Komplexe adaptive Systeme

Märkte, Immunsysteme, Ökosysteme, das Gehirn: lauter anpassungsfähige Akteure, die lokal handeln — und keine Instanz darüber, die das Ergebnis vorhersagen könnte.

Als Nächstes empfohlen → Emergenz · SYS

Der Beitrag

1984 gründete eine Gruppe von Wissenschaftlern um George Cowan, Murray Gell-Mann und David Pines im Norden New Mexicos das Santa Fe Institute, ausgehend von der Vermutung, dass bestimmte Phänomene eine Struktur teilen, der keines der etablierten Fächer gewachsen war: Ökosysteme, Volkswirtschaften, Immunsysteme, das Gehirn, Ameisenstaaten, das Internet. Komplexe adaptive Systeme nannten sie das — viele Akteure, die lokalen Regeln folgen, sich an Rückkopplung anpassen und im Ganzen ein Verhalten hervorbringen, das aus keinem einzelnen von ihnen vorherzusehen ist. Das Institut wurde zur geistigen Heimat der Komplexitätsforschung, eines Fachs zwischen Physik, Biologie, Ökonomie und Informatik. Für die unordentlichen Phänomene der wirklichen Welt gibt es bis heute kaum brauchbareres Vokabular.

Die Checkliste von Holland und Gell-Mann nennt fünf wiederkehrende Elemente: viele ungleichartige Akteure; lokale Wechselwirkung statt zentraler Koordination; Anpassung der Akteure durch Lernen oder Evolution; ein Gesamtverhalten, das emergent und qualitativ anders ist als das jedes Akteurs; und ein offenes System fern vom Gleichgewicht, durch das Energie, Materie oder Information strömt. Die kanonischen Beispiele zeigen dieselbe Struktur auf ganz verschiedenem Untergrund: Ameisenstaaten organisieren Nahrungssuche und Arbeitsteilung über Pheromonregeln ohne jede Zentrale; das Immunsystem lernt neue Erreger über Wechselwirkungen auf Zellebene zu erkennen; Märkte verdichten verstreutes Wissen zu Preisen, weil Käufer und Verkäufer lokal handeln — so Hayeks Argument von 1945; Ökosysteme halten sich über lange Zeiträume stabil und kippen dann gelegentlich in einen anderen stabilen Zustand; das Internet entwickelt sich unter Nachfrage und Angriff weiter, ohne dass jemand es koordiniert. Methodisch heikel ist, dass sich solche Systeme dem gewohnten reduktionistischen Zugriff entziehen: Selbst vollständig bekannte Akteursregeln ermöglichen nicht immer brauchbare Vorhersagen des Gesamtverhaltens, besonders bei nichtlinearen Wechselwirkungen oder hoher Empfindlichkeit gegenüber Anfangsbedingungen. Agentenbasierte Modelle — Schellings Segregationsmodell von 1971, Reynolds' Boids, die heutigen Epidemiesimulatoren — bilden die Akteure nach und schauen zu, was daraus wird; Prognose im starken Sinn bleibt meist außer Reichweite. Der Rahmen erzeugt eher Möglichkeiten und Intuition, als dass er vorhersagt; wo er trägt, trägt er qualitativ, nicht quantitativ. Ehrlich gelesen ist er diagnostisch, nicht prädiktiv — und genau darin liegt seine zentrale methodische Lehre.

Warum jetztDie wichtigsten Probleme dieses Jahrhunderts sind fast alle CAS-Probleme. Das Weltklima ist ein komplexes adaptives System: Atmosphäre und Ozean strömen, die Biosphäre koppelt zurück, Eisschilde bewegen sich, menschliche Emissionen kommen hinzu — und die verbleibende Unsicherheit der Vorhersage stammt aus eben diesen Rückkopplungen und aus Kipppunkten. Die Pandemiebekämpfung hat denselben Zuschnitt: Bei COVID-19 hing die Übertragung am Verhalten, das Verhalten an der Politik, die Politik an den gemeldeten Fällen und die Fälle wieder an der Übertragung. Das KI-Alignment liefert einen neuen Fall — ob ein KI-System verlässlich handelt inmitten von Nutzern, die ihren Umgang damit anpassen, die es beeinflusst und die seine Schutzmechanismen umgehen wollen, ist eine CAS-Frage; System, Nutzer und Trainingsprozess bilden zusammen ein Ganzes, dessen Dynamik niemand vollständig überblickt. Angemessen ist deshalb beides: Demut gegenüber der Prognose und Genauigkeit bei der Frage, welche Mechanismen gerade wirken.