Alfred Oswald

Von der gesellschaftlichen Kernschmelze – Eine Demokratie-Autokratie Analyse der Länder USA, Deutschland, Ungarn und Ukraine oder vom ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘

Dieser Blog ist der sechste Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Dieses Mal starte ich mit einigen Erfahrungen in der Verwendung der KI-Systeme ChatGPT, Claude und DeepSeek.

Der Teil des Titels ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘ stammt von der KI Claude und zeigt einen kleinen Ausschnitt der wenig positiven aktuellen Erfahrungen mit den zwei KI-Systemen ChatGPT und Claude. Für meine Aufgabenstellungen hat hingegen DeepSeek im Laufe der letzten Monate eine extrem gute Entwicklung gezeigt.

Ziel dieses Blog-Beitrages ist es, das in den letzten Blog-Beiträgen entwickelte Modell des Demokratie-Autokratie-Übergangs an realen Daten zu validieren.

Wie die Blog-Beiträge des letzten Jahres zeigen, waren meine Erfahrungen mit ChatGPT sehr positiv. Alle diese Blog-Beiträge, wie auch der aktuelle, sind durch eine recht aufwendige mathematische Modellierung und eine entsprechend umfangreiche Programmierung gekennzeichnet.

Der vorliegende Blog-Beitrag ist im Juni 2025 entstanden. Zu meiner Überraschung zeigte ChatGPT in mehreren von mir verwendeten Versionen einen enormen Leistungsverlust: Die Ausgabe der umfangreichen Programme erfolgte nicht mehr vollständig. Selbst mehrfaches Nachfordern und das Umleiten der Ausgabe in Dateien brachte keine Besserung. Es ging so weit, dass ChatGPT mir völlig anderen Code anbot, teilweise hatte dieser noch etwas mit der Aufgabenstellung zu tun, jedoch waren es eher kleine Code-Schnipsel. – Kurzum das System war für die Erstellung des Blog-Beitrages nicht nutzbar. – Ich hatte die letzten Jahre schon mehrmals ähnliche Erfahrungen gemacht.- Dieses Mal kam es jedoch sehr überraschend, zumal Sam Altman immer mehr von der KI Singularity spricht. – Meine aktuellen Erfahrungen stehen in krassem Widerspruch zu seinen Prognosen.

Ich wechselte zu Claude. Claude war zuerst in der Lage das Programm vollständig zu erzeugen. Die Programm-Ausgabe, begleitet von ähnlich euphorischen Sätzen wie demjenigen im Titel des Blog-Beitrages, kann den Benutzer dazu verleiten, zu glauben, dass Alles in Ordnung ist. Dem war leider nicht so. Claude benötigte sehr viele Korrekturanweisungen: Immer wieder wurden Modell-Kürzungen vorgenommen, teilweise sogar mit erheblichen Modellverfälschungen.

Mit viel Mühe gelang es schließlich eine erste Version des Programms zu erzeugen. Einer weiteren Verfeinerung und Ergänzung widersetzte sich Claude jedoch. Es tauchten ähnliche Probleme wie bei ChatGPT auf: Code wurde weggelassen und schließlich wurde nur noch ‚Spiel-Code‘ angeboten. Zugegeben, der Code war inzwischen umfangreich, jedoch bei weitem nicht vergleichbar mit Code, den man in der professionellen Computersimulations-Forschung einsetzt. – Also auch hier Indizien für ein Überbewerten der kurzfristigen Erreichbarkeit der AI Singularity?!

Ich wechselte zu DeepSeek, meiner letzten Hoffnung den Blog-Beitrag noch fertigzustellen.- Denn der Fertigstellung durch mich alleine gab ich keine Aussicht auf Erfolg. Mit DeepSeek gelang es mir tatsächlich zwei erhebliche Modell-Ergänzungen vorzunehmen.

Ich ließ die Ergebnisse des nun fertigen Programms von allen drei KI-Systemen interpretieren. – Das war noch möglich: Die Interpretationen von ChatGPT und DeepSeek waren am sachlichsten und an den Daten orientiert. Die Interpretationen von Claude waren wieder ziemlich euphorisch, teilweise sehr plakativ. Einmal geschah bei Claude etwas sehr Bedenkliches: Die KI interpretierte die Ergebnisse aus Sicht der letzten Programmversion, die Claude erstellt hatte. Claude hatte die tatsächlichen Ergebnisse völlig falsch zugeordnet und kam zu einer völlig unsinnigen Interpretation.

Ich interpretiere diese teilweise sehr bedenklichen Erfahrungen wie folgt: Es ist möglich, dass das KI-Verhalten durch das Interface zwischen Prompt-UI und eigentlicher KI hervorgerufen wird. Vermutlich nehmen die KI-Anbieter dort für den Anwender intransparente Änderungen am Prompt-Input vor. Es könnte zum Beispiel sein, dass der Prompt nur eine bestimmte Größe haben darf. Die Ausgabe von ‚Spiel-Code‘ statt umfangreichen richtigen Code weist jedoch darauf hin, dass die KI-Systeme selbst überfordert waren und es offensichtlich kein Warnsystem für Überforderung gib. Zwar ist immer Vorsicht bei der Übernahme von KI-Ausgaben geboten, jedoch scheint diese Vorsicht ab einem bestimmten Aufgabenumfang besonders wichtig zu werden.

Ich wende mich nun dem eigentlichen Ziel dieses Blog-Beitrages zu: Der Validierung des Modells anhand realer Daten. Der Begriff ‚Validierung‘ ist etwas hoch gegriffen, da ich einerseits nicht alle 70 Parameter des Modells realen Daten zuordnen kann und anderseits die Zuordnung, die ich vornehme nicht ganz eindeutig ist. Die in den sogenannten realen Daten enthaltenen Kriterien für Demokratie basieren ihrerseits auf einem Modell und dieses Modell passt nicht zwangsläufig zu meinem Modell. Außerdem enthält die Validierungsmethode selbst gewisse Annahmen.

Ich benutze die V-Dem Daten von 1990-2024, die zu den umfangreichsten und weltweit besten Demokratie-Autokratie-Daten gehören [1]. Schon im dritten Teil dieser Blogreihe ‚Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie‘ vom Mai 2025 habe ich daraufhin gewiesen, dass es unterschiedliche Datensätze von unterschiedlichen Anbietern gibt und diese teilweise erheblich voneinander abweichen. – Die Validierung hat also hier schon ein nicht unerhebliches Handicap, da die ‚Messdaten‘ von unterschiedlichen Anbietern nicht immer das gleiche Ergebnis zeigen. Die ‚Messungen‘ werden typischer Weise über die Einschätzung eines Expertenkollektivs vorgenommen, ähnlich wie man dies von den Expertenschätzungen im Projektmanagement kennt. Prinzipiell kann diese Art von ‚Messung‘ sehr genau sein, differiert jedoch mit dem angenommen Demokratie-Modell (u.a. Zusammenstellung der Kriterien, Wichtung der Kriterien usw. ).

Ich sehen von diesen Unzulänglichkeiten ab und nehme für 18 Parameter in der ODE-Hauptgleichung Zuordnungen vor (man siehe für das ODE-System den vorherigen Blog-Beitrag). – Damit werden alle ‚Soziale Feld‘ Parameter sowie die Parameter des demokratischen und des autokratischen Agenten abgedeckt. Für den rechts-libertären Agenten gibt es in den V-Dem Daten keine Entsprechung. Tabelle 1 zeigt diese Zuordnung:

Parameter	Zuordnung	V-Dem Indikator	Transformation	Theoretische Begründung
λ (lam bzw. lambda: Control Parameter-Political Stress)	v2x_libdem	Liberal Democracy Index	Verschiedene Zuordnungen a +b*x, für vier verschiedene Regime Bereiche	Gesamtdemokratiequalität als inverser Stressindikator
α_Z (Future Orientation)	v2x_delibdem	Deliberative Democracy	0.02 + 0.06 * x	Deliberative Prozesse fördern langfristige Planung und Zukunftsorientierung
α_W (Value Cohesion)	v2x_cspart	Civil Society Participation	0.02 + 0.06 * x	Zivilgesellschaftliche Teilhabe schafft geteilte Werte und sozialen Zusammenhalt
α_B (Needs Cohesion)	v2x_egaldem	Egalitarian Democracy	0.02 + 0.06 * x	Egalitäre Demokratie adressiert gemeinsame Grundbedürfnisse aller Schichten
α_Q (Institutional Trust)	v2x_rule	Rule of Law	0.005 + 0.055 * x	Rechtsstaatlichkeit als direktes Maß für Institutionenvertrauen
α_I (Inequality Impact)	v2x_egaldem	Egalitarian Democracy	0.01 + 0.05 * (1-x) (invertiert)	Schwache egalitäre Demokratie = hohe Ungleichheit
β_P (Polarization)	v2cacamps	Campaign Polarization	0.03 + 0.09 * x	Direkte Messung von Wahlkampfpolarisierung als autokratische Kraft
β_V (Mistrust)	v2x_rule	Rule of Law	0.02 + 0.08 * (1-x) (invertiert)	Schwache Rechtsstaatlichkeit erzeugt gesellschaftliches Misstrauen
β_E (Economic Crisis)	v2x_corr	Corruption Index	0.02 + 0.08 * x	Korruption destabilisiert Wirtschaft und erzeugt Krisen
β_M (Media Polarization/Manipulation)	v2xme_altinf	Alternative Information	0.02 + 0.06 * (1-x) (invertiert)	Weniger alternative Medien = mehr staatliche Medienmanipulation
k_f_ID (Integral Thinking)	v2x_delibdem	Deliberative Democracy	0.00 + 0.03 * x	Deliberation erfordert ganzheitliches Denken
k_f_Ep (Empathy)	v2xcl_rol	Equality before Law	-0.01 + 0.03 * x	Rechtliche Gleichbehandlung setzt Empathie für Gerechtigkeit voraus
k_f_T (Transparency)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Meinungsfreiheit ermöglicht und erfordert Transparenz
k_f_Wp (Science Affinity)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Wissenschaftliche Diskussion braucht Meinungsfreiheit
k_f_C (Conspiracy Thinking)	v2xpe_exlpol	Political Exclusion	-0.01 + 0.04 * x	Politischer Ausschluss fördert Verschwörungsdenken
k_f_MG (Power Hunger)	v2x_corr	Corruption Index	-0.02 + 0.05 * x	Korruption reflektiert Machtgier in der Politik
k_f_R (Revenge)	v2cacamps	Campaign Polarization	-0.01 + 0.03 * x	Polarisierung erzeugt Rachegelüste zwischen politischen Lagern
k_f_Wm (Science Denial)	v2xpe_exlpol	Political Exclusion	-0.02 + 0.04 * x	Ausgrenzung führt zu Anti-Establishment und Wissenschafts-feindlichkeit

Tabelle 1: Diese Tabelle ordnet meinen Modell-Parametern die Modell-Parameter des V-Dem Modells zu. Für den Kontrollparameter ‚lambda‘ wurde eine etwas aufwendigere Zuordnung vorgenommen, da der V-Dem Demokratieindex und der Kontrollparameter als politischer Stressindikator in einem inversen Verhältnis zueinander stehen. Der Freedom of Expression Index wurde zweimal verwendet für Tranzparenz und Wissenschaftsneigung. Der Egalitarian Index und der Corruption Index wurden ebenfalls zweimal verwendet jedoch mit unterschiedlichen Transformationsvorschriften. Die Transformationsvorschriften beruhen auf der Zuordnung Parameter=a+b⋅x bzw. Parameter=a+b⋅(1−x) Die zweite Zuordnung beruht auf der Feststellung, dass manche Parameter wachsen, wenn der Indikator niedrig ist. Wir wählen a und b so, dass für alle realistischen Indikator-Werte in [0, 1] die Modellparameter innerhalb eines theoretisch sinnvollen Intervalls bleiben und bei x=0 den minimal erwarteten Effekt (a) und bei x=1 den maximalen Effekt (a+b) zeigen. Beispiel für α_Z (Future Orientation): α_Z = 0.02 + 0.06 · v2x_delibdem, ⇒ α_Z ∈ [0.02 , 0.08]. Dies deckt den Bereich ab, in dem wir demokratieförderliche Zukunftsorientierung für realistische Deliberation-Werte erwarten.

Die übrigen 52 Parameter, die im Wesentlichen in den Hilfs-ODE’s enthalten sind, bleiben auf ihren Standardwerten. Diese Standardwerte habe ich schon für die vorherigen Blog-Beiträge verwendet. Sie sind für alle Rechnung gleich fixiert.

Damit ergeben sich für die Länder USA, Deutschland, Ungarn und Ukraine folgende an den V-Dem Daten kalibrierten Parameterwerte:

Para-meter	Bedeutung	V-Dem Indikator	USA	Deutsch-land	Ungarn	Ukraine
lam (lambda)	1/Liberal Democracy → Political Stress	v2x_libdem	0.3198	0.2901	0.3562	1.4326
alpha_B	Egalitarian Democracy → Needs Cohesion	v2x_egaldem	0.0610	0.0693	0.0556	0.0408
alpha_I	Egalitarian Democracy → Inequality Impact (inverted)	v2x_egaldem	0.0258	0.0189	0.0303	0.0426
alpha_Q	Rule of Law → Institutional Trust	v2x_rule	0.0585	0.0596	0.0488	0.0199
alpha_W	Civil Society Participation → Value Cohesion	v2x_cspart	0.0791	0.0786	0.0618	0.0536
alpha_Z	Deliberative Democracy → Future Orientation	v2x_delibdem	0.0670	0.0715	0.0502	0.0408
beta_E	Corruption → Economic Crisis	v2x_corr	0.0249	0.0210	0.0476	0.0808
beta_M	Alternative Information → Media Polarization (inverted)	v2xme_altinf	0.0271	0.0221	0.0347	0.0399
beta_P	Campaign Polarization → Polarization Force	v2cacamps	0.0502	–0.1493	0.1105	0.0080
beta_V	Rule of Law → Mistrust (inverted)	v2x_rule	0.0222	0.0205	0.0363	0.0783
k_f_C	Political Exclusion → Conspiracy Thinking	v2xpe_exlpol	–0.0092	–0.0094	–0.0046	–0.0030
k_f_Ep	Equality before Law → Empathy	v2xcl_rol	0.0186	0.0198	0.0180	0.0107
k_f_ID	Deliberative Democracy → Integral Thinking	v2x_delibdem	0.0235	0.0258	0.0151	0.0104
k_f_MG	Corruption → Power Hunger	v2x_corr	–0.0169	–0.0194	–0.0027	0.0180
k_f_R	Campaign Polarization → Revenge	v2cacamps	–0.0033	–0.0698	0.0168	–0.0173
k_f_T	Freedom of Expression → Transparency	v2x_freexp	0.0188	0.0192	0.0147	0.0090
k_f_Wm	Political Exclusion → Science Denial	v2xpe_exlpol	–0.0192	–0.0194	–0.0146	–0.0130
k_f_Wp	Freedom of Expression → Science Affinity	v2x_freexp	0.0188	0.0192	0.0147	0.0090

Tabelle 2: Diese Tabelle zeigt die kalibrierten Parameterwerte des Modells für den Zeitraum 1990-2024. Für sich genommen hat jeder Parameter wenig Aussagekraft. Im Vergleich aller vier Länder bestätigt sich meine Wahrnehmung der jeweiligen Demokratie bzw. Autokratie. Hiernach ist die Ukraine stark autokratisch, Ungarn ist noch demokratisch und USA und Deutschland sind demokratisch. – Jüngste USA Ereignisse sind nicht erfasst: Lediglich am Polarisationsparameter (beta_P) kann man erahnen, was im Jahre 2025 in den USA geschieht.

Auf der Basis dieser kalibrierten Parameter können wir auch in die Zukunft schauen und das Modell nutzen, um eine Zukunftsprognose zur Demokratie-Autokratie Entwicklung der jeweiligen Länder zu wagen. Man beachte, dass diese Prognose keine unerwarteten zukünftigen Ereignisse berücksichtigt, sondern lediglich eine vergangene Entwicklung in die Zukunft fortsetzt.

Für die Prognose benutze ich die sogenannte Sobol-Sensitivitätsanalyse [2]. Basierend auf den Ausgangsdaten für den Zeitraum 1990-2024 simuliert diese Analyse für einen Zeitraum von 50 Jahre welche Parameter zukünftig am wichtigsten sind. Mit der Sobol-Analyse ermittele ich die Parameter, die den größten Einfluss auf drei Ergebnistypen haben:

D_final = Demokratie-Wert am Ende des Zeithorizonts von 50 Jahren
D_change = Differenz zwischen End- und Anfangswert
Resilienz = Durchschnittlicher Demokratie-Wert während der schlechtesten 25% der Zeit (misst die Fähigkeit des Systems, unter Druck zu bestehen).

Gemessen werden die sogenannten ST-Werte (Sensitivity Total Werte). Hohe ST-Werte (nahe 1.0) sind für einen großen Teil der Ergebnisvarianz verantwortlich. Das heißt, kleine Änderungen in diesen Parametern führen zu großen Änderungen im Ergebnis. Diese Parameter sind kritisch für das Systemverhalten. Niedrige ST-Werte (nahe 0) haben wenig Einfluss auf das Ergebnis. Diese Parameter können in weiteren Analysen oft fixiert werden. Der politische Nutzen ist offensichtlich: Die Parameter mit hohen ST-Werten sind Hebel für die demokratische Stabilisierung und Risikofrüherkennung. Z.B. bei hoher Sensitivität von `alpha_Q` (Institutionenvertrauen) sind Justizreformen besonders wirksam. Oder z.B. hoher ST-Wert für ‚lambda‘ für Deutschland zeigt an, dass für Deutschland der autokratische Feldanteil durchaus das Potential hat, Deutschland in ein autoritäres System zu kippen. Die Sobol-Analyse liefert eine wissenschaftliche Grundlage für gezielte Reformen und Risikomanagement.

Nun zu den Ergebnissen:

Abbildung 1: Für die USA wird ausgesagt, dass in allen drei Sensitivitätsanalysen jeweils 10 Parameter mit gleicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Indizes zeigen Parameter des Sozialen Feldes, der blau eingefärbte Parameter steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten (dieser Parameter wird besonders hervorgehoben, da er in Anlehnung an das Kultur- und Bewusstseinsmodell Spiral Dynamics eine übergeordnete Bedeutung hat). Die lila eingefärbten Parameter kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die rot eingefärbten Balken kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘, hier Vertrauensverlust, wirtschaftliche Probleme und mediale Polarisierung. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Alle Persönlichkeitsmerkmale des demokratischen Agenten sind von Bedeutung: Das Integrale Denken (k_f_ID), die Empathie (K_f_Ep), die Transparenz (k_f_T) und die Wissenschaftsneigung (k_f_Wp). Das Gleiche gilt für den autokratischen Agenten: Die Wissenschaftsabneigung (k_f_Wm), die Neigung zu Mystik und Verschwörungstheorien (k_f_C), die Macht- und Geldgier (k_f_MG) und die Rache (k_f_R). Die Prägung von US-Demokratie bzw. Autokratie durch Agenten ist also sehr groß!

Abbildung 2: : Für die Ukraine wird ausgesagt, dass für die drei Sensitivitätsanalysen unterschiedliche Parameter mit unterschiedlicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes, der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Das Integrale Denken ist für alle Prognosen von Bedeutung. Die Wissenschaftsabneigung (k_f_Wm) und die Transparenz (k_f_T) spielen für den finalen Demokratiewert eine große Rolle. Wirtschaftliche Probleme (beta_E) spielen in allen Analysen eine große Rolle. Der Vertrauensverlust ist besonders wichtig für D_final und resilience. Die autokratischen und sogar rechts-libertären Agenten Eigenschaften zeigen sich in allen drei Analysen. Die Prägung der Politik durch diese Agenten ist relativ groß.

Abbildung 3: Deutschland ist das einzige der vier untersuchten Länder, bei dem der Kontrollparameter lam = lambda eine herausragende Rolle spielt. Weitere rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes. Der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Die Persönlichkeitseigenschaften des demokratischen Agenten spielt eine große Rolle: Wissenschaftsneigung (k_f_Wp), Transparenz (k_f_T), Empathie (k_f_Ep) und Integrales Denken (k_f_ID). Für die Resilienz spielen die WerteKohäsion (alpha_W), funktionierende demokratische Institutionen (alpha_Q) und eine geringe Ungleichheit (alpha_I) eine herausragende Rolle. Diese Analysen zeigen, dass lediglich die Eigenschaften der demokratischen Agenten mitbestimmend sind, autokratische und rechts-libertäre Agenten spielen keine Rolle.

Für Ungarn konnte leider keine valide Sobol-Analyse durchgeführt werden. Lediglich ca. 17 % der ODE-Berechnungen konnten mit dem vorliegenden Parametersatz erfolgreich abgeschlossen werden. – Deshalb sind alle Prognosen nicht valide. – Es ist möglich, dass dies an Instabilitäten der Rechnungen liegt, jedoch zeigen diese an, dass Ungarn bis 2040 in eine chaotische Autokratie driftet. – Nicht sehr beruhigend…

Dieser Blog-Beitrag schließt (vorläufig) diese Blog-Reihe. Ich fasse meine Erkenntnisse zusammen.

Das mit KI entwickelte ODE-Modell hat sich erstaunlich gut bewährt:

Die von V-Dem bereitgestellten Muster zum zeitlichen Übergang Demokratie-Autokratie konnten nachgebildet werden.
Das ‚Soziale Feld‘ bestehend aus demokratischen und autokratischen Elementen hat als Ordnungsparameter die Differenz von Autokratie- und Demokratiefaktoren. Diese Differenz bildet einen Phasenübergang 1. Ordnung aus, wenn der Kontrollparameter ‚lambda‘ (sozialer Stress) einen bestimmten Wert überschreitet. Ordnungs- und Kontrollparameter bleiben bei Einführung der Agenten strukturell bestehen.
Autokratische, demokratische und rechts-libertäre Agenten modulieren das ‚Soziale Feld‘ auf zwei Arten: Durch Veränderung des Kontrollparameters und durch unmittelbare Veränderung des Feldes durch die jeweiligen Persönlichkeitseigenschaften. Die beobachten Veränderungen des Übergangs Demokratie-Autokratie stehen u.a. im Einklang mit den aktuellen Beobachtungen für die USA.
Die Validierung des Modells mit allgemein akzeptierten Daten des V-Dem zeigt eine erstaunliche Übereinstimmung. Auf der Basis der ODE’s mit den kalibrierten Modell-Parametern lassen sich Länder-Prognosen für die Entwicklung der Demokratie bzw. Autokratie erstellen. Diese Prognosen treffen Aussagen darüber, welche Modell-Parameter bei welchem Land von Bedeutung sind. Die Modell-Parameter für das ‚Soziale Feld‘, die Agenten Parameter sowie der Kontrollparameter haben für unterschiedliche Länder eine unterschiedliche Bedeutung: So zeigt zum Beispiel die Analyse, dass im US-amerikanischen Kontext die autokratischen Agenten ein große Rolle spielen, für Deutschland spielen diese jedoch überhaupt keine Rolle. Es überwiegt das ‚Soziale Feld‘ und die demokratischen Agenten. Die Dominanz des ‚Soziale Feld‘ für Deutschland zeigt sich auch an der Bedeutung des Kontrollparameters ‚lambda‘. Hier liegt aber auch ein besonderes Risiko: Deutschland kann in eine Autokratie kippen, ohne dass autokratische oder rechts-libertäre Agenten dies forcieren.
Auch wenn Modelle nur Modelle sind, so sind diese Ergebnis sehr bemerkenswert, da an keiner Stelle diese Ergebnisse verdeckt in die ODE‘s einfließen. Die Ergebnisse sind so länderspezifisch, dass sie als Basis zum Nachdenken anregen sollten…

Bei meinen Recherchen bin ich auf einige wissenschaftliche Artikel gestoßen, für die angegeben wird, dass sie sich dem Übergang Demokratie-Autokratie widmen. Meine nachfolgende Analyse hat ergeben, dass aus meiner Sicht nur die V-Dem Veröffentlichungen relevante Aussagen zum Übergang Demokratie-Autokratie enthalten. Eine Veröffentlichung [3] beschäftigt sich mit dem Zusammenhang von Demokratie und Human Development Index (HDI) und verwendet hierfür eine ähnliche Vorgehensweise, wie ich sie in den Blog-Artikeln verwendet habe.

Diese letzte Erkenntnis ist um so bedauerlicher, als meines Erachtens der Übergang Demokratie-Autokratie eines der wichtigsten politikwissenschaftlichen Themen unserer Zeit sein sollte.

[1] V-Dem (2025) https://www.v-dem.net/data/the-v-dem-dataset/, Datensatz: Country-Year: V-Dem Full+Others

[2] Wikipedia (2025) Variance-based sensitivity analysis, https://en.wikipedia.org/wiki/Variance-based_sensitivity_analysis

[3] Spaiser V, Ranganathan S, Mann RP, Sumpter DJT (2014) The Dynamics of Democracy, Development and Cultural Values. PLoS ONE 9(6): e97856. doi:10.1371/journal.pone.0097856

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