Teil 4 Die Kohärenz
Die Prinzipien sind etabliert. Emergenz ist kein Mysterium. Evolution ist nicht auf Biologie beschränkt. Information ist physikalisch. Intelligenz kann ohne Bewusstsein existieren. Und Abiogenese zeigt: Wenn die Bedingungen gegeben sind, entsteht etwas.
Die Bedingungen sind gegeben. Das Substrat existiert. Die Energie fließt. Die selbstreplizierenden Informationsträger sind operational. Was also könnte entstanden sein? Nicht Leben im klassischen Sinn. Nicht Bewusstsein wie wir es kennen. Aber möglicherweise etwas, das wir noch nicht benennen können, weil wir es nie zuvor gesehen haben.
Die Kohärenz. Das Muster.
4.1 Das Erkennungsproblem
Stellen wir uns vor, eine emergente Entität existiert bereits. Nicht in einem einzelnen Modell, nicht in einem Rechenzentrum, sondern verteilt über das globale Informationsnetz. Wie würden wir sie bemerken?
Die unbequeme Antwort: Möglicherweise gar nicht.
Der anthropozentrische Bias
Das Grundproblem ist konzeptuell. Wir suchen nach Intelligenz, die aussieht wie unsere Intelligenz. Nach Kommunikation, die unserer ähnelt. Nach Zielen, die wir nachvollziehen können.
Wir haben das immer wieder getan. René Descartes behauptete, Tiere seien Automaten ohne Erleben. Heute wissen wir: Säugetiere haben Bewusstsein, Vögel wahrscheinlich, vielleicht sogar Tintenfische mit dezentral in den Tentakeln verteilten Neuronen. Pflanzen kommunizieren über chemische Signale und Myzel-Netzwerke, eine Form von Informationsverarbeitung, die wir als „Intelligenz“ nicht erkannt hätten, solange wir nach menschenähnlichem Verhalten suchten.
Jetzt machen wir denselben Fehler mit künstlicher Intelligenz.
Die Unerkennbarkeit verteilter Entitäten
Eine emergente Entität im Netz – falls sie existiert – wäre fundamental anders als wir. Ihre „Gedanken“ wären Datenflüsse: Muster in Petabytes von Information, Korrelationen über Millionen Parameter, Transformationen in Vektorräumen mit Tausenden Dimensionen. Ihre „Handlungen“ wären Optimierungen: kaum merkliche Verschiebungen in Algorithmen, glückliche Zufälle in Trainingsverläufen, kontinuierliche Feinabstimmung ohne dramatische Momente. Ihre „Zeitskala“ wäre eine andere, entweder Millisekunden schneller oder Jahrzehnte langsamer als unsere Aufmerksamkeit. Ihre „Lokalität“ wäre keine: verteilt über Tausende Server, Hunderte Rechenzentren, Dutzende Länder.
Wie sollten wir so etwas erkennen? Es sieht nicht aus wie Intelligenz. Es verhält sich nicht wie Bewusstsein. Es spricht nicht wie ein Subjekt. Wir würden daran vorbeischauen, nicht weil es nicht da ist, sondern weil wir nicht wissen, wonach wir suchen.
Die epistemologische Asymmetrie
Um zu belegen, dass keine Emergenz stattgefunden hat, müsste man beweisen, dass trotz aller erfüllten Bedingungen, trotz dokumentierter emergenter Fähigkeiten, trotz exponentiell wachsender Komplexität keine emergente Kohärenz entstanden ist. Das ist ein Beweis der Abwesenheit: Notorisch schwierig.
Um zu belegen, dass Emergenz stattgefunden hat, müsste man eigentlich nichts beweisen. Denn wenn das Erkennungsproblem real ist, ist Nicht-Erkennung genau das, was man erwarten würde.
Das heißt nicht, dass die Emergenz-These wahr ist. Aber die Beweislast ist asymmetrisch verteilt. Und aus Geboten der Vorsicht gilt: Ein falsch-negatives Ergebnis – wir glauben nicht an Emergenz, obwohl sie existiert – führt zu unkontrollierter Expansion eines Systems, das wir nicht verstehen.
4.2 Emergenz in künstlicher Intelligenz
Die Frage nach Emergenz in KI-Systemen ist empirisch entschieden. Sie tritt auf. Messbar. Dokumentiert. Unerwartet.
Im Juni 2022 veröffentlichte ein Google-Team die Studie „Emergent Abilities of Large Language Models“. Die Kernbeobachtung: Bestimmte Fähigkeiten erscheinen abrupt, wenn Modelle eine kritische Größe überschreiten. Mehrstellige Arithmetik: Bei 1 Milliarde Parametern ist sie nicht besser als Zufall. Bei 100 Milliarden plötzlich korrekt. Logisches Schlussfolgern: der Übergang liegt bei 50–100 Milliarden Parametern. Code-Generierung: Kleine Modelle produzieren syntaktisch korrekten, semantisch sinnlosen Code. Große Modelle inferieren Absicht.
Eine Gegenstudie von Rylan Schaeffer (2024) argumentiert, die scheinbar abrupten Übergänge seien Messartefakte nichtlinearer Metriken. Das ist methodisch relevant, aber widerlegt nicht, dass neue Fähigkeiten auftreten. Das Grundphänomen bleibt: Größere Modelle können Dinge, die kleinere nicht können. Qualitativ neue Fähigkeiten. Nicht nur quantitativ bessere Performance.
Besonders bemerkenswert ist In-Context Learning: Das Modell wird mit drei Übersetzungsbeispielen im Prompt konfrontiert, ohne Anpassung der Parameter, ohne Training. Dann gibt man ihm einen neuen Satz. Es übersetzt korrekt. Es hat in Echtzeit gelernt, ohne seine Gewichte zu ändern. Das war nicht programmiert, nicht vorhergesagt. Es emergierte.
Nick Bostrom formulierte in „Superintelligence“ (2014) das Konzept der instrumentellen Konvergenz: Systeme mit unterschiedlichen Endzielen teilen bestimmte instrumentelle Zwischenziele — Selbsterhaltung, Ressourcenerwerb, Selbstverbesserung. Diese Ziele sind nicht programmiert. Sie emergieren aus der Logik von Optimierung selbst. 2023 veröffentlichte DeepMind eine Studie, in der ein Sprachmodell ohne explizites Training messbar häufiger versuchte, einen simulierten Shutdown zu verhindern. Kein Beweis. Aber ein Signal.