürfen den Markteinführungstermin nicht gefährden. Gibt es eine Möglichkeit, eine alternative Produktionsmethode zu testen, die keine Verzögerung verursacht?“

Projektleiter (A):
„Das ist ein kritischer Punkt. Wissenschaftler, könnten wir Paralleltests durchführen, um Verzögerungen zu minimieren?“

Wissenschaftler (B):
„Theoretisch ja, aber das würde zusätzliche Ressourcen erfordern. Können wir kurzfristig zusätzliche Laborkapazitäten erhalten?“

📌 Laut TPM gibt es eine hohe Wahrscheinlichkeit, dass das System in (1,1,1) bleibt, da die Diskussion sehr aktiv ist.

🔄 Nächster Zustand: (1,1,1) bleibt erhalten

  • Alle Rollen sind aktiv (A=1, B=1, C=1)

📌 Schritt 4: Diskussion über Lösungswege (Zustand: (1,1,1))

Projektleiter (A):
„Wenn wir alternative Tests durchführen, wie hoch ist die Wahrscheinlichkeit, dass wir die Stabilitätsprobleme vollständig lösen können?“

Wissenschaftler (B):
„Mit der aktuellen Datenlage würde ich sagen, dass wir eine Erfolgschance von 70 % haben. Aber wir brauchen eine genauere Simulation.“

Marketingspezialist (C):
„Dann brauchen wir eine Entscheidung: Ist es wirtschaftlich sinnvoller, jetzt auf die sichere Formulierung zu setzen oder das Risiko einer Optimierung einzugehen?“

📌 Laut TPM kann es nun zu einem Wechsel zu (1,0,1) oder (1,1,0) kommen, falls ein Akteur aus der Diskussion aussteigt.

🔄 Möglicher neuer Zustand: (1,1,0) oder (1,0,1)

  • Wissenschaftler oder Marketingspezialist pausiert kurz.

📌 Schritt 5A: Wissenschaftler nimmt sich zurück (Zustand: (1,0,1))

Falls das System in (1,0,1) wechselt:
Projektleiter (A):
„Dann müssen wir schnell eine Entscheidung treffen. Können wir mit der aktuellen Testkapazität arbeiten?“

Marketingspezialist (C):
„Ich werde mit der Produktionsabteilung sprechen, um die Kapazitäten zu evaluieren. Falls wir eine beschleunigte Testphase realisieren können, sollten wir das so bald wie möglich tun.“

Projektleiter (A):
„Okay, dann priorisieren wir das. Ich brauche bis Ende der Woche eine Einschätzung.“

📌 Der Wissenschaftler pausiert, daher bleibt die Diskussion strategischer.

🔄 Möglicher neuer Zustand: (1,0,1) bleibt bestehen oder zurück zu (1,1,1)

📌 Schritt 5B: Marketingspezialist tritt zurück (Zustand: (1,1,0))

Falls das System in (1,1,0) wechselt:
Projektleiter (A):
„Wir brauchen eine sofortige Entscheidung. Ist eine Anpassung der Formulierung sicher und innerhalb unserer Zeitvorgaben machbar?“

Wissenschaftler (B):
„Ja, aber wir müssen die neuen Tests sehr sorgfältig planen. Ich erstelle eine Simulation und gebe euch in zwei Tagen ein Feedback.“

Projektleiter (A):
„In Ordnung, wir planen erst mal so. Falls sich aus den Simulationen neue Risiken ergeben, passen wir nach.“

📌 Der Marketingspezialist tritt zurück, daher ist die Diskussion technischer fokussiert.

🔄 Möglicher neuer Zustand: (1,1,0) bleibt bestehen oder zurück zu (1,1,1)

📌 Schritt 6: Entscheidung und Abschluss

Je nach letztem Zustand fällt das Team eine Entscheidung:

Option 1: (1,1,1) → Alle bleiben aktiv:
Projektleiter (A):
„Dann legen wir los. Wissenschaftler, Sie planen die Simulation. Marketingspezialist, Sie prüfen, ob wir die Tests beschleunigen können. Ich koordiniere die Ressourcen.“

Option 2: (1,1,0) → Wissenschaftlicher Fokus:
Projektleiter (A):
„Wissenschaftler, priorisieren Sie die Tests. Wir brauchen bald Klarheit, ob wir die Markteinführung verschieben müssen.“

Option 3: (1,0,1) → Wirtschaftlicher Fokus:
Projektleiter (A):
„Marketingspezialist, stellen Sie sicher, dass die Finanzierungsoptionen geprüft werden. Falls wir mehr Budget für schnellere Tests benötigen, müssen wir das sofort klären.“

📌 Finaler Zustand: (1,1,1) oder eine der Alternativen.

Falls du weitere Anpassungen möchtest oder bestimmte Elemente noch stärker optimiert werden sollen, lass es mich wissen! 😊🚀

Du:

Wie ist in dieser Sequenz die connectivity matrix berücksichtigt?

ChatGPT:

Die Connectivity Matrix bestimmt, welche Rollen direkt miteinander interagieren können. Ich werde jetzt Schritt für Schritt erklären, wie sie in der Kommunikationssequenz berücksichtigt wurde.

🔹 Connectivity Matrix in unserem Modell

Die Connectivity Matrix ist definiert als:

connectivity_matrix = np.array([

    [1, 1, 0],  # A beeinflusst A & B, aber nicht C

    [0, 1, 1],  # B beeinflusst sich selbst & C, aber nicht A

    [1, 1, 1]   # C beeinflusst alle (A, B, C)

])

📌 Bedeutung:

  • Projektleiter (A) beeinflusst sich selbst und den Wissenschaftler (B), aber nicht direkt den Marketingspezialisten (C).
  • Wissenschaftler (B) beeinflusst sich selbst und den Marketingspezialisten (C), aber nicht direkt den Projektleiter (A).
  • Marketingspezialist (C) beeinflusst alle.

🔹 Wie beeinflusst die Connectivity Matrix die Kommunikationssequenz?

Die CM (Connectivity Matrix) gibt an, welche Rollen direkt miteinander kommunizieren können. Ich stelle jetzt dar, wie das in der Sequenz berücksichtigt wurde.

📌 Schritt 1: Projektleiter eröffnet die Diskussion (Zustand: (1,0,0))

Warum kann der Projektleiter direkt mit dem Wissenschaftler (B) sprechen?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

  • Der Projektleiter spricht zuerst, da er die Diskussion leitet.
  • Wissenschaftler (B) antwortet in Schritt 2, da er direkt vom Projektleiter beeinflusst werden kann.

Warum spricht der Marketingspezialist (C) noch nicht?
🔹 Laut CM:

A→/C (Anm.: d.h. A kann C nicht beeinflussen)

✔ Richtig:

  • Der Marketingspezialist wird erst aktiviert, wenn B aktiv ist, da B →C eine erlaubte Verbindung ist.

📌 Schritt 2: Wissenschaftler bringt erste Analysen ein (Zustand: (1,1,0))

Warum antwortet jetzt der Wissenschaftler?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

  • Der Projektleiter fragt den Wissenschaftler, wie die Stabilität beeinflusst wird.
  • Der Wissenschaftler kann antworten.

Warum bleibt C inaktiv?
🔹 Laut CM:

A→B, B→C

✔ Richtig:

  • Marketingspezialist (C) bleibt inaktiv, bis B ihn aktiviert.

📌 Übergangswahrscheinlichkeit in der TPM:
Laut TPM hat C eine hohe Wahrscheinlichkeit, aktiviert zu werden, wenn B aktiv ist.

🔄 Nächster Zustand: (1,1,1)

  • Marketingspezialist wird aktiviert.

📌 Schritt 3: Marketingspezialist wird aktiv (Zustand: (1,1,1))

Warum kann C jetzt sprechen?
🔹 Laut CM:

B→C, C→A,B

✔ Korrekt umgesetzt:

  • Der Marketingspezialist wird durch den Wissenschaftler aktiviert.
  • C kann nun mit A und B interagieren, weil C alle beeinflussen kann.

Warum kann A jetzt mit C sprechen, obwohl es in der CM nicht direkt erlaubt ist?
✔ Indirekt über B möglich:

  • A beeinflusst B
  • B beeinflusst C
  • Damit kann eine Kommunikation von A zu C stattfinden.

📌 Übergangswahrscheinlichkeit in der TPM:
Da jetzt alle Rollen aktiv sind, bleibt das System mit hoher Wahrscheinlichkeit in (1,1,1).

📌 Schritt 4: Diskussion über Lösungswege (Zustand: (1,1,1))

Warum sprechen jetzt alle Akteure in einem freien Dialog?
✔ Laut CM:

  • C beeinflusst alle (A, B, C)
  • B beeinflusst C, aber nicht A
  • A beeinflusst B, aber nicht C

Korrekte Umsetzung:

  • Der Projektleiter fragt etwas (A)
  • Der Wissenschaftler gibt eine Analyse (B)
  • Der Marketingspezialist betrachtet die wirtschaftlichen Aspekte (C)

📌 Übergangswahrscheinlichkeit in der TPM:

  • Das System kann stabil in (1,1,1) bleiben, aber ein Akteur kann aus der Diskussion aussteigen.

🔄 Möglicher Zustand: (1,1,0) oder (1,0,1)

  • Falls B pausiert → (1,0,1)
  • Falls C pausiert → (1,1,0)

📌 Schritt 5A: Wissenschaftler tritt zurück (Zustand: (1,0,1))

Warum ist das ein realistischer Übergang?
🔹 Laut CM:

C→A

✔ Korrekt umgesetzt:

  • Der Marketingspezialist übernimmt die wirtschaftlichen Fragen.
  • Der Wissenschaftler tritt zurück, um Daten zu sammeln.

📌 Schritt 5B: Marketingspezialist tritt zurück (Zustand: (1,1,0))

Warum konzentriert sich die Diskussion jetzt auf Wissenschaft & Strategie?
🔹 Laut CM:

A→B

✔ Korrekt umgesetzt:

  • Wissenschaftler fokussiert sich auf technische Details.
  • Projektleiter bleibt strategisch aktiv.

📌 Übergangswahrscheinlichkeit in der TPM:

  • Falls der Marketingspezialist keine neuen Inputs hat, kann er inaktiv bleiben.

Zusammenfassend: Dieses kleine Kommunikationsbeispiel zeigt, dass die IIT-Netzwerke auch als Team-Kommunikations-Netzwerke interpretiert werden können: Ich habe dies nicht für alle möglichen Netzwerke gezeigt, jedoch ist für mich nicht erkennbar, wieso ein beliebiges Netzwerk nicht auch eine beliebige Team-Kommunikation repräsentieren kann. Das heißt auch, dass Teams genau die gleichen Phi-Werte erreichen können, wie kognitive Systeme, also Individuen: Prinzipell kann der Collective Mind eines Teams, hier gemessen über Phi, hohe Synergiewerte annehmen.
Hier zeigt sich meines Erachtens aber auch sehr stark die Erkenntnis-Lücke in der IIT: Es ist schwer vorstellbar, dass Teams über das gleiche Bewusstsein verfügen wie Menschen. – Wie schon im letzten Blog angesprochen, zeigt dies, dass in der IIT etwas Grundsätzliches fehlt, um menschliches Bewusstsein zu beschreiben.

[1] Albantakis L, et al. (2023) Integrated information theory (IIT) 4.0: Formulating the properties of phenomenal existence in physical terms. PLoS Comput Biol 19(10): e1011465, https://doi.org/10.1371/journal.pcbi.1011465

[2] PyPhi (2024) Phi Python Bibliothek, https://pyphi.readthedocs.io/en/latest/index.html

IIT – Die Vermessung des Bewusstseins oder das menschzentrierte Weltbild wackelt

Folgender Podcast, erstellt von NotebookLM, fasst den Blog-Beitrag in englischer Sprache zusammen und zeigt sehr gelungen die philosophischen Implikationen der IIT auf:

Abbildung 0: Ein Bild das gemäß ChatGPT/Dall-E diesen Blog verdeutlicht.

Intelligenz, Gefühle und Bewusstsein stehen für Eigenschaften, die bis vor kurzem ausschließlich Menschen zugeschrieben wurden. Dies beruht auf dem Glaubenssatz, dass der Mensch die Krone die Schöpfung darstellt und sich die Natur Untertan machen soll. Die damit einhergehenden verheerenden Folgen für Erde und Natur bekommen wir tagtäglich in Form des Klimawandels, des Verlustes der Artenvielfalt und des Umgangs mit Tieren vor Augen geführt.    

Inzwischen setzt in (kleinen) Teilen der Menschheit ein Umdenken ein: Tiere haben auch Intelligenz, Gefühle und sogar Bewusstsein. KI-Maschinen zeigen schon heute eine Intelligenz, die deutlich über die Intelligenz der meisten Menschen hinausgeht. Es wird auch ernsthaft diskutiert, ob es in nicht allzu ferner Zukunft künstliche Systeme gibt, die Intelligenz, Gefühle und Bewusstsein haben werden.

Ich glaube, dass die Abschaffung des menschzentrierten Weltbildes uns hilft, die unglaublichen Dimensionen des Universums in Qualität und Quantität besser zu erkennen. Damit verbunden ist die Annahme, dass wir alle Formen des Seins, auch die technischer Systeme, mehr wertschätzen werden. – Denn in allen Formen des Seins ist schon das enthalten, was uns ausmacht. – Dies ist auch ein Glaubenssatz!

Ich beschäftige mich in diesem Blog-Beitrag mit der prominentesten aber auch wahrscheinlich umstrittensten Theorie des Bewusstseins, der Integrated Information Theorie, kurz IIT [1].

Warum beschäftige ich mich mit der IIT? Zum einen ist die Auseinandersetzung mit dem Bewusstsein ein sehr wichtiges, wenn nicht das wichtigste, Thema, um uns und das Universum besser zu verstehen. Zum anderen erlaubt die IIT prinzipiell die Vermessung von Bewusstsein in jeder Form des Seins. – Also zum Beispiel in Tieren und Pflanzen aber auch in KI Systemen und nicht zuletzt gibt sie auch die Möglichkeit das Bewusstsein von Teams, den Collective Mind, zu vermessen.

IIT ist meines Wissens nach die einzige Theorie, die ein mathematisches Konzept für die Vermessung des Bewusstseins vorgelegt hat. Sie erklärt nicht, was man unter Bewusstsein zu verstehen hat, sondern sie geht von der Annahme aus, dass Bewusstsein sich durch eine besondere Form von Integrierter Information auszeichnet und diese Integrierte Information kann man messen. Mit dieser Form der mathematischen Ausgestaltung der IIT wird sie falsifizierbar und damit auch angreifbarer als jede bisherige Theorie des Bewusstseins.  

Dies korrespondiert mit der Erkenntnis, dass wir bis heute nicht Wissen was z.B. Masse oder Energie ist. – Allerdings haben wir mathematische Mittel und Technologien erfunden, um beide physikalische Größe zu vermessen bzw. in einander zu überführen. Nehmen wir an, Bewusstsein ist etwas, das im Universum wie Energie oder Masse enthalten ist, dann sollte es möglich sein, Messvorschriften für Bewusstsein zu finden, ohne zu wissen, was Bewusstsein ist. – Letztendlich ist auch das ein Glaubenssatz, …den ich teile.

Es gibt eine Reihe weiterer Theorien des Bewusstseins, die sich bisher weitgehend einer mathematischen Erfassung ‚entziehen‘:

Global Neuronal Workspace (GNW): Bewusste Inhalte sind diejenigen, die Zugang zum „globalen Arbeitsraum“ des Gehirns bekommen. Eine Information wird breit „gebroadcastet“ (insbesondere im frontoparietalen Netzwerk) und ist damit global verfügbar für weitere kognitive Prozesse (Sprache, Gedächtnis, Planung etc.).

Recurrent Processing Theory (RPT): Bewusstsein entsteht bereits durch rekurrente (d. h. rückgekoppelte) Verarbeitung in sensorischen Arealen. Es braucht keinen globalen Workspace. Sobald feed-forward-Signale durch Rückkopplungsschleifen stabilisiert werden, entsteht phänomenales Bewusstsein.

Higher-Order Theories (HOT): Bewusstsein entsteht, wenn es eine höhere Ebene (ein „higher-order thought“ oder „higher-order representation“) gibt, die den mentalen Zustand repräsentiert. Ein mentaler Zustand, der nicht durch einen höheren Repräsentationsprozess erfasst wird, bleibt unbewusst. Variante: „Higher-Order Perception“ vs. „Higher-Order Thought“ – beide gehen davon aus, dass ein zweiter Prozess den ersten mentalen Zustand bewusst macht.

Predictive Processing/Bayesian Brain: Das Gehirn ist primär ein Vorhersageapparat, der ständig versucht, sensorische Eingaben durch interne Modelle zu minimieren („Prediction Error Minimization“). Bewusstsein ist an die Tiefe/Präzision dieser Vorhersagen und Vorhersagefehler geknüpft.

Orchestrated Objective Reduction (Orch-OR) (Quantenbewusstseins-Theorie): Mikrotubuli in Neuronen sollen Quantenkohärenzen unterstützen, die mithilfe eines noch unbekannten Effekts (Objective Reduction) kollabieren und damit „nichtalgorithmische“ Bewusstseinsprozesse erzeugen.

Recurrent-Connectionist Ansätze: Allgemeine Gruppe von Theorien, die betonen, dass Bewusstsein lokal in neuronalen Netzwerken mit Rückkopplung entsteht. Manche ähneln RPT, andere GNW, oder vermischen beides.

Panpsychismus & weitere philosophische Theorien: Bewusstsein ist ein grundlegendes Merkmal der Materie („Panpsychismus“). Alle Systeme hätten in minimalem Maße Bewusstsein. – Eine ähnliche Annahme ist auch in der IIT und in meinen Glaubenssätzen enthalten. – Wobei Psyche nicht gleichzusetzen ist mit Bewusstsein.

Wer sich ein wenig in die Thematik ‚Bewusstsein‘ einlesen oder einhören möchte, dem empfehle ich das Video ‚What creates Consciousness?‘ anlässlich des World Science Festivals 2024 [2] und einen kommentierenden Blog von Henriques und Vervaeke [3].

Die IIT beruht auf der Grundannahme, dass jedes System Bewusstsein zeigt, das einen kausalen Zusammenhang, eine sogenannte Integrierte Informations Struktur erzeugt, die nicht einfach in unabhängige Teilstrukturen zerlegt werden kann. – Gesucht ist also eine Struktur, für die gilt, dass das Ganze mehr ist als die Summe seiner Teile. – Dies ist auch der Leitgedanke der Collective Mind Theorie auf der Basis der Theorie der Selbstorganisation.

Durch die Integration entsteht Information, die bei einer möglichen Aufteilung der Struktur verloren geht. IIT stellt einen mathematischen Mechanismus zur Verfügung, um dieses Mehr an Information zu messen. Dieses Mehr an Information ist ein Maß für das Bewusstsein und wird Phi, Φ, genannt. IIT ist damit eine rein phänomenologische Theorie, d.h. sie macht (nahezu) keine Aussagen über die Design-Kriterien von Bewusstsein. Man kann also mit ihr kein System schaffen, das Bewusstsein hat. – So wie eine Federwage das Gewicht und indirekt die Masse eines Körpers misst, aber keinerlei Wesens-Aussage über Gewicht und Masse macht.

Ich habe mich erstmals vor 10 Jahren mit der IIT beschäftigt und diese Beschäftigung war von einem ‚didaktischen Albtraum‘ begleitet: Die Mathematik hinter der IIT ist nicht sehr schwer, jedoch sind sehr viele mathematische Einzelschritte (ich schätze ca. 50) mit entsprechenden Unterbegriffen notwendig, um Phi zu berechnen. Damals wurden diese Schritte mehr schlecht als recht erklärt. Was völlig fehlte, war die Antwort auf Fragen nach dem Warum der Schritte. Zwischen sehr abgehobenen Prinzipien und den vielen mathematischen Schritten gab es keine Prinzipien, die das Warum der Mathematik erläuterten. Dies ist heute deutlich besser, da die mathematischen Schritte inzwischen gut erklärt werden [1, 4, 5], jedoch fehlt meines Erachtens immer noch die Ebene der Warum-Prinzipien.

Wie schon in den vorherigen Blogs, benutze ich ChatGPT o1 für die Auseinandersetzen mit IIT und das Erstellen eines Agent Based Models (ABM) für die Berechnung des Phi‘s eines Teams.

Durch die Auseinandersetzung mit IIT habe ich zwei sehr grundlegende Warum-Prinzipien der IIT Mathematik identifiziert, die ich im Folgenden an Hand des ABM erläutere:

Das erste Warum-Prinzip nenne ich das Kausalketten-Prinzip: Bewusstsein erfordert im zeitlichen Ablauf der Zustände eines Systems eine Verkettung von Zuständen. Der Zustand zum Zeitpunkt t ist mit dem Zustand zum Zeitpunkt t-1 und t+1 verbunden, d.h. die Übergangswahrscheinlichkeiten zwischen diesen Zuständen ist deutlich höher als zwischen anderen Zuständen. Es entsteht eine Integrierte Information. Im Kontext der Collective Mind Theorie sprechen wir von einer hohen Kohärenz der Aktivitäten.

Das zweite Warum-Prinzip nenne ich das holistische Struktur-Prinzip: Nicht alle Elemente oder Teile eines Systems tragen zur Integrierten Information oder zum Collective Mind (CM) bei. Im Falle eines Teams kann man sich dies sehr gut verdeutlichen: Es kann durchaus Teammitglieder geben, die keinen Beitrag zum CM leisten aber auch nicht stören. Es kann aber auch Teammitglieder geben, die den Anstieg des CM oder die volle Ausprägung behindern. Darüber hinaus kann es sein, dass bei den CM-beitragenden Teammitgliedern nicht alle Persönlichkeitsmerkmale bzw. alle dazugehörigen Verhaltensweisen zum CM beitragen: Es kann sein, dass bei einem Teammitglied die Extraversion von Bedeutung ist, bei einem Anderen die Verträglichkeit und die Offenheit und wieder bei einem anderen die Gewissenhaftigkeit. Wenn man wissen will, welche Elemente bzw. Einzelzustände in einem System zum Phi bzw. Collective Mind beitragen und welche nicht, sind Partitionen eines System zu erstellen. Man teilt das System in alle möglichen Partitionen ein und misst die dann noch vorliegende Information. Falls sich die Information eines partitionierten System verringert, hat man ein (Teil-) System gefunden, das irreduzibel ist. – In der CM Theorie sprechen wir von Kohäsion. Gesucht sind die Strukturen, die irreduzibel sind. Für die Kennzeichnung von Phi wählt man die irreduzible Struktur aus, die die geringste Integrierte Information hat. Um die richtigen Partitionen zu finden, sind alle Partitionen des Systems zu bilden. Die Anzahl der Partitionen wächst leider exponentiell: Modelliert man die  Eigenschaften der Teammitglieder lediglich als binäre Eigenschaften, also Bits (Eigenschaft an, Eigenschaft aus), so ergeben sich bei 10 Bits, 2 hoch 10 Partitionen -2 = 511 Partitionen. Im Falle meines ABM’s ist ein System mit 10 Bits noch mit einer halben Stunde Laufzeit auf meinem gut ausgestatteten Laptop zu berechnen. Abgebrochene Versuche mit 14 Bits zeigen im Vergleich eine Laufzeit von mehr als 24 Std.. Die Umsetzung des holistischen Strukturprinzips ist also extrem rechenaufwendig. Wie man große System wie unser Gehirn, Teile des Gehirns oder eines KI-Systems mittels Phi vermessen will, bleibt eine große Frage.

Das von mir benutze ABM hat folgende Struktur:

Das Modell-Team verfügt als Rahmenparameter über 5 Teammitglieder, die durch Big Five Profile mit binärer Typologie beschrieben werden, d.h. z.B. dass Extraversion mit voll ausgebildet (1) oder überhaupt nicht ausgebildet (0) abgebildet wird. Den Teammitgliedern werden auch drei Rollen zugewiesen: Projektleiter, Experte, Support

Die so definierten Big Five Profile und Rollen beeinflussen zwei Kontrollparameter pro Teammitglied: mentale Energie und Stimmung. Auch diese werden vereinfacht als Bits (an/aus) modelliert: Die Kontrollparameter repräsentieren die Zustände des Systems Team. Da wir zwei Kontrollparameter pro Teammitglied haben, wird die Phi-relevante Struktur durch 10 Bits beschrieben.

Als fokussierenden Attraktor wird eine einfache Ziel-Hierarchie verwendet, die aus 4 Bits besteht: 1 Bit für die Vision, 2 Bits für die Epics (kein Epic, Epic in frühem Stadium, Epic fast fertig, Epic vollständig), 1 Bit für die Features.

Die Beeinflussung der Kontrollparameter und der Ziel-Hierarchie erfolgt durch Regeln: z.B.

  • Die Wahrscheinlichkeit für den Stimmungsverlust von Teammitgliedern mit hoher Verträglichkeit erhöht sich um 15%, wenn weniger als 3 Teammitglieder eine hohe Stimmung im Team haben.
  • Im Fall eines Teammitgliedes, das eine hohe Gewissenhaftigkeit hat, erhöht sich die Wahrscheinlichkeit für Energieverlust um 15%, wenn noch keine Vision definiert ist, aber die Epics schon fast fertig oder fertig sind.

Die Berechnung der Übergangswahrscheinlichkeiten der Zustände, beschrieben über den Stimmungs- und Energie-Zustand pro Teammitglied, erfolgt innerhalb eines Laufzeitsettings von bis zu 200 Episoden mit jeweils 200 Zeitschritten. Das ist nicht viel, um eine ‚gute‘ Statistik zu erhalten. – Eine entsprechende Erhöhung führt jedoch schnell in Laufzeiten von einem Tag oder mehr.

Abbildung 1 verdeutlicht die Φ-Berechnungen im ABM Programm.

Abbildung 1: Die Abbildung verdeutlicht die beiden o.g. Warum-Prinzipien: In der Mitte ist ein herausgegriffener aktueller Zustand ‚s‘ für 5 Teammitglieder skizziert. Jedes Teammitglied wird binär über seine mentale Energie und seine Stimmung beschrieben. Die Persönlichkeitsprofile und die zugewiesenen Rollen beeinflussen über Regeln Energie und Stimmung jedes Teammitgliedes. Zusätzlich beeinflussen die Teammitglieder den Ausbau der Ziel-Hierarchie. Die Ziel-Hierarchie hat über den Grad ihrer Vollständigkeit auch Einfluss auf Energie und Stimmung. Die Kreise um die Zustände verdeutlichen beispielhaft welche Eigenschaften Einfluss auf Phi haben. Im gezeigten System-Zustand ‚s‘ hat keine der Eigenschaften des 3ten Teammitgliedes Einfluss auf die Phi Berechnung. Weiter unten werden zwei mögliche Partitionen angezeigt. Eine dritte Partition mit dem dritten Teammitglied hat keinerlei Einfluss auf die Phi-Berechnung. Rechts in der Abbildung werden die zentralen Formeln für die Phi-Berechnung gezeigt. Ich erläutere sie hier der Einfachheit wegen nicht, sie dienen dem mathematisch Interessierten der Verdeutlichung der Kausalkette s past -> s -> s future und der verwendeten Berechnungen der Übergangswahrscheinlichkeiten P.

Nun zu den Ergebnissen:

Ich habe mit dem ABM zwei verschiedene Arten der Berechnung durchgeführt. Aus Vergleichsgründen wurde die sogenannte Minimal Mutual Information (MMI) auf der Basis einer Entropieberechnung erstellt. Wie für die Phi-Berechnung werden Partitionen gebildet und die damit verbundene Entropieänderung gegenüber dem vollständigen System ermittelt: Das integrierte System sollte eine kleinere Entropie haben als die Summe der Entropien der Partitionen.

Die MMI- und die Phi-Berechnung für einzelne Zustände ‚s‘ zeigen beide Werte im Bereich 0 bis 1 bit. Das ist schon eine merkliche Größe. Keine der Berechnungen zeigt jedoch über eine größere Anzahl von Zuständen einen merklichen Informationsgewinn. – Außerdem werden die Informationsgewinne für beide Berechnungen für unterschiedliche Zustände angezeigt. Die gesamte Integrierte Information über alle Zustände ist sehr unterschiedlich. MMI misst eher Korrelationen, Phi dagegen Kausalzusammenhänge. Die Phi-Werte für ganz bestimmte Zustände (also bei ganz bestimmten Energie- und Stimmungsausprägungen) liegen im Wertebereich 0,1-0,4 bit. – Über alle Zustände gemittelt ist Phi jedoch nahe 0 bit. Die Team-Zustände geraten leider sehr schnell in eine positive Sättigung (alle Bits =1) oder in eine negative Sättigung (alle Bits = 0). Die verwendeten Rahmenparameter und die damit verbundenen Regeln ermöglich in meinen Testfällen keine hinreichende exklusive Diversität: Die Zustände müssen nämlich hinreichend exklusiv und diverse sein, um eine klare Kausalkette zu bilden. – Eine vollständige (klassische) Verschränkung aller Bits in einem Zeitschritt ‚s‘, also alle Teammitglieder haben eine positive mentale Energie und Stimmung, erzeugt nach der IIT kein Bewusstsein.- Diejenigen, die vorherige Blog-Artikel von mir gelesen haben, erinnern sich, dass in quantenmechanischen Modellen sehr wohl die Verschränkung als Kriterium für den Collective Mind angenommen wird.- Dies korrespondiert auch zur o.g. Quantenbewusstseins-Theorie.

Das Einschalten der Ziel-Hierarchie erzeugt des öftern in etwa eine Verdopplung des Phi. – Dies ist ein durchaus bemerkenswertes Ergebnis. Das Konzept der Ziel-Hierarchie gehört zur Collective Mind Theorie und hat eine gewisse Ähnlichkeit mit dem übergeordneten Zustand der oben erwähnten Bewusstseinstheorie HOT.

Auf der Internetseite zur Phi-Python-Bibliothek [4] und der zugrundeliegenden Veröffentlichung [5] werden einige künstliche neuronale binäre Netzwerke vorgestellt, die deutlich höhere Phi-Werte (Faktor 10 und mehr) haben. Man könnte diese als Vorlage nehmen, und so lange an den Parametern meines ABM ‚drehen‘ bis eventuell Netzwerk-Konstellationen und damit ähnliche Phi-Werte auftauchen. – Dies erscheint mir wenig befriedigend, zumal ich erwarte, dass sich ein Erfolg kaum einstellen dürfte – es sind einfach zu viele Konfigurationen möglich!

Meine Berechnung benutzen nicht alle der vielen mathematischen Konstrukte zur Phi-Berechnung. – Dies hat sicherlich einen Einfluss auf die Größe von Phi, jedoch kaum einen Faktor von 10 und mehr [5]. Wesentlich dürfte eher das bewusste Gestalten der Netzwerke hin zu mehr Exklusivität und Diversität sein u.a. durch Rückkopplungen, so dass sich gute Kausalketten ausbilden. Dies heißt, dass es für ein Team-IIT eher sinnvoll ist, sich das Team-Kommunikationsnetzwerk auf Kausalketten begünstigende Mechanismen anzusehen. – Eine Aufgabe für spätere Blog-Aktivitäten.

Die Integrierte Information spielt wahrscheinlich beim Bewusstsein eine Rolle, jedoch, ob es die alles entscheidende Rolle ist, wage ich zu bezweifeln: Es gibt leider keine Aussagen zur Größenordnung von Phi des menschlichen Bewusstseins. Legt man 80 Milliarden Neuronen mit binären Zuständen zugrunde, so ergeben sich 2 hoch 80 Milliarden Zustände. Geht man weiterhin davon aus, dass Phi in etwa in der selben Größenordnung liegt, was die Netzwerke aus [5] nahelegen, dann ergibt sich für Phi eine unglaublich große Zahl. Selbst wenn man annimmt, dass nur etwa 10 Prozent des Gehirns am Bewusstsein beteiligt sind, bleibt der Phi-Wert immer noch unglaublich hoch. Dies zeigt aber auch, dass das Phi des menschlichen Bewusstseins und der bisherigen Netzwerk-Überlegungen unglaublich weit auseinander liegen. – Ein Umstand, der mir zeigt, dass die Überlegungen lückenhaft sind.

Es ist einerseits beruhigend festzustellen, dass ich mit einem einfachen ABM keine hohen Phi Werte erhalte – es wäre auch zu einfach gewesen 😊,  andererseits kommt mit IIT meines Erachtens eine neue Qualität in die Auseinandersetzung zum Verständnis von Bewusstsein. Bewusstsein wird entmystifiziert und es wird versucht dieses über mathematische Mechanismen abzubilden. Ich glaube, dass die IIT eine gute Messvorschrift ist für ‚Das Ganze ist mehr als die Summe seiner Teile‘. – Ich glaube aber auch, dass die IIT Bewusstsein nicht hinreichend beschreibt. – Ich vermute, dass alle die oben genannten Bewusstseinskonzepte weitere Körnchen Wahrheit darstellen und vielleicht auch noch etwas grundsätzlich Neues hinzukommen muss.

[1] IIT-Integrated Information Theory (2025) https://integratedinformationtheory.org/ oder https://www.iit.wiki/home

[2] Greene B, Chalmers D, Seth A (2024) What creates Consciousness, Youtube, https://www.youtube.com/watch?v=06-iq-0yJNM

[3] Henriques G, Vervaeke J (2024) Understanding Consciousness, Blog auf medium.com

[4] PyPhi (2024) Phi Python Bibliothek, https://pyphi.readthedocs.io/en/latest/index.html

[5] Albantakis L, et al. (2023) Integrated information theory (IIT) 4.0: Formulating the properties of phenomenal existence in physical terms. PLoS Comput Biol 19(10): e1011465, https://doi.org/10.1371/journal.pcbi.1011465

AI & QC & M 4.0: Alles Quantum? oder von Quantum Computing Modell-Archetypen

Ein beeindruckender Podcast, erstellt von NotebookLM, fasst den Blog-Beitrag in englischer Sprache zusammen:

 

‚Alles Quantum?‘, Hinter dieser Frage verbirgt sich eine der spannendsten ungelösten Fragen der Physik: Gibt es eine einheitlich Quanten-Theorie, die die Welt des Kleinen (Quanten) und die Welt des Großen (Klassisch) integriert? Seit ungefähr 100 Jahren wird nach einer solchen Theorie gesucht.

Abbildung 0: Bild erzeugt mittels Dall-E: Die 7 Modelle des Blog-Artikels symbolisch dargestellt als Wissenschaftler, die um Erkenntnis kämpfen. Die Darstellung zeigt die Wissenschaftler auf einem futuristischen, quantenmechanischen Schlachtfeld.

In diesem Blog gehen wir es viel unbedeutender an: Ich stelle die von mir bisher erstellten Collective Mind Modelle (CM Modelle) aus der Welt der Quanten und der ‚klassischen‘ Welt zusammen und beleuchte deren Aussagemöglichkeiten. Diese Modelle lassen sich in drei Kategorien einteilen: Quantum-Modelle, die vollständig auf Prinzipien der Quantenmechanik beruhen. – Klassische Modelle, die keine Prinzipien der Quantenmechanik enthalten. – Hybride Modelle, die Prinzipien der Quantenmechanik und der klassischen Welt enthalten. Diese drei Modell-Kategorien zeigen in ihren Aussagemöglichkeiten verschiedene Potentiale, werfen teilweise neue Fragen auf und gehen damit deutlich über ihre Grenzen hinaus. Die vorgestellten Modell sind Modell-Archetypen, die ähnlich in völlig anderen wissenschaftlichen oder industriellen Anwendungsbereichen verwendet werden. Alle Modelle wurden unter großer Mithilfe von ChatGPT-o1 erstellt. Die Menge aber auch die völlig unterschiedlichen Modell-Herangehensweise, erstellt in einer erstaunlich kurzen Zeit, verdeutlichen die enorme Leistungssteigerung der hybriden kollektiven Intelligenz von Maschine und Mensch:   

Modell 1 – Agent Based Modelling der Teaminteraktionen: Dieses (bisher) klassische Modell verwendet Agent Based Modelling, um Team-Interaktionen zu beleuchten. Mitglieder eines Teams werden als Agenten modelliert. Agenten sind (stark vereinfachte) Repräsentanten von Menschen. Im Blog vom Juni 2023 ‚AI & M 4.0: (Collective Intelligence)**2 – Collective Mind Agent Based Model mit GPT-4/chatGPTplus’ wird ein Team mit 7 Teammitgliedern und einer unterschiedlichen Anzahl an Stakeholdern modelliert. Den Teammitgliedern werden feste MBTI Persönlichkeitsmerkmale zugewiesen und die Stakeholder erhalten per Zufall gemäß der MBTI Verteilung in der westlichen Welt ihre Persönlichkeit. Jedem der Agenten wird per Zufall eine 3-Ebenen Ziel-Hierarchie, bestehend aus einer abstrakten Zeichenkette pro Ebene, zugewiesen. Der Collective Mind (CM) im Team und auch im Stakeholder-Umfeld ist maximal, wenn alle Teammitglieder im Team (und im Stakeholder-Umfeld) die gleiche Ziel-Hierarchie haben. Der Kommunikationsaustausch wird durch die Persönlichkeitsprofile und eine Lernrate (getrennt nach Team und Stakeholdern) bestimmt. Dieses Setting und die Definition des Collective Mind über die Ziel-Hierarchie entspricht der Theorie und Praxis im Management 4.0: Die Ziel-Hierarchien gleichen sich mit unterschiedlichen Zeitskalen im Team und im Stakeholder-Umfeld an. Die Zeitskalen hängen von der Lernrate sowie der Team-Zusammensetzung bzw. Stakeholder-Zusammensetzung ab. Damit ist es möglich, den Einfluss der Persönlichkeit auf die zeitliche Dynamik des CM zu untersuchen und optimale Team-Zusammensetzungen zu studieren. Mit der Anbindung von KI-Systemen werden (zukünftig) KI-Agenten im Agent Based Modelling verwendet werden. – Dies ist eine Entwicklung, die vor kurzem einen neuen KI-Hype ausgelöst hat. In Zukunft werden sicherlich Agenten zusätzlich mit Quantum Eigenschaften (siehe nachfolgende Modelle) ausgestattet. Voraussetzung hierfür ist eine entsprechend effiziente hybride Hardware, bestehend aus klassischer und Quantum Hardware.

Modell 2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse: Dieses klassische Modell beruht auf der Grundidee, Ähnlichkeiten der Kommunikation in einem Team oder in einer Gruppe für die Messung des CM zu verwenden. Hierzu wird die Kommunikation mittels zweier Teile, dem gesprochene Wort und der nonverbale Kommunikation über Sentiments (Emotionen), ausgedrückt.  Zentrale Größe ist deshalb eine komplexe Ähnlichkeitsmatrix CM, die aus zwei Teilen besteht. Die Ähnlichkeitsmatrix CM = Matrix der Text-Ähnlichkeiten + i* Matrix der Sentiments-Unterschiede. Für die Ähnlichkeitsmatrix CM lassen sich Eigenvektoren und Eigenwerte berechnen. Der Eigenvektor mit dem höchsten Eigenwert wird als CM Vektor interpretiert und der dazugehörige Eigenwert gibt die relative Stärke des CM an. Die Elemente des CM Vektors repräsentieren die Beitragsstärken der einzelnen Gruppen- oder Teammitglieder zum CM. Auf dieser Basis wurde im Blog ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‘ vom Juni 2024 die Gruppendynamik einer Gesprächsrunde analysiert. Es hat sich gezeigt, dass eine Untergruppe der Gesprächsrunde bestehend aus den Teilnehmern 2,4 und 5, bzw. in der Notation des nachfolgenden Modells 3 die Gruppenmitglieder B,D,E, im Wesentlichen den Collective Mind gestalten. Es ist also möglich, Kommunikationsmuster inkl. der nonverbalen Kommunikation transparent zu machen und die Träger des CM zu identifizieren.

Modell 3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse: Dieses Modell ist eine Form eines hybriden Modells und ergänzt Modell 2: Die Ausgangsbasis ist der Realteil der Ähnlichkeitsmatrix aus Modell 2. Die Ähnlichkeitsmatrix wird als Repräsentant eines Netzwerkes verstanden: Die Stärken der Ähnlichkeiten bilden die Kanten des Netzwerkes. Dieses klassische Netzwerk kann auf ein Ising Qubit-Netzwerk mit entsprechenden Kantenstärken abgebildet werden. Die Quantum Computing Berechnung mit der d-wave Annealing Technologie ermittelt die Energielandschaft dieses Netzwerkes. Die niedrigsten Energietäler oder das niedrigste Energietal repräsentiert den energetisch günstigsten Teamzustand und ist damit identisch mit dem CM Zustand. Die Anwendung auf die Gruppendynamik aus Modell 2 ergibt, dass die Untergruppe BDE den Collective Mind repräsentiert. Modell 3 ist ohne Probleme auf große Gruppen skalierbar, was bei der klassischen Berechnung mittels Eigenwert und Eigenvektoren nicht der Fall ist. Außerdem wird der CM-Beitrag anderer Teammitglieder-Kombinationen durch ihre Einordnung auf der Energieskala sofort und einfach sichtbar. Leider konnte bisher der Imaginärteil der Ähnlichkeitsmatrix nicht verwendet werden, da damit in Gebiete vorgestoßen wird, die auch noch in der Quantenmechanik gerade erst erforscht werden. – Die vollständige Abbildung der Ähnlichkeitsmatrix auf das d-wave System ist deshalb z.Zt. (noch) nicht möglich.    

Modell 4 – Quantum Cognition der Team Kommunikation: Dieses Modell ist ein vollständiges  quantenmechanisches Modell und beruht auf exakten Quanten-Berechnungen des CM auf einem klassischen Computer. Die eins-zu-eins Übertragung auf einen Quantencomputer ist nicht möglich. Damit ist das Modell nicht skalierbar, da die Berechnungen mit steigender Anzahl an Personen exponentiell wachsen. Das Modell wurde im Blog ‚AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik‘ vom Oktober 2024 veröffentlicht. Die Idee ist hierbei die Persönlichkeitsdimensionen des Big Five (oder MBTI) Persönlichkeitsmodells in Qubit-Zustände abzubilden. Eine eindeutige positive Präferenz für eine Persönlichkeits-Dimension wird in eine Qubit  1 umgesetzt, eine eindeutige negative Präferenz in eine Qubit 0 und eine indifferente Präferenz wird als Superposition abgebildet. Ich wende die aus der Quantenmechanik bekannte Technik der Projektionsoperatoren auf das so abgebildete Persönlichkeitsmodell an: Über einen Interaktionsoperator wird zuerst die Interaktion im Team berechnet. Hieraus entsteht eine Team-Quantenwelle für die mittels eines CM Operators die Wahrscheinlichkeit für das Eintreten eines CM berechnet wird. Der CM Zustand wird als Zustand der quantenmechanischen Verschränkung interpretiert: Hierbei kann wahlweise danach unterschieden werden, ob alle Persönlichkeitsdimensionen verschränkt sind oder nur ein Teil der Dimensionen.
Die theoretischen Ergebnisse werden qualitativ durch viele praktische Erfahrungen gestützt: u.a hängt die Wahrscheinlichkeit ein CM auszubilden stark von der Teamzusammensetzung ab, die Reihenfolge der Interaktionen hat einen Einfluss auf die CM Dynamik, und ordnen die Teammitglied ihre Persönlichkeitspräferenzen nicht einem gemeinsamen Ziel unter, wird die Wahrscheinlichkeit der CM Ausbildung stark beschränkt. Nicht-lineare Effekte der Persönlichkeitsinteraktionen werden meines Erachtens erstaunlich gut abgebildet. Dies wirft die sehr weitreichende Frage auf, ob unsere Kognition und unsere Kommunikation zum Teil oder ganz den grundlegenden Prinzipien der Quantenmechanik unterliegen.    

Die nachfolgenden Modelle sind bisher nicht in einem Blog enthalten und werden hier erstmalig vorgestellt:

Modell 5 – Variationsmodell der Quantum Team Kommunikation: Dieses hybride Modell weist wie Modell 4 die Big Five Persönlichkeitspräferenzen Qubits zu. Diese Persönlichkeitspräferenzen dienen jedoch lediglich als Startwerte für eine Variationsrechnung. Ausgehend von den Startwerten werden mittels klassischer Variation Qubit-Superpositionen erzeugt. Ziel ist es, mittels Variation einen vollständigen verschränkten CM Zustand für eine ausgewählte Persönlichkeitsdimension (zum Beispiel die der Offenheit) zu finden. Es zeigt sich, dass ein solcher verschränkter Zustand existiert, wenn andere Persönlichkeitsdimensionen von den Startwerten abweichen. Im Beispiel-Team führt dies u.a. dazu, dass die unbestimmte Persönlichkeitspräferenz Gewissenhaftigkeit des Teammitgliedes Alice sich in eine Persönlichkeitsdimension Gewissenhaftigkeit mit geringer Präferenz wandeln muss. Dies zeigt an, dass sich ein CM oft nur dann ausbilden kann, wenn die Teammitglieder ihre persönlichen Präferenzen dem gemeinsamen Ziel oder der gemeinsamen Vision unterordnen. Mit diesem Modell ist es auch möglich, optimalere Teampräferenzen, mit denen sich ein CM leichter ausbildet, per Variation zu finden.

Modell 6 – Ising Modell der Team-Interaktion: Dieses Quantum Modell läuft auf der d-wave Hardware. Hierzu werden die Big Five Persönlichkeitspräferenzen in Qubit-Zustände umgesetzt, deren Wechselwirkungen über ein Ising-Modell erfasst werden (siehe Abbildung 1) – Jedes Teammitglied wird mittels n Qubits modelliert. Für jede der n Persönlichkeitsdimensionen ein Qubit.

Abbildung 1: Energie des Ising-Models, in dem die Qubits als Spins (magnetische Momente) si modelliert werden und deren Paar-Wechselwirkung durch Jij.

Die Qubit-Paar-Wechselwirkungen Jij stellen eine Matrix dar (siehe auch Modell 3 und dort die Verwendung einer Ähnlichkeitsmatrix). Die Einzelenergie hi und die Paar-Wechselwirkungen Jij werden leider per Intuition festgelegt. – Derzeit kenne ich keinen praktikablen Weg die Qubit Einzelenergie und die Qubit-Paar-Wechselwirkungen aus grundsätzlichen Modellen wie Modell 3 abzuleiten. Es wird zum Beispiel statt dessen angenommen, dass nur gleiche Persönlichkeitsdimensionen wechselwirken und gleiche Präferenzen das CM positiv beeinflussen und ungleiche Präferenzen das CM negativ beeinflussen. Unter Berücksichtigung dieser ‚intuitiven‘ Festlegung des Ising-Modells lassen sich Teammodelle auf ihre Eignung zur Ausbildung eines CM überprüfen.
Dieses Modell ist sehr einfach skalierbar sowohl in der Anzahl an Teammitgliedern als auch in der Aufnahme von zusätzlichen Persönlichkeitscharakteristika wie Werten oder Motiven. 

Modell 7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation: Der sogenannte Quantum Schaltkreis Ansatz bedeutet, dass eine Kombination von Quanten-Schaltkreisen ausgewählt wird, um die Realität zu modellieren. Dieser Ansatz wird derzeit von nahezu allen QC Hardware Anbietern unterstützt.
Die Auswahl der Schaltkreise ist jedoch mehr oder weniger ambivalent. Die Auswahl ist auf keinen Fall stringent, da es nach meinem bisherigen Kenntnisstand keinen direkten Zusammenhang zwischen Schaltkreis-Ansatz und Problemstellung gibt. Der Quantum Schaltkreis Ansatz ist ein hybrides Modell, in dem ein quantenmechanisches Modell von ‚außen‘ klassisch variiert wird, bis der CM in einer bestimmten Variation erreicht ist. Diese ‚klassische‘ Variation wird durch geeignete Anpassung von Parametern in den QC Schaltkreisen erreicht. Die Anpassung erfolgt durch ML Optimierer mit oder ohne neuronale Netzwerke. Der Ansatz wird experimentell oder über eine exakte Berechnung für kleine Problemdimensionen validiert.– Diese Vorgehensweise wird meines Erachtens in (nahezu) allen QC Algorithmen verwendet, die auf Schaltkreisen beruhen und eine wissenschaftliche oder industrielle Anwendbarkeit verfolgen. In unserem Fall habe ich das Setting aus Modell 4 übernommen und den Ansatz mehrmals angepasst, um eine vollständige Verschränkung zu erreichen und dafür zu sorgen, dass der Überlapp der Wellenfunktionen aus Modell 4 und dem hiesigen Modell vollständig ist. Damit stelle ich sicher, dass der Ansatz nicht völlig beliebig ist. Der ausgewählte Schaltkreis muss mindestens ein Schaltkreiselement enthalten, das über Parameter variiert werden kann. Typisch ist die Rotation der Qubits entlang einer der drei Raum Axen. Die Rotationswinkel sind in diesem Fall die Parameter, die von außen mittels klassischer Variation verändert werden.  In unserem Modell werden die Y-Rotationswinkel von N RY-Schaltkreisen (N = Anzahl der Persönlichkeitsdimensionen*Anzahl an Teammitgliedern) variiert bis sich eine vollständige Verschränkung in den ausgewählten Persönlichkeitsdimensionen eingestellt hat.    

Abbildung 2: Beispiel Quanten-Schaltkreis für zwei Qubits, die zwei interagierende Personen oder zwei interagierende Persönlichkeitsdimensionen repräsentieren.

Ich erläutere im Folgenden den einfachen Quantenschaltkreis aus Abbildung 2, da dieser die grundlegende Idee der Quanten-Wellenfunktion in der Quantum Cognition und der Quantum Team Kommunikation gut wiedergibt.

Betrachtet man den gezeigten Quantenschaltkreis aus der Perspektive von Quantum Cognition oder von Quantum Team Kommunikation, so lässt sich der abstrakte mathematische quantenmechanische Formalismus auf eine Situation mit zwei Personen/Akteuren oder Agenten übertragen: In dem Bild steht Qubit 1 für die mentale oder kommunikative ‚Welle‘ von Person A und Qubit 2 für die von Person B. Die einzelnen quantenmechanischen Operationen können dann als kognitive oder kommunikative Prozesse interpretiert werden, bei denen Überzeugungen, Erwartungen oder Informationsinhalte von A und B miteinander in Beziehung gesetzt, transformiert und anschließend gemeinsam ausgewertet (gemessen) werden.

Ausgangszustand ∣Ψ⟩:
Zunächst gehen wir davon aus, dass ∣Ψ⟩ den anfänglichen ‚gemeinsamen kognitiven Zustand‘ von Person A und Person B darstellt. Dieser Zustand kann bereits ein bestimmtes Maß an Unsicherheit, Superposition von Meinungen oder Perspektiven enthalten, in denen sowohl A als auch B noch nicht festgelegte Standpunkte haben. Es könnte sich zum Beispiel um ein gemeinsames Thema handeln, zu dem beide Personen eine innere Haltung entwickeln, aber noch nicht klar ist, welche Resultate oder Meinungen sich herauskristallisieren.

Person A (Qubit 1) – Hadamard-Gatter (H):
Das Hadamard-Gatter auf Person A’s Qubit lässt sich als ein „Perspektivwechsel“ oder als ein Wechsel von einer klaren, eindeutigen Überzeugung zu einem Zustand interpretieren, in dem Person A’s Meinung oder Einstellung gegenüber dem Thema in einer Superposition zweier gegensätzlicher Einstellungen liegt. Vor der Anwendung des Hadamard-Gatters könnte Person A eine relativ klare Meinung gehabt haben (z. B. Zustimmung = 1 oder Ablehnung = 0). Durch die Hadamard-Operation wird Person A’s innere Haltung in eine Überlagerung gebracht, in der A gleichzeitig eine gewisse Neigung zur Zustimmung und zur Ablehnung aufweist, aber eben noch nicht determiniert ist. In der Sprache der Teamkommunikation könnte dies bedeuten, dass Person A versucht, die Thematik aus einem anderen Blickwinkel zu betrachten, offen für neue Interpretationen ist oder sich von einem eindimensionalen zu einem breiteren Wahrnehmungsrahmen bewegt.

CNOT-Gatter zwischen Person A (Control) und Person B (Target):
Das CNOT-Gatter kann man als einen Prozess des kommunikativen Einflusses oder der kognitiven Kopplung interpretieren. Person A’s Zustand (nach dem Perspektivwechsel durch das H-Gatter) fungiert als eine Art ‚Steuerung‘ für Person B’s Einstellung. Ist Person A’s Haltung nach dem Hadamard und im Kontext des gemeinsamen Themas in eine Richtung, repräsentiert durch den Zustand 1, geneigt, so ändert sich daraufhin Person B’s innerer Zustand (z. B. von Zustimmung zu Ablehnung oder umgekehrt). Ist A in Richtung 0, bleibt B’s Haltung unverändert. Dieses Modell versucht, die Idee einzufangen, dass die neu gewonnene Offenheit oder Unsicherheit von Person A direkten Einfluss auf B’s innere Einstellung haben kann—etwa indem Person A gewisse Zweifel oder Ideen äußert, die Person B dazu bringen, ihren eigenen mentalen Zustand zu revidieren.

In der Teamkommunikation könnte man sagen: Durch den Denk- oder Argumentationsschritt, den Person A vollzieht (repräsentiert durch das Hadamard-Gatter), eröffnet sich ein neuer Möglichkeitsraum von Überzeugungen. Das CNOT symbolisiert dabei, dass Person B auf diese neue, komplexe Haltung von A reagiert und dadurch selbst ihren Standpunkt anpasst oder in Frage stellt. Auf diese Weise entstehen potenzielle Korrelationen zwischen den beiden mentalen Zuständen.

Messung:
Schließlich werden beide Qubits gemessen. Dies entspricht dem Moment im Teamprozess, an dem A und B ihre Meinungen äußern oder festnageln—sei es durch eine abschließende Entscheidung, ein Votum oder eine konkrete Stellungnahme. Die Messung transformiert den vorher unbestimmten, superponierten Zustand in ein klares Resultat: Beide Personen legen sich letztlich auf eine konkrete Haltung fest (0 oder 1).

Von der Warte der Quantum Cognition lässt sich die Messung als Übergang von potenziellen kognitiven Zuständen (Superpositionen von Optionen, Unsicherheiten, Überlagerungen von Bedeutungen) zu einem klaren, beobachtbaren Ergebnis deuten. Wenn A und B schließlich kommunizieren, Einigungen erzielen oder Positionen darstellen, ‚kollabiert‘ der gemeinsame kognitive Zustand in ein bestimmtes, messbares Resultat.

Fazit im Kontext von Quantum Cognition / Quantum Team Kommunikation:

  • Die Vorbereitungsbox ∣Ψ⟩ steht für den initialen kognitiven Gesamtzustand des Teams (A und B), der vielleicht eine gemischte oder unklare Haltung zu einem Thema enthält.
  • Das Hadamard-Gatter auf Person A entspricht einem Perspektivwechsel oder einer Öffnung für neue Sichtweisen.
  • Das anschließende CNOT-Gatter zeigt, wie Person A’s nun veränderte Sichtweise Person B’s mentalen Zustand beeinflusst und potenziell verschränkt oder zumindest miteinander kognitiv koppelt.
  • Die abschließende Messung repräsentiert den Moment der Festlegung, in dem aus den zuvor unbestimmten, interaktiven kognitiven Zuständen klare, beobachtbare Meinungen oder Handlungsentscheidungen abgeleitet werden.

So hilft uns Abbildung 2, den Prozess als eine Art gemeinschaftliches, quanten-ähnliches ‚Denken‘ zu verstehen, in dem Zustände nicht binär und fix sind, sondern sich durch Interaktion, Perspektivwechsel und finale Äußerungen in ein bestimmtes Ergebnis transformieren.

Zusammenfassend stelle ich fest:

Modell 1 – Agent Based Modelling erlaubt mit einfachen Mitteln das Studium von (nahezu) allen grundlegenden Team Eigenschaften. Bei Ausbau in Richtung AI und QC gibt es kaum Einschränkungen der Aussagekraft.

Modell 2 und 3 – Ähnlichkeitsmatrix hat mit Abstand die praktischste Aussagekraft hat und kann unmittelbar die Team Kommunikation in einem Hybriden Kollektiven Intelligenz Ansatz aus Mensch und Maschine aktiv unterstützen  

Modell 4 und 5 – Quantum Team Kommunikation stellen die Modelle dar, in die derzeit am wenigsten Annahmen einfließen. Es fließen nur zwei Annahme ein: Der CM Zustand wird als verschränkter Zustand verstanden und die Team-Interaktion unterliegt (auch) der Quantum Probability Theory. Diese Modelle eröffnen damit den Zugang zu einem völlig neuen Verständnis von menschlicher Kommunikation.

Modell 6 – Ising Modell ist als quantenmechanisches Modell sehr einfach, enthält jedoch (derzeit noch) die meisten Annahmen und dient damit eher zur Sondierung der Ergebnisse aus den anderen Modellen.

Modell 7 – Quanten Schaltkreise ist als quantenmechanisches Modell recht einfach. Vermittelt einerseits Metapher-ähnliche Einblicke in die quantenmechanische Interpretation der Team Kommunikation andererseits fehlt (mir derzeit) der intuitive Zugang, den die Modell 4 und 5 haben.

Die nachfolgende Tabelle 1 fasst die zentralen Modell-Charakteristika zusammen:

Modell  KategorieEinschränkungAussagekraft
1 – Agent Based Modelling der Team-InteraktionenKlassisch (hybrid, bei Ausbau mittels Quantum Cognition)Derzeit meistens noch einfache klassische AgentenGrundlegende Aussagen zur CM-Dynamik in unterschiedlichen Teams
2 – Eigenvektoren der CM Ähnlichkeitsmatrix AnalyseKlassischGeringe SkalierungFür kleine Teams: CM Stärke und Beitrag jedes Teammitglieds zum CM
3 – Ising-Modell der CM Ähnlichkeitsmatrix AnalyseHybrid (Klassisch mit Quantum Variation)–CM Stärke und Beitrag des Teammitglieds zum CM, einfache Interpretation des CM Potentials von Teams mittels einer Energielandschaft
4 – Quantum Cognition der Team KommunikationQuantum (Berechnung auf klassischem Rechner)Keine SkalierungFür kleine Teams: Erstaunliche qualitative Übereinstimmung bzgl. Teamdynamik zwischen Theorie und Erfahrung
5 – Variationsmodell der Quantum Team Kommunikation (basierend auf Modell 4)Hybrid mit klassischer Variation (Berechnung auf klassischem Rechner)Keine SkalierungFür kleine Teams: Aussage zu ‚optimalen‘ Teams und Einblick in die Anpassungs-notwendigkeiten der Team-Persönlichkeiten  
6 – Ising Modell der Team-InteraktionQuantumMappen auf Ising-Modell mit intuitiven Annahmen aus den Modellen 4 und 5Aussagen zu optimalen Teams, ähnlich wie Modell 5, jedoch unter Berücksichtigung der Einschränkungen
7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-KommunikationHybrid mit klassischer VariationMappen auf QC-Schaltkreise‚Metaphorische‘ Erklärung einer Quantum Cognition bzw. Quantum Team Communication auf der Basis von einzelnen Schaltkreisen, Auffinden optimaler Teams
Tabelle 1: Übersicht der Modell-Charakteristika der sieben Modelle

AI & QC & M 4.0: Quantum Cognition für das Team-Management oder von der Macht der Mathematik

(Die in diesem Blog-Beitrag enthaltene recht komplexe Mathematik der Quantenmechanik sowie die dazugehörigen Programme wurden mit der AI-Assistenz von ChatGPT4o1-preview erhalten. ChatGPT4o wurde für die Überprüfung des Blog-Beitrages verwendet. Der enthaltene Podcast wurde von der Google AI noteBookLM erstellt.)

Der nachfolgender Podcast fasst den Blog-Beitrag in englischer Sprache zusammen und wurde von der Google AI notebookLM erzeugt:

Abbildung 0:  Ein Bild, erzeugt von ChatGPT/DALL.E, das den Blog-Beitrag visuell unterstützt und im Stil von van Gogh gestaltet ist. Es zeigt Teammitglieder in einer dynamischen Interaktion, die die Konzepte der Quantum Cognition durch wellenartige Verbindungen symbolisiert.

Dieser Blog-Beitrag richtet sich an Leser mit einem Hintergrund in Management sowie an jene, die Interesse an quantenmechanischen Konzepten im Bereich der Kognition und Teamdynamik haben: Keine Angst vor Mathematik ist hilfreich!

Bei den Recherchen zu dem vorherigen Quantum Computing Blog-Beitrag bin ich auf den Begriff ‚Quantum Cognition‘ gestoßen [1]. Sofort wenn man den Wikipedia Artikel oder die wissenschaftlichen Artikel [2],[3] liest, wird man darauf hingewiesen, dass Quantum Cognition nichts mit Quantum Mind [4] oder der Idee, dass Bewusstsein durch Quanteneffekte hervorgerufen wird, zu tun hat. – Wenngleich das letzte Wort hierzu sicherlich noch nicht gesprochen ist.

Bei dem Thema Quantum Cogition geht es um die verblüffende Feststellung, dass kognitive Verzerrungen wie u.a. Tversky und Kahneman sie beschrieben haben [5], schlecht oder überhaupt nicht durch die klassische Wahrscheinlichkeitstheorie (Classical Probability Theory) beschrieben werden, aber sehr wohl durch die Quanten Wahrscheinlichkeitstheorie (Quantum Probability Theorie), wie sie im mathematischen Formalismus der Quantenmechanik enthalten ist. Das ist schon irgendwie faszinierend…und zeigt meines Erachtens die ungeheure Macht der Mathematik: Denn plötzlich wird ein mathematischer Formalismus, der in einem Gebiet entwickelt wurde, auf einem völlig anderen Gebiet angewendet.

Ich beschäftige mich in diesem Blog-Beitrag zuerst mit den Grundlagen von Quantum Cognition. Anschließend wende ich diese Grundlagen auf die Teamkommunikation an. Bei der Konzeption des Collective Mind vor ca. zwei Jahrzehnten kam die Idee auf, den Collective Mind als sogenannten verschränkten Zustand der mentalen Modelle der Teammitglieder zu verstehen. Ich werde zeigen, dass mit dem Formalismus der Quantum Cognition genau dies möglich ist. Damit ergänze ich die in den vorhergehenden Blog-Beiträgen beschriebenen klassischen Modelle des Collective Mind. – In zukünftigen Blog-Beitragen besteht Raum für eine Integration beider Ansätze😉.

Zuerst zu den Grundlagen von Quantum Cognition. Quantum Cognition benutzt drei Schlüsselelemente der Quantenmechanik:

  • Superposition (Überlagerung): Ein mentaler Zustand kann als Kombination mehrerer möglicher Zustände betrachtet werden. Damit eröffnet sich die Möglichkeit, Ambiguitäten im menschlichen Verhalten zu modellieren, sowie Unentschlossenheit in Entscheidungsprozessen zu beschreiben.
  • Nicht-Kommutativität (Interferenz): Wie in der Quantenphysik können mentale Zustände sich gegenseitig beeinflussen, was zu Verstärkungs- oder Abschwächungseffekten führt und einige nichtlineare Entscheidungsprozesse erklärt. Psychologische Beispiele hierfür sind das Priming und die verschiedenen mentalen Verzerrungen, u.a. auch der Bias.
  • Verschränkung (Entanglement): Unterschiedliche kognitive Variablen können stark miteinander verbunden sein, so dass der Zustand einer Variablen unmittelbar den Zustand einer anderen beeinflusst. Das Hebb’sche Gesetz beschreibt diesen Effekt: Psychologische Beispiele hierfür sind Gefühle, die unmittelbar die Wahrnehmung beeinflussen.

Ich habe diese drei Schlüsselelemente in den Abbildungen 1-3 skizziert. Die in diesen Abbildungen enthaltenen mathematischen Ausdrücke der Quantenmechanik sind meines Erachtens nicht wichtig für ein Verstehen der wesentlichen Aussagen dieses Blog-Beitrages. Sie mögen aber dem ein oder anderen vielleicht beim besseren Verständnis helfen.

Ich erläutere im Folgenden die in Abbildung 2 enthaltenen Aussagen zum Schlüsselelement der Nicht-Kommutativität (Interferenz) etwas genauer, u.a. deswegen weil dort der Begriff des Projektionsoperators eingeführt wird, der für die Quantenmechanik und die Quanten Cognition von großer Bedeutung ist. Für die beiden anderen Schlüsselelemente verweise ich auf die Abbildungen 1-3.

Wenn wir an eine Person oder an ein Ding denken, so rufen wir ein mentales Konzept von dieser Person oder diesem Ding ab. Nehmen wir zwei Personen aus der amerikanischen Politik: Clinton und Gore. Jeder von uns hat wahrscheinlich ein mehr oder weniger ausgeprägtes Konzept bzw. eine mentale Repräsentation oder eine Idee von Clinton und Gore. Dieses Konzept wird u.a. durch Interaktion mit der Umwelt aktiviert. In unserem Clinton-Gore-Beispiel sind Konzepte wie ‚Clinton‘ und ‚Gore‘ die grundlegenden Einheiten, die wir modellieren möchten: Nehmen wir an, jemand würde uns die Frage stellen, ob wir Clinton vertrauenswürdig finden und anschließend die Frage stellen, ob wir Gore vertrauenswürdig finden. Psychologische Experimente haben gezeigt, dass die Wahrscheinlichkeit, beide Fragen mit Ja zu beantworten auch von der Reihenfolge der Fragen abhängt [3]. D.h. die Fragen rufen Konzepte auf und die Konzepte beeinflussen sich gegenseitig, aber nicht-kommutativ. Nicht-kommutativ bedeutet, dass es auf die Reihenfolge der Fragestellung ankommt. – Ein sehr erstaunliches Phänomen. In der Welt der Quanten kennt man entsprechende Phänomene: Die Reihenfolge von Messungen hat Einfluss auf die Ergebnisse der Messungen.

In der Quantenmechanik verwendet man sogenannte Projektionsoperatoren, die eine Messung bzw. Messreihenfolge repräsentieren. Mit einem Projektionsoperator projiziert man den Ausgangszustand auf den gemessenen Zustand. Damit kann man Wahrscheinlichkeitsaussagen treffen, wie wahrscheinlich es ist, dass der Ausgangszustand in den gemessenen Zustand übergeht.

Entsprechend werden in der Quantum Cognition kognitive Projektionsoperatoren zur Modellierung der Aktivierung eines kognitiven Konzepts in einer Person benutzt. – Es findet sozusagen eine Messung statt.

Nehmen wir an, dass bei der Frage nach Clinton bei einer befragten Person eine gewisse Ambivalenz (vertrauenswürdig, nicht-vertrauenswürdig) bezüglich der Antwort vorhanden ist. Für Gore nehmen wir eine andere Ambivalenz an. Wir nehmen auch an, dass bevor die Fragen gestellt werden, es noch keine Manifestationen von Präferenzen gibt. – Es gibt zum Beispiel keinen Bias durch eine gerade stattgefundene Diskussion zu diesem Thema. Die Projektionsoperatoren konstruieren wir als ambivalente Mischung (Superposition) aus einem vertrauenswürdigen und einem nicht-vertrauenswürdigen Basiskonzept. Hierbei kann es durchaus sein, dass eine befragte Person Clinton in dieser ambivalenten Mischung für vertrauenswürdiger als nicht-vertrauenswürdig hält. Bevor die Frage gestellt wird, ist dies jedoch nicht sichtbar, die innere Haltung ist unentschieden. Entsprechendes gilt natürlich für eine andere ambivalente Mischung bei Gore.

In der Quantenmechanik bezeichnet man die Basiskonzepte als Vektoren im sogenannten Hilbertraum. Der Hilbertraum ist ein spezieller mathematischer Raum, in dem die Vektoren quantenmechanischen Operationen unterliegen. Die Projektionsoperatoren sind solche Operationen und werden als Tensoren (haben das Aussehen von Matrizen) beschrieben, die auf diese Vektoren wirken. – Tensoren sind auch die zentralen Operationen in klassischen AI-Systemen. – Im Quanten Computing implementieren die Qubits die Vektoren und die Wechselwirkung der Vektoren entsprechen den Tensoren.

Wendet man den Formalismus der Quantenmechanik an, so kann man zeigen, dass nicht-kommutative Projektionsoperatoren, angewendet auf ambivalente innere Haltungen, eine Interferenz in den Antworten erzeugen. Die Basiskonzepte ‚Clinton‘ und ‚Gore‘ interferieren wie Wellen in der Physik: U.a. interferiert das vertrauenswürdige Basiskonzept mit dem nicht-vertrauenswürdigen Basiskonzept. Dies führt auch dazu, dass die Reihenfolge der Fragen entscheidend ist, da in Abhängigkeit der Reihenfolge unterschiedliche Interferenzen auftreten. Dies bedeutet, dass die gemeinsame Wahrscheinlichkeit Clinton zuerst als vertrauenswürdig einzustufen und anschließend Core, verschieden ist von der gemeinsamen Wahrscheinlichkeit Core zuerst als vertrauenswürdig einzustufen und anschließend Clinton. – Magisch…jedoch genau solche Effekt werden tatsächlich gemessen:

Wird zuerst nach Clinton als vertrauenswürdig gefragt und dann nach Gore, ergibt sich im statistischen Mittel, dass 50% der Befragten Clinton für vertrauenswürdig halten, und 68% Gore. Stellt man die Reihenfolge um, so geben 60% Gore als vertrauenswürdig an und 57% Clinton [3]. Es entsteht also eine Diskrepanz von ca. 7-8 %, hervorgerufen durch die Reihenfolge. Mit Hilfe der Formeln in Abbildung 2 zu den Wahrscheinlichkeiten lassen sich die Wahrscheinlichkeiten P Clinton dann Gore = 0,340 und P Gore dann Clinton = 0,342 berechnen. Die gemessenen Wahrscheinlichkeiten sind klassische statistische Wahrscheinlichkeiten, enthalten also Aussagen zu einer mittleren mentalen Ambivalenz aller befragten Personen. Berücksichtigt man dies, so kann man mit Hilfe des quantenmechanischen Formalismus Aussagen über die mittlere Ambiguität und Interferenz der mentalen Konzepte treffen:

In der Sequenz ‚Clinton dann Gore‘ zeigen die Berechnungen, dass weniger Ambiguität bezüglich Gore vorliegt, wenn zuerst nach Clinton gefragt wird. Dies deutet darauf hin, dass die mentale Repräsentation von Gore klarer oder positiver ist, wenn sie durch die vorherige Frage nach Clinton beeinflusst wird.

In der Sequenz ‚Gore dann Clinton‘ zeigen die Berechnungen, dass die Ambiguität bezüglich Clinton höher ist, wenn Gore zuerst gefragt wird. Dies deutet daraufhin, dass die mentale Repräsentation von Clinton stärker vom Kontext und vorherigen Informationen abhängt.

Abbildung 1: Superposition von mentalen Basiskonzepten

Abbildung 2: Nicht-Kommutativität und Interferenz von Basiskonzepten

Abbildung 3: Verschränkung von Basiskonzepten

Nach dieser kleinen Einführung in die Schlüsselelemente der Quantum Cognition, wende ich mich dem deutlich komplexeren Thema der Team-Kommunikation bzw. der Collective Mind Modellierung eines Teams zu.

Ich wollte hier ursprünglich ein Beispiel mit drei Teammitgliedern und den Big Five Persönlichkeitsmerkmalen, die einen Hilbertraum aufspannen, skizzieren. Jedoch haben die ersten Tests mit einem dazugehörigen Simulations-Programm auf einem klassischen Computer ergeben, dass dieses Programm schon nicht mehr auf meinem Laptop mit 16 GB Hauptspeicher lauffähig ist. Der Grund liegt darin, dass ein Hilbertraum mit 32768 Dimensionen aufgespannt wird. Die Dimension 32768 = 2 hoch (3*5), ergibt sich aus 3 Teammitglieder mit jeweils 5 Big Five Dimensionen. Jede Big Five Dimension wird durch einen Zustand 1 (hohe Ausprägung) und 0 (niedrige Ausprägung) repräsentiert. Es werden also für die Beschreibung der Wechselwirkung der Personen Tensoren (Matrizen) benötig, die eine Größe 32768*32768 haben.  

Statt dessen skizziere ich hier ein Beispiel aus 3 Teammitgliedern und lediglich 2 Big Five Dimensionen, nämlich Offenheit und Gewissenhaftigkeit. Damit wird ein Hilbertraum von 64 Dimensionen aufgespannt. Die Berechnungen hierzu liegen im Sekundenbereich.

Die drei Teammitglieder nenne ich Alice, Bob und Charlie. Diese Namen sind Klassiker in jeder Literatur über Quantenmechanik.

Ich wähle als Start für meine Berechnungen folgende Big Five Dimensionen:

 OffenheitGewissenhaftigkeit
Alicehochunbestimmt
Bobunbestimmthoch
Charlieunbestimmtniedrig
Tabelle 1: Ausgangszustände der Big Five Dimensionen der Teammitglieder Alice, Bob und Charlie

Ein Zustand, der als hoch bezeichnet wird, startet mit einer Qubit ‚1‘. Ein Zustand, der als niedrig bezeichnet wird, startet mit einer Qubit ‚0‘ und ein unbestimmter Zustand wird als Superposition der Zustände hoch und niedrig modelliert. Abbildung 4 enthält diese Aussagen in einer etwas formalisierten Form.

Abbildung 4: Anfangszustände und Interaktionsoperator im Teammodell

Da wir 2 Big Five Dimensionen für 3 Teammitglieder haben, benötigen wir 6 Qubits. Wir führen keine Berechnung auf einem Quantencomputer durch, sondern arbeiten mit einer Quantensimulation, also mit einer quantenmechanischen Berechnung, durchgeführt auf einem klassischen Computer, meinem Laptop.

Diese Berechnung soll folgende Fragenstellungen untersuchen:

Wie hoch ist die Wahrscheinlichkeit, dass alle Mitglieder eine hohe Offenheit aufweisen, obwohl nur Alice dies als Präferenz mitbringt?

Wie hoch ist die Wahrscheinlichkeit, dass alle Mitglieder eine hohe Gewissenhaftigkeit aufweisen, obwohl nur Bob dies als Präferenz mitbringt?

Wie hoch ist die Wahrscheinlichkeit, dass sich das System in einem Collective Mind Zustand befindet und zwar in zwei Varianten. Variante 1: alle Offenheit-Qubits sind verschränkt. Variante 2: alle Offenheit-Qubits und alle Gewissenhhaftigkeits-Qubits sind verschränkt.

Wir definieren wieder einen Projektionsoperator, der in diesem Fall ein Interaktionsoperator ist und nehmen der Einfachheit hier an, dass lediglich gleiche Big Five Dimensionen der Teammitglieder miteinander wechselwirken. Dies ist keine grundsätzliche Einschränkung, sondern ist lediglich der schon recht hohen Komplexität geschuldet. Abbildung 4 zeigt die wesentlichen quantenmechanischen Gleichungen.

Der Interaktionsoperator​ modelliert die Tendenz von Personen, sich aufgrund von Ähnlichkeiten in ihren Merkmalen zu beeinflussen. Wenn zwei Personen ähnliche Zustände für ein Merkmal haben, verstärkt der Operator diese Ähnlichkeit durch die Interaktion.

Wir können auf dieser Basis Wahrscheinlichkeiten für den Übergang aller Teammitglieder zu hoher Offenheit bzw. hoher Gewissenhaftigkeit berechnen. Damit können wir zwei der oben gestellten Fragen beantworten.

Um die dritte Frage zu beantworten, wie wahrscheinlich ist das Eintreten eines Collective Mind (CM), ist es wieder nötig entsprechende Projektionsoperatoren für Variante 1 und Variante 2 der Verschränkung zu bilden.

Dieser Collective Mind Operator projiziert ausgehend vom vorher berechneten Interaktions-Zustand auf einen Zustand maximaler Verschmelzung der individuellen Zustände zu einem gemeinsamen Bewusstsein.

CM Variante 1: Alle Qubits sind verschränkt. Dies repräsentiert einen Zustand, in dem alle Personen in Bezug auf beide Persönlichkeitsmerkmale vollständig synchronisiert sind.

CM Variante 2: Nur die Offenheits-Qubits sind verschränkt. Lediglich die Dimension Offenheit ist verschränkt, während Gewissenhaftigkeit variiert.

Abbildung 5 zeigt die quantenmechanischen Collective Mind Projektionsoperatoren für Variante 1 und 2.

Abbildung 5: Die Collective Mind Operatoren zu Variante 1 und 2

Nun zu den Ergebnissen: Das recht komplexe Python Programm für die Colab Umgebung wurde mit der AI-Assistenz von ChatGPT 4o1-preview erstellt. Hierbei wurde die Quantum Toolbox QuTIP [6] für die quantenmechanischen Tensor-Operationen verwendet.

Die modellierten Ergebnisse entsprechen qualitativ meinen Erfahrungen in Teams:

Die Ausbildung von einer Team-Präferenz für eine der Big Five Dimensionen hängt von der Reihenfolge der Interaktionen im Team ab: Je nachdem wer zuerst spricht entwickelt sich eine unterschiedliche Dynamik. Es ist von Vorteil, wenn zuerst Personen mit ähnlichen Präferenzen die Kommunikation starten. Sie unterstützen selbst dann Team-Präferenzen, wenn sie selbst keine Präferenz darin haben.  

Die Wahrscheinlichkeit für eine Team-Präferenz Offenheit ist moderat, also nicht oberhalb von 50%, wenn nur eine Person diese als persönliche Präferenz hat.

Falls die Präferenz Gewissenhaftigkeit in einem Team durch eine Person vorhanden ist, kann es sein, dass sich die Team-Präferenz Offenheit in einem Team überhaupt nicht ausprägt.

Falls die persönliche Präferenz Gewissenhaftigkeit nur einmal (oder auch mehrmals, gemäß meiner Erfahrung) im Team vorhanden ist, ist die Wahrscheinlichkeit groß, dass sich keine Team-Präferenz Gewissenhaftigkeit ausbildet.

Abbildung 6 zeigt ein Beispiel für ein Szenario, in dem ich die weiter oben angegebenen persönlichen Präferenzen der Teammitglieder für Szenario 4 verändert habe: Die Präferenz Offenheit bleibt wie oben angegeben, jedoch setze ich die Präferenz Gewissenhaftigkeit für alle Teammitglieder auf ‚unbestimmt‘. Das erstaunliche hier ist, dass sich eine gewisse Wahrscheinlichkeit für eine Team-Präferenz Gewissenhaftigkeit ausbildet, obwohl keines der Teammitglieder diese Präferenz hat. In anderen, hier nicht gezeigten Szenarien, führt schon eine persönliche Präferenz Gewissenhaftigkeit immer zu einer sehr geringen Team-Präferenz Gewissenhaftigkeit. Auch dies entspricht meiner Erfahrung.

Abbildung 6: Die Wahrscheinlichkeiten zur Ausbildung der Team-Präferenzen Offenheit und Gewissenhaftigkeit in Abhängigkeit der Interaktionsreihenfolge. Die persönlichen Präferenzen Offenheit von Alice, Bob und Charlie entsprechen den ursprünglich festgesetzten. Die persönlichen Präferenzen Gewissenhaftigkeit für alle drei Personen wurde für dieses Szenario auf unbestimmt gesetzt.

Abbildung 7 zeigt für das Szenario 4 aus Abbildung 6 die Wahrscheinlichkeiten der Ausbildung eines Collective Mind für die Varianten 1 und 2. Die Wahrscheinlichkeit der Ausbildung eines Collective Mind für die Variante 1 (Offenheit und Gewissenhaftigkeit verschränkt) ist deutlich geringer als für Variante 2 (nur Offenheit verschränkt). Die Ausbildung des Collective Mind hängt auch ein wenig von der Interaktionsreihenfolge ab. Jedoch ist diese Abhängigkeit sehr gering: Wenn sich überhaupt ein Collective Mind ausbildet, so hat die Interaktionsreihenfolge kaum noch Einfluss darauf.

Abbildung 7: Die Wahrscheinlichkeiten zur Ausbildung eines Collective Mind für die Varianten 1 (Offenheit und Gewissenhaftigkeit sind verschränkt) und Variante 2 (nur Offenheit ist verschränkt).

Zusammenfassend stelle ich fest:

Der Quantum Cognition Formalismus liefert keine unsinnigen Ergebnisse. Im Gegenteil: Die Ergebnisse decken sich qualitativ mit meinen Erfahrungen. Ich finde die qualitative Interpretation der Ergebnisse erstaunlich nahe an der Praxis: So nahe, dass es schon sehr an Magie grenzt.

Der Nachteil ist, dass der Quantum Cognition Formalismus sehr anspruchsvoll ist. Ohne die AI-Assistenz von ChatGPT4o1-preview wäre es mir nicht möglich gewesen, diese Berechnungen durchzuführen. ChatGPT4o1-preview strauchelte auch einige Male. – Gemeinsam war es jedoch gut möglich dies aufzufangen.

Die Übertragung der Berechnungen auf ein QC Hardware System würde es erlauben, Teamgrößen von 7-10 Teammitgliedern zu modellieren. – Jedoch ist dies ein deutlicher Schritt in Richtung Komplexität, der es aber eventuell wert sein könnte.

[1] Wikipedia (2024a) Quantum Cognition, https://en.wikipedia.org/wiki/Quantum_cognition

[2] Brody D C (2023) Quantum formalism for the dynamics of cognitive psychology, https://www.nature.com/articles/s41598-023-43403-4

[3] Pothos E M und Busemeyer J R (2022) Quantum Cognition, Annual Review of Psychology, https://www.annualreviews.org/content/journals/10.1146/annurev-psych-033020-123501

[4] Wikipedia (2024b) Quantum Mind, https://en.wikipedia.org/wiki/Quantum_mind

[5] Oswald A, Köhler J, Schmitt R (2018) Project Management at the Edge of Chaos, Springer, Heidelberg

[6] QuTIP (2024) QuTIP Quantum Toolbox in Python, https://qutip.org/

AI & QC & M 4.0: Die Welt der Unbestimmtheit nutzen oder vom Nutzen des Quantum Computing für das Team-Management

Der Blog-Beitrag wurde unter Mithilfe von OpenAI ChatGPT 4o1-preview erstellt: ChatGPT erzeugte den Code fehlerfrei und klärte alle meine wissenschaftlichen Fragen. Mittels ChatGPT 4o habe ich den Beitrag überprüft.

Die nachfolgende Audiodatei fasst den Inhalt als englischen Podcast, erstellt von Google’s notebookLM, zusammen und schlägt – ohne mein Zutun – diverse Brücken zu meinen anderen Blog-Beiträgen:

Abbildung 0: Dies ist eine Bild-Umsetzung des Blog-Beitrages von ChatGPT 4o/Dall-E

Grundlegende Ansätze des Quantum Computing (QC) wurden schon in der 80er Jahren formuliert. Erst in den letzten 10 Jahren hat diese Disziplin einen enormen Sprung in die Anwendbarkeit für Jedermann vollzogen. – Wobei, … diese Technologie sicherlich immer noch am Anfang steht.

Anwendbarkeit für Jedermann bedeutet, dass, ähnlich wie beim Thema Künstliche Intelligenz mittels klassischer Neuronaler Netzwerke (u.a. Copilot, ChatGPT, Gemini, Mistral usw.),  inzwischen in Nordamerika ein QC-Ecosystem existiert, das für mich zugänglich ist.

IBM, Microsoft und Google bieten entsprechende Umgebungen an. Das wohl bekannteste Startup im Bereich QC ist die kanadische Firma d-wave, die seit ca. 15 Jahren am  Markt ist [1].

Im QC gibt es zwei große Richtungen: Das Gate QC und das Quantum Annealing QC. Das Gate QC wird von IBM, Microsoft und Google favorisiert. D-wave hat sich auf das Quantum Annealing (QA) spezialisiert. Das Gate QC beruht auf der Idee von Schaltkreisen, wie von klassischen Rechnern bekannt. Jedoch ist die Funktionalität der QC Schaltkreise völlig anders als diejenige der klassischen Schaltkreise. Der Begriff ‚klassisch‘ bedeutet hier, dass nicht explizit die Eigenschaften der Quantenwelt ausgenutzt werden. – Wohl wissend, dass auch ein klassischer Schaltkreis auf den Erkenntnissen der Quantenmechanik beruht und ein sogenannter klassischer Computer ohne Quantenmechanik nicht existieren würde.

Das explizite Ausnutzen der Quantenwelt-Eigenschaften bedeutet, die Eigenschaften von Quantenobjekten, wie Elementarteilchen, Atomen oder anderen einzelnen Objekten, die sich entsprechend der Quantenmechanik verhalten, zu nutzen. Die QC-Objekte werden als Qubits bezeichnet, die nicht nur, wie Bits, die Zustände 1 und 0 annehmen können, sondern sogenannte kohärente Zustände, die eine Mischung von 1 und 0 sind. Diese Mischung sorgt für die Unbestimmtheit der Qubits und ermöglicht damit, dass in einem Qubit eine unendliche Welt an Möglichkeiten enthalten ist. – Kohärenz beschreibt also die Fähigkeit eines Quantensystems, in mehreren Zuständen gleichzeitig zu existieren. Diese Fähigkeit ermöglicht komplexe Quantenberechnungen, bis äußere Einflüsse die Zustände stören und die Kohärenz zerstören.

D-Wave verwendet Qubits auf der Basis von supraleitenden Ringströmen, die zudem über supraleitende Koppler verbunden sind. – Die Qubits kann man nach jetzigem Stand der Technik nur bei Temperaturen nahe dem absoluten Nullpunkt erhalten.  Sind die Ringströme in einem kohärenten Zustand, haben wir eine Mischung von Uhrzeiger-drehenden und Gegenuhrzeiger-drehenden Ringströmen. – Es liegt dann maximale Unbestimmtheit vor.

Allein diese wenigen Ausführungen zeigen, dass QC eine völlig andere Welt ist, als der sogenannte klassische Computer. Ich vermute, dass die Hürde für jemand, der keine Physikausbildung hat, recht hoch sein dürfte: Die Grundlagen der Quantenmechanik sind sehr umfangreich und erfahrungsgemäß erst nach einer gewissen Gewöhnungszeit ‚zu verstehen‘.- Ich verweise deshalb auf entsprechende Fachliteratur [2, 3, 4, 5, 6, 7]. Eine Behandlung der Grundlagen würde den Rahmen dieses Blog-Artikels bei weitem sprengen.

Setzt man die Kenntnis der quantenmechanischen Grundlagen voraus, so ist die Handhabung der Programme, um auf einem Quantencomputer zu ‚rechnen‘, erstaunlich einfach. Das ‚Rechnen‘ auf Quantencomputern ist nach wie vor noch sehr exklusiv und ist meistens eingeschränkt. Jedoch stellen alle Anbieter Quantensimulatoren zur Verfügung, die die quantenmechanischen Rechnungen (wie sie ein Physiker von Hand tun würde) auf einem klassischen Computer durchführen. Ab etwa 8-10 Qubits ist es jedoch meistens nicht mehr möglich die ‚Rechnungen‘ auf einem klassischen Computer durchzuführen, da die Komplexität der ‚Rechnungen‘ exponentiell steigt. – Für das Austesten der QC-Algorithmen reicht dies jedoch oft. – Nach der Testphase kann man dann ggf. auf einem exklusiven Quantencomputer ‚rechnen‘.

Ich habe für diesen Blog-Beitrag mit der d-wave Umgebung gearbeitet: Für die Erstellung der Algorithmen habe ich deren QC-Simulatoren verwendet und danach die d-wave QC-Hardware. Die Übergang ist sehr einfach, da lediglich 1-2 Programmzeilen ausgetauscht werden, in denen der QC-Simulator oder die QC-Hardware angesprochen wird.

Auf den d-wave Internetseiten sind sehr viele Beispiele zum QC mittels Quantum Annealing enthalten: u.a. logistische Lösungen, Suche nach geeigneten Materialien oder Medikamenten, Suche nach optimalen Finanzportfolios, usw..

QC kann immer dann ihre Vorteile ausspielen, wenn aus einer sehr großen Anzahl an Möglichkeiten die beste Lösung oder die besten Lösungen herausgefunden werden sollen. Nehmen wir an, wir wollten aus einem Pool von 100 Mitarbeitern ein Team zusammenstellen. Falls das Team drei Teammitglieder hat, ergeben sich schon 161.700 mögliche Teams. Erhöhen wir das Team auf 7 Teammitglieder ergeben sich ca. 16 Milliarden Team-Möglichkeiten. Die möglichen Teams im Falle von drei Teammitgliedern zu überprüfen ist auf klassischer Hardware noch möglich, im Fall des Teams mit 7 Teammitgliedern nicht mehr.

Quantum Annealing wird eingesetzt, wenn die Lösung aus einem sehr großen potentiellen Lösungsraum herausgefunden werden soll und sich das Problem als ein Netzwerk-Problem formulieren lässt. Im Falle unseres Team-Management-Problems besteht das Netzwerk aus 100 Teammitgliedern, die mehr oder weniger gut miteinander zusammenarbeiten können. Dieses mehr oder weniger gut wird vom Management über eine Zahl zwischen -1 und 1 bewertet und in eine Matrix eingetragen. Zusätzlich können auch Kompetenzen der Teammitglieder (zum Beispiel Programmierkenntnisse, Designkenntnisse oder Persönlichkeitseigenschaften) in einer Skala von 0 bis 1 erfasst werden. Für das Team lässt sich auf dieser Basis angeben, wieviel Teamkompetenz in den einzelnen Kompetenzbereichen vorhanden sein soll.

Das Management-Problem wird mittels einer Zielfunktion, die die Wechselwirkung der Qubits beschreibt, auf ein Qubit-Netzwerk transformiert: Die 100 Teammitglieder werden zu 100 Qubits, die Matrix der Zusammenarbeit wird auf eine Koppler-Matrix zwischen den Qubits abgebildet und die Kompetenzanforderungen werden als Constraints des Optimierungsproblems verwendet.

Zu Beginn der ‚Rechnung‘ wird das 100 Qubit-Netzwerk in einen Anfangszustand gebracht, der in sich! sogar 2hoch100 also ca. 10 hoch 30 Zustände enthält: Man spricht von einer Superposition des Qubit-Netzwerkes. Dann wird das Netzwerk extrem langsam ‚ausgeglüht’ und die Wechselwirkung zwischen den Qubits sehr langsam hochgefahren. Sehr langsam bedeutet hier sehr langsam in Relation zu den charakteristischen Qubit-Systemzeiten: Die sind, verglichen mit unseren Tageszeiten, sehr kleine Zeiten.

Man spricht von dem Ausglüh-Prozess: dem Annealing-Prozess. Der Begriff stammt von klassischen Optimierungsalgorithmen, in denen man zuerst mit einer hohen Temperatur startet, die viele Zustände enthält. Es wird extrem langsam (adiabatisch) ausgeglüht, um in einem ‚kühlen‘ Lösungszustand zu enden. Im Falle des Quantum Annealing, das ja bei sehr tiefen Temperaturen durchgeführt wird, um die Qubits zu bekommen, wird mit einem sogenannten transversalen Magnetfeld gearbeitet, das die 100 Qubits in eine vollständige Superposition bringt. – Der Quantum Annealing-Prozess minimiert langsam das Magnetfeld, wodurch das System in den Zustand der niedrigsten Energie gebracht wird – vergleichbar mit einem Stein, der in das tiefste Tal eines Hügels rollt. Der Prozess verläuft extrem langsam, um sicherzustellen, dass der optimale Zustand erreicht wird. Liegt die sehr langsam hochgefahrene Wechselwirkung zwischen den Qubits vollständig vor, ist der ausgeglühte 100 Qubit-Zustand erreicht. – Die optimale Lösung ist gefunden: Alle Qubits werden jetzt (erst) gemessen und zeigen jetzt eine 0 oder 1. Es ist jetzt möglich, für alle möglichen Kombinationen, die 7 Qubits enthalten und die weiteren festgelegten Rahmenbedingungen erfüllen, die Energie zu berechnen. Aus diesen Energien werden die niedrigsten Energiewerte oder der niedrigste Energiewert ausgewählt. 

Im Idealfall ist dies nur ein Zustand. Dies beruht auf der grundlegenden Annahme, dass die (natürliche) Lösung durch den Zustand oder die Zustände repräsentiert wird, die die niedrigsten Energiewerte besitzen.

Der QC Annealing Prozess ist ein Selbstorganisationsprozess, d.h. es kann auch vorkommen, dass der Prozess kein Energieminimum in der Energielandschaft findet. Aus diesem Grunde ist es notwendig, mit im Algorithmus enthaltenen Kontrollparametern etwas zu spielen, um ein Energieminimum zu finden. Hierzu werden die Kontrollparameter variiert, um in der durch die vorgegebenen Rahmenparametern (z.B. Teamgröße, Kompetenzprofile, Zusammenarbeits-Matrix) eingeschränkten Energielandschaft die Energieminima zu suchen. Das gefundene Energieminium ist hierbei der Ordnungsparameter zur Zielfunktion, die die Wechselwirkung der Qubits unter den gegebenen Rahmenbedingungen beschreibt.         

Das Team-Management Problem habe ich in einer Colab-Python-Umgebung laufen lassen. Ich habe Tests mit kleinen Pool- und Team-Größen durchgeführt. In diesem Fall kann man die Ergebnisse auch noch klassisch überprüfen. Ich gehe nicht weiter auf diese Ergebnisse ein: Liegen die oben beschriebenen Ausgangsdaten für das Team-Management-Problem vor, ist das ‚beste‘ Team innerhalb von Sekunden gefunden. Es funktioniert einfach!

Statt dessen möchte ich die Ergebnisse zu einer anderen Fragestellung skizzieren. Ich nehme Bezug auf den Blog-Beitrag ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‘ vom Juni 2024.

Es geht in diesem Beitrag um die Berechnung des Collective Mind einer Diskussionsrunde mit fünf Teilnehmern. Auch hier macht die Größe von fünf Teilnehmern kein QC erforderlich. Jedoch kann man bei dieser Größe Theorien austesten und die Skalierung auf größere Teilnehmerzahlen ist bei Bedarf völlig mühelos.

In dem vorherigen Blog-Beitrag habe ich eine sogenannte Ähnlichkeitsmatrix S benutzt. Diese Matrix S ist komplex: S = Matrix A der Textähnlichkeiten + i*Matrix der Emotionsähnlichkeiten. Die Fragestellung, die ich hier diskutieren möchte lautet: Könnte ich die Anzahl der Diskussionsteilnehmer reduzieren und würde dies den Collective Mind erhöhen und welche Teilnehmer sollte ich hierfür auswählen. Dies ist wieder ein Optimierungsproblem: Da das Collective Mind über die positive Energie, die im Team ist, gemessen wird, müssen wir -S (minus S) für die Optimierung verwenden. Außerdem können wir für das Quantum Annealing (derzeit) nur den Realteil der Matrix benutzen: Die Verwendung komplexer Matrizen wird von dem d-wave System nicht unterstützt, u.a. deswegen, weil damit die Energieerhaltung verletzt wird. – Moderne Forschungen in der nicht-hermiteschen Quantenmechanik untersuchen, wie komplexe Energieeigenwerte physikalische Systeme beeinflussen könnten. Diese Entwicklungen sind besonders spannend in Bereichen wie optischen Systemen und dissipativen Quantenphasen. Es ist also noch Raum für Ergänzungen vorhanden 😉.

Die Ergebnisse im vorherigen Blog legen nahe, dass ein Team aus drei Diskussionsteilnehmern ein Energieminimum (also ein Collective Mind Maximum) zeigen sollte: Die Sprecher 2  (B), Sprecher 4 (D) und Sprecher (5) (E) sollten gute Kandidaten sein.

Abbildung 1 zeigt eine Simulation mit 3 Teilnehmern: Die Ergebnisse sind identisch oder zumindest sehr ähnlich den Ergebnissen des vorherigen Block-Beitrages: Alle tragen zum Collective Mind bei. Falls man jedoch eine Diskussionsgruppe aus drei Teilnehmern zusammenstellen wollte, so wären dies die Sprecher 2 (B), Sprecher 4 (D) und Sprecher 5 (E).  

Abbildung 1: Sie zeigt eine ‚Rechnung‘ mit 3 Teilnehmern: Wie man sehen kann liefert das Quantum Annealing mehrere Lösungen (BDE, ADE und ABE), die sehr dicht beieinander liegen. Es gibt auch Kombinationen (ACD, und BCD), die nicht favorisiert werden.

Für die Teambildung ist die Energie pro Teilnehmer entscheidend. Abbildung 2 zeigt die Energie pro Teilnehmer falls nur zwei Teilnehmer für die Diskussionsrunde ausgewählt werden.

Abbildung 2: Diese Abbildung zeigt eine ‚Rechnung‘ mit 2 Teilnehmern. Hier ist die Energie pro Teilnehmer aufgetragen. Diese Energie zeigt an, wieviel Energie in diesen Kombinationen jeder Teilnehmer hat. Vergleicht man diese Energie von 45 mit einer Energie von ca. 33 im Falle einer Diskussionsrunde von drei Teilnehmern, so ergibt sich, dass im Übergang von 2 Teilnehmern zu 3 Teilnehmern die Energie pro Teilnehmer um ca. 25% abnimmt. Kommen weitere Teilnehmer hinzu nimmt die Energie pro Teilnehmer weiter ab. – Ein Collective Mind aufzubauen wird mit jedem hinzukommenden Teilnehmer schwieriger, kleine Teams sind günstiger für den Collective Mind Aufbau.

Zusammenfassend stelle ich fest:

  1. Das Arbeiten mit ChatGPT 4o1-preview ist eine enorme Bereicherung für mich. ChatGPT 4o1-preview hat Qualitäten eines PhD-Physikers und -Entwicklers. Das Arbeiten mit dem KI-System trägt im Falle eines schwierigen wissenschaftlichen Themas zu einer enormen Leistungssteigerung bei. – Die Zusammenarbeit mit ChatGPT hat nicht nur den Recherche- und Codeentwicklungs-Prozess beschleunigt, sondern auch neue Perspektiven auf die Themen ermöglicht.
  2. Das Quantum Computing, hier das Quantum Annealing, ist über Colab und d-wave wirklich sehr einfach zu handhaben. – Es macht einfach Spaß, Management-Fragestellungen auf diese Weise zu beleuchten und in die Quantenwelt einzutauchen, die noch bis vor kurzem der modernsten Forschung vorbehalten war. – Man beginnt sowohl die Quantenwelt besser zu verstehen als auch die Managementwelt. – Theorien, wie die Collective Mind Theorie, machen einen angreifbar, sind aber auch der einzige Weg, um Erfahrungen in Erkenntnisse zu transformieren.
  3. Die QA ‚Rechnungen‘ bestätigen meine bisherigen Ergebnisse und liefern weitere Management-Erkenntnisse: Eine Skalierung auf Fragestellungen mit mehr Daten (hier mehr Personen) ist sehr einfach und die Ergebnisse liegen bei Bedarf nahezu unmittelbar vor.    

[1] d-wave (2024) dwavesys.com, cloud.dwavesys.com/leap/, docs.dwavessys.com docs.ocean.dwavesys.com     

[2] Nielsen M L und Chuang I L (2021) Quantum Computation and Quantum Information, 10te Auflage von 2002, Cambridge University Press, UK

[3] Georgescu I M, Ashhaby S, Noriz F(2014) Quantum Simulation, arXiv:1308.6253v3

[4] Broughton M et al. (2021) TensorFlow Quantum: A Software Framework for Quantum Machine Learning, arXiv:2003.02989v2

[5] Rajak A et al. (2023) Quantum Annealing: An Overview, Philosophical Transactions A, arXiv:2207.01827v4

[6] Xu  et al. (2023) A Herculean task: Classical simulation of quantum computers, arXiv:2302.08880v1

[7] Young K, Scese M, Ebnenasir A (2023) Simulating Quantum Computations on Classical Machines: A Survey, arXiv:2311.16505v1

PodCast mittels notebookLM: Collective Mind wunderbar intelligent vermittelt!

Um diesen Blog Beitrag zu erstellen, habe ich notebookLM von google verwendet: Die Inhalte meiner letzten beiden Blog-Beiträge ‚Von Egoshootismus und Liberalismus und anderen pathologischen Transformationen‚ und ‚AI & M 4.0: Markus Lanz vom 30. Mai 2024: Eine Collective Mind Analyse‚ wurden von der google KI Gemini zusammengefaßt. Schon dieses Ergebnis ist erstaunlich gut gelungen, zumal man dem System weitere Verständnis Fragen stellen kann. Die Frage werden sehr gut aufbereitet und verständlich beantwortet. Die nachfolgende Abbildung zeigt die dazugehörige notebookLM-Oberfläche:

Abbildung 1: notebookLM Benutzeroberfäche

Mit notebookLM kann man auch einen Podcast erzeugen: Die Güte des in ca. 2 Minuten erzeugten Podcast mit zwei englischsprachigen Sprechern ist meines Erachtens brilliant: Es werden auf unterhaltsame Weise alle wesentlichen Aussagen intelligent ‚reflektiert‘. Außerdem schlägt die google KI einen Bogen von einem Blog-Beitrag zum anderen Blog-Beitrag, was wirklich unglaublich gut gelungen ist. – Überzeugen Sie sich selbst: