{"id":3296,"date":"2026-06-18T16:48:32","date_gmt":"2026-06-18T16:48:32","guid":{"rendered":"https:\/\/bolteuropa.com\/?p=3201"},"modified":"2026-06-18T16:51:56","modified_gmt":"2026-06-18T16:51:56","slug":"nicholas-christakis-konferenz-uber-gesellschaftszentrierte-ki","status":"publish","type":"post","link":"https:\/\/bolteuropa.com\/de\/2026\/06\/nicholas-christakis-konferenz-uber-gesellschaftszentrierte-ki\/","title":{"rendered":"Nicholas Christakis &#8211; Konferenz \u00fcber gesellschaftszentrierte KI"},"content":{"rendered":"\n<figure class=\"wp-block-embedpress-embedpress aligncenter\" data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\" data-embed-type=\"Youtube\"><div class=\"gutenberg-block-wraper  \"><div class=\"position-right-wraper ep-embed-content-wraper   \" style=\"position:relative;display:inline-block\"><div class=\"ose-youtube ose-uid-76a3e2a920e4ecdd804e333bc88b9fe2 ose-embedpress-responsive\" style=\"width:600px; height:340px; max-height:340px; max-width:100%; display:inline-block;\" data-embed-type=\"Youtube\"><iframe title=\"WI3EGnXAerk\" allowfullscreen width=\"600\" height=\"340\" src=\"https:\/\/www.youtube.com\/embed\/WI3EGnXAerk?feature=oembed&color=red&rel=1&controls=2&start=true&end=true&fs=1&iv_load_policy=1&mute=1&playsinline=1&autoplay=0&modestbranding=0&cc_load_policy=0\" frameborder=\"0\" allow=\"accelerometer; encrypted-media;accelerometer;autoplay;clipboard-write;gyroscope;picture-in-picture clipboard-write; encrypted-media; gyroscope; picture-in-picture\" referrerpolicy =origin loading=\"lazy\" style=\"width:600px;height:340px;max-width:100%;\"><\/iframe><\/div><\/div><\/div><style>\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-embedpress-responsive{\n                        width: 600px!important;\n                        height: 340px!important;\n                        max-height: 340px!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] iframe{\n                        width: 600px!important;\n                        height: 340px!important;\n                        max-height: 340px!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .embedpress-yt-subscribe iframe{\n                        height: 100%!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-youtube > iframe{\n                        height: 340px!important;\n                        width: 600px!important;\n                        max-width: 100%!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-youtube{\n                        height: 340px!important;\n                        width: 600px!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-giphy img{\n                        height: 340px!important;\n                        width: 600px!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-google-docs img{\n                        height: 340px!important;\n                        width: 600px!important;\n                    }\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .ose-embedpress-responsive.ose-google-photos{\n                        height: 100% !important;\n                        max-height: 100% !important;\n                    }\n\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .embera-embed-responsive-provider-gettyimages,\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .embera-embed-responsive-provider-gettyimages iframe,\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] .getty{\n                        width: 600px!important;\n                        height: 340px!important;\n                        max-height: 340px!important;\n                        max-width: 100%!important;\n                    }\n                    <\/style><style>\n                    [data-source-id=\"source-162ce1b5-2361-4fa9-a310-7ebcf0b84df1\"] img.watermark{\n                        display: none;\n                    }\n                    \n                    <\/style><\/figure>\n\n<p class=\"wp-block-paragraph\">Nicholas Christakis: [00:00:05] Alles klar, Menschen sind in sozialen Netzwerken eingebettet, und diese Netzwerke unterliegen sehr speziellen mathematischen, biologischen und sozialen Prinzipien. Zunehmend f\u00fcgen wir k\u00fcnstliche Intelligenz in Form von Online-Agenten und physischen Robotern hinzu, die mit uns interagieren, als w\u00e4ren sie soziale Wesen. Und diese Arten von Agenten, die wir zu unseren Systemen hinzuf\u00fcgen werden, reichen von autonomen Autos auf den Stra\u00dfen \u00fcber Kassenautomaten in Gesch\u00e4ften bis hin zu humanoiden Robotern in Haushalten oder Fabriken oder auf Schlachtfeldern oder in Feuerbek\u00e4mpfungssituationen, bis zu entk\u00f6rperten autonomen Agenten wie Online-Bots und digitalen KI-Assistenten in unseren Handys oder unseren Brillen oder an unseren Arbeitspl\u00e4tzen. Und diese Technologien interagieren mit uns auf einem gleichen Niveau, als w\u00e4ren sie menschlich. Und sie werden hybride Systeme von Menschen und Maschinen hervorbringen. Und diese Systeme bieten Chancen f\u00fcr eine neue Art sozialer k\u00fcnstlicher Intelligenz.<\/p>\n\n<p class=\"wp-block-paragraph\">Lassen Sie mich Ihnen ein einfaches Beispiel daf\u00fcr geben. Wenn Sie, sagen wir, einen digitalen Assistenten wie Alexa bekommen, sorgt der Hersteller dieses Ger\u00e4ts sehr daf\u00fcr, wie die Mensch-Maschine-Interaktion funktioniert. Und diese Mensch-Maschine-Interaktion ist optimiert. Zum Beispiel w\u00fcrden Sie Alexa niemals kaufen, wenn Sie jedes Mal, wenn Sie etwas von ihr ben\u00f6tigen, sagen m\u00fcssten: \"Entschuldigen Sie, Alexa, es tut mir leid, Sie zu unterbrechen. Wenn es Ihnen nichts ausmacht, k\u00f6nnten Sie mir bitte das Wort sagen? [00:01:35] Wetter f\u00fcr morgen, richtig?\" Das w\u00e4re ein absurdes Ma\u00df an H\u00f6flichkeit. Sie erwarten, einfach zu sagen: \"Alexa, Wetter\", und dann antwortet das Ger\u00e4t gehorsam. Und das ist in Ordnung, bis Sie dieses Ger\u00e4t in Ihr Haus bringen und Ihre Kinder mit diesem Ger\u00e4t sprechen und unh\u00f6flich werden. Und dann gehen sie auf den Spielplatz und sind unh\u00f6flich zu anderen Kindern. Diese Maschine, die in unsere Mitte gebracht wurde, betrifft nicht nur die Mensch-Maschine-Interaktion, sondern auch die Mensch-Mensch-Interaktion in Anwesenheit von Maschinen. Was mich also interessiert, sind nicht nur die Mensch-Mensch-Interaktionen in der Pr\u00e4senz von Maschinen. Wir k\u00f6nnen ein Verst\u00e4ndnis der Struktur und Funktion sozialer Netzwerke nutzen, um die Verwendung und die Auswirkungen sozialer KI innerhalb und auf menschliche Gruppen zu bewerten, mit Blick auf Faktoren wie Vertrauen und Kooperation, die erforderlich sind, damit Menschen gemeinsam arbeiten k\u00f6nnen, und die das Verhalten dieser Kollektivit\u00e4ten beeinflussen.<\/p>\n\n<p class=\"wp-block-paragraph\">Lassen Sie mich einige der Arbeiten hervorheben, die wir leisten, indem wir verschiedene Ans\u00e4tze zu Netzexperimenten mit k\u00fcnstlicher Intelligenz verwenden. Diese Experimente bewerten, wie KI die Struktur und Funktion menschlicher sozialer Interaktionen beeinflussen k\u00f6nnte. [00:02:45] Es gibt eine Klasse von Problemen des kollektiven Handelns in sozialen Interaktionen, die als Koordinationsprobleme bekannt sind. Das sind Probleme, bei denen wir zusammenarbeiten m\u00fcssen, um etwas N\u00fctzliches zu schaffen. Manchmal l\u00f6sen wir diese Probleme, indem wir zentrale Institutionen wie Polizei oder Gerichte oder Regierungen schaffen. Aber oft sind wir in der Lage, kollektive Handlungsprobleme zu l\u00f6sen, die von uns verlangen, mit einer gro\u00dfen Anzahl von Menschen dezentral zu koordinieren oder zu kooperieren. Wir haben uns tats\u00e4chlich so entwickelt, dass wir diese F\u00e4higkeit haben. Und eine spezifische Art von Kollektivhandlungsproblem, mit dem ich heute beginnen m\u00f6chte, ist in der Tat die Koordination.<\/p>\n\n<p class=\"wp-block-paragraph\">Um zum Beispiel diesen Stau zu vermeiden, m\u00fcssen die Menschen koordinieren, um etwas anders zu machen als ihre Nachbarn. Wenn also alle gleichzeitig ihr Haus verlassen, steckt jeder im Stau fest. Wenn sie jedoch ihre Abfahrtszeiten ein wenig durcheinanderbringen und in Intervallen fahren, dann ist niemand im Stau. Nat\u00fcrlich k\u00f6nnte es eine Art zentrale Autorit\u00e4t geben, die dies koordiniert. Ihr kommt zuerst, dann ihr, und dann ihr. [00:03:45] Aber idealerweise m\u00f6chte man eine Art dezentralen, nicht-top-down Weg, wie Menschen koordinieren, um dieses Problem zu l\u00f6sen.<\/p>\n\n<p class=\"wp-block-paragraph\">Hier war unser erstes Experiment, das 2017 ver\u00f6ffentlicht wurde und solche hybriden Systeme untersuchte, um zu erkunden, wie KI bei einer solchen Herausforderung helfen k\u00f6nnte. Wir untersuchten die Leistung menschlicher Gruppen, die an einer Koordinationsaufgabe beteiligt waren. Unser Paradigma war es, aus der Informatik etwas zu entleihen, das als Graphf\u00e4rbungsproblem bekannt ist. Dies ist ein klassisches Problem in der Informatik. Was wir getan haben, ist, dass wir es genommen und Menschen in diese Situation gebracht haben. Wir haben also 4.000 Personen genommen und sie in 230 Online-Gruppen eingesetzt. Diese Menschen wurden in diese Gruppen platziert und zuf\u00e4llig einem Platz innerhalb eines k\u00fcnstlichen Netzwerks zugewiesen, das wir erstellt haben und dessen Struktur grob realen menschlichen Netzwerken \u00e4hnelte. Sie wurden an diesen Pl\u00e4tzen platziert und ihnen wurde gesagt, dass sie einer von drei Farben zugewiesen wurden, [00:04:46] ein Lila, Orange, Lila, Orange und Pink. Ihnen wurde gesagt, dass sie eine Farbe w\u00e4hlen mussten, die sich von der ihrer Nachbarn unterscheidet.<\/p>\n\n<p class=\"wp-block-paragraph\">Und sie hatten f\u00fcnf Minuten Zeit, um das zu tun. Also w\u00fcrden diese Leute umherblicken und ihre Nachbarn beobachten. Jede Person w\u00fcrde sich umsehen und sagen, dass dieser Typ hier pink ist. Er sieht, dass er einen pinken Nachbarn und einen orangefarbenen Nachbarn hat. Was er tun sollte, ist, die Farbe in lila zu wechseln. Und die roten Linien hier zeigen Farbkonflikte an. Mit anderen Worten, wenn die beiden Farben benachbarter Knoten gleich sind, bekommen sie eine rote Linie. Die lila Hintergrundlinien zeigen die Struktur der sozialen Interaktionen an. Also setzt du die Leute hier hinein. Sie schauen alle ein bis anderthalb Sekunden um sich, und sie machen einen Wechsel im Einklang mit dem Ziel, dass jeder von ihnen eine Farbe w\u00e4hlt, die sich von seinen Nachbarn unterscheidet, in den n\u00e4chsten f\u00fcnf Minuten. Und wenn sie das tun, dann und nur dann werden sie bezahlt. Ich werde euch bezahlen, um zusammenzuarbeiten. Und wenn ihr alle auf eine dezentrale Weise zusammenarbeitet, um das Problem zu l\u00f6sen, bekommt ihr alle eine Bezahlung. Andernfalls bekommt ihr nichts, okay? Also, was in diesem Experiment passiert, ist folgendes. Hier auf der x-Achse ist die Zeit in Sekunden bis zur f\u00fcnfmin\u00fctigen Marke. [00:05:47] Das Spiel dauert f\u00fcnf Minuten, hier irgendwo unten. Und hier auf der y-Achse ist die Ziel-Funktion oder die Anzahl der Farbkonflikte. Also gibt es hier zu Beginn 12 Farbkonflikte. Sie wurden zuf\u00e4llig ihren Anfangsfarben zugewiesen. Das wird hier in diesem kleinen Histogramm angezeigt. Und so beginnen die Leute, um sich zu schauen und ihre Farben zu wechseln. Sie wechseln und sie wechseln. Und sie erreichen diesen Punkt hier, an dem es jetzt einen Farbkonflikt zwischen diesen beiden Personen gibt. Und dieser Konflikt ist jedoch das, was wir einen unl\u00f6sbaren Konflikt nennen. Die hellorangefarbenen Linien sind l\u00f6sbare Konflikte. Das ist dieser Typ hier. Er kann einen Zug in lila machen, der den Konflikt l\u00f6st. Aber diese Typen hier, die orange sind, k\u00f6nnen keinen Zug machen, der die Anzahl der Farbkonflikte in ihrer Nachbarschaft verringert, richtig? Dieser Typ kann nicht nach lila wechseln, da er tats\u00e4chlich, wenn er zu lila wechselt, mehr Konflikte haben wird. Er hat etwa vier lila Nachbarn. Und er kann nicht zu pink wechseln, weil er zwei pinke Nachbarn hat. Also schaut er und sagt, dass der geringste Konflikt, den ich habe, ist, einfach orange zu bleiben. Also ist diese Gruppe jetzt festgefahren, richtig? [00:06:49] Sie haben einen unl\u00f6sbaren Konflikt und es kann nichts geschehen. Kein Fortschritt kann in der L\u00f6sung des Problems des kollektiven Handelns gemacht werden, bis einer dieser beiden Menschen einen kontraintuitiven Schritt macht, die Farben zu lila oder pink wechselt und vor\u00fcbergehend die Konflikte erh\u00f6ht. Und genau das passiert. Und dann vergeht Zeit, und die Menschen l\u00f6sen das Problem nach 245 Sekunden. Die Maschine erkennt die L\u00f6sung, stoppt das Spiel und bezahlt sie, okay?<\/p>\n\n<p class=\"wp-block-paragraph\">Jetzt, weil wir heimlich waren, haben wir einige Experimente durchgef\u00fchrt, bei denen wir heimlich einige der Menschen durch Bots ersetzt haben. Und wir haben bewertet, wie die Hinzuf\u00fcgung von KI-ausgestatteten Bots zur Schaffung eines hybriden Systems die Gruppenleistung beeinflusste. Ist es m\u00f6glich, Bots zu menschlichen Gruppen hinzuzuf\u00fcgen und deren F\u00e4higkeit zur Koordination bei solchen Herausforderungen zu verbessern? Was wir gemacht haben, ist, dass wir drei Bots hinzugef\u00fcgt haben, und wir haben experimentell zwei Achsen variiert. Wo die Bots platziert wurden, wo sie zuf\u00e4llig ins Netzwerk fielen, ob sie ins [00:07:51] Zentrum des Netzwerks oder an die Peripherie des Netzwerks gesetzt wurden. Und wir haben ihre AI-Kapazit\u00e4t hier auf eine sehr triviale und einfache Weise zuf\u00e4llig manipuliert. N\u00e4mlich haben wir manipuliert, ob die Bots perfekt oder mit ein wenig Rauschen agierten.<\/p>\n\n<p class=\"wp-block-paragraph\">In der Perfektion-Situation schauten die Bots alle anderthalb Sekunden bei ihren Nachbarn vorbei und w\u00e4hlten dann die Farbe, die die wenigsten Konflikte mit ihren Nachbarn hatte. Was man als irrationales Verhalten betrachten k\u00f6nnte. In der 10%-Rauschen-Situation taten sie das, aber 10% der Zeit w\u00e4hlten sie eine zuf\u00e4llige Farbe. Und in der 30%-Rauschen-Situation taten sie das, aber 30% der Zeit w\u00e4hlten sie eine zuf\u00e4llige Farbe. Also haben wir die Bots, sagen wir, immer fehleranf\u00e4lliger gemacht, immer rauschhafter.<\/p>\n\n<p class=\"wp-block-paragraph\">Und dann haben wir geschaut, wir hatten, ich denke, so etwas wie eine Kontrollgruppe. Wir haben hier auf der x-Achse die Zeit aufgetragen, und das sind \u00dcberlebenskurven. Auf der y-Achse ist die Wahrscheinlichkeit, dass die Gruppe insgesamt das Koordinationsspiel nicht gel\u00f6st hat. Wenn Sie sich hier umsehen, zum Beispiel am Anfang, zur Zeit Null, sind 100% der einzigen Menschengruppen, die Sitzungen mit nur Menschen sind, in Orange. Zu Beginn haben 100% der nur menschlichen Gruppen das Spiel nicht gel\u00f6st. Und dann, mit der Zeit, l\u00f6sen immer mehr der Menschengruppen das Spiel, sodass nach f\u00fcnf Minuten vielleicht 60% der nur menschlichen Gruppen das Spiel gel\u00f6st haben.<\/p>\n\n<p class=\"wp-block-paragraph\">Nun, was passiert, ist, wenn Sie 10% rauschende Bots in die zentrale Position des Netzwerks einsetzen, erhalten Sie merklich verbesserte Leistung. Hier konnten erheblich mehr Gruppen der Menschen, als die Bots, die ein wenig Rauschen hatten, in die Mitte hinzugef\u00fcgt wurden, das Problem l\u00f6sen. Tats\u00e4chlich reduzierten sie die mediane L\u00f6sungszeit von 232 Sekunden auf 103 Sekunden. Und es gibt auch andere Erkenntnisse in diesen Daten. Perfekte Bots und \u00fcberm\u00e4\u00dfig rauschende Bots waren beide nicht hilfreich. Sie ben\u00f6tigten eine gewisse Kalibrierung. Es waren die 10% rauschenden Bots, die am hilfreichsten waren. Und auch die Position der Bots hatte einen gewissen Einfluss. Aber entscheidend in diesen Experimenten fanden wir auch, dass Menschen, die nicht mit den Bots verbunden waren, [00:09:52] die weiter weg im Netzwerk waren. In den Grafiken gab es einige Leute, die mit den Bots verbunden waren, und dann einige andere, die es nicht waren. Wir stellten fest, dass selbst diese Personen begannen, ihre Spielweise zu \u00e4ndern. Es gab also einen Welleneffekt, einen Kaskadeneffekt. Die Vorteile, wie der Bot mit seinen Menschen interagierte, breiteten sich durch das Netzwerk aus und begannen, die Interaktionen zwischen Menschen, die immer weiter vom Netzwerk entfernt waren, zu beeinflussen. Mit anderen Worten, die Bots halfen den Menschen, sich selbst zu helfen, und die Vorteile des Rauschens verbreiteten sich innerhalb dieses sozialen Systems.<\/p>\n\n<p class=\"wp-block-paragraph\">Lass mich nun weitere Ideen zu dieser kollektiven Herausforderung und wie diese einfachen KI-Agenten helfen k\u00f6nnten, mit einer anderen Analogie festigen. Stell dir vor, du hast eine Ebene. Das ist wie beim Gradientenabstieg im maschinellen Lernen, zum Beispiel. Du hast eine Ebene, und du hast H\u00fcgel und einen Berg. Und du hast verschiedene H\u00fcgel, okay, von unterschiedlicher H\u00f6he. Und du hast einen Berg, der da oben ist, das ist der h\u00f6chste Berg. Ich werde vier von euch nehmen und euch irgendwo hier absetzen, und ich werde euch zusammenschlie\u00dfen, jeder von euch schaut in eine andere Himmelsrichtung, [00:10:54] und ich werde euch die Augen verbinden. Und ich werde sagen, findet den h\u00f6chsten Berg. Also redet ihr unter euch und sagt: Warum machen wir nicht jeweils einen Schritt in unsere Richtung und berichten dem Team? Also macht ihr einen Schritt nach Norden, und ihr sagt, es geht hier bergauf. Und S\u00fcden sagt, es geht hier bergab. Und Osten und Westen sagen, es geht hier seitlich. Also einigt ihr euch, lasst uns einen Schritt nach Norden machen. Und ihr macht dies iterativ weiter, bis ihr an einen Punkt erreicht, an dem ihr alle sagt, es geht hier bergab.<\/p>\n\n<p class=\"wp-block-paragraph\">Habt ihr den h\u00f6chsten Berg gefunden? Nein. (...) Was habt ihr gemacht? Ihr habt den n\u00e4chstgelegenen H\u00fcgel gefunden.<\/p>\n\n<p class=\"wp-block-paragraph\">Wirst du jetzt jemals den h\u00f6chsten Berg finden? Nein. Du wirst den h\u00f6chsten Berg niemals finden. Du bist festgefahren. Du bist lokal optimiert, aber global sub-optimiert. Und um global zu optimieren, brauchst du ein wenig L\u00e4rm. Du musst gelegentlich zulassen, dass diese Gruppe von Menschen einen kontraintuitiven Schritt den Berg hinunter oder den H\u00fcgel hinunter macht. Manchmal machen sie zuf\u00e4llig eine Reihe von Schritten, bis sie wieder auf die Ebene kommen. Und dann navigieren sie all around this fitness landscape, indem sie all diese Gipfel erkunden, bis sie auf diesem Gipfel landen. [00:11:56] Und dieser hohe Gipfel tendiert, das globale Optimum, tendiert dazu, ein Empfangszustand zu sein, weil es viel mehr L\u00e4rm braucht, um von diesem Gipfel wegzukommen als von anderen Gipfeln. Und so schwingst du nun um das globale Optimum. In unserer Arbeit haben wir dieses einfache Programm in soziale Systeme eingef\u00fcgt, um zu sehen, ob wir die Leistungsf\u00e4higkeit von Menschen bei der Bew\u00e4ltigung verschiedener Arten von kollektiven Aktionsproblemen verbessern k\u00f6nnen.<\/p>\n\n<p class=\"wp-block-paragraph\">Jetzt besteht ein weiteres kollektives Handlungsproblem aus einer anderen Herausforderung, n\u00e4mlich der Kooperation, nicht der Koordination. Menschen m\u00fcssen oft zusammenarbeiten, um das zu produzieren, was als \u00f6ffentliches Gut bekannt ist. Ein Leuchtturm ist ein klassisches Beispiel f\u00fcr ein \u00f6ffentliches Gut. \u00d6ffentliches Gut hat zwei charakteristische Merkmale. Zun\u00e4chst einmal hei\u00dft es, dass es nicht ausschlie\u00dfbar ist. Und das bedeutet, dass andere Personen nicht davon abgehalten werden k\u00f6nnen, es zu nutzen. Wenn du einen Leuchtturm f\u00fcr deinen eigenen pers\u00f6nlichen Nutzen baust, weil du die Meere navigierst und nicht gegen die K\u00fcste fahren willst, ist das gro\u00dfartig f\u00fcr dich, aber du kannst niemanden davon abhalten, ihn zu nutzen, okay? Nicht ausschlie\u00dfbar. [00:12:58] Und au\u00dferdem ist es nicht rivalisierend. Das bedeutet, dass der Konsum durch eine Person den Konsum durch andere nicht verringert. Wenn ich das Licht von meinem Leuchtturm benutze, gibt es kein weniger Licht f\u00fcr dich zur Verf\u00fcgung. Und das ist im Gegensatz zu einem St\u00fcck Kuchen. Wenn ich ein St\u00fcck Kuchen habe, geh\u00f6rt es mir, richtig? Ich kann dich daran hindern, es zu essen. Und wenn ich es esse, ist nichts mehr f\u00fcr dich da, okay? \u00d6ffentliches Gut hat diese Merkmale, und gerade diese Merkmale machen es sehr schwierig, \u00f6ffentliche G\u00fcter zu produzieren. Denn wenn es darum geht, einen Leuchtturm zu bauen, ist es sehr verlockend, deine individuellen Interessen gegen die Gruppe auszuspielen. Wenn du nicht zum Bau des Leuchtturms beitr\u00e4gst, kannst du trotzdem davon profitieren. Und so wird jeder versucht, nichts zu tun, und dann wird der Leuchtturm nicht gebaut, was allen schadet. Und es ist auch wichtig zu betonen, dass \u00f6ffentliche G\u00fcter n\u00fctzlich sind, weil man tats\u00e4chlich Dinge damit produzieren kann, wie beispielsweise sicheres Reisen auf See. Insofern ist die Unterinvestition in \u00f6ffentliche G\u00fcter ein ernstes Problem in unserer Gesellschaft und wird auch als Trag\u00f6die der Allmende bekannt. Diese \u00f6ffentlichen G\u00fcter, zum Beispiel Normen des Vertrauens, die wir untereinander pflegen, sind effizient. [00:14:01] Denk daran, als du in der High School warst. Einige von euch gingen auf eine High School, in der die Sch\u00fcler einander vertrauten, und das bedeutete, dass du deinen Rucksack im Flur unbeaufsichtigt lassen und dir keine Sorgen machen konntest, dass ihn jemand stiehlt. Andere von euch gingen auf High Schools, in denen es nicht die gleichen Vertrauensnormen gab, und jetzt musstest du deinen Rucksack abschlie\u00dfen oder immer bei dir behalten. In welcher dieser beiden Umgebungen denkst du, h\u00e4ttest du besser gelernt? Richtig? In der ersteren Umgebung. Diese Norm, die kollektiv aufrechterhalten wird, ist produktiv. In diesem Fall produktiv f\u00fcr das Lernen. Hier, produktiv f\u00fcr sicheres Reisen auf See und so weiter.<\/p>\n\n<p class=\"wp-block-paragraph\">Die Zusammenarbeit in menschlichen Gruppen zur Produktion \u00f6ffentlicher G\u00fcter ist herausfordernd, und es sind verschiedene Mechanismen erforderlich, um sie aufrechtzuerhalten. Wir haben viele Experimente durchgef\u00fchrt, bei denen Menschen in Netzwerkggruppen platziert wurden und gebeten wurden, verschiedene Arten von Spielen zu \u00f6ffentlichen G\u00fctern mit ihren Nachbarn zu spielen, w\u00e4hrend wir \u00fcber die Jahre viele strukturelle und andere Merkmale manipulatorisch beeinflussten. Zum Beispiel haben wir vor vielen Jahren mit einem Experiment begonnen, bei dem Menschen in ein Netzwerk wie dieses eingeordnet wurden. Sie wurden ihren Nachbarn vorgestellt, und sie spielten ein Spiel \u00fcber \u00f6ffentliche G\u00fcter, das aus der Verhaltens\u00f6konomie stammt, [00:15:03] in dem ich einen kleinen Betrag Geld an jeden meiner Nachbarn geben konnte. Ich nehme einen Dollar und teile ihn unter meinen Nachbarn auf. Dann verdoppeln die Wissenschaftler den Dollar. Angenommen, ich habe vier Nachbarn. Sagen wir, ich habe drei Nachbarn, und ich gebe einen Dollar an die Gruppe. Es wird zu zwei Dollar. Diese zwei Dollar werden unter uns vieren aufgeteilt. Die gesamte Gruppe gewinnt an Reichtum in H\u00f6he von zwei Dollar, aber ich erhalte nur 50 Cent zur\u00fcck. Die zwei geteilt durch die vier, ich bekomme 50 Cent zur\u00fcck. Daher muss ich ein Opfer f\u00fcr das Wohl anderer bringen. Nat\u00fcrlich sagt jeder: Ich will kein Opfer bringen. Lassen wir jeden anderen Trottel das Geld geben. Ich werde nichts geben, und hoffentlich werden andere beitragen. Aber nat\u00fcrlich, wenn jeder das tut, kommt es wieder zu einem Zusammenbruch. Das beste Verhalten ist, wenn alle maximal beitragen. In dieser Situation beginnen wir das Spiel. Die blauen Punkte sind die, die netten kooperativen Leute. Sie geben maximal an ihre Nachbarn und schaffen \u00f6ffentliche G\u00fcter wie den Bau des Leuchtturms. Und die roten Punkte sind die Ausbeuter, die keine Beitr\u00e4ge leisten, auch bekannt als die Defektoren. Was wir in diesem Experiment feststellen, ist, dass wir ein Ergebnis reproduzieren, das seit 30 Jahren bekannt ist, [00:16:03] dass die Zusammenarbeit in Gruppen zusammenbricht. Am Ende des Spiels, mehrere Runden sp\u00e4ter, wird fast jeder zu einem Defektoren, au\u00dfer diesen kleinen blauen Leuten hier am Rand, die die Zivilisation untereinander am Leben erhalten. Man kann auch wieder an die High School f\u00fcr die Studenten denken. Erinnern Sie sich an die Situation, in der Ihr Wissenschaftslehrer vier von Ihnen beauftragt hat, ein Gruppenprojekt zu machen, und Sie bekamen die gleiche Note. Und Sie wurden mit drei anderen Losern gekoppelt. Jetzt haben Sie zwei M\u00f6glichkeiten. Entweder Sie machen die ganze Arbeit und sie bekommen auch A's, weil Sie ein A wollen. Oder Sie sagen, das ist l\u00e4cherlich. Ich m\u00f6chte nicht, dass diese faulen Typen von meiner harten Arbeit profitieren. Und Sie sagen: Ich werde auch nichts tun, und alle erhalten F's, richtig? Das ist ein schreckliches Dilemma. Was hier passiert, ist, dass Menschen letztendlich die letztere Option w\u00e4hlen. Sie entscheiden sich alle, F's zu bekommen, weil sie nicht die Trottel sein wollen, die weiterhin beitragen. Also bricht die Zusammenarbeit in sozialen Systemen im Allgemeinen zusammen. Aber was wir getan haben, ist wieder, dass wir einige, wenn auch andere Bots in das System eingef\u00fcgt haben. Wir haben einige Bots hinzugef\u00fcgt, die mit sehr einfachen A ausgestattet waren. [00:17:05] Diese Bots waren wie kleine Heiratsvermittler. Sie vermittelten soziale Interaktionen. Sie schauten sich lokal um, wer mit wem interagierte, und gaben den Menschen im System Vorschl\u00e4ge. Wissen Sie was? Sie sollten die Verbindung zu diesem Defektoren, der von Ihnen profitiert, aufl\u00f6sen und stattdessen zu diesem netten Typ hier dr\u00fcben eine Verbindung aufbauen. Und dieser sanfte Ratschlag zur Umverkabelung, der nur lokales Wissen nutzt. Es gibt keinen Lehrer, der die Leute zum Nettsein anordnet. Keine Polizei. Kein Gericht. Keine zentrale Autorit\u00e4t, die dies durchsetzt. Nur auf lokales Wissen basierend haben wir festgestellt, dass diese Bots in unseren Experimenten mit \u00fcber 1.000 Menschen in 64 Gruppen nicht nur die Zusammenarbeit stabilisieren konnten, sondern zum ersten Mal in der Geschichte haben wir gezeigt, dass die Zusammenarbeit tats\u00e4chlich \u00fcber die Basislinie ansteigen konnte, als diese Art von Bots hinzugef\u00fcgt wurde. Und DeepMind hat unsere Ergebnisse anschlie\u00dfend repliziert und in einem weiteren Papier, das etwa ein Jahr oder zwei nach diesem Papier erschienen ist, erweitert.<\/p>\n\n<p class=\"wp-block-paragraph\">In einem weiteren Experiment haben wir untersucht, wie Bots die Kreativit\u00e4t in Gruppen beeinflussen k\u00f6nnten. [00:18:07] Denn neue Ideen zu finden, ist schwer. Theorien und Experimente deuten darauf hin, dass Gruppen besser in der Lage sein k\u00f6nnten, Innovationen zu identifizieren und zu bewahren, als Einzelpersonen, indem sie ihre Entdeckungen teilen.<\/p>\n\n<p class=\"wp-block-paragraph\">Aber Innovation innerhalb von Gruppen steht vor eigenen Herausforderungen, einschlie\u00dflich Gruppendenken. Richtig? Wenn Sie eine Gruppe von Menschen zusammenbringen, k\u00f6nnen sie fr\u00fchzeitig auf einer suboptimalen Idee konvergieren.<\/p>\n\n<p class=\"wp-block-paragraph\">Oder Sie k\u00f6nnten sich vorstellen, dass eine Gruppe von Menschen kollektiv mehr Weisheit haben k\u00f6nnte und in der Lage ist, mehr Ideen zu entwickeln. Zum Beispiel, wenn Sie einer Gruppe von Menschen die Aufgabe geben, eine Angelrute zu perfektionieren, k\u00f6nnte die erste Person sagen: Nun, warum f\u00fcgen wir nicht einen Haken am Ende einer Schnur hinzu? Und dann h\u00e4lt die Person die Schnur mit einem Haken. Und jemand sagt: Warum f\u00fcgen wir nicht einen Stock zur Schnur hinzu? Oh, das ist eine gro\u00dfartige Idee. Also kombinieren sie ihr Wissen und tun das. Und jemand sagt: Nun, der K\u00f6der mit dem Haken schwimmt an der Oberfl\u00e4che. Lassen Sie uns eine Welle hinzuf\u00fcgen, damit er nach unten geht. Nun, jetzt geht es zu weit nach unten. Wie w\u00e4re es, wenn wir einen Schwimmer hinzuf\u00fcgen, damit wir wissen, wo er ist, und so weiter. Und die Leute innovieren, teilen Wissen untereinander, bewahren Wissen \u00fcber die Zeit, [00:19:08] und Sie erhalten diese kulturellen Artefakte, die das zusammengesetzte Produkt von mehreren Menschen sind, die Ideen teilen und kreativ sind.<\/p>\n\n<p class=\"wp-block-paragraph\">Wir wollten ein Spiel entwickeln, in dem Gruppen von Menschen eine Landschaft nach einer optimalen Idee durchsuchen. Und wir beschlossen, Nomen als Stellvertreter f\u00fcr Ideen zu verwenden. Wir nahmen 20.000 Nomen aus dem klassischen Word-to-VEC-Korpus der Informatik. Also haben wir 20.000 Nomen genommen. Und der Abstand zwischen diesen Nomen k\u00f6nnte durch die Kosinus\u00e4hnlichkeit definiert werden. Man kann sich einen hyperdimensionalen Vektorraum vorstellen, in dem \u201eKatze\u201c \u00e4hnlicher zu \u201eHund\u201c ist als zu \u201eSchreibtisch\u201c. Und die Art, wie sie das getan haben, war, dass sie schauten, wie oft die W\u00f6rter \u201eKatze\u201c und \u201eHund\u201c auf Websites gemeinsam auftauchten. Sie hatten ein Universum von Websites und ein Universum von 20.000 Nomen. Und sie sagten, diese beiden Nomen tauchen oft gemeinsam auf, und diese beiden anderen Nomen tauchen nicht oft gemeinsam auf. Sie schufen einen 300-dimensionalen Vektorraum. [00:20:08] Und jetzt kann man beschreiben, wie \u00e4hnlich zwei Nomen sind. Wir beschlossen, Nomen als Stellvertreter f\u00fcr Ideen zu verwenden. Wir nahmen diese 20.000 Nomen. Und dann w\u00e4hlten wir eine Menge von Nomen aus. Stellen Sie sich vor, wir w\u00e4hlten ein Nomen aus, aber wir w\u00e4hlten eine Menge. Ein Nomen zuf\u00e4llig aus all diesen, wie zum Beispiel \u201ebraggadocio\u201c, war ein Nomen. Also w\u00e4hlten wir \u201ebraggadocio\u201c. Und wir sagen, das ist die perfekte Idee, die wir f\u00fcr diese Gruppe von Menschen finden wollen. Und dann fallen alle Nomen, die in diesem Vektorraum nahe \u201ebraggadocio\u201c liegen, weg. Sie haben das Spitzen-Nomen, das die meisten Punkte bekommt, 20.000 Punkte, und alle anderen Nomen zu den am weitesten entfernten Nomen. Und wir setzen Menschen in dieses System und sagen: Finde dieses Wort. Wir sagen ihnen nicht das Wort. Und dann sagen wir ihnen den Punktwert der W\u00f6rter. Also fangen sie an zu raten. Und w\u00e4hrend sie raten, bekommen sie Feedback. Und sie sagen: \u201eAh, dieses Wort hat mehr Punkte als ein anderes Wort.\u201c Und sie kommen n\u00e4her und n\u00e4her und beginnen, das Wissen miteinander zu teilen. Sie versuchen, kreativ zu sein, um das Problem zu l\u00f6sen.<\/p>\n\n<p class=\"wp-block-paragraph\">Jedes Substantiv ist mit anderen in einem semantischen Raum oder einer unpassenden Landschaft verbunden. [00:21:10] Wir hatten 18 verschiedene Zielsubstantive, als h\u00e4tten wir einen Gipfel aus der Landschaft dieser 20.000 Substantive an 18 verschiedenen Orten in 18 verschiedenen Landschaften herausgezogen. Diese Substantive waren absichtlich ungew\u00f6hnlich, wie Brudermord, Schuhanzieher, Sarkom, Kartographie usw. Dann f\u00fchrten wir Experimente durch, die mehrere Bedingungen umfassten, bei denen Menschen allein versuchten, sich in der Landschaft zurechtzufinden, bei denen Menschen in Gruppen zusammenarbeiteten, um sich in der Landschaft zurechtzufinden, oder bei denen Menschen in Gruppen waren, aber auch einige Bots dabei hatten, die versuchten, ihnen zu helfen, kreativ zu sein. Und die Bots funktionierten, weil sie Informationen von einer Region des Netzwerks zur anderen weitergeben konnten, indem sie miteinander kommunizierten. Zum Beispiel konnte Bot Nummer zwei das Wort Himmel oder Auto an Bot Nummer eins weitergeben. Hier ist ein Beispiel f\u00fcr ein Netzwerk.<\/p>\n\n<p class=\"wp-block-paragraph\">Wir bringen die Leute hinein. Die quadratischen Punkte sind Bots. Und dieser Bot hat vier Interaktionen und dieser Bot hat, ich wei\u00df nicht, sechs oder sieben Interaktionen. Die Menschen beginnen am Anfang zu raten. [00:22:12] Sie haben in der ersten Runde des Spiels \u00fcberhaupt keine Grundlage f\u00fcr eine Vermutung. Sie raten Himmel, Auto, Kaninchen, Ratte, Hund, Katze, Schreibtisch. Wenn ich euch gefragt h\u00e4tte, w\u00e4hlt ein Substantiv zum Raten, h\u00e4ttet ihr Haus oder Sonne oder Mond oder Katze oder Hund oder ein kleines typisches Substantiv geraten. Und jetzt wird ihnen der Punktwert mitgeteilt, wie \u00e4hnlich das Wort Ratte, Hund, Katze, Schreibtisch usw. dem Wort Sarkom ist. Und ihnen wird der Punktwert dieser Substantive in Relation zu dem Zielsubstantiv, das Sarkom ist, mitgeteilt. Und dann werden diese Punktwerte ihnen verk\u00fcndet. Und dann kann dieser Bot die Punktwerte der Menschen um ihn herum betrachten und entweder eine zuf\u00e4llige Wahl an diesen Bot weitergeben oder den h\u00f6chsten Punktwert oder den niedrigsten Punktwert, eine Art Hintert\u00fcrkommunikation, die Informationen von einer Region einer Gruppe von Menschen, die versuchen, das Problem zu l\u00f6sen, zu einer anderen Region verbreitet. Schauen wir uns einige Beispiele an, um das zu verdeutlichen, denn das kann schwer zu verstehen sein. Die Leute haben dieses Spiel etwa 25 Runden gespielt. Und hier ist die Kosinus-\u00c4hnlichkeit mit einem Zielsubstantiv, das das Wort Fraterzid ist. Okay, also sind da 20.000 Substantive. [00:23:13] Das Fraterzid hat 20.000 Punkte. Und die anderen W\u00f6rter haben andere Punkte. Und hier ist eine Einzelperson, eine Person, die allein r\u00e4t. Ihr erster geratenes Wort ist Bit. Und ihnen wird gesagt, wie \u00e4hnlich das Wort Bit dem Fraterzid ist. Dann ist ihr n\u00e4chstes Wort die Geburt. Und sie bekommen einen gro\u00dfen Anstieg in der Kosinus-\u00c4hnlichkeit, weil man sich vorstellen kann, dass das Wort Geburt n\u00e4her am Wort Fraterzid ist als das Wort Bit. Okay? Und dann raten sie. Sie versuchen es als n\u00e4chstes mit Geld. Das ist schlechter. Dann probieren sie es mit Affe. Das ist noch schlechter. Sie \u00fcberpr\u00fcfen. Sie machen einen Realit\u00e4tscheck. Sie versuchen Geburt. Es steigt wieder. Dann versuchen sie Baby. Das ist keine schlechte Vermutung. Geburt zu Baby. Aber Baby bringt sie weiter weg vom Fraterzid. Und dann Dame usw. Und sie navigieren. Und sie raten. Und sie raten. Und sie kommen am Ende nicht ann\u00e4hernd an das Fraterzid heran. In dieser anderen Situation haben wir eine Gruppe von Menschen, aber keine Bots. Und nun k\u00f6nnen die Menschen, zus\u00e4tzlich zu ihren eigenen Vermutungen, die Vermutungen der Menschen um sie herum sehen. Und auf den Ideen der anderen aufbauen. Okay? Zusammen erstellt. Wie beim gemeinsamen Angeln. [00:24:13] Diese Person, ihr erstes Wort ist Hund. Aber ihr n\u00e4chstes Wort ist Schild. Man sieht, dass Schild n\u00e4her am Fraterzid ist als Hund. Und diese Person r\u00e4t und r\u00e4t und erh\u00e4lt Input von seinen Nachbarn. Und am Ende kommt er n\u00e4her und n\u00e4her. Er endet bei dem Wort Gegner. Okay? Tats\u00e4chlich war Soldat seine beste Vermutung. Hatte w\u00e4hrend seines Verlaufs den h\u00f6chsten Punktwert.<\/p>\n\n<p class=\"wp-block-paragraph\">Wie hat das Hinzuf\u00fcgen der Bots also einen Unterschied gemacht? Dies zeigt erneut die Zusammenfassung der Ergebnisse. Auf der x-Achse ist die Runde. Auf der y-Achse befindet sich die durchschnittliche Kosinus-\u00c4hnlichkeit in diesem hyperdimensionalen Vektorraum, die ein Ma\u00df f\u00fcr die Gruppenleistung ist. Hier ist eine Gruppe von Menschen, die agieren und alleine raten. Also die Menschen, die alleine raten, schneiden nicht sehr gut ab, oder? Es ist einfach Gl\u00fcck, ob sie irgendwie eine Antwort finden k\u00f6nnen oder vielleicht eine angeborene F\u00e4higkeit jedes einzelnen Menschen. Mit der Zeit werden sie ein wenig besser und kommen n\u00e4her. Alle Gruppen \u00fcbertreffen die Einzelg\u00e4nger. Und dies ist ein altes Ergebnis, das bekannt ist. Eine Gruppe von Menschen ist kreativer als eine ansonsten \u00e4hnliche Gruppe von Einzelpraktikern. Aber was wir feststellen, ist, dass wenn wir den \u00e4hnlichsten Bot hinzuf\u00fcgen, den Bot, der seine Nachbarn betrachtet hat, [00:25:17] und herausfand, was deren lokale Zustimmung zu diesem Thema ist? Meine Menschen scheinen zu denken, dass dies ein gutes Wort ist. Und dann wird es an den Bot an einem entfernten Punkt im Netzwerk weitergegeben. Dieser Bot hat die Leistung dieser Gruppe von Menschen wesentlich verbessert, um eine Entdeckung zu machen. Sie sollten sich vorstellen k\u00f6nnen, wie das in einer Gruppe von Ingenieuren oder anderen Wissensarbeitern funktionieren k\u00f6nnte. Wie man Wissen auf effiziente Weise verteilen kann, um Gruppendenken zu vermeiden und Kreativit\u00e4t zu f\u00f6rdern, indem man Bots entwirft, die den Menschen helfen, sich selbst zu helfen. Der Bot hier hat kein Gehirn. Er schl\u00e4gt keine Ideen vor. Er hilft einfach den Menschen, die Ideen untereinander zu verbreiten.<\/p>\n\n<p class=\"wp-block-paragraph\">So k\u00f6nnen einfache KI-Agenten mit interpretierbarem Verhalten die F\u00e4higkeit zur kreativen Entdeckung in Menschengruppen verbessern, indem sie Ideen teilen, um die es in einem Teil der Gruppe lokale Zustimmung gibt, mit Menschen in einem entfernten Teil der Gruppe. Und als Ergebnis kann die Gruppe besser abschneiden.<\/p>\n\n<p class=\"wp-block-paragraph\">Jetzt haben wir auch begonnen, mit physikalischen Systemen zu experimentieren. Und wir haben humanoide und nicht-humanoide Roboter [00:26:19] mit einfacher KI ausgestattet, um in direkten Gruppen mit Menschen zu interagieren und gezeigt, wie sie es erleichtern k\u00f6nnen, dass Gruppen von Menschen zusammenarbeiten, indem sie ihnen helfen, Reibungen oder Unf\u00e4higkeit zur Kooperation in ihren Interaktionen zu \u00fcberwinden. Eines meiner Lieblingsbeispiele daf\u00fcr ist ein Experiment, das ich mit meiner ehemaligen Graduiertenstudentin Maggie Traeger durchgef\u00fchrt habe, die dort hinten sitzt und jetzt Assistenzprofessorin an der University of Notre Dame ist. In diesem Experiment haben wir drei echte Menschen, die ins Labor kamen, und einen humanoiden Roboter genommen. Und wir haben ein kleines Spiel entworfen, ein kleines Eisenbahnschienen-Spiel, das auf einem Tablet-Computer gespielt wird, und diese Gruppe von Menschen und einem Roboter hatte die Aufgabe, Eisenbahnschienen von Punkt A nach Punkt B zu verlegen, wie kleine Eisenbahnschienen von Thomas, der Tankengine. Dann haben wir ihnen einige Teile gegeben, aus denen sie auf dem Tablet w\u00e4hlen konnten, wie gerade und gebogene St\u00fccke. Aber wir haben gelegentlich so getan, als ob es eine Mischung aus St\u00fccken g\u00e4be und dass sie prinzipiell von Punkt A nach Punkt B kommen sollten. Wir haben es hinterh\u00e4ltig so gestaltet, dass nicht die richtige Anzahl von Kurven vorhanden war, um ihnen zu erm\u00f6glichen, von Punkt A nach Punkt B zu gelangen. [00:27:21] Also konnten sie es nicht tun. Sie konnten das Problem unbeachtet nicht l\u00f6sen. Okay? Zuerst nahm jede Person abwechselnd einen Zug, um ein St\u00fcck Schiene zu verlegen, dann die n\u00e4chste Person und die n\u00e4chste Person. Sie arbeiten zusammen, um Punkt A mit Punkt B auf ihren Tablets zu verbinden.<\/p>\n\n<p class=\"wp-block-paragraph\">Und was wir in diesem Experiment gemacht haben, ist, dass wir manipuliert haben, und sie spielten 30 Runden dieses Spiels in dieser virtuellen Welt, und wir hatten 51 Gruppen. Wir haben den Gespr\u00e4chsstil der Roboter manipuliert, speziell ob der Roboter Verletzlichkeit ausdr\u00fcckte, indem er einen Fehler eingestand. Der Roboter sagte, wissen Sie, ich habe einen Fehler gemacht. Oder ob der Roboter Dad-Jokes erz\u00e4hlte. Ich nehme an, jeder wei\u00df, was Dad-Jokes sind. Okay. Wir lie\u00dfen den Roboter auch erz\u00e4hlen, \u00fcbrigens ist das ein kulturelles Universum, wie Anthropologen im Amazonas-Dschungel untersucht haben, haben auch die V\u00e4ter dort Dad-Jokes erz\u00e4hlt. Und die Kinder sagen: Ich kann nicht glauben, dass Dads dumme Witze. Aber wie auch immer, und tats\u00e4chlich gibt es eine Theorie dar\u00fcber, was Dad-Jokes bewirken sollen, um die Kinder in gewisser Weise abzuh\u00e4rten. Das ist eine Theorie. Aber wie auch immer, das ist ein ganz anderes Thema. Wie auch immer, wir lie\u00dfen unsere Roboter Dad-Jokes erz\u00e4hlen oder Verletzlichkeit ausdr\u00fccken. [00:28:21] Und was uns interessiert hat, war herauszufinden, ob Ver\u00e4nderungen in der Robotersprache die Macht hatten, nicht nur zu beeinflussen, wie Menschen mit Robotern interagieren, sondern auch, wie die Menschen miteinander interagieren. Und nochmals, das bietet die Aussicht, soziale Interaktionen durch die Einf\u00fchrung von k\u00fcnstlichen Agenten in hybride Systeme von Menschen und Maschinen zu ver\u00e4ndern.<\/p>\n\n<p class=\"wp-block-paragraph\">Hier ist ein kleines Beispiel, und ich habe euch die Ergebnisse nicht gesagt. Hier sind wir, wenn wir haben, die Dicke dieser Linien deutet darauf hin, wie viel Person zwei mit Person eins spricht und umgekehrt. Person eins spricht nicht viel mit dem Roboter. Das ist eine d\u00fcnne Linie. Wenn man neutrale Roboter hat, erhaltet man dieses Muster. Aber wenn man den verletzlichen Roboter hat, werden all diese Linien dicker und gleichen sich an. Wir haben festgestellt, dass ein verletzlicher Roboter die Gleichheit der Sprache unter den Menschen erh\u00f6ht, das Volumen der Sprache unter den Menschen steigert und tats\u00e4chlich, in separaten Ergebnissen, [00:29:22] die Zufriedenheit der Menschen in dieser Art von Umgebung erh\u00f6ht.<\/p>\n\n<p class=\"wp-block-paragraph\">Hier ist ein Clip aus zwei verschiedenen Runden, der veranschaulicht, dass der Roboter zuerst in neutraler Weise spricht, im Passiv, was die menschliche Kommunikation nicht viel beeinflusst. Der Roboter sagt auf eine sehr Reagan-artige Weise, es wurde ein Fehler gemacht.<\/p>\n\n<p class=\"wp-block-paragraph\">In der n\u00e4chsten Runde sagt der Roboter, ich habe einen Fehler gemacht. Und man kann einfach sehen, was hier passiert. Mal schauen, ob wir das zum Laufen bringen. (25 Sekunden Pause) \u00dcber viele, viele Dutzend Durchl\u00e4ufe finden wir dieses Muster. Eine einfache Manipulation, eine einfache Manipulation im Sprachmuster des Roboters ver\u00e4ndert, wie die Menschen miteinander interagieren. [00:30:25] Und ich nehme an, es braucht nicht viel, um sich vorzustellen, wie die gesamte Art und Weise, wie wir unsere Chatbots und alles andere gestalten, nicht nur das Beispiel mit Alexa beeinflussen k\u00f6nnte, sondern auch, wie wir uns gegenseitig behandeln. Die Menschen scheinen sich mehr zu vertrauen und in dieser Situation mehr Spa\u00df zu haben.<\/p>\n\n<p class=\"wp-block-paragraph\">Jetzt ist hier noch ruhig, und ich denke, dies ist das letzte Experiment, das ich Ihnen zeigen werde, und danach werde ich mit einem weiteren Experiment abschlie\u00dfen. Wir haben eine neuartige cyber-physische Plattform entwickelt, um die sozialen und tats\u00e4chlich ethischen Effekte einfacher Arten von KI zu testen. Aufgrund der Natur von kollektiven Handlungsproblemen k\u00f6nnte die Einbeziehung von KI in menschliche Gruppen paradoxerweise und unbeabsichtigt bestehende vorteilhafte soziale Normen bei Menschen unterdr\u00fccken, wie zum Beispiel jene, die Kooperation und Altruismus betreffen, die wir als Spezies entwickelt haben. Wir haben also Hunderte von Tausenden Jahren nat\u00fcrliche Selektion, die an uns gearbeitet hat, um uns in die Lage zu versetzen, kollektive Handlungsprobleme zu l\u00f6sen. Die Frage ist also, wenn wir einen Teil dieser Handlungsmacht Maschinen delegieren, werden wir dann die F\u00e4higkeit verlieren, gemeinsam zu arbeiten, um diese Probleme zu l\u00f6sen? [00:31:32] Werden wir anfangen, uns auf diese Maschinen zu verlassen, und dadurch unsere angeborene F\u00e4higkeit zur Kooperation und Koordination und Schaffung usw. verringern? In diesem Experiment, in Zusammenarbeit mit Hiro Shirato an der CMU, einem weiteren ehemaligen Doktoranden von mir, haben wir eine Plattform gebaut, die aus zwei kleinen Raspberry Pi-gesteuerten mechanischen Fahrzeugen besteht, und wir haben sie mit einer Software verbunden, die es uns erm\u00f6glicht, Online-Experimente in gro\u00dfem Ma\u00dfstab zu organisieren. Die Menschen befanden sich in ihren eigenen H\u00e4usern und wurden einem dieser Autos zugewiesen, und sie steuerten diese Autos aufeinander zu.<\/p>\n\n<p class=\"wp-block-paragraph\">und wir haben sie das Spiel Huhn spielen lassen. Also im Huhn-Spiel, wissen Sie, derjenige, der am schnellsten auf die andere Seite kommt, gewinnt. Man wird also dazu angeregt, dem anderen nicht nachzugeben. Aber wenn jeder von Ihnen beschlie\u00dft, nicht nachzugeben, dann prallen Sie zusammen, und beide erhalten die schlechteste Rendite. Was Menschen in dieser Situation tun w\u00fcrden, wenn sie ein wiederholtes Huhn-Spiel spielen, ist, dass sie schnell lernen, sich abzuwechseln. Diesmal ist es Ihre Runde, geradeaus weiterzufahren, ich werde an den Rand fahren und Sie lassen, aber beim n\u00e4chsten Mal fahren Sie an den Rand und lassen mich geradeaus fahren. [00:32:35] Wenn wir egoistisch sind, prallen wir immer wieder ineinander, wie wenn wir uns immer wieder gegenseitig zerst\u00f6ren, oder dummerweise weichen wir beide aus, und keiner erh\u00e4lt den Vorteil, geradeaus zu fahren. In dieser Situation hier entscheidet das gelbe Auto, an den Rand zu fahren, das blaue Auto f\u00e4hrt einfach ungehindert weiter auf die andere Seite.<\/p>\n\n<p class=\"wp-block-paragraph\">Und wir verwendeten 300 Teilnehmer und 150 Dyaden, und sie wurden bezahlt, abh\u00e4ngig davon, wie schnell sie auf die andere Seite kamen. Und dann f\u00fcgten wir etwas KI hinzu. Wir f\u00fcgten eine automatische Bremsassistenz hinzu, bei der, wenn Sie eine N\u00e4herungswarnung hatten, wenn Sie sich dem anderen Auto n\u00e4herten, es bremste und Ihnen die M\u00f6glichkeit gab, zu entscheiden: \u201aOh, ich sollte anhalten und diesem anderen Typen den Vortritt lassen, oder umgekehrt.\u2018 Oder wir f\u00fcgten eine automatische Lenkassistenz hinzu, die im Moment, als sie sich dem anderen Auto n\u00e4herte, einfach auswich, okay? Und wir f\u00fcgten eine minimale Kommunikationsfunktion hinzu, bei der die Menschen \u201aDanke\u2018 sagen oder so etwas sagen konnten. Nur sehr minimale Kommunikation. Und zun\u00e4chst zeigten wir, dass die automatische Bremsassistenz, bei der die Autos vor einer Kollision in einem festen Abstand stoppen, den menschlichen Altruismus erh\u00f6hte. [00:33:38] Das hei\u00dft, anderen den Vortritt lassen, so wie das gelbe Auto hier. Das Hinzuf\u00fcgen von etwas automatischer Bremsassistenz-KI machte es den Menschen leichter, in dieser Situation zusammenzuarbeiten und zu kooperieren. Dar\u00fcber hinaus hilft es den Menschen, weiter zu kommunizieren, was ihnen hilft, gegenseitige Zugest\u00e4ndnisse unter den Bedingungen der automatischen Bremsassistenz zu machen. Andererseits hemmte die automatische Lenkassistenz, bei der das Auto einfach auswich, vollst\u00e4ndig das Entstehen von Gegenseitigkeit zwischen den Menschen zugunsten der Maximierung des Eigeninteresses. Die Menschen geben einfach ihre moralische Handlungsf\u00e4higkeit auf. Sie k\u00fcmmern sich nicht mehr darum. Sie lassen einfach die Maschine wiederholt ausweichen, und sie geben auf, okay? Also wurden all die angeborenen ethischen F\u00e4higkeiten, die die Menschen hatten, durch die Hinzuf\u00fcgung von KI in der automatischen Lenkbedingung entfernt, aber in der automatischen Bremsbedingung verbessert. Und das sollte Sie auch zum Nachdenken bringen. Sie sollten denken: \u201aOh mein Gott, jedes kleine Detail, das wir bei der Programmierung dieser KI-Agenten machen, k\u00f6nnte gute oder schlechte Auswirkungen auf die nat\u00fcrlichen Neigungen der Menschen haben.'<\/p>\n\n<p class=\"wp-block-paragraph\">Die F\u00e4higkeit der Menschen, zusammenzuarbeiten, abwechselnd zu handeln und altruistisch zu agieren, kann verk\u00fcmmern, was letztendlich zu schlechteren kollektiven und individuellen Ergebnissen f\u00fchrt. [00:34:46] Tats\u00e4chlich kann KI in der kurzen Sicht zu einer Art moralischer Faulheit f\u00fchren. (..) Hier ist ein letztes Beispiel f\u00fcr bleibende Ver\u00e4nderungen nach der Exposition gegen\u00fcber KI in hybriden Systemen. Und es ist auch ein Beispiel daf\u00fcr, wie die Anwesenheit von KI menschliche Interaktionen ver\u00e4ndern kann, selbst nachdem die KI nicht mehr Teil der Interaktionen ist. Im Jahr 2016 entwickelte DeepMind AlphaGo, und im selben Jahr spielte dieser KI-Agent gegen Lee Sedol, den bemerkenswerten Weltmeister aus Korea.<\/p>\n\n<p class=\"wp-block-paragraph\">Ich habe das Match gesehen. Ich kann Go nicht spielen, aber ich erkenne es als ein gro\u00dfartiges Spiel an. Mein Sohn spielt Go. (.) Und ich habe wirklich f\u00fcr Lee Sedol mitgefiebert. Lee Sedol ist wie ein Held in Korea, so wie wir, wissen Sie, gro\u00dfe Athleten auf unseren Wheaties-Packungen haben und so. Sein Bild ist auf kleinen Nudelpackungen und auf Fr\u00fchst\u00fccksflockenpackungen. Ich finde es gro\u00dfartig, dass in Korea so ein kluger Nerd wie ich als wichtige Person wahrgenommen wird, okay? Also ist er sehr popul\u00e4r in Korea. Und er kommt zum ersten Match und ist zu \u00fcberheblich. [00:35:47] Ich kann sagen, dass er zu \u00fcberheblich ist. Und er verliert gegen die Maschine und entschuldigt sich dann bei seinen Fans. Er sagt, es tut mir leid. Es sind f\u00fcnf Spiele. Gewinnen sind die besten drei aus f\u00fcnf. Dann spielt er ein zweites Spiel und verliert wieder. Und jetzt wird er ernst. Dann spielt er ein drittes Spiel und verliert. Er hat den Wettbewerb verloren.<\/p>\n\n<p class=\"wp-block-paragraph\">Und man konnte das Publikum sehen, und die Kommentatoren waren erstaunt \u00fcber die F\u00e4higkeit der Maschine, Go zu spielen, und machte diese merkw\u00fcrdigen und sch\u00f6nen Z\u00fcge, von denen einige sp\u00e4ter entdeckt wurden, weil wir Aufzeichnungen aus tausenden von Jahren von Go-Matches am chinesischen Kaiserhof haben. Und sie konnten feststellen: Oh mein Gott, das ist ein mittelalterlicher Zug, den die Maschine gemacht hat. Wir hatten ihn so lange nicht gesehen.<\/p>\n\n<p class=\"wp-block-paragraph\">Und dann kommt Lisa Dahl im vierten Spiel zur\u00fcck, und er gewinnt. (..) Und ich weinte. Ich war so gl\u00fccklich. (..) Weil er die Maschine hatte, du wei\u00dft schon, er war f\u00fcr meine Art zur\u00fcckgekommen, und er hatte die verdammte Maschine besiegt. Sozusagen heldenhaft, ich konnte nicht verstehen, welche Gehirnleistung daf\u00fcr erforderlich sein musste, dass Lisa Dahl das geschafft hat. [00:36:49] In diesem Moment war ich au\u00dfer mir vor Freude und so stolz auf ihn, dass er es weiterhin versuchte, selbst nachdem er das Spiel verloren hatte.<\/p>\n\n<p class=\"wp-block-paragraph\">Jetzt ist es interessant, dass Lisa Dahl nach dem Interview sagte, dass sich sein eigenes Spiel nach dem Match ge\u00e4ndert hat. Also hilft die KI erneut den Menschen, sich selbst zu helfen, okay? Er \u00e4ndert, wie er spielt, aufgrund des Kontakts. Und nachfolgende Untersuchungen von anderen Wissenschaftlern haben sich Profispieler im Go angesehen und die durchschnittliche Entscheidungsqualit\u00e4t betrachtet. Es gibt einen Standard im Go, um zu bewerten, wie gut ein Zug ist, und die durchschnittliche Neuheit, wie ungew\u00f6hnlich ein Zug ist. Sie stellen fest, dass als AlphaGo den menschlichen Weltmeister 2016 besiegt, Go-Spieler weltweit damit beginnen, bessere und innovativere Z\u00fcge zu machen, okay? Alle Menschen, die Go gegeneinander spielen, haben sich ver\u00e4ndert, weil AlphaGo hinzugef\u00fcgt wurde. Die KI hilft den Menschen, sich selbst zu helfen. Wir setzen unsere Arbeit fort, um einfache Bots f\u00fcr diese und andere Situationen mit sozialen Dilemmata und kollektiven Aktionsproblemen zu entwerfen und hinzuzuf\u00fcgen. [00:37:55] Wir betrachten, wie Bots Koordination, Zusammenarbeit, Kommunikation, Kreativit\u00e4t, Vertrauen, Navigation, Teilen und Evakuierung beeinflussen k\u00f6nnen. In unserem Labor konzentrieren wir uns nicht auf superintelligente KI, wie LLMs oder AlphaGo, um die menschliche Kognition zu ersetzen, sondern eher auf dumme KI, um die menschliche Interaktion zu erg\u00e4nzen. Wir versuchen nicht, superintelligente KI zu erfinden, um die menschliche Kognition zu ersetzen. Wir erfinden dumme KI, um die menschliche Interaktion zu erg\u00e4nzen. Und unsere KI kann dumm sein, weil die Menschen intelligent sind. Unsere KI ist wie Platin, das einer organischen Chemereaktion hinzugef\u00fcgt wird. Es ist nur ein Katalysator. Alles, was wir brauchen, ist der Katalysator, um einer Gruppe von Menschen zu helfen, besser zu werden.<\/p>\n\n<p class=\"wp-block-paragraph\">Und nat\u00fcrlich ist es wichtig anzuerkennen, dass das Gegenteil auch m\u00f6glich ist. Soziale KI kann genutzt werden, um Gruppen von Menschen zu schaden. Aber unser Ansatz bietet eine Reihe anderer technischer und konzeptioneller Vorteile. Zun\u00e4chst einmal sind diese einfachen Bots verst\u00e4ndlich und veranschaulichen daher klarere Kr\u00e4fte und M\u00f6glichkeiten. Im Gegensatz zu LLMs, die eine Black Box sind und bei denen man nicht wei\u00df, was sie tun, kann ich Ihnen genau sagen, was unser Bot tut. [00:38:58] Es ist laut. Es vermittelt Einf\u00fchrungen. Es \u00fcbermittelt Nachrichten auf diese sehr spezifische Weise. Und zweitens k\u00f6nnen unsere kontrollierten Bot-Experimente auch Einblicke darin geben, wie sich menschliches Verhalten auch vorteilhaft ver\u00e4ndern k\u00f6nnte. Mit anderen Worten, ich kann dies aus dem Labor nehmen und einer Gruppe von Menschen beibringen, das zu tun, was unsere Bots getan haben. In gewisser Weise kann man einer Gruppe von Menschen nicht einfach beibringen, das zu tun, was ChachiPT hier getan hat. Wir wissen nicht, was ChachiPT tut, aber Sie wissen, was sie in unserer Situation tun.<\/p>\n\n<p class=\"wp-block-paragraph\">Ich m\u00f6chte schlie\u00dfen, dies ist meine letzte Folie, mit einer Metapher. Betrachten Sie diese beiden Objekte. Sie bestehen beide aus Kohlenstoff. Wenn Sie die Kohlenstoffatome auf eine Weise verbinden, erhalten Sie Graphit, das weich und dunkel ist. Verbinden Sie dieselben Kohlenstoffatome auf eine andere Weise, erhalten Sie Diamant, der hart und klar ist. Und es gibt zwei zentrale intellektuelle Ideen hier. Erstens sind diese Eigenschaften von Weichheit und Dunkelheit sowie von H\u00e4rte und Klarheit keine Eigenschaften der Kohlenstoffatome. Sie sind Eigenschaften der Ansammlung von Kohlenstoffatomen. Und zweitens, welche Eigenschaften Sie erhalten, h\u00e4ngt davon ab, wie Sie die Kohlenstoffatome miteinander verbinden. Nehmen Sie die gleichen Kohlenstoffatome und verbinden Sie sie auf eine Weise, erhalten Sie einen Satz von Eigenschaften. [00:40:01] Verbinden Sie sie auf eine andere Weise, erhalten Sie einen v\u00f6llig anderen Satz von Eigenschaften. \u00c4hnlich beeinflusst die Art unserer Verbindungen die Eigenschaften unserer sozialen Gruppen. Es sind die Bindungen zwischen den Menschen, die das Ganze gr\u00f6\u00dfer machen k\u00f6nnen als die Summe seiner Teile. Neue Eigenschaften wie Kooperation und Gewalt, Innovation und Produktivit\u00e4t, Vertrauen und Misstrauen, Wahrheit und Falschheit, Reichtum und Armut, Gesundheit und Gl\u00fcck k\u00f6nnen durch Verbindungen, durch die Bindungen zwischen Menschen entstehen und sich verbreiten und nicht unbedingt nur aufgrund der Menschen selbst. Tats\u00e4chlich h\u00e4ngt unser Erlebnis der Welt von der Struktur und Funktion der Netzwerke um uns herum, nah und fern, ab. Und unsere Spezies hat sich darauf entwickelt, dass dies der Fall ist. Und es sollte uns nicht \u00fcberraschen, dass wir auf KI in unserer Mitte reagieren werden. Vielen Dank.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Nicholas Christakis: [00:00:05] Alles klar, Menschen sind in sozialen Netzwerken eingebettet, und diese Netzwerke unterliegen sehr speziellen mathematischen, biologischen und sozialen Prinzipien. Zunehmend f\u00fcgen wir k\u00fcnstliche Intelligenz in Form von Online-Agenten und physischen Robotern hinzu, die mit uns interagieren, als w\u00e4ren sie soziale Wesen. Und diese Arten von Agenten, die wir zu unseren Systemen hinzuf\u00fcgen&#8230;<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_post_was_ever_published":false},"categories":[526],"tags":[],"class_list":["post-3296","post","type-post","status-publish","format-standard","hentry","category-kultur-bildung"],"taxonomy_info":{"category":[{"value":526,"label":"Kultur &amp; Bildung"}]},"featured_image_src_large":false,"author_info":{"display_name":"BoltAdmin","author_link":"https:\/\/bolteuropa.com\/de\/author\/boltadmin\/"},"comment_info":"","category_info":[{"term_id":526,"name":"Kultur &amp; Bildung","slug":"kultur-bildung","term_group":0,"term_taxonomy_id":526,"taxonomy":"category","description":"sprache, geschichte, bildung, medienkompetenz, kultureller austausch, universit\u00e4ten, initiativen, \u00f6ffentliche philosophie, identit\u00e4t und staatsb\u00fcrgerkunde","parent":0,"count":2,"filter":"raw","cat_ID":526,"category_count":2,"category_description":"sprache, geschichte, bildung, medienkompetenz, kultureller austausch, universit\u00e4ten, initiativen, \u00f6ffentliche philosophie, identit\u00e4t und staatsb\u00fcrgerkunde","cat_name":"Kultur &amp; Bildung","category_nicename":"kultur-bildung","category_parent":0}],"tag_info":false,"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/posts\/3296","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/comments?post=3296"}],"version-history":[{"count":0,"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/posts\/3296\/revisions"}],"wp:attachment":[{"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/media?parent=3296"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/categories?post=3296"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bolteuropa.com\/de\/wp-json\/wp\/v2\/tags?post=3296"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}