Alfred Oswald

Von der gesellschaftlichen Kernschmelze – Von Autokraten, Demokraten und vom rechts-libertären Sumpf

Dieser Blog ist der fünfte Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Wie auch in den vorherigen Beiträgen nutze ich ChatGPT in der Version o4-mini-high, um den Blog-Beitrag in einem hybriden Collective Intelligence Setting zu erstellen. Für die Qualitätssicherung verwende ich die KI-System Claude 3.7 Sonnet und DeepSeek.

Abbildung 0: Bild erzeugt mit Hilfe von ChatGPT, als Prompt wurde der gesamte Blog-Beitrag verwendet.

Den letzten Beitrag habe ich mit dem Hinweis auf den ZDF Beitrag ‚Trump und das Silicon Valley‘ [1] beendet: In diesem Beitrag wird die Rolle rechts-libertärer Milliardäre, wie Peter Thiel, Mark Zuckerberg und Elon Musk, in der Trump’schen Autokratie beleuchtet.

Ein rechter Libertärer glaubt, dass jeglicher Zwang – außer dem Schutz vor Gewalt und Betrug – ungerecht ist, und dass freie Märkte und freiwillige Vereinbarungen alle gesellschaftlichen Probleme lösen können: Rechte Libertäre glauben an einen starken Individualismus, den Minimalstaat, den unbeschränkten freien Markt und die Selbstverantwortung. Die Nobel-Preisträger Milton Friedman und Friedrich A. von Hayek haben diese Form des amerikanischen Rechtsliberalismus ‚wissenschaftlich‘ legitimiert.

In meinem Blog-Beitrag ‚Von Egoshootismus und Liberalismus und anderen pathologischen Transformationen‘ vom August 2024 bin ich intensiver auf das Verständnis von von Hayek’s eingegangen: Ich habe gezeigt, dass sein Verständnis der Selbstorganisation des Marktes rudimentär ist und kein Verständnis der Prinzipien der Selbstorganisation erkennen lässt: Selbstorganisation kann unreguliert, ungewollte und ‚böse‘ Erscheinungsformen haben. – Der Freie Markt ist also kein erstrebenswertes Ziel.

Der Rechtsliberalismus ist im Kern eine anti-autoritäre, pro-Markt-Ideologie. Trotzdem zeigen diverse (amerikanische) Milliardäre ein Verhalten, das dem Faschismus sehr nahe kommt:

Die fundamental-libertäre Ablehnung von Staatsgewalt kann, wenn sie dogmatisch und unreflektiert betrieben wird, in private, quasi-feudale oder gar rassistische Ordnungen abrutschen. Gerade dort, wo Libertäre nicht nur den Staat, sondern auch jede Form von Regulierung strikt verbannen, entsteht ein Vakuum, das von mächtigen Privatinteressen (oder informellen Cliquen) mit rechtsautoritären bis faschistoiden Strukturen ausgefüllt wird.

Peter Thiel, zum Beispiel geht noch weiter als der typische Rechts-Libertäre: Er verbindet libertäre Ideale (wenig Staat, maximale individuelle Freiheit) mit einem starken Glauben an technologischen Fortschritt und – paradoxerweise – zentralisierte Daten- und Kontrollsysteme (siehe das Unternehmen Palantir). „Er sieht Freiheit und Demokratie als „unvereinbar“, verachtet Wettbewerb als „Ideologie für Verlierer“ und plädiert für Monopole als „Motor des Fortschritts“. Staaten seien „überflüssig“, Unternehmen mit „diktatorischer Führung“ effizienter. Seine Ideen dienen als ideologische Legitimation für Tech-Konzerne, die durch Übernahmen oder Verdrängung von Wettbewerbern gezielt auf Marktdominanz hinarbeiten.“ [2] Er unterstützt die Politik von Trump und finanziert außeruniversitäre Bildungsformate, weil er die universitäre Bildung ablehnt; und stellt traditionelle Staats- und Gesellschaftsstrukturen in Frage. Es ist unverkennbar, dass er in Richtung einer elitären autokratischen Regierungsform arbeitet, in der wenige Superreiche die Geschicke der Gesellschaft bestimmen. Ich charakterisiere diese Form des Rechtsliberalismus mit folgenden Eigenschaften: Elitärer ‚Freier‘ Markt in dem große Monopole die Wirtschaft bestimmen, Überbetonung eines sozialdarwinistischen Individualismus, minimaler Staat und einer Dominanz der Privat-Bildung und des Privat-Eigentums, die jegliches erdenkbare Recht der Verwendung ohne Rücksicht auf etwaige schädliche Folgen für Andere einräumt. Für eine weitergehende Auseinandersetzung mit der Gedankenwelt von Peter Thiel verweise ich auf das Dossier von Daniel-Pascal Zorn [3].

In den vorherigen Blog-Beiträgen habe ich den Übergang Demokratie-Autokratie durch ein ‚Soziales Feld‘ mit neun Dimensionen in einem ODE-Formalismus beschrieben. Die Dimensionen sind: Z = Zukunftsvertrauen, W = WerteKohäsion, B = BedürfnisKohäsion, P = Polarisierung, V = Vertrauensverlust, E = Wirtschaftsprobleme, M = mediale Radikalisierung, Q = Stärke demokratischer Institutionen, I = Ungleichheit. Es ist auch gelungen, einen Kontrollparameter der Selbstorganisation einzuführen: Lambda bestehend aus Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und medialer Radikalisierung, steuert den Phasenübergang Demokratie-Autokratie.

In diesem Blog-Beitrag führe ich zusätzlich drei stereotype Agenten bzw. Agentengruppen ein, die auf das ‚Soziale Feld‘ einwirken: Autokrat, Demokrat und Rechts-Libertärer. Ich modelliere diese Agenten bzw. Agentengruppen wieder über ein zusätzliches ODE-System. Das ist eher ungewöhnlich, da Agenten ‚mikroskopische‘ Einheiten sind, deren Interaktion emergent ein makroskopisches System ergeben: Agent Based Modeling ist eigentlich die geeignete Modellierungs-Technik, um Emergenz zu modellieren. -Ich vereinfache und nehme an, dass ein makroskopisches zusätzliches Feld durch die Agenten entsteht, das das schon bestehende ‚Soziale Feld‘ verändert: Man stelle sich das ‚Soziale Feld‘ als die Wähler vor und die Agenten sind einzelne Politiker oder homogene Politikergruppen bzw. einzelne rechts-libertäre (Tech-) Eliten.

Die Tabelle 1 zeigt die drei Agenten-Typen mit jeweils vier Persönlichkeitszügen.

Autokrat	Demokrat	Rechts-Libertärer
MG: Macht- und Geld-Gier	I_D: Integrales Denken	EconLib: Freier (elitärer) Markt
R: Rache	Ep: Empathie	IndLib: Individuelle sozialdarwinistische Freiheit
C: Neigung zu Mystik und Verschwörungstheorien	T: Transparenz	GovMin: Minimaler (elitärer) Staat
Wm: Wissenschafts-Abneigung	Wp: Wissenschafts-Neigung	PropRights: Dominanz der ‚Privat-Wissenschaft‘ und des Privat-Eigentums

Tabelle 1: Persönlichkeitszüge (traits) der drei stereotypen Agenten oder Agentengruppen mit den vorangestellten Abkürzungen, die in den ODE’s verwendet werden: Autokrat, Demokrat und Rechts-Libertärer. Die horizontale Zuordnung der Persönlichkeitszüge ist nicht ganz stringent, weist jedoch eine gewisse Verwandtschaft aus. Zum Beispiel: Der ideale Demokrat zeigt Empathie gegenüber Mensch und Natur, wohingegen der Rechts-Libertäre in erster Linie seine Interessen wahrt und der Autokrat dies auch tut und zusätzlich die Vernichtung seiner Feinde verfolgt.

Die Agenten wirken prinzipiell mit zwei verschiedenen Modulationsarten auf das ‚Soziale Feld‘ ein:

Sie modulieren die Parameter des ‚Sozialen Feldes‘, u.a. den Kontrollparameter Lambda: Dies entspricht ‚lediglich‘ einer Verstärkung bzw. Schwächung bestehender Dynamiken.
Sie modulieren das bestehende ‚Soziale Feld‘ durch explizite zusätzliche ODE-Terme: Dies entspricht einer Veränderung der Dynamiken des ‚Sozialen Feldes‘.

Durch Einführung dieser Modulationsarten ändert sich zwar die Zusammensetzung des Faktors Lambda im Kontrollparameter, jedoch ändert sich dessen Struktur in der zentralen Gleichung zum Übergang Demokratie-Autokratie nicht. – Tests zum Phasenübergang Demokratie-Autokratie stützen diese Aussage, denn der Kontrollparameter behält seine Wirkung.

Beide Modulationsarten kommen in der Praxis vor: Die erste Modulationsart trifft man meistens im Übergang! von der Demokratie zur Autokratie an. – Die Autokraten wollen, um nicht allzu sehr aufzufallen, nur auf der vorhandenen ‚autokratischen Welle der Wähler surfen‘: Sie verstärken lediglich vorhandene Wähler-Bewegungen. Die zweite Modulationsart tritt ein, wenn der Übergang (nahezu) vollzogen ist: Jetzt hat der Autokrat oder die Autokraten die Macht, um keine Rücksicht mehr nehmen zu müssen: Jetzt geben die Autokraten aktiv neue Impulse in das ‚Soziale Feld‘.

Die folgenden fünf Abbildungen verdeutlichen die Wirkung des ‚Sozialen Feldes‘ unter Mitwirkung der drei Agententypen:

Abbildung 1: In diesem Szenario sind keinerlei Agenten ‚eingeschaltet‘. Die Autokratie startet im Szenario ‚Demokratische Transition‘ schon bei einem sehr hohen Wert. Die demokratischen Feldkräfte können die Autokratie noch etwas aufhalten, verlieren schließlich aber.

Abbildung 2: Die Agenten modulieren die Parameter des ‚Sozialen Feldes‘, insbesondere den Kontrollparameter. – Das gibt den demokratischen Feld-Kräften einen deutlichen Vorteil, sie können die Autokratie deutlich reduzieren und im Anstieg lange ausbremsen. (ҡ_traits = 0,055, man siehe ggf. hierzu den Anhang ODE System.)

Abbildung 3: Zusätzlich zu den Kräften in Abbildung 2, wird der Autokrat vollständig ‚angeschaltet‘. – Die Demokratie hat kaum noch eine Chance. (Man siehe ggf. den Anhang ODE System: ҡ_traits= 0,055, Parameter für Macht- und Geldgier sowie Rache = 0,050, Parameter für Neigung zu Mystik sowie Wissenschaftsabneigung = 0.035, Parameter des Demokraten und des Rechts-Libertären alle auf 0.)

Abbildung 4: Jetzt wird der Demokrat vollständig ‚angeschaltet‘. Sie oder er kann den Übergang etwas aufhalten, die Situation ist etwas besser als in dem vorherigen Szenario, in dem lediglich die demokratischen Kräfte aus dem modulierten ‚Sozialen Feld‘ kommen. (Man siehe ggf. den Anhang ODE System: ҡ_traits = 0,055, Parameter für Macht- und Geldgier sowie Rache = 0,050, Parameter für Neigung zu Mystik sowie Wissenschaftsabneigung = 0.035, Integrales Denken und Empathie = 0.050 sowie Transparenz und Wissenschafts-Neigung = 0.035, alle Parameter des Rechts-Libertären auf 0.)

Abbildung 5: Der oder die Rechts-Libertären unterstützen jetzt den Autokraten, die Wirkung des Demokraten wird neutralisiert. (Man siehe ggf. den Anhang ODE System: ҡ_traits = 0,055, Parameter für Macht- und Geldgier sowie Rache = 0,050, Parameter für Neigung zu Mystik sowie Wissenschaftsabneigung = 0.035, Integrales Denken und Empathie = 0.050 sowie Transparenz und Wissenschafts-Neigung = 0.035, alle Parameter des Rechts-Libertären auf 0.030.)

Zusammenfassend stelle ich fest: Das ODE-System modelliert qualitativ die aktuelle US-amerikanische Situation recht gut:

Das ‚Soziale Feld‘ ist ohne die Agenten schon stark autokratisch ausgerichtet. – Man siehe die US-amerikanische Situation vor der Wahl. Der Autokrat greift im Wahlkampf diese Stimmung auf. Die Demokratin kann den Übergang zur Autokratie verzögern, jedoch nicht verhindern. Der Übergang vollzieht sich um so schneller und abrupter, als die rechts-libertären Agenten (Tech-Milliardäre) den Autokraten unterstützen. Die Analyse des Phasenübergangs ergibt, dass dieser unter Mitwirkung aller Agenten bei einem höheren Kontrollparameter Lambda auftritt, dafür ist der Übergang aber umso ausgeprägter.

Mir ist bewusst, dass mein Modell ein sogenanntes ‚Toy-Model‘ ist und die Ergebnisse nicht überbewertet werden sollten, jedoch…es modelliert manche Realität erstaunlich gut…

[1] Andersen A, Kleber C (2025) Trump und das Silicon Valley, https://www.zdf.de/play/dokus/zdfzeit-106/trump-und-das-silicon-valley-100, ZDF

[2] Schwaiger T (2025) Wie Tech-Ideologen die Revolution des Krieges herbeisehnen, https://www.derstandard.de/story/3000000271785/wie-tech-ideologen-die-revolution-des-krieges-herbeisehnen# in der derstandard.de

[3] Zorn D-P (2025) Dossier: Peter Thiel – der Vermittler, https://politischeoekonomie.com/dossier-peter-thiel-der-vermittler/?utm_source=firefox-newtab-de-de

Anhang: Vollständiges ODE System

$\frac{dD}{dt} = F_{\mathrm{dem}} -\lambda_{\mathrm{eff}}F_{\mathrm{aut}}+F_{\mathrm{traits,dem}} -F_{\mathrm{traits,aut}} -F_{\mathrm{traits,RL}}$

Die Formeln des ‚Sozialen Feldes‘:
$F_{\mathrm{dem}} = \alpha_{Z,\mathrm{eff}}Z +\alpha_{W,\mathrm{eff}}W +\alpha_{B,\mathrm{eff}}B +\alpha_{Q,\mathrm{eff}}Q_{s}-\alpha_{I,\mathrm{eff}}I_{s}$

$\alpha_{Z,\mathrm{eff}} = \alpha_{Z} + \kappa_{\mathrm{trait}}\,ID$
$\alpha_{W,\mathrm{eff}} = \alpha_{W} + \kappa_{\mathrm{trait}}\,Ep$
$\alpha_{B,\mathrm{eff}} = \alpha_{B} + \kappa_{\mathrm{trait}}\,(ID + Ep - R)$
$\alpha_{Q,\mathrm{eff}} = \alpha_{Q} + \kappa_{\mathrm{trait}}\,T$
$\alpha_{I,\mathrm{eff}} = \alpha_{I} + \kappa_{\mathrm{trait}}\,R$

$F_{\mathrm{aut}} = \beta_{P}P^{2.0} +\beta_{V}V^{1.2} +\bigl(\beta_{E}+\kappa_{\mathrm{trait}}(W_{p}-W_{m})\bigr)E^{1.0} +\bigl(\beta_{M}+\kappa_{\mathrm{trait}}C\bigr)M^{1.5}$

Die Formeln der Persönlichkeitszüge der drei Agententypen:
$F_{\mathrm{traits,dem}} = k_{f_{\mathrm{ID}}}ID +k_{f_{\mathrm{Ep}}}Ep +k_{f_{T}}T +k_{f_{Wp}}W_{p}$

$F_{\mathrm{traits,aut}} = k_{f_{MG}}MG +k_{f_{R}}R +k_{f_{C}}C +k_{f_{Wm}}W_{m}$

$F_{\mathrm{traits,RL}} = k_{f_{EL}}EconLib +k_{f_{IL}}IndLib +k_{f_{GM}}GovMin +k_{f_{PR}}PR$

Der Kontrollparameter:
$\lambda_{\mathrm{eff}} = \lambda +\kappa_{\mathrm{trait}}MG +\kappa_{\mathrm{RL}}(EconLib + IndLib + GovMin + PR)$

Die ODE’s des Sozialen Feldes:
$\frac{dZ}{dt} = \gamma_{1}D-\gamma_{2}E+\alpha_{Mem}\bigl(\mathrm{Mem}-Z\bigr)^{2}$
$\frac{dW}{dt} = \delta_{1}D-\delta_{2}P-\delta_{3}M$
$\frac{dB}{dt} = \epsilon_{1}W-\epsilon_{2}E$
$\frac{dP}{dt} = \zeta_{1}M-\zeta_{2}W$
$\frac{dV}{dt} = \eta_{1}E-\eta_{2}Z$
$\frac{dE}{dt} =\theta_{1}A-\theta_{2}B$
$\frac{dM}{dt} = \iota_{1}P+\iota_{2}A$
$\frac{dQ}{dt} = q_{1}D-q_{2}A$
$\frac{dI}{dt} = i_{1}A-i_{2}B$
$\frac{d\mathrm{Mem}}{dt} = \mu\bigl(D - \mathrm{Mem}\bigr)$

Die ODE’s des Autokraten:
$\frac{dMG}{dt} = a_{MG}A - b_{MG}MG$
$\frac{dR}{dt} = a_{R}(A - D) - b_{R}R$
$\frac{dC}{dt} = a_{C}A - b_{C}C$
$\frac{dW_{m}}{dt} = a_{W_{m}}C - b_{W_{m}}W_{m}$

Die ODE’s des Demokraten:
$\frac{dI_{D}}{dt} = a_{I_{D}}D - b_{I_{D}}I_{D}$
$\frac{dE_{p}}{dt} = a_{E_{p}}D - b_{E_{p}}E_{p}$
$\frac{dT}{dt} = a_{T}D - b_{T}T$
$\frac{dW_{p}}{dt} = a_{W_{p}}D - b_{W_{p}}W_{p}$

Die ODE’s des Rechts-Libertären:
$\frac{dEconLib}{dt}=\alpha_{\rm EconLib}(1-Q_s)+\gamma_{\rm AE}A-\beta_{\rm EconLib}EconLib$
$\frac{dIndLib}{dt}=\alpha_{\rm IndLib}(D - Z)-\beta_{\rm IndLib}IndLib$
$\frac{dGovMin}{dt}=\alpha_{\rm GovMin}A-\beta_{\rm GovMin}GovMin$
$\frac{dPR}{dt}=\alpha_{\rm PropRights}(P - V)-\beta_{\rm PropRights}PR$

Erläuterungen zu den Parametern:
$\lambda$ : Kontrollparameter des ‚Sozialen Feldes‘
$\mu$ : Memory-Rate (Gedächtnis-Kopplung)
$\alpha_{M}$ : Feedback-Stärke von Mem auf Z
$\alpha_{Z}$ : Zukunftsvertrauen → D
$\alpha_{W}$ : Wertekohäsion → D
$\alpha_{B}$ : Bedürfniskohäsion → D
$\alpha_{Q}$ : Institutionenvertrauen → D
$\alpha_{I}$ : Ungleichheit (negativ) → D
$\beta_{P};\beta_{V};\beta_{E};\beta_{M}$ : Basisskalen für die autokratischen Einflussgrößen P, V, E, M
$\kappa_{\mathrm{trait}}$ : Multiplikative Modulation durch Auto-/Demokrat-Traits
$\kappa_{\mathrm{RL}}$ : Multiplikative Modulation durch Rechts-Libertär-Traits
$k_{f_{MG}};k_{f_{R}};k_{f_{C}};k_{f_{Wm}}$ : Additive Einfluss-Stärken der Autokrat-Traits (Macht- und Geld-Gier, Rache, Mystik, Wiss.abn) auf dD
$k_{f_{ID}};k_{f_{Ep}};k_{f_{T}};k_{f_{Wp}}$ : Additive Einfluss-Stärken der Demokrat-Traits (Int.Denken, Empathie, Transparenz, Wiss.neig) auf dD
$k_{f_{EL}};k_{f_{IL}};k_{f_{GM}};k_{f_{PR}}$ : Additive Einfluss-Stärken der RL-Traits (Wirtschaftsfreiheit, Individuelle Freiheit, Minimalstaat, Dominanz von Privat-Wissenschaft und Privat-Eigentum) auf dD
$a_X;b_X$ : Roh-Wachstums- bzw. Abbauraten für jeden Trait
$q_{r1};q_{r2}$ : Auf-/Abbauraten für Institutionen Q
$i_{s1};i_{s2}$ : Auf-/Abbauraten für Ungleichheit I
$x_{n};y_{m}$ : Diverse griechische Buchstaben für die Auf-/Abbauraten weiterer Dimensionen des ‚Sozalen Feldes‘
$\alpha_{\mathrm{EconLib}};\gamma_{\mathrm{AE}};\beta_{\mathrm{EconLib}}$ : Wachstum, Autokrat-Kopplung und Abbau von Wirtschaftsfreiheit
$\alpha_{\mathrm{IndLib}};\beta_{\mathrm{IndLib}}$ : Wachstum und Abbau individueller Freiheit
$\alpha_{\mathrm{GovMin}};\beta_{\mathrm{GovMin}}$ : Wachstum und Abbau des Minimalstaats
$\alpha_{\mathrm{PropRights}};\beta_{\mathrm{PropRights}}$ : Wachstum und Abbau von der Dominanz von Privateigentum

Von der gesellschaftlichen Kernschmelze – von politischen Emotionen oder von der enggeistigen banalen Selbstorganisation

Dieser Blog ist der vierte Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Wie auch in den vorherigen Beiträgen nutze ich ChatGPT, dieses Mal vorwiegend in der Version o4-mini-high, um den Blog-Beitrag in einem hybriden Collective Intelligence Setting zu erstellen. Für die Qualitätssicherung verwende ich die KI-System Claude 3.7 Sonnet und DeepSeek.

Abbildung 0: Die enggeistige banale Selbstorganisation in einer Autokratie, erstellt mit Hilfe von ChatGPT

Autokraten haben in der Vergangenheit immer Leid über die Menschen gebracht und – soweit mir dies bekannt ist – sich auch immer persönlich bereichert: Man siehe Trump, Putin, Orban oder Erdogan. Alle vier verfügen über ein enggeistiges Bewusstseinsniveau in dem Macht- und Geldgier mit Skrupellosigkeit und Korruptionsbereitschaft zusammenkommen. Enggeistig deshalb, weil diese Autokraten in den dazugehörigen limitierenden Werten und Motiven steckengeblieben sind: Vernetzt und über sich hinaus wahrzunehmen und zu erfahren, dies können sie nicht; Wissenschaft mögen sie nicht, lediglich insoweit, als sie ihnen nutzt, ihre Ziele zu erreichen. – Sie erfinden zum Teil unglaubliche Lügen, um Wissen zu diskreditieren.

In meinem Blog ‚Von der kulturellen Aufrechterhaltung von Unwissen oder von der banalen* Selbstorganisation‘ vom März 2021 habe ich verdeutlicht, dass eine enggeistige mentale Selbstorganisation versucht, Komplexität zu beherrschen, indem sie wertvernichtende Komplexität erzeugt: Es werden Menschen, soziale Systeme und die Natur geschädigt oder vernichtet, um autokratische Ziele zu erreichen. Es ist eine enggeistige banale Selbstorganisation der inneren Haltung, weil die Fähigkeit zur empathischen Selbstreflexion nicht vorhanden ist und daraus ‚ego-shooter‘ Handlungen erwachsen.

Und trotzdem werden diese Autokraten, teilweise in freien Wahlen, von großen Teilen der jeweiligen nationalen Bevölkerung gewählt.

Autokraten verstehen es, politische Emotionen zu bedienen. Es sind limitierende politische Emotionen, die latent in Teilen der Bevölkerungen vorhanden sind.

Der Kognitionswissenschaftler Fritz Breithaupt hat hierzu vor Kurzem im Spiegel einen Beitrag veröffentlicht [1]. Er hat ein Muster identifiziert, das Autokraten und faschistische Parteien benutzen, um Resonanz zwischen sich und diesen Teilen der Bevölkerungen zu erzeugen:

Es werden zuerst negative Emotionen geschürt, die an die potentiell limitierenden Werte und Motive wie Macht, Ehre, Anerkennung, Stolz, Status, Ordnung, Neid und Rache andocken. Typisches Beispiel in den USA und in Deutschland ist die Angst vor Ausländern, da diese einem ‚richtigen‘ Bürger vermeintlich Wohlstand oder Sicherheit wegnehmen.
Negative Emotionen, die mit mentalem Stress verbunden sind, werden in einem zweiten Schritt durch positive Emotionen ‚neutralisiert‘. – Es wird eine enggeistige mentale Selbstorganisation induziert: Zu diesen limitierenden positiven Emotionen (Bedürfnissen/Werten/Motiven) gehören u.a.: Ich- und Wir-Stolz, Triumph, Genugtuung, Patriotismus sowie ‚Ausbrechen aus dem engen Leben‘ über Abenteuer und koloniale Entdeckungen bzw. Besitzergreifungen. Diese Emotionen werden mit Narrativen angeregt und vermittelt. Die Narrative enthalten oft mystische und identitätsstiftende – zum Stamm gehörende, ethnische – Komponenten.

Beispiele hierfür sind in der MAGA Bewegung, u.a.:

‚Ich muss mich gegen den Ausländer, der mich und meine Familie bedroht, verteidigen. Ich bin ein Held/eine Heldin an der Seite von Trump, der uns alle rettet, in dem er uns führt.‘ – Es ist das Muster vieler Western-Geschichten.

‚Wir haben äußere Feinde, die uns bedrohen und es ist notwendig uns durch strategische Außenposten abzusichern‘: Grönland, Kanada und der Panamakanal sind solche strategischen Außenposten. ‚Wir, Amerikaner, stoßen in eine unbekannte glorreiche Zukunft vor.‘ – „Es ist sehr befriedigend, mit einer uneingeschränkten Zukunft zu spielen – insbesondere mit einer Zukunft auf fremdem Boden“ [1]. Beide Beispiele kennen wir, leicht abgewandelt, aus der Nazi-Zeit.

Wenn die amerikanischen Universitäten von Trump als Ort des ‚Unnatürlichen und Woken‘ angegriffen werden, so sorgt er dafür, dass Wissenschaft diskretiert wird und gleichzeitig verschafft er einem Teil der Bevölkerung ein Gefühl der Genugtuung. „Dazu kommen die Minderwertigkeitskomplexe vieler Menschen gegenüber den Eliteunis, denn diese lehnen ja den größten Teil der Bewerber ab. Ablehnungen können als Narbe bleiben und Rachegefühle schüren.“ [1]

Ähnliche Narrative finden wir auch in Deutschland seitens der AfD, u.a.:

‚Die Ausländer sind eine Gefahr für unseren Wohlstand und unsere Sicherheit. Nur wir sind die Retter.‘ – Man siehe hierzu auch den ZDF-Beitrag zur ‚Deutschen Angst‘ [2]. ‚Die EU und deren Bürokraten halten uns gefangen, wir müssen uns von dieser Gefangenschaft befreien. Wir sind die einzigen! Befreier.‘

„Wenn Alice Weidel auf dem AfD-Parteitag das Niederreißen der Windräder fordert, weil sie die Landschaft verschandelten, trifft das den Kern dessen, was derzeit als besserwisserische Vorschreibekultur abgehandelt wird. Das Heben des Zeigefingers allein bereitet da manchem schon Vergnügen.“ [1]

Fritz Breithaupt schließt seinen Beitrag, in dem er feststellt, dass keine der demokratischen Parteien Narrative mit nicht-limitierenden positiven Emotionen anbietet. – Er sieht hierin einen wesentlichen Grund für das Erstarken der AfD. – Dieser Meinung schließe ich mich an.

Ich verweise auch auf das Kultur- und Bewusstseinsmodell Spiral Dynamics, das ich sehr oft in diesem Blog verwendet habe, um ähnliche Phänomene wie die hier geschilderten, zu erläutern: Die limitierenden politischen Emotionen und die dazugehörigen Narrative erwachsen aus den limitierenden Bewusstseinsebenen (beige, purpur, rot und blau) und werden in Teilen der Bevölkerung durch keine nicht-limitierenden politischen Emotionen reguliert, die auf höheren Bewusstseinsebenen (orange, grün, gelb und türkis) ausgebildet sind.

Teile, der obigen Aussagen können als Aussagen der Ausgrenzung verstanden werden. – Ausgrenzung kann zu einer Verstärkung der limitierenden Werte führen [3]. Durch die Beschäftigung mit den Blog-Beiträgen zum Übergang Demokratie-Autokratie habe ich die Überzeugung gewonnen, dass es notwendig ist, die AfD zu verbieten und ggf. damit ihre Wähler auszugrenzen. Wie die hier vorliegende Theorie und auch die Lehren aus der (jüngsten) Vergangenheit gezeigt haben, kann ein Übergang von der Demokratie zur Autokratie in sehr kurzen Zeiträumen, also durch einen Phasenübergang 1. Ordnung, geschehen: Hitler hat es z.B. in 2 Monaten geschafft.- Trump hat in 5 Monaten eine beachtliche autokratische Leistung gezeigt.

Falls der Drift-to-Danger Prozess zur Autokratie in vollem Gange ist, ist es leider zu spät.

Die nachfolgende Abbildung 1 verdeutlicht diese Aussage mittels meines Modells für das Szenario ‚Demokratische Transition‘ des Übergangs Demokratie-Autokratie (man siehe hierzu auch den vorherigen Blog-Beitrag). Abbildung 1 zeigt eine spezielle Heatmap, die das sogenannte Attraktor-Bassin des Modells in Abhängigkeit zweier Parameter visualisiert. Lambda (λ) ist der Kontrollparameter des Übergangs und ‚steuert‘ den Einfluss autokratischer Faktoren. Mü (µ) ist der Parameter der System-Trägheit, der das Gedächtnis der Gesellschaft beeinflusst. Beide Parameter zusammen charakterisieren den Zustandsraum Demokratie-Autokratie. Die gelbe Farbe zeigt demokratische Zustände an, die violette Farbe zeigt das autokratische Bassin. Falls das Gedächtnis an die Demokratie groß ist ( d.h. großes µ) gib es zwar hell- und dunkle-grüne Quadrate, also fast demokratische Zustände, im Meer der Autokratie, aber die Wahrscheinlichkeit für ihr Durchsetzen ist gering. Also anders ausgedrückt: Autokratien, die sich einmal durchgesetzt haben, lassen sich nicht mehr schnell und einfach in Demokratien transformieren.

Abbildung 1: Attraktor-Bassin des Ordnungsparameter-Paares Autokratie-Demokratie. Lambda (λ) ist der Kontrollparameter des Übergangs und ‚steuert‘ den Einfluss autokratischer Faktoren. Mü (µ) ist der Parameter der System-Trägheit, der das Gedächtnis der Gesellschaft beeinflusst. Gelb steht für Demokratie, Violett für Autokratie. Die Schattierungen zeigen Zustände zwischen Demokratie und Autokratie.

Das ZDF hat gerade eine Dokumentation zum Thema ‚Trump und das Silicon Valley‘ herausgebracht [4]. – Es kann einem Angst und Bange werden: Die Ausführungen meiner Blog-Beitrags-Serie werden leider bestätigt. – Die Tech-Autokratie ist schon da!

[1] Breithaupt F (2025) Politische Emotionen – Im Rausch der rechten Erzählungen, https://www.spiegel.de/politik/deutschland/donald-trump-alice-weidel-im-rausch-der-rechten-narrative-meinung-a-7a402a6b-ea2d-4d0c-bebb-198510e1514e

[2] WDR (2025) Volk in Angst: Wie mit Verbrechen Politik gemacht wird, https://www.ardmediathek.de/video/3JpZDovL3dkci5kZS9CZWl0cmFnLXNvcGhvcmEtYzAzYzg2NTEtMjk3OC00ZWExLWI5OTgtZGQ2N2M4ZTY2NjM5

[3] Kappelsberger F (2025) Die fatalen Folgen von Ausgrenzung, https://www.spektrum.de/news/die-fatalen-folgen-von-ausgrenzung/2256161, Spektrum der Wissenschaft

[4] Andersen A, Kleber C (2025) Trump und das Silicon Valley, https://www.zdf.de/play/dokus/zdfzeit-106/trump-und-das-silicon-valley-100, ZDF

Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie

Abbildung 0: Abbildung erzeugt mit ChatGPT 4o und dem Titel des Blog-Beitrages als Grundidee.

Dieser Blog ist der dritte Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Wie auch in den vorherigen Beiträgen nutze ich ChatGPT, dieses Mal vorwiegend in der Version o4-mini-high, um den Blog-Beitrag in einem hybriden Collective Intelligence Setting zu erstellen. Für die Qualitätssicherung habe ich das KI-System Claude 3.7 Sonnet eingesetzt.

In der wissenschaftlichen Literatur wird der Begriff ‚Übergang Demokratie-Autokratie‘ nicht oft verwendet. Vielmehr finden sich dort des Öfteren die Bezeichnungen ‚Demokratischer Rückschritt‘ und Autokratisierung [1]. Die Bezeichnung ‚Demokratischer Rückschritt‘ wird auch für Vorkommnisse verwendet, die ich im Drift-to-Danger Modell als ‚das Schleifen der Sicherheitsschichten‘ bezeichnet habe.

Der Demokratiegrad (oder Autokratiegrad) eines Staates wird über Demokratieindizes vermessen [2]. Nicht alle Indizes kommen zum gleichen Ergebnis. Ich habe in der nachfolgenden Tabelle drei der bekanntesten Indizes herausgegriffen und für das Jahr 2023 die Länder Schweiz, Deutschland, USA, Ungarn, Polen und Ukraine gemäß ihrer Reihenfolge in den jeweiligen Indizes zusammengestellt.

Länder	The Economist Index	V-Dem Index (repräsentative Demokratie)	Demokratiematrix Index
Schweiz	8	5	4
Deutschland	12	15	2
USA	29	20	31
Polen	41	71	54
Ungarn	50	99	97
Ukraine	91	104	100

Tabelle 1: Demokratieindex der Länder Schweiz, Deutschland, USA, Polen, Ungarn, Ukraine gemäß ihrer Reihenfolge im jeweiligen Demokratieindex: The Economist Index [3], V-Dem Index (hier der Teil, der die repräsentative Demokratie misst) [4] und der Demokratiematrix Index der Universität Würzburg [5].

Wie man sehen kann, sind die Schätzungen zum Demokratiegrad teilweise sehr unterschiedlich und damit sehr weit von einer vertrauenswürdigen Schätzung entfernt: Die unterschiedlichen Schätzungen werden von unterschiedlichen Experten vorgenommen, die eine unterschiedliche Wahrnehmung der Realität haben und/oder Modelle verwenden, die die Demokratie recht unterschiedlich beschreiben.

Das spiegelt sich meines Erachtens auch in den (mathematischen) Modellen wieder: So gibt es eine Reihe von Veröffentlichungen [5] – [19], die sich u.a. mit der Segregation von Gruppen beschäftigen und unterschiedliche Faktoren für den Übergang Demokratie-Autokratie angeben. – Keine der Veröffentlichungen hat als Schwerpunkt den Übergang Demokratie-Autokratie. – Diese Veröffentlichungen zeigen, wie die Demokratieindizes, dass es keine integrierte Sicht auf den Übergang Demokratie-Autokratie gibt.

Dies offenbart meines Erachtens ein großes Defizit in der Erkenntnisgewinnung und dem daraus resultierenden Potential für die politische Umsetzbarkeit. – Autokraten wird damit eine weitere Tür geöffnet, um ihre Ziele zu erreichen.

Gemäß den Veröffentlichungen [5] – [19] fasst Tabelle 2 die wichtigsten der Einflussfaktoren für den Übergang Demokratie-Autokratie zusammen und listet mathematische Modelltypen, die für einen solchen oder ähnliche Übergänge verwendet werden (können).

Einflussfaktor/Modelltyp	Schlüsselpublikation(en)
Wirtschaftlicher Stress	Acemoglu & Robinson (2006); Boix (2003)
Ökonomische Ungleichheit	Boix (2003); Acemoglu & Robinson (2006)
Politische Polarisierung	Iyengar & Westwood (2015)
Mediale Fragmentierung / Radikalisierung	Gentzkow & Shapiro (2011)
Vertrauensverlust (Institutionen)	Putnam (2000); Rothstein & Uslaner (2005)
Soziale Kohäsion / Gemeinschaftsbindung	Putnam (2000)
Agenten-basierte Meinungsdynamik (Phasenübergänge)	Castellano, Fortunato & Loreto (2009). Man überträgt das Ising-Modell auf soziale Netzwerke, wobei „Spins“ für zwei Meinungen (z. B. demokratisch vs. autokratisch) stehen und lokale Mehrheitsregeln oder Abstimmungsprozesse die Dynamik treiben. Diese Modelle zeigen Schwellenwerte und Hysterese-Effekte. Deffuant et al. (2000) Hegselmann & Krause (2002) Hier interagieren Agenten nur, wenn ihre Meinungen (bzw. Einstellungen) nahe genug beieinander liegen. Die Modelle zeigen mehrere Konvergenzphasen und kritische Abstände, jenseits derer sich Gesellschaften in Blasen aufspalten – analog zu Ordnungs- und Kontrollparametern.
Frühwarnsignale / kritisches Slowing-Down	Scheffer et al. (2009); Dakos et al. (2012) betrachten allgemeine Systeme, die abrupt umschlagen (Ökosysteme, Finanzmärkte, Gesellschaft). Sie leiten aus Zeitreihen Kennzahlen wie „Critical Slowing Down“ ab, die wir ansatzweise simulieren.
Mikro-Makro-Verknüpfung (soziale Mechanismen)	Hedström & Swedberg (1998)
Regime-Typen und Autoritarismus	Levitsky & Way (2010), Galam (2011). Galam hat in einer Reihe von Arbeiten (z. B. “Minority Opinion Spreading” und “Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena”) gezeigt, wie kleine überzeugte Minderheiten Stabilitätsgrenzen („tipping points“) überschreiten können.

Tabelle 2: Übersicht zu Veröffentlichungen mit unterschiedlichen Einflussfaktoren für den Übergang Demokratie-Autokratie sowie zu relevanten mathematischen Modellen.

Das Modell, das ich in meinem ersten Blog-Beitrag dieser Reihe verwendet habe, besitzt einen sehr einfachen Zeitreihen-Algorithmus mit Rückkopplung. Trotzdem konnte ich mit diesem Modell die empirischen Muster gemäß V-Dem des Übergangs Demokratie-Autokratie nachbilden. Ich gehe deshalb davon aus, dass die zentrale Modell-Annahme – der Übergang wird durch die Differenz von demokratischen Kohäsionskräften und autokratischen Stresskräften bestimmt – korrekt ist. Ich behalte also diese Idee bei und wandele das Modell in ein ODE-Modell um. ODE steht für Odinary Differential Equation Modell (Gewöhnliches Differential Gleichungssystem) um.

Zusätzlich nehme ich die in der wissenschaftlichen Literatur genannten weiteren Einflussfaktoren ‚Stärke der demokratischen Institutionen‘ und ‚Ungleichheit‘ auf.

Das ODE-Modell – man siehe die nachfolgenden Gleichungen – verwendet Großbuchstaben für das Ergebnis und die Einflussfaktoren: D = Demokratie, A = Autokratie, Z = Zukunftsvertrauen, W = WerteKohäsion, B = BedürfnisKohäsion, P = Polarisierung, V = Vertrauensverlust, E = Wirtschaftsprobleme, M = mediale Radikalisierung, Q = Stärke demokratischer Institutionen, I = Ungleichheit. M_mem ist ein Faktor, der der demokratischen Gesellschaft ein Gedächtnis gibt. In unserem Fall sorgt er dafür, dass das Zukunftsvertrauen langsamer abgebaut wird. Die zu den Einflussfaktoren gehörenden Parameter sind in kleinen griechischen Buchstaben angegeben: Das ODE-Modell hat damit 10 Einflussfaktoren und 30 Parameter.

$\frac{dD}{dt} = \alpha_{Z}Z + \alpha_{W}W + \alpha_{B}B + \alpha_{Q}Q - \alpha_{I}I - \lambda_{\text{stress}}\Bigl(\beta_{P}P^{2} + \beta_{V}V^{1.2} + \beta_{E}E^{1.0} + \beta_{M}M^{1.5}\Bigr)$
$A=1 - D$

$\frac{dZ}{dt} = \gamma_{1}D-\gamma_{2}E+\alpha_{M}\bigl(\mathrm{Mem}-Z\bigr)^{2}$
$\frac{dW}{dt} = \delta_{1}D-\delta_{2}P-\delta_{3}M$
$\frac{dB}{dt} = \epsilon_{1}W-\epsilon_{2}E$
$\frac{dP}{dt} = \zeta_{1}M-\zeta_{2}W$
$\frac{dV}{dt} = \eta_{1}E-\eta_{2}Z$
$\frac{dE}{dt} =\theta_{1}A-\theta_{2}B$
$\frac{dM}{dt} = \iota_{1}P+\iota_{2}A$
$\frac{dQ}{dt} = q_{1}D-q_{2}A$
$\frac{dI}{dt} = i_{1}A-i_{2}B$
$\frac{d\mathrm{Mem}}{dt} = \mu\bigl(D - \mathrm{Mem}\bigr)$

Beispielhaft erläutere ich die erste Gleichung für die zeitliche Entwicklung des Demokratieindex, der zwischen 0 und 1 liegt. Zukunftsvertrauen, WerteKohäsion, Bedürfniskohäsion und die Stärke der demokratischen Institutionen beeinflussen die zeitliche Entwicklung der Demokratie positiv, deshalb stehen sie auf der rechten Seite der Gleichung mit positiven Parametern. Ungleichheit, Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung beeinflussen die Demokratie negativ, deshalb stehen sie auf der rechten Seite mit negativen Parametern. Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung zusammen bilden einen Kontrollparameter der Selbstorganisation. Deshalb sind sie in einer Klammer mit dem Parameter Lambda (λ_Stress) zusammengefasst. – Damit ist es möglich diese Einflussfaktoren zusammen von 0 bis zu einem Endwert (ich lege 2.5 fest) hochzufahren und ggf. wieder zurückzufahren. Tests haben gezeigt, dass einer dieser Einflussfaktoren alleine nicht als Kontrollparameter verwendet werden kann. Der Kontrollparameter ist der zentrale Parameter, um den Übergang Demokratie-Autokratie einzuleiten. Kontrollparameter sind u.a. die Parameter, mit denen man ein System in verschiedene Phasen oder Regime überführen kann: Ein typischer Kontrollparameter in der Physik ist die Temperatur. Mit den Kontrollparametern Temperatur und Druck kann man einen Eiswürfel verflüssigen und das Wasser verdunsten bzw. verdampfen lassen. Einen ferromagnetischen Werkstoff kann man mittels der Kontrollparameter Temperatur und ‚äußeres magnetisches Feld‘ magnetisieren. Reduziert man diese Kontrollparameter wieder, stellt man fest, dass die Entmagnetisierung nicht auf dem gleichen Pfad verläuft wie die Magnetisierung. Man spricht von dem Ausbilden einer Hysterese. Ich komme weiter unten hierauf wieder zurück.

Die übrigen Gleichungen des ODE-Modells lassen sich recht einfach ermitteln, indem man jeweils die Einflussfaktoren benennt, die ihrerseits einen Einflussfaktor beeinflussen. Anschließend übersetzt man diese Aussagen in eine mathematische Form. – Tut man dieses für alle Einflussfaktoren erhält man das obige ODE-Modell.

Diverse Tests haben gezeigt, dass die Ergebnisse des ODE-Modells nicht besonders sensitiv auf die Wahl der Parameter reagieren, die die zeitliche Entwicklung der Einflussfaktoren selbst beschreiben. Entscheidend für das zeitliche Verhalten der Demokratie sind die Parameter in der ersten Gleichung und die Wahl der Startwerte für Demokratieindex und Einflussfaktoren.

Tabelle 3 zeigt die Startwerte und Parameter der Einflussfaktoren in der ersten Gleichung für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

	Gefährdete Demokratie		Demokratische Transition
	Startwerte	Parameter	Startwerte	Parameter
Demokratie	0.7		0.4

Zukunftsvertrauen	0.5	0.05	0.6	0.05
WerteKohäsion	0.5	0.05	0.6	0.04
BedürfnisKohäsion	0.5	0.04	0.6	0.04

Polarisierung	0.5	0.06	0.5	0.06
Vertrauensverlust	0.5	0.05	0.5	0.05
Wirtschaftsprobleme	0.5	0.05	0.4	0.05
Mediale Radikalisierung	0.4	0.04	0.4	0.04

Institutionelle Qualität	0.4	0.02	0.3	0.02
Ungleichheit	0.4	0.03	0.3	0.03

Tabelle 3: Startwerte und Parameter der Einflussfaktoren für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

Die nachfolgenden Abbildungen 1 und 3 zeigen die Lösung des ODE für diese Szenarien in einem Zeitfenster von 1-50 (Jahren). Der zeitliche Verlauf der Einflussfaktoren und der Demokratie wurde teilweise einem sogenannten Sigmoid-Clamp unterzogen. Dies stellt sicher, dass alle Funktionen im Wertebereich 0 bis 1 verlaufen.

Die Abbildungen 2 und 4 zeigen Phasenübergangs-Diagramme mit dem Kontrollparameter Lambda (λ_Stress) und dem Ordnungsparameter Autokratie. Der Ordnungsparameter wird hier mit Phi (φ) angegeben. Phi ist der Anstieg des Autokratiewertes in einem Zeitfenster, d.h. für jeden Lambda-Wert wird der Autokratiewert über die Zeit vermessen. Der Autokratiewert nach Erreichen des Endes des Zeitfensters wird in das Phasenübergangs-Diagramm eingetragen: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Mit dem kleineren Zeitfenster werden zeitlich-lokale Sprünge in dem Autokratiewert sichtbar.

Abbildung 1: Diese Abbildung zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Gefährdete Demokratie‘ mit dem Kontrollparameter Lambda =1.

Abbildung 2: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Gefährdete Demokratie‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich ein Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Abbildung 3: Sie zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Demokratische Transition‘ mit dem Kontrollparameter Lambda =1.

Abbildung 4: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Demokratische Transition‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich eine Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Beide Szenarien zeigen einen Phasenübergang 1. Ordnung für den Übergang Demokratie-Autokratie. Phasenübergang 1. Ordnung bedeutet, dass bei einem bestimmten Kontrollparameter sich die Phase bzw. Regime abrupt ändert: Innerhalb eines sehr kurzen Zeitfensters wird aus der Demokratie eine Autokratie. Erstaunlicher Weise setzt für das Szenario ‚Gefährte Demokratie‘ der Übergang sogar bei kleinerem Lambda ein als beim Übergang ‚Demokratische Transition‘. Dafür ist der Übergang bei der ‚Demokratischen Transition‘ deutlich abrupter. In beiden Fällen sehen wir keine Hysterese, was an den gewählten Parametern liegen kann oder daran, dass die Memory-Modellierung des Modells (noch) nicht ausreichend ist.

Was könnte man mit diesem Modell bzw. diesen Erkenntnissen noch anfangen?

Die am Anfang des Blog-Artikels erwähnten Demokratieindizes könnten dazu benutzt werden das vorliegende Modell bzgl. der Einflussfaktoren anzupassen und bzgl. der Parameter zu adjustieren. Damit wäre es möglich, länderspezifische Vorhersagen zum Übergang Demokratie-Autokratie zu erstellen. Als Nebeneffekt wäre es möglich, die Demokratieindizes zu vereinheitlichen und damit ein integriertes Verständnis von Demokratie und dem Übergang Demokratie-Autokratie zu erzeugen. – Sicherlich eine Aufgabe die im Umfang einer Bachelor- oder Masterarbeit entspricht.

[1] Wikipedia (2025a) Demokratischer Rückschritt (Democratic backsliding), https://en.m.wikipedia.org/wiki/Democratic_backsliding#

[2] Wikipedia (2025b) Demokratiemessung, https://de.m.wikipedia.org/wiki/Demokratiemessung

[3] Wikipedia (2025a) Demokratieindex The Economist, https://de.m.wikipedia.org/wiki/Demokratieindex_(The_Economist)

[4] Wikipedia (2025c) Demokratieindizes (V-Dem), https://de.m.wikipedia.org/wiki/Demokratieindizes_(V-Dem)

[4] Wikipedia (2025d) Demokratiematrix, https://www.demokratiematrix.de/ranking, Universität Würzburg

[5] Castellano, C., Fortunato, S., Loreto, V. (2009). Statistical physics of social dynamics. Reviews of Modern Physics 81(2): 591–646.

[6] Galam, S. (2011). Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena. Springer.

[7] Scheffer, M. et al. (2009). Early-warning signals for critical transitions. Nature 461: 53–59, https://doi.org/10.1038/nature08227

[8] Hegselmann, R., Krause, U. (2002). Opinion dynamics and bounded confidence models, analysis, and simulation. Journal of Artificial Societies and Social Simulation, 5(3).

[9] Epstein, J. M. (2002). Modeling civil violence: An agent-based computational approach. Proceedings of the National Academy of Sciences 99(suppl 3): 7243–7250.

[10] Acemoglu, D., & Robinson, J. A. (2006). Economic Origins of Dictatorship and Democracy. Cambridge University Press.

[11] Boix, C. (2003). Democracy and Redistribution. Cambridge University Press.

[12] Iyengar, S., & Westwood, S. J. (2015). Fear and loathing across party lines: New evidence on group polarization. American Journal of Political Science, 59(3), 690–707. https://doi.org/10.1111/ajps.12152

[13] Gentzkow, M., & Shapiro, J. M. (2011). Ideological segregation online and offline. The Quarterly Journal of Economics, 126(4), 1799–1839. https://doi.org/10.1093/qje/qjr044

[14] Putnam, R. D. (2000). Bowling Alone: The Collapse and Revival of American Community. Simon & Schuster.

[15] Rothstein, B., & Uslaner, E. M. (2005). All for all: Equality, corruption, and social trust. World Politics, 58(1), 41–72. https://doi.org/10.1353/wp.2006.0028

[16] Deffuant, G., Neau, D., Amblard, F., & Weisbuch, G. (2000). Mixing beliefs among interacting agents. Advances in Complex Systems, 3(1-4), 87–98. https://doi.org/10.1142/S0219525900000078

[17] Dakos, V., Scheffer, M., van Nes, E. H., Brovkin, V., Petoukhov, V., & Held, H. (2012). Methods for detecting early warnings of critical transitions in time series illustrated using simulated ecological data. PLOS ONE, 7(7), e41010. https://doi.org/10.1371/journal.pone.0041010

[18] Hedström, P., & Swedberg, R. (Eds.). (1998). Social Mechanisms: An Analytical Approach to Social Theory. Cambridge University Press.

[19] Levitsky, S., & Way, L. A. (2010). Competitive Authoritarianism: Hybrid Regimes after the Cold War. Cambridge University Press.

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:

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.
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.
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.
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-System	Programmanalyse-Ergebnis, im Zeitraum 01.02.-21.02.2025
ChatGPT-o3-mini-high	Erstellte den ursprünglichen Code mit zwei Fehlern in der Quanten Theorie
ChatGPT-o1	Findet diese Fehler
Mistral, Standard	Findet keine Fehler und kann den Code auch nur sehr oberflächlich erklären
Google Gemini Pro	Findet keine Fehler, erklärt den Code ansonsten sehr gut
DeepSeek R1	Findet 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.
Grok3	Findet 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 Teams	2,52 bit	2,13 bit
Shannon-Entropie der Ziel-Hierarchie	Goal: 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.

Kriterium	Klassische IIT	Quantenmechanische IIT
Lokale vs. nichtlokale Zusammenhänge	Kausalität 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 Zuständen	Das 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.
Wahrscheinlichkeitsbegriff	Wahrscheinlichkeiten 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 Beobachterrolle	Die 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 Zeitentwicklung	In 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.

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 Wechselwirkung	Nach Einschalten der Wechselwirkung
Fine-Grained Observational Shannon Entropy	Team 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 Entropy	Team 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 Shannon}	0,01	0,26
Phi(ABC)_{von Neumann}	0,00	1,41

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:

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.
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.
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) s_imodelliert werden und deren Paar-Wechselwirkung durch J_ij.

Die Qubit-Paar-Wechselwirkungen J_ij stellen eine Matrix dar (siehe auch Modell 3 und dort die Verwendung einer Ähnlichkeitsmatrix). Die Einzelenergie h_iund die Paar-Wechselwirkungen J_ijwerden 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	Kategorie	Einschränkung	Aussagekraft
1 – Agent Based Modelling der Team-Interaktionen	Klassisch (hybrid, bei Ausbau mittels Quantum Cognition)	Derzeit meistens noch einfache klassische Agenten	Grundlegende Aussagen zur CM-Dynamik in unterschiedlichen Teams
2 – Eigenvektoren der CM Ähnlichkeitsmatrix Analyse	Klassisch	Geringe Skalierung	Für kleine Teams: CM Stärke und Beitrag jedes Teammitglieds zum CM
3 – Ising-Modell der CM Ähnlichkeitsmatrix Analyse	Hybrid (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 Kommunikation	Quantum (Berechnung auf klassischem Rechner)	Keine Skalierung	Für 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 Skalierung	Für kleine Teams: Aussage zu ‚optimalen‘ Teams und Einblick in die Anpassungs-notwendigkeiten der Team-Persönlichkeiten
6 – Ising Modell der Team-Interaktion	Quantum	Mappen auf Ising-Modell mit intuitiven Annahmen aus den Modellen 4 und 5	Aussagen zu optimalen Teams, ähnlich wie Modell 5, jedoch unter Berücksichtigung der Einschränkungen
7 – Variationsmodell des QC Schaltkreis Ansatzes der Team-Kommunikation	Hybrid mit klassischer Variation	Mappen 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