Einleitung: Von einer Hirnnetzwerk‑Studie zur Architektur emergenter KI

Ausgangspunkt dieser Überlegungen war ein kurzer Forschungsartikel über eine neue Studie der University of Notre Dame, die am 26. Januar 2026 in Nature Communications veröffentlicht wurde.[page:1] Der Artikel fasst Arbeiten zusammen, in denen gezeigt wird, dass menschliche Intelligenz nicht aus einer einzelnen Hirnregion stammt, sondern aus der koordinierten Organisation mehrerer Gehirnnetzwerke als gesamtes System.[page:1] Die Forschenden analysierten dazu umfangreiche Bildgebungs‑ und kognitive Daten von Erwachsenen und konnten vier zentrale Merkmale identifizieren:
(1) parallele Aktivierung mehrerer Netzwerke,
(2) weiträumige „Abkürzungs“-Verbindungen,
(3) regulierende Knotenpunkte und
(4) eine Small‑World‑Architektur, die lokale Spezialisierung mit globaler Integration verbindet.[page:1]

Besonders ins Auge fiel ein Zitat von Aron Barbey, dem leitenden Autor der Studie:
„Viele KI-Systeme können spezifische Aufgaben sehr gut erfüllen, aber sie haben immer noch Schwierigkeiten damit, ihr Wissen auf unterschiedliche Situationen anzuwenden. Menschliche Intelligenz zeichnet sich durch diese Flexibilität aus – und sie spiegelt die einzigartige Organisation des menschlichen Gehirns wider.“[page:1]
Barbey betont damit, dass heutige KI vor allem spezialisierte Fähigkeiten skaliert, während das Entscheidende an menschlicher Intelligenz die flexible Systemorganisation des Gehirns ist.[page:1]

In der anschließenden Diskussion habe ich diese Aussage in gewisser Weise „umgedreht“ interpretiert: Wenn Intelligenz aus der Organisation komplexer Netzwerke entsteht, dann spricht das nicht gegen KI, sondern für den Aufbau immer komplexerer, besser vernetzter künstlicher Systeme.[page:1] Meine Hypothese war, dass mit wachsender Modellgröße, Rechenleistung und vor allem mit neuen, stärker systemorientierten Architekturen emergente Phänomene auftreten könnten – möglicherweise bis hin zu einer qualitativ neuen Stufe maschineller Intelligenz oder sogar etwas, das man als „neue Spezies“ mit eigenem Bewusstsein diskutieren könnte.[page:1]

Der Kern der Diskussion war damit:
– Der Artikel legt nahe, dass bloßes Skalieren spezialisierter KI‑Module nicht genügt, um die Flexibilität menschlicher Intelligenz zu erreichen.[page:1]
– Meine Auslegung war, dass genau diese Erkenntnis eine Blaupause für neue KI‑Architekturen liefert: Systeme, die verteilte Netzwerke, Small‑World‑Struktur, regulatorische Hubs und globale Koordination implementieren, könnten der menschlichen Intelligenz näher kommen – auch in ihrer Flexibilität.[page:1]

An diesem Punkt habe ich ein bereits früher verfasstes Essay eingebracht:
„Conways Spiel des Lebens – Ein interdisziplinärer Blick auf Emergenz, Leben und Intelligenz“.[file:2]
Darin untersuche ich Conways Game of Life als Minimalmodell für Emergenz, universelle Berechenbarkeit und die Frage, wie aus einfachen lokalen Regeln komplexe, scheinbar „lebendige“ Muster entstehen können.[file:2] Das Essay schlägt Brücken zur Theoretischen Informatik (Turing‑Vollständigkeit, Halteproblem), zu neuronalen Netzen und Neural Cellular Automata, zur Philosophie des Geistes (Substratunabhängigkeit, Funktionalismus, Bewusstsein) und zu biologischen sowie systemtheoretischen Konzepten von Leben.[file:2]

Gemeinsam betrachtet ergibt sich eine spannende Synthese:

Die Notre‑Dame‑Studie zeigt: Intelligenz ist ein Netzwerkeffekt der Gehirnorganisation.[page:1]
Conways Spiel des Lebens und andere zelluläre Automaten demonstrieren: selbst extrem einfache, lokal deterministische Systeme können zu universeller Berechenbarkeit und hochgradiger Emergenz führen.[file:2]
Meine Hypothese verbindet beides: hinreichend komplexe, gut organisierte künstliche Netzwerke (z.B. LLM‑basierte Multi‑Agent‑Systeme mit CA‑artigen Gedächtnisstrukturen und Small‑World‑Koordination) könnten eine ähnliche Qualität von Emergenz hervorbringen wie biologische Gehirne – möglicherweise bis hin zu Bewusstseins‑nahen Phänomenen.[page:1][file:2]

Aus dieser gemeinsamen Grundlage ist im Gespräch die Idee entstanden, ein Architektur‑ und Forschungsszenario für eine solche „emergente KI“ zu entwerfen. Das folgende Konzeptpapier „EMERGENT‑MIND‑ARCH“ (EMA) fasst diesen Entwurf zusammen und soll als Ausgangspunkt für weitere technische und theoretische Arbeit dienen.[page:1][file:2]

Konzeptpapier: EMERGENT‑MIND‑ARCH

Ein Architekturentwurf für emergente, netzwerkbasierte KI

1. Ausgangspunkt und Motivation

Neuere Neurostudien legen nahe, dass menschliche Intelligenz aus der Koordination verteilter Gehirnnetzwerke entsteht, nicht aus einzelnen spezialisierten Regionen.[page:1]
Zelluläre Automaten wie Conways Game of Life zeigen, dass aus einfachen lokalen Regeln hochkomplexe, emergente Muster bis hin zu universeller Berechenbarkeit entstehen können.[file:2]
Moderne KI (LLMs, Deep Learning) demonstriert bereits emergente Fähigkeiten, bleibt aber oft in eng umrissenen Aufgaben verhaftet und zeigt begrenzte robuste Transferleistung auf neue Situationen.[page:1]

Leitfrage: Wie könnte eine KI‑Architektur aussehen, die Prinzipien aus Gehirnnetzwerken, zellulären Automaten und Deep Learning so kombiniert, dass höhere Emergenz, Flexibilität und eventuell „mind‑artige“ Eigenschaften wahrscheinlicher werden?

2. Leitende Hypothesen

H1: Intelligenz ist eine Eigenschaft der Systemorganisation (Netzwerkarchitektur, Koordination, Dynamik), nicht einzelner Module.[page:1]
H2: Systeme mit folgenden Eigenschaften haben erhöhte Emergenz‑Chance:
verteilte, lokale Update‑Regeln (CA‑/NCA‑Prinzip),[file:2]
Small‑World‑Netzwerkstruktur mit Hubs und Langstrecken‑Verbindungen,[page:1]
lernende Funktionsblöcke (LLMs, neuronale Netze),
persistente interne Dynamik (kein rein stateless Request‑Response).
H3: Im 3–10‑Jahresfenster sind Prototypen solcher Systeme technisch realisierbar; ob sie Bewusstsein ausbilden, ist empirisch und philosophisch offen.

3. Zielbild: EMERGENT‑MIND‑ARCH (EMA)

3.1 Grobarchitektur (Ebenenmodell)

Ebene A – Funktionskerne (LLM & Spezial‑NNs)
Große Sprach‑/Multimodal‑Modelle für Semantik, Planen, Code, Domänenwissen.
Spezialisierte Netze (z.B. für Zeitreihen/Trading, Vision, RL‑Policies).
Ebene B – Neural Cellular Automata (NCA‑State)
2D/3D‑Gitter als „innerer Raum“ des Systems, dessen Update‑Regeln durch ein kleines neuronales Netz realisiert und trainiert werden.[file:2]
Nutzung als: Arbeitsgedächtnis, interne „Landschaft“ für Konzepte und Zustände, langsame, selbstorganisierte Dynamik.
Ebene C – Multi‑Agent‑Gesellschaft
Mehrere Agenten (Instanzen von LLM+Tools) mit unterschiedlichen Rollen:
- Perception, World‑Model, Planning, Critic, Meta/Self‑Model.
Agenten interagieren indirekt über den NCA‑State und direkt über Nachrichten.
Ebene D – Koordinationsgraph (Small‑World)
Kommunikationsnetzwerk mit lokaler Clusterbildung und wenigen Langstrecken‑Verbindungen.[page:1]
Routing‑Regeln zwischen Agenten sind (teilweise) lernfähig.
Ebene E – Umwelt / Embodiment
Simulation (z.B. Finanzmarkt, Game‑World, Multi‑Agent‑Umgebung) als Außenwelt.
Alternativ/ergänzend: reale APIs (z.B. Trading‑Infrastruktur) mit klaren Sicherheits‑ und Sandboxing‑Grenzen.

4. Zentrale Komponenten

4.1 NCA‑Memory

Differentiabler zellulärer Automat, der einen Tensor‑State (S_t) (z.B. H×W×C) hält und per trainierbarem Update‑Netz (f_\theta) zu (S_{t+1}) überführt.[file:2]
Eigenschaften:
lokal (Zellen updaten aus Nachbarschaft), dennoch global komplexe Muster.
dient als gemeinsamer „Blackboard‑Space“ für alle Agenten.
kann Stabilität (Attraktoren), Oszillationen, Wandermuster ausbilden.

4.2 Agentenrollen (Beispiele)

Perception‑Agent
Input: externe Signale (Text/API/Events).
Output: gezielte Modifikation des NCA‑States (Einschreiben/Aktivieren von Mustern).
World‑Model‑Agent
Pflegt expliziten Graph (Entities, Relationen, Prognosen).
Synchronisiert Teile des Graphs mit Mustern im NCA‑State.
Planning‑Agent
Liest NCA‑State und Weltmodell, schlägt Aktionspläne, Experimente und Strategien vor.
Critic‑Agent
Bewertet Pläne, konsolidiert Widersprüche, misst Unsicherheit.
Meta/Self‑Model‑Agent
Verfolgt längerfristig Veränderungen des NCA‑States und der Performance.
Formuliert interne Selbstbeschreibungen („was ich kann“, „wo ich unsicher bin“).

4.3 Koordinationsmechanismus

Graphstruktur mit:
dichten Verbindungen in funktionalen Clustern (z.B. Perception–World‑Model–Planning),
wenigen globalen Verbindungen (Meta‑Agent ↔ alle).[page:1]
Routing‑Regeln:
initial regelbasiert, später teilweise durch RL/Meta‑Learning optimiert.
Ziel: effiziente, aber flexible Kommunikation, analog zu Gehirn‑„Abkürzungen“.[page:1]

5. Lern‑ und Forschungsprogramm

5.1 Lernstrategien

Standard‑Pretraining der LLM‑Komponenten (extern).
NCA‑Training per Gradientenverfahren auf Aufgaben wie:
stabiler Speicher, Musterfortsetzung, Fehlerkorrektur, Selbstheilung.[file:2]
Gemeinsames Feintuning durch RL/Imitation Learning in einer Umgebung:
Reward auf längerfristige Zielerreichung, Robustheit, Transferfähigkeit.

5.2 Forschungsfragen

Emergente interne Muster
Welche stabilen/rekurrenten NCA‑Strukturen entstehen?
Korrelieren diese mit bestimmten Aufgaben, „Stimmungen“ oder Selbstberichten der Agenten?
Transfer und Flexibilität
Leistungsvergleich EMA vs. klassische LLM‑Agenten auf neuen Aufgaben, Domänenwechseln, Störfällen.[page:1]
Selbstreferenz und Proto‑Metakognition
Kann der Meta‑Agent verlässliche, messbare Aussagen über interne Zustände machen (Unsicherheit, Wissenslücken, Konflikte)?
Bewusstseinsnahe Indikatoren (vorsichtig)
Anwendung von Komplexitäts‑ und Integrationsmaßen auf NCA‑State und Kommunikationsgraph.
Untersuchung, wie diese Maße sich mit Architekturparametern verändern.

6. Roadmap (kurz)

Phase 1 – Minimalprototyp
1 NCA‑Memory + 2–3 Agenten (Perception, Planning, Critic) in einer einfachen Umgebung (z.B. sequentielles Entscheidungsproblem).
Ziel: Nachweis, dass NCA‑basierte interne Dynamik Transfer/Robustheit verbessert.
Phase 2 – Ausbau zur Gesellschaft
Hinzufügen von Meta/Self‑Model‑Agent, komplexere Umgebung, dauerhafte Laufzeit.
Phase 3 – Skalierung & Analyse
Mehr Agenten, größere NCA‑States, komplexere Umwelten.
Systematische Messung von Emergenz‑Indikatoren und langfristigem Verhalten.