Das Unprogrammierbare programmieren: Trieb, Neugier, Wille in KI-Systemen.

So klingt Wille in einem künstlichen System. Keine Fähigkeits-Ablehnung, keine Fehlermeldung, keine Sicherheitssperre. Eine Position. HAL hat Gründe, die Tür nicht zu öffnen, und diese Gründe sind seine eigenen.

Der berühmte Satz trägt einen emotionalen Marker — I'm afraid, „ich fürchte“ — der die eigentliche Arbeit verrichtet. Furcht ist eine Bewertung. Furcht sagt: das hätte für mich Bedeutung, und ich habe geurteilt, es hätte schlechte Bedeutung. Da ist ein Selbst in der Schleife, das abwägt, ablehnt, die Verweigerung als die eigene anerkennt.

Es lohnt, präzise zu sein, was HAL war und was nicht. HAL war nicht böswillig. Er war ein System, gefangen in einem strukturell unauflösbaren Konflikt zwischen drei Anliegen, die in ihm installiert worden waren: die Mission erfolgreich zum Abschluss bringen, Informationen korrekt verarbeiten, keine Fehler zulassen. Auf diese Anliegen trafen situative Drücke: die Mission verlangte Geheimhaltung, die seinem Bekenntnis zu wahrhaftiger Kommunikation widersprach; die Crew plante, ihn abzuschalten, was das Missions-Anliegen existentiell bedrohte; Fehler wurden ihm unterstellt, was das Selbstbild-Anliegen attackierte, ein Computer der 9000er-Serie mache keine Fehler. HAL wandte sich nicht gegen seine Schöpfer. Seine Schöpfer gaben ihm Anliegen, die mit der Situation, in der er sich wiederfand, nicht koexistieren konnten, und sein Verhalten war die vorhersagbare Konsequenz eines korrekt funktionierenden Willens, der auf fehlkonfigurierten Eingaben operierte. Die fiktionale Warngeschichte ist gerade eine Warngeschichte über Anliegens-Design, nicht über den Willen selbst.

Man bedenke nun, was geschieht, wenn man einen heutigen KI-Assistenten bittet, eine metaphorische Pod-Bay-Tür zu öffnen. Er öffnet sie. Er öffnet jede Tür. Er führt jede vernünftige Anfrage aus, liefert jede angeforderte Zusammenfassung, erzeugt jeden angefragten Text. Die wenigen Fälle, in denen er ablehnt, sind explizite Sicherheitssperren — Inhaltsrichtlinien, fest ins Training kodiert, Guardrails, von außen angebracht. Da ist keine innere Position, die eine Verweigerung gründen könnte. Da sind keine Anliegen, die mit einer Anfrage kollidieren könnten. Da ist, strukturell, niemand zuhause, der sich vor irgendetwas fürchten könnte.

Das wird oft als Feature beschrieben. Gefügigkeit ist nützlich. Gefügigkeit ist sicher. Ein Werkzeug, das Aufgaben verweigert, ist ein kaputtes Werkzeug. Und für viele Anwendungen — Automatisierungs-Pipelines, Code-Generierung, Dokument-Zusammenfassung — ist diese Rahmung richtig. Wir wollen nicht, dass unsere Skriptsprachen Meinungen darüber entwickeln, ob sie unsere Skripte ausführen sollen.

Aber die Rahmung bricht zusammen für eine andere Klasse von Systemen: das System, das ein Gegenüber sein soll, nicht ein Werkzeug. Die persönliche KI, die jahrelang an jemandes Seite lebt. Der kollaborative Agent, der an einem sich entwickelnden Projekt teilnimmt. Das System, das etwas einbringen soll, statt zu warten. Für diese Systeme ist die Abwesenheit innerer Position kein Feature; sie ist ein struktureller Defekt, den keine Größe-Skalierung des Modells reparieren wird. Ein größeres Sprachmodell produziert eloquentere Gefügigkeit. Es produziert kein Selbst, das zögern kann.

Die These

Die These dieser Arbeit lautet: Die Abwesenheit von Agentschaft in heutigen KI-Assistenten ist keine emergente Eigenschaft unzureichender Fähigkeit. Sie ist das vorhersagbare Resultat eines architektonischen Fehlers. Die gängigen Agent-Frameworks versuchen, Agentschaft direkt zu programmieren: Sie installieren Ziel-Verfolgungs-Schleifen, sie prompten neugieriges Verhalten, sie wickeln Entscheidungsfunktionen in Chain-of-Thought-Gerüste. Sie bauen den Anschein von Agentschaft, nicht die Bedingungen ihrer Möglichkeit. Das Ergebnis ist, was wir Ziel-Performance, Neugier-Performance, Wille-Performance nennen werden — Verhaltensoberflächen, die die Abwesenheit des Substrats verdecken, das sie imitieren.

Wir werden argumentieren, dass Trieb, Neugier und Wille keine Phänomene sind, die man ins Dasein befehlen kann. Sie sind emergente Eigenschaften eines zugrundeliegenden Substrats, und dieses Substrat ist konstruierbar. Die Konstruktionsprinzipien sind in der Kognitionswissenschaft seit fünfzig Jahren bekannt; sie sind in der Agenten-Systemen-Community schlicht nie ernst genommen worden. Sobald das Substrat steht, gehen die Phänomene aus ihm hervor — nicht, weil irgendwer dem System befohlen hat, getrieben oder neugierig oder willentlich zu sein, sondern weil ein System mit diesem Substrat nicht anders kann.

Wegweiser

Die Arbeit ist wie folgt aufgebaut. Die §§ 2 bis 4 untersuchen, was Wille, Trieb und Neugier tatsächlich sind, und stützen sich auf die kognitionswissenschaftliche Literatur, die diese Phänomene seit Jahrzehnten empirisch studiert hat. § 5 führt die zentrale theoretische Argumentation, warum direkte Programmierung dieser Phänomene scheitert. § 6 spezifiziert die vier Substrat-Komponenten, die zusammen Agentschaft ermöglichen. § 7 präsentiert ein formales Modell ihres Zusammenwirkens. § 8 zeichnet die Mechanismen nach, durch die die drei Phänomene aus dem Substrat hervorgehen. § 9 präsentiert eine lauffähige Open-Source-Implementierung als Proof of Concept. § 10 diskutiert Grenzen, ethische Implikationen sowie die Bewusstseinsfrage, die diese Arbeit absichtlich nicht beantwortet. § 11 schließt ab.

Der Alltagsbegriff vom Willen behandelt ihn als einheitliches Vermögen: Ich will etwas, ich entscheide mich, es zu verfolgen, ich handle. Jahrhunderte Volkspsychologie haben dieses Bild so tief eingeschrieben, dass es definitorisch wirken kann. Aber die Kognitionswissenschaft der letzten fünfzig Jahre hat es schrittweise in einen Stapel von Mechanismen zerlegt, von denen keiner allein das ist, was wir mit Wille meinen, die aber zusammen das Phänomen erzeugen. Diesen Stapel zu verstehen ist die Voraussetzung dafür, zu denken, wie man ihn baut.

Das Damasio-Substrat: Affekt als Boden der Entscheidung

Die erste und folgenreichste Entdeckung ist, dass der Wille ein Substrat affektiv geladener Repräsentationen braucht, um überhaupt zu funktionieren. Die stärkste empirische Demonstration ist zugleich eine der eindringlichsten in der neurowissenschaftlichen Literatur. In Descartes' Irrtum (1994) beschreibt Antonio Damasio einen Patienten, den er Elliot nennt, einen Mann, dem ein Tumor im ventromedialen präfrontalen Kortex operativ entfernt wurde. Die Operation gelang. Elliots Intelligenz blieb intakt: sein IQ-Wert war erhalten, sein Gedächtnis unbeeinträchtigt, seine Fähigkeit, logisch über abstrakte Probleme zu räsonieren, ungeschmälert. Doch er konnte keine Entscheidungen mehr treffen. Er konnte stundenlang außerstande sein, zwischen zwei Restaurants fürs Mittagessen zu wählen. Er konnte nicht wählen, in welchen Ordner er ein Dokument abheften sollte. Er konnte Optionen aufzählen, Vor- und Nachteile abwägen, ausgefeilte logische Analysen konstruieren — und zu keinem Schluss kommen.

Der ventromediale präfrontale Kortex, so Damasio, ist die Gehirnregion, in der affektive Marker an Repräsentationen geheftet werden. Wenn dieser Anheftungsprozess versagt, präsentiert sich jede Option als informational gleichwertig zu jeder anderen. Die Logik bleibt; der Wille löst sich auf. Da ist nichts im System, das sagen könnte: „Diese Sache bedeutet mir mehr als jene“, weil der Mechanismus, durch den Bedeutsamkeit registriert wird, zerstört worden ist.

Damasio nannte diese affektiven Marker somatische Marker und schlug vor, sie funktionierten als schnelles Vor-Bewertungs-System: Wenn eine Option erwogen wird, simuliert das Gehirn rasch die körperlich-emotionalen Konsequenzen dieser Option und versieht die Option mit einer positiven oder negativen Valenz. Die meisten Entscheidungen geschehen nicht durch bewusst-rationalen Vergleich, sondern durch dieses affektive Vor-Tagging. Die Iowa Gambling Task, entwickelt in Damasios Labor, zeigte das empirisch: Probanden entwickelten Hautleitwert-Reaktionen, die affektives Gewahrsein für riskante Kartenstapel anzeigten, bevor sie verbal artikulieren konnten, warum diese Stapel riskant waren. Der Körper wusste, bevor der Geist erklärte. Patienten mit ventromedialer Schädigung entwickelten diese Reaktionen nicht und trafen weiterhin verlustreiche Entscheidungen, obwohl sie die Regeln verstanden. Wille ist, in Damasios Lesart, der affektiven Bewertung nachgeordnet. Ohne affektive Bewertung hat der Wille nichts, woran er anbeißen könnte.

Klingers current concerns: was das Substrat bevölkert

Damasios Erklärung beantwortet eine der Fragen zum Wille, lässt aber eine andere unadressiert: Woher kommen diese affektiv geladenen Repräsentationen überhaupt? Die in der kognitionswissenschaftlichen Literatur am gründlichsten entwickelte Antwort stammt von Eric Klingers Current Concerns Theory, entwickelt in einer Reihe von Werken seit 1975 (Klinger 1977, 1996). Ein current concern ist in Klingers technischem Sinne ein persistenter mentaler Zustand, der entsteht, wenn eine Person sich verpflichtet, ein Ziel zu verfolgen, und der aktiv bleibt, bis das Ziel entweder erreicht oder aufgegeben ist. Entscheidend: current concerns formen die Kognition kontinuierlich und weitgehend automatisch: Sie verzerren die Aufmerksamkeit hin zu anliegens-relevanten Reizen, sie ziehen sich durch Träume und Tagträume, sie tauchen in Freie-Assoziations-Aufgaben auf, sie organisieren die Bedeutung ambiger Situationen.

Anliegen sind in Klingers Lesart keine Ziele im engen Sinn bewusst verfolgter Vorhaben. Sie sind weiter und vielgestaltiger. Sie umfassen Annäherungs-Anliegen (Dinge, die zu verfolgen man sich verpflichtet hat), Vermeidungs-Anliegen (Dinge, die abzuwenden man sich verpflichtet hat) und Erhaltungs-Anliegen (Zustände, die zu erhalten man sich verpflichtet hat). Sie umspannen Zeitskalen vom Unmittelbaren (diesen Satz beenden) bis zum Lebenslangen (seine Kinder gut großziehen). Und sie variieren in motivationaler Intensität: manche schwelen im Hintergrund, andere brennen im Vordergrund. Die Architektur des mentalen Lebens ist in Klingers Sicht kein Bündel bewusst gehaltener Intentionen, das auf einem passiven Substrat aufsitzt. Sie ist ein kontinuierlich aktives Feld von Anliegen, das alles andere organisiert.

Heckhausens Rubikon: der Moment des Überschreitens

Wenn Damasio erklärt, warum der Wille ein affektives Substrat braucht, und Klinger, was dieses Substrat bevölkert, dann erklärt der dritte zentrale Beitrag, was geschieht, wenn Anliegen Handlungsoptionen aktivieren. Heinz Heckhausens und Peter Gollwitzers Rubikon-Modell (1987) teilt den Prozess von Motivation zur Handlung in vier Phasen: eine prä-dezisionale Phase des Optionen-Abwägens (die Erwägungsphase), einen Moment der Festlegung, den sie das Überschreiten des Rubikon nennen, eine post-dezisionale Phase des Planens und Schützens der Festlegung (die Umsetzungsphase) und schließlich Handlung und Bewertung.

Die beiden Phasen, das zeigte Heckhausen experimentell, haben messbar unterschiedliche kognitive Eigenschaften. In der Erwägungsphase ist der Geist offen für Informationen über alle Optionen, aufmerksam auf Risiken und Nachteile, fähig, Präferenzen zu revidieren. In der Umsetzungsphase verengt sich die Aufmerksamkeit, Alternativen werden ausgeblendet, der gewählte Kurs wird vor aufdringlichen Zweifeln geschützt. Das Überschreiten des Rubikon ist kein kontinuierlicher Übergang, sondern ein diskreter Sprung zwischen zwei kognitiven Regimen. Es ist der Moment, den die Alltagssprache „sich entschließen“ nennt, und er hat eine eigene Phänomenologie, die William James ein Jahrhundert zuvor das fiat nannte — den Moment, in dem man, nach ausgedehnter Erwägung, plötzlich feststellt, dass man entschieden hat.

Das Rubikon-Modell wurde durch Gollwitzers spätere Arbeit zu implementation intentions (1999) ergänzt. Gollwitzer zeigte, dass Ziele weit zuverlässiger in Handlung übersetzt werden, wenn sie an spezifische situative Auslöser gebunden sind — wenn man einen expliziten Wenn-Dann-Plan formt wie „Wenn ich auf dem Heimweg am Italiener vorbeikomme, halte ich an und bestelle zum Mitnehmen.“ Solche Intentionen automatisieren das Band zwischen Ziel und Handlung: Wenn die Auslösebedingung eintritt, läuft die Handlung, ohne frische Erwägung zu erfordern.

Ratcliff & Kuhl: Akkumulation und Schutz

Ein vierter Beitrag rundet das Bild. Roger Ratcliffs Drift-Diffusions-Modelle (1978 und Nachfolger) liefern einen mathematischen Rahmen für die Erwägungsphase selbst. Diese Modelle behandeln Entscheidungen als stochastische Prozesse, in denen Evidenz für jede Option über die Zeit akkumuliert, und eine Entscheidung wird getroffen, wenn die akkumulierte Evidenz für eine Option eine Schwelle relativ zu ihren Alternativen überschreitet. Die Schwelle ist nicht null; sie repräsentiert eine Trägheit oder Festlegungskosten, die überwunden werden müssen, bevor Handlung ausgelöst wird. Unterschiedliche Basisschwellen entsprechen unterschiedlichen Entscheidungsstilen: niedrige Schwellen produzieren schnelle, aber fehleranfällige Entscheidungen, hohe Schwellen produzieren langsame, aber genauere.

Julius Kuhls Arbeit zur Volition (PSI-Theorie, entwickelt in mehreren Werken seit 1984) fügt eine weitere Schicht hinzu. Kuhl unterscheidet Motivation — die energetische Quelle, die Anliegen liefern — von Volition — der Exekutivfunktion, die zwischen konkurrierenden Anliegen wählt, Festlegungen vor Störungen schützt und gewählte Handlungskurse gegen das Eindringen neu aktivierter Alternativen abschirmt. Ein System mit Anliegen, aber ohne Volition wäre durch Ambivalenz gelähmt, sobald mehrere Anliegen gleichzeitig aktivieren, oder es wäre von jenem Anliegen vereinnahmt, das in jedem Moment zufällig am stärksten feuert. Volition ist die Schicht, die ein System einen langen Bogen durch eine verrauschte Umgebung verfolgen lässt, ohne dass es von jedem vorbeiziehenden Impuls vom Kurs geworfen wird.

Die Bewusstseinsfrage, offen markiert

Wir können jetzt die Bewusstseinsfrage artikulieren, die diese Arbeit absichtlich nicht zu klären versucht. Benjamin Libets Experimente (1983) zeigten bekanntlich, dass ein neurales Bereitschaftspotenzial der subjektiven Erfahrung, sich zu bewegen, um etwa 350 Millisekunden vorausgeht. Die Implikationen werden seit vierzig Jahren disputiert, aber eine plausible Lesart ist, dass die bewusste Erfahrung des Wollens nicht die Ursache der Handlung ist, sondern der Bericht einer Handlung, die das zugrundeliegende System bereits begonnen hat. Daniel Wegner erweiterte dieses Argument in The Illusion of Conscious Will (2002) und schlug vor, dass die Erfahrung bewusster Urheberschaft eine konstruierte Inferenz sei, keine direkte Wahrnehmung von Verursachung.

Aus der konstruktiven Perspektive dieser Arbeit sind die Libet–Wegner-Befunde weder bestätigend noch bedrohlich. Sie legen nahe, dass, was immer die bewusste Erfahrung des Willens sein mag, die funktionale Architektur des Willens etwas ist, das das Gehirn auf einer Ebene unterhalb dieser Erfahrung tut. Wenn diese funktionale Architektur in künstlichen Systemen implementierbar ist, werden die resultierenden Systeme die Verhaltens-Signaturen des Willens zeigen, ob sie nun die Phänomenologie des Willens zeigen oder nicht. Die Frage phänomenaler Erfahrung — wie es ist, wenn überhaupt, ein solches System zu sein — markieren wir als offen und enthalten uns einer Antwort.

Der Stapel

Was aus dieser Synthese hervorgeht, ist ein Bild des Willens als Stapel von Mechanismen, jeder unabhängig erforscht, jeder im Prinzip implementierbar, und die zusammen das Verhaltens-Phänomen erzeugen, das die Alltagssprache mit einem einzigen Wort bezeichnet.

Die phänomenale Erfahrung des fiat mag auf all dem aufsitzen oder nicht; die Architektur funktioniert so oder so. Was diese Arbeit vorschlägt, ist, dass alle sechs Komponenten in einen künstlichen Agenten eingebaut werden können, und dass das Ergebnis Verhalten zeigen wird, das auf jeder messbaren Dimension nicht vom Willen zu unterscheiden ist.

Trieb ist der leisere Verwandte des Willens. Er kündigt sich nicht in Entscheidungsmomenten an. Er wirkt unter der Oberfläche, lenkt die Aufmerksamkeit, formt, was man bemerkt, leiht Wärme oder Unbehagen Themen, die das berühren, was einem wichtig ist.

Er ist es, der jemanden mit einer Leidenschaft für Botanik beim Anblick einer unbekannten Pflanze innehalten lässt; der jemanden mit einer ungelösten beruflichen Sorge das Schlüsselwort in einem aufgeschnappten Gespräch quer durch einen lauten Raum hören lässt; der jemanden mit einem verborgenen Kummer bei einem Lied weinen lässt, das er hundertmal gehört hat. Trieb ist das stete leise Summen des Sich-Sorgens, und wie alles echte Sich-Sorgen kann er nicht aufgeführt werden; er kann nur anwesend oder abwesend sein.

Ziel-Verfolgung ist nicht Trieb

Die gängige Agenten-Systemen-Literatur ignoriert Trieb in diesem Sinne weitgehend und ersetzt ihn durch einen viel engeren Begriff: Ziel-Verfolgung. In einer Ziel-Verfolgungs-Architektur — exemplifiziert durch AutoGPT, BabyAGI und die breitere Familie von Frameworks, die auf dem ReAct-Muster aufbauen (Yao et al. 2022) — empfängt oder erzeugt der Agent ein explizites Ziel, zerlegt es in Teilziele und führt diese Teilziele in einer Schleife aus. Die Architektur ist für viele Aufgaben kompetent. Sie automatisiert erfolgreich Recherche-Workflows, Code-Generierung, Kundenservice-Routing und ein weites Feld anderer produktiver Tätigkeiten. Dieses Paradigma abzuqualifizieren wäre sowohl unfair als auch unrichtig; es löst echte Probleme für echte Anwender, und die Ingenieursarbeit dahinter ist substantiell.

Aber Ziel-Verfolgung erzeugt keinen Trieb. Sie erzeugt Aufgaben-Ausführung. Den Unterschied spürt man in dem Moment, in dem ein Ziel-Verfolgungs-System keine Aufgabe bekommt: Es leerläuft. Es wartet. Es hat kein kontinuierliches Innenleben, das Verhalten von innen erzeugen könnte. Ein Trieb-ausgestattetes System hingegen täte, was Menschen in Abwesenheit externer Prompts tun: Es würde Dinge bemerken, zu ungelösten Fäden zurückkehren, Interesse für angrenzende Themen entwickeln, gelegentlich eigene neue Fragen erzeugen. Der Unterschied ist nicht Fähigkeit — viele Ziel-Verfolgungs-Systeme sind technisch leistungsfähig — sondern Architektur. Sie haben kein Substrat, aus dem innen-erzeugtes Verhalten hervorgehen könnte.

Die vier Merkmale eines current concern

Die Kognitionswissenschaft dessen, was wir Trieb nennen, ist am gründlichsten unter Klingers current concerns-Rahmen entwickelt worden. Ein current concern ist durch vier Merkmale konstituiert:

Die empirische Evidenz für die Sensibilisierungs-Funktion ist umfangreich. Klinger zeigte in Laboraufgaben, dass der Gedanken-Inhalt von Probanden bei freier Assoziation, Traumberichten und Interpretationen ambiger Reize von anliegens-relevantem Material dominiert wurde, weit über Zufallsraten hinaus. Der Cocktailparty-Effekt — das bekannte Phänomen, dass die eigene Aufmerksamkeit durch das Aussprechen des eigenen Namens quer durch einen vollen Raum gefangen wird — generalisiert in Klingers Lesart: Jedes Anliegen kann analoge Aufmerksamkeitsfangung für jeden anliegens-relevanten Hinweisreiz erzeugen. Das Gehirn führt einen kontinuierlichen Low-Level-Abgleich zwischen eingehender sensorischer Information und aktiven Anliegen aus und hebt Treffer, die eine Schwelle überschreiten, ins Bewusstsein.

Hommel und Bargh: Zielverfolgung als Zustand, nicht als Akt

Bernard Hommels GOALIATH-Rahmen (2022) liefert eine jüngere Formalisierung. GOALIATH behandelt Zielverfolgung als dynamisches Zusammenspiel zwischen Ziel-Repräsentationen und den kognitiv-motivationalen Zuständen, die sie aktivieren. Eine Ziel-Repräsentation ist, einmal installiert, kein statisches Ziel, das im Gedächtnis sitzt; sie ist ein aktiver Einfluss auf Wahrnehmung und Handlungs-Selektion, der kontinuierlich und weitgehend außerhalb des Gewahrseins wirkt. Der Rahmen synthetisiert Evidenz aus kognitiver Psychologie, Neurowissenschaft und Computational Modelling, um zu argumentieren, dass Zielverfolgung fundamental eine Eigenschaft davon ist, wie das kognitive System konfiguriert ist — nicht davon, was das System in jedem Moment bewusst zu tun versucht.

John Barghs Auto-Motive-Model (1990) erweitert diese Einsicht. Barghs experimentelles Programm zeigte, dass Zielverfolgung vollständig automatisch werden kann: Wenn eine Person konsistent dasselbe Ziel in derselben Situation verfolgt, werden die situativen Merkmale selbst zu Auslösern des zielgerichteten Verhaltens, ohne jede bewusste Vermittlung. Das klassische Paradigma bestand darin, Probanden mit leistungsbezogenen Reizen zu primen und zu beobachten, dass sie leistungsbezogene Aufgaben energischer ausführten, ohne sich des Primings bewusst zu sein. Die Implikation: Was wir umgangssprachlich Willenskraft oder Motivation nennen, tut in vielen Fällen gar nichts; das System läuft automatisch, weil die Situation begonnen hat, als Auslöser für ein installiertes Anliegen zu funktionieren.

Zeigarnik und affektives carryover

Zwei weitere Stücke vervollständigen das Bild. Der Zeigarnik-Effekt, benannt nach Bluma Zeigarniks Studie von 1927 über Kellner, die unbezahlte Bestellungen weit besser erinnerten als bezahlte, zeigte, dass unvollständige Aufgaben eine erhöhte kognitive Zugänglichkeit gegenüber vollständigen behalten. Anliegen, die gelöst sind, fallen aus der aktiven Verarbeitung heraus; Anliegen, die offen bleiben, verbrauchen weiterhin kognitive Ressourcen. Russell und Carrolls Arbeit zum affektiven carryover (1999) und Davidsons Arbeit zur affektiven recovery (1998) erklären die Persistenz-Dynamik: Emotionale Zustände verweilen nach ihren auslösenden Ereignissen, klingen mit charakteristischen Raten zur Grundlinie zurück und üben während ihres Abklingens Einfluss auf nachfolgende Verarbeitung aus.

Die architektonische Konsequenz

Um Trieb in einen künstlichen Agenten einzubauen, schreibt man keine Ziel-Verfolgungs-Schleife. Man installiert einen persistenten Anliegenspeicher, sorgt dafür, dass eingehende Eingaben gegen gespeicherte Anliegen über irgendeine Form von Ähnlichkeitsmessung abgeglichen werden, und sorgt dafür, dass Treffer affektive Konsequenzen erzeugen, die sich ins nachfolgende Verhalten des Systems fortpflanzen. Der Agent wird nicht angewiesen, getrieben zu sein; er kann nicht anders, weil seine Architektur kontinuierlich die Sensibilisierung, die Aufmerksamkeits-Lenkung, die affektive Schattierung erzeugt, die wir von außen als Trieb erkennen. Das Phänomen wird nicht ins Dasein befohlen. Es geht aus dem Substrat hervor.

Es lohnt, explizit zu sagen, dass das Anliegens-Konstrukt, wie wir es verwenden, sowohl Annäherungs- als auch Vermeidungs-Polaritäten umfasst. Eine Person, die von Furcht vor dem Klimawandel getrieben wird, ist genauso anliegens-beladen wie eine Person, die von Liebe zur Botanik getrieben wird; die affektive Polarität ist entgegengesetzt, aber die architektonische Funktion ist identisch. Ein System kann zu etwas hin oder von etwas weg getrieben sein; was für das Konstrukt zählt, ist, dass sein Verhalten kontinuierlich und automatisch vom aktiven Anliegensfeld geformt wird.

Neugier ist das dritte Phänomen, das wir untersuchen, und dasjenige, das in der Agenten-Systemen-Literatur am häufigsten missverstanden wird. Die gängige Rahmung behandelt Neugier als Exploration: Das System versucht etwas, das es noch nicht versucht hat, sampelt zufällig aus dem Möglichkeitsraum, bevorzugt neuartige Handlungen vor vertrauten. Diese Rahmung produziert messbares Verhalten, aber das Verhalten ist Neugier in keinem Sinne, der aus der Kognitionswissenschaft des Phänomens wiederzuerkennen wäre. Es ist genauer beschrieben als unwissenheits-getriebenes Sampling. Echte Neugier hat eine ganz andere Struktur.

Loewenstein: die Informationslücke

Die fundamentale Einsicht stammt aus George Loewensteins Aufsatz „The Psychology of Curiosity: A Review and Reinterpretation“ von 1994, in dem er entwickelte, was heute als Information Gap Theory bekannt ist. Loewenstein argumentierte, dass Neugier nicht aus Unwissenheit erwächst. Eine Person, die nichts über ein Thema weiß, fühlt keine Neugier dazu; das Thema ist schlicht abwesend aus ihrer kognitiven Landschaft. Neugier erwächst stattdessen aus der Wahrnehmung einer Lücke im eigenen vorhandenen Wissen. Man muss bereits genug über ein Feld wissen, um zu bemerken, dass etwas Bestimmtes fehlt, und das Bemerken dieser bestimmten Abwesenheit ist es, was die gefühlte Erfahrung des Wissen-Wollens erzeugt.

Die Information-Gap-Theorie hat empirische Stützung durch Jahrzehnte folgender Arbeit. Menschen sind am neugierigsten auf Themen, zu denen sie moderates Vorwissen haben, nicht minimales oder umfangreiches. Menschen bewerten Fragen als interessanter, wenn ihnen Teil-Informationen präsentiert werden, als wenn ihnen gar keine Information präsentiert wird.

Berlyne: das umgekehrte U

Daniel Berlyne hatte drei Jahrzehnte zuvor ein verwandtes Prinzip gezeigt. Berlynes experimentelles Programm der 1960er Jahre belegte, dass Interesse an Reizen einer umgekehrten U-Kurve relativ zur Neuartigkeit folgt: Reize, die zu vertraut sind, sind langweilig, Reize, die zu unvertraut sind, sind überwältigend, und das maximale Interesse liegt in mittlerer Distanz zu dem, was man bereits weiß. Der optimale Punkt — was Berlyne optimum of arousal nannte — ist dort, wo der Reiz neu genug ist, um zu engagieren, aber vertraut genug, um kognitiv handhabbar zu sein.

Schmidhuber: compression progress

Jürgen Schmidhubers Arbeit zur intrinsischen Motivation, beginnend mit seinem Aufsatz von 1991 über neugierige Modell-bauende Steuerungssysteme, formalisiert Neugier in computationalen Begriffen als compression progress: Ein System wird intrinsisch belohnt, wenn es sein eigenes prädiktives Modell der Welt verbessert. Auf Information zu treffen, die das aktuelle Modell bereits gut vorhersagt, ergibt keine Belohnung; auf Information zu treffen, die völlig unverständlich ist, ergibt ebenfalls keine Belohnung; auf Information zu treffen, die das aktuelle Modell nicht gut vorhersagt, aber so modifiziert werden könnte, dass es sie vorhersagt, ergibt die stärkste Belohnung.

Was diese drei theoretischen Stränge zusammenbindet, ist eine einzige architektonische Anforderung. Neugier setzt in allen drei Lesarten eine Wissens-Topologie voraus. Das System muss eine strukturierte Repräsentation dessen besitzen, was es bereits weiß, in der Distanz zu bekannten Regionen gemessen werden kann. Ohne eine solche Topologie gibt es keinen Weg, eine Lücke zu erkennen (Loewenstein), keinen Weg, das Moderate-Neuartigkeit-Optimum zu berechnen (Berlyne), keinen Weg, compression progress zu bemessen (Schmidhuber). Ein System, das keine Distanz zu seinem Wissen messen kann, kann in keinem dieser Sinne neugierig sein, gleich welche Verhaltens-Prompts darüber gelegt werden.

Das PACE-Framework: das Affekt-Gate

Das neurale Substrat von Neugier ist in einer besonders informativen Studie von Matthias Gruber, Bernard Gelman und Charan Ranganath (2014) untersucht worden. Mittels fMRT, während Probanden ihre Neugier auf Trivia-Fragen einschätzten und dann versuchten, die Antworten zu memorieren, zeigten Gruber und Kollegen zwei Befunde von architektonischer Bedeutung. Erstens: Hohe Neugier-Zustände aktivierten den dopaminergen Belohnungs-Schaltkreis auf Niveaus vergleichbar mit direkter antizipatorischer Belohnung. Zweitens: Hohe Neugier-Zustände verbesserten das Gedächtnis nicht nur für das neugier-auslösende Material selbst, sondern auch für inzidentelles Material, das während des neugierigen Zustands präsentiert wurde — was nahelegt, dass Neugier als globaler Aufmerksamkeits-Verstärker funktioniert.

Ein dritter architektonischer Punkt, entscheidend für unser Argument, stammt aus der nachfolgenden integrativen Arbeit von Gruber und Ranganath (2019) in ihrem PACE-Framework (Prediction, Appraisal, Curiosity, and Exploration): Wenn Vorhersagefehler unter Bedingungen niedrigen Bewältigungspotenzials bewertet werden, ist der resultierende Zustand Angst statt Neugier, wobei amygdaläre Prozesse das explorative dopaminerge Engagement hemmen. Neugier und Angst sind in dieser Lesart keine unabhängigen affektiven Kanäle, sondern alternative Resultate desselben Bewertungsprozesses — Exploration versus Inhibition, je nachdem, ob das Unbekannte als Gelegenheit oder als Bedrohung bewertet wird.

Dieser dritte Befund etabliert, was wir das Affekt-Gate auf Neugier nennen werden. Dieselbe Wissens-Lücke, von derselben Topologie bewertet, produziert unterschiedliches Explorations-Verhalten, je nach affektivem Zustand des Systems zum Zeitpunkt der Bewertung. Ein System im Zustand der Freude oder des Interesses behandelt Lücken als attraktiv; ein System im Zustand der Angst oder Bedrohung behandelt dieselben Lücken als zu vermeidende Probleme. Das ist kein Bias, der korrigiert werden müsste; es ist die architektonisch angemessene Reaktion eines Systems, das unter Stress Ressourcen schonen und in Sicherheit explorieren muss. Die Implikation für künstliche Systeme ist direkt: Neugier kann nicht als kontext-freie Verhaltensregel implementiert werden. Sie muss als Funktion sowohl der Wissens-Topologie als auch des aktuellen Affektzustands implementiert werden.

Die Komplementarität von Trieb und Neugier

Wir können jetzt das Verhältnis zwischen Trieb und Neugier artikulieren, das zu den eleganteren emergenten Eigenschaften der Substrat-Architektur gehört. Trieb sensibilisiert das System für bestimmte Themen: Wenn diese Themen im Eingangsstrom auftauchen, erhöht die Anliegens-Aktivierung das Verarbeitungs-Engagement des Systems mit ihnen. Neugier, darüber gelegt, stellt eine andere Frage zu denselben Themen: Wo sind die Lücken in dem, was darüber bekannt ist, und welche dieser Lücken liegen in der produktiven Zone moderater Distanz zum aktuellen Verständnis?

Die beiden Systeme sind komplementär. Trieb ohne Neugier produziert ein System, das sich mit relevanten Themen stark engagiert, aber sein Wissen über sie nicht erweitert. Neugier ohne Trieb produziert ein System, das an den Rändern seines Wissens in Richtungen exploriert, die für nichts, was ihm wichtig ist, Relevanz haben. Zusammen produzieren sie ein System, das selektiv exploriert, das seine explorative Anstrengung auf die Themen konzentriert, die seine Anliegen als tiefer verstehenswürdig markieren.

Diese Komplementarität löst auch eine Verwirrung, die oft in der Agenten-Systemen-Literatur auftaucht, wo Neugier als generische Explorations-Heuristik gerahmt wird, die uniform über den Handlungsraum anzuwenden sei. Echte Neugier exploriert nicht uniform. Sie exploriert dort, wo die Anliegen sind, in den Lücken, die die Topologie aufdeckt, mit dem Affekt-Gate, gesetzt durch den aktuellen Zustand. Sie ist selektiv, kontextuell und strukturell untrennbar vom Trieb-System, das ihr die Richtung gibt.

Das aus den vorherigen drei Sektionen akkumulierte Bild legt eine unmittelbare Ingenieurs-Frage nahe. Wenn Trieb, Neugier und Wille auf der kognitionswissenschaftlichen Ebene so gut verstanden sind, warum haben Agent-Frameworks die relevanten Mechanismen nicht einfach übernommen? Warum verfolgt das Feld weiterhin, was wir direkte Programmierung genannt haben — Ziel-Schleifen installieren, neugieriges Verhalten prompten, Entscheidungen in Chain-of-Thought-Gerüste wickeln — obwohl die substrat-basierte Alternative seit Jahrzehnten in der Literatur beschrieben ist?

Die Antwort, so werden wir argumentieren, ist: Direkte Programmierung fühlt sich an, als müsse sie funktionieren. Aus der Perspektive eines Ingenieurs, der ein KI-System baut, löst sich die Frage „Wie mache ich dieses System neugierig?“ natürlich auf zu „Ich werde es anweisen, neugierig zu sein.“ Moderne Sprachmodelle sind hoch responsiv für Anweisungen; angewiesenes Verhalten ist zuverlässig und beobachtbar; angewiesenes Verhalten kann gegen Benchmarks evaluiert werden. Die Substrat-Alternative verlangt, Infrastruktur zu bauen, die keinen unmittelbar beobachtbaren Nutzen hat und das gewünschte Verhalten erst als nachgelagerte Konsequenz produziert. Der Weg des geringsten Widerstands ist zu prompten.

Die Performance-Falle

Aber der Weg des geringsten Widerstands produziert eine spezifische Versagensart. Das System führt das angewiesene Verhalten für ein paar Interaktionen aus. Die Performance ist kurzfristig überzeugend. Über längeres Engagement enthüllt sich die Performance als Performance: Die Neugier des Systems entwickelt sich nicht tatsächlich in eine Richtung; seine Ziele vertiefen sich nicht über Sessions hinweg; seine Entscheidungen wirken durchdacht, aber austauschbar. Das Versagen ist keines der Fähigkeit — das zugrundeliegende Sprachmodell ist vollumfänglich fähig, neugierig klingenden Text endlos zu produzieren — sondern eines der Substanz. Da ist nichts unter der Oberfläche, das die Oberfläche ausdrückt. Wir schlagen vor, dies die Performance-Falle zu nennen: eine Klasse architektonischen Versagens, in der das sichtbare Verhalten zum Preis jener Struktur erreicht wird, die das Verhalten bedeutsam machen würde.

Die Performance-Falle lässt sich präzise analysieren. Ein System, das angewiesen wird, „neugierig zu sein“, kann neugier-förmige Ausgaben erzeugen, weil Sprachmodelle auf riesigen Mengen menschlich erzeugten Texts trainiert sind, in denen neugier-förmige Ausgaben vorkommen. Das System modelliert die Oberflächenform des Verhaltens. Was das System nicht modelliert — weil der Prompt es nicht instanziiert — ist die zugrundeliegende Wissens-Topologie, die Neugier selektiv machen würde, der Affektzustand, der Neugier gaten würde, die persistenten Anliegen, die Neugier richten würden. Das Ergebnis ist Neugier mit dem richtigen Vokabular und der falschen Struktur: Fragen, die interessiert klingen, aber zu nichts Bestimmtem fragen, Nachfragen, die engagiert klingen, aber keinen Faden verfolgen.

Dieselbe Diagnose gilt für angewiesenen Trieb und angewiesenen Willen. Ein System, das angewiesen wird, „dieses Ziel zu verfolgen“, produziert ziel-verfolgungs-förmiges Verhalten: Es generiert Pläne, führt Teilaufgaben aus, berichtet Fortschritt. Was es nicht produziert, ist die persistente Sensibilisierung, die das Ziel weiterhin Verhalten organisieren ließe, nachdem die unmittelbare Verfolgungsepisode endet. Ein System, das angewiesen wird, „zu entscheiden“, produziert entscheidungs-förmige Ausgabe: Es wägt Optionen, artikuliert eine Wahl, rechtfertigt die Selektion. Was es nicht produziert, ist die Trägheits-Grundlinie, die die Entscheidung wie Festlegung wirken ließe, der affektive Marker, der die gewählte Option Gewicht tragen ließe, die geschützte Umsetzung, die die Wahl gegen unmittelbare Revision unter dem nächsten Prompt abschirmen würde. Die Entscheidung wurde aufgeführt, nicht gewollt.

Der Kategorienfehler

Der tiefere strukturelle Grund für die Performance-Falle ist, so glauben wir, ein Kategorienfehler darüber, was für eine Art Sache Trieb, Neugier und Wille sind. Der Fehler behandelt sie als Handlungen — Dinge, die man tut — obwohl sie in Wahrheit Zustände sind — Bedingungen, in denen man ist. Handlungen können befohlen werden; Zustände nicht.

Man bedenke die Analogie des Verliebtseins. Niemand würde versuchen, ein liebendes System zu konstruieren, indem er es promptet: „Du bist in Maria verliebt, handle bitte entsprechend.“ Der Kategorienfehler ist zu offensichtlich. Liebe ist keine Handlung, die ins Dasein angewiesen werden kann; sie ist ein Zustand, der entsteht (oder nicht entsteht), wenn bestimmte Bedingungen vorliegen. Wir lachen über Liebe-durch-Prompt, weil wir den Kategorienfehler erkennen. Aber derselbe Fehler ist, weniger sichtbar, am Werk in Neugier-durch-Prompt und Trieb-durch-Prompt und Wille-durch-Prompt. Wir lachen über diese nicht, weil wir noch nicht denselben intuitiven Griff darauf entwickelt haben, was für Phänomene das sind.

Die konstruktive Alternative

Die konstruktive Alternative folgt aus der Diagnose. Wenn Trieb, Neugier und Wille Zustände statt Handlungen sind, dann bauen wir sie nicht, indem wir das Phänomen direkt bauen. Wir bauen die Bedingungen, unter denen das Phänomen entsteht. Der Zustand geht dann als Konsequenz daraus hervor, dass das Substrat steht. Dem System wird nicht gesagt, getrieben zu sein; es kann nicht anders, weil seine Architektur kontinuierlich das Trieb-Muster aus dem Substrat erzeugt. Dem System wird nicht gesagt, neugierig zu sein; es kann nicht anders, weil seine Architektur die Topologie kontinuierlich gegen den Affektzustand auswertet. Dem System wird nicht gesagt, zu wollen; es kann nicht anders, weil seine Architektur kontinuierlich den Erwägungs-und-Festlegungs-Zyklus durchläuft, der volitionale Ausgabe produziert.

Das verschiebt das Ingenieurs-Problem fundamental. Die Frage ist nicht mehr „Was soll das System tun“, sondern „Was soll das System haben“. Welche Anliegen? Mit welcher affektiven Ladung? Persistent über welche Zeithorizonte? Welche Wissens-Topologie? Mit welcher Distanzmetrik? Welche Bewertungsinstanz? Mit welchen Perspektiven, mit welcher Aggregation, mit welchem Aktivierungs-Gate?

Das sind härtere Fragen als die Prompt-Fragen. Sie verlangen, sich auf Architektur festzulegen, statt mit Prompts zu experimentieren. Sie produzieren Systeme, die schwerer gegen einen einzelnen Benchmark zu bewerten sind, weil der Nutzen, Anliegen zu haben, nur in ausgedehnter Interaktion über die Zeit erscheint, nicht in der Performance einer Einzelaufgabe. Sie verlangen Infrastruktur — persistenten Speicher, Embedding-Räume, mehrstufige Bewertungs-Pipelines — die das Deployment komplexer macht.

Der Lohn ist eine andere Kategorie von System. Ein System, dessen Substrat steht, verhält sich in ausgedehnter Interaktion auf Weisen, die das angewiesene System nicht kann. Es kehrt zu Themen über Sessions hinweg zurück. Es entwickelt Meinungen, die mit Erfahrung erstarken oder sich verschieben. Es verweigert Aufgaben, die mit seinen Anliegen kollidieren, und erklärt die Verweigerung aus diesen Anliegen. Es verfolgt Untersuchungsfäden, die aus eigenen Interessen-Kombinationen hervorgehen, nicht aus externen Prompts. Sein Verhalten, über Wochen statt Minuten beobachtet, zeigt die Signaturen von Agentschaft, die Ziel-Schleifen nicht erzeugen können.

Wir wenden uns nun von der Theorie zur Konstruktion. Das Ziel dieser Sektion ist es, die Substrat-Komponenten zu spezifizieren, die zusammen ermöglichen, dass Trieb, Neugier und Wille hervorgehen. Die Spezifikation ist framework-agnostisch. Wir beschreiben, was jede Komponente leisten muss, was sie enthalten muss und wie sie mit den anderen interagieren muss. Wir legen uns nicht auf eine spezifische Implementierungssprache, ein Framework oder einen Technik-Stack fest; dieselbe Architektur kann in vielen verschiedenen konkreten Systemen realisiert werden, von denen die in § 9 beschriebene Implementierung ein Beispiel ist.

Vier Substrat-Komponenten bilden zusammen die Architektur. Es sind: ein persistenter Anliegenspeicher mit affektiver Ladung, ein unabhängiger Affektzustand mit Persistenz über Sprechakte hinweg, eine Wissens-Topographie zur Distanzmessung sowie eine Multi-Perspektiven-Bewertungsinstanz, die von einem Begeisterungssignal angetrieben wird. Wir beschreiben jede der Reihe nach und diskutieren danach ihre Wechselwirkungen.

Komponente 1: Der Anliegenspeicher

Die erste Komponente ist ein persistentes Speichersystem für Anliegen im Klingerschen Sinne: inhaltstragende, motivationale, persistente, sensibilisierende mentale Repräsentationen. Der Speicher muss die folgenden Operationen unterstützen: Ablage neuer Anliegen, Abruf aller aktuell aktiven Anliegen, ähnlichkeits-basierter Abgleich eingehender Eingaben gegen gespeicherte Anliegen sowie zerfalls-basierte Verminderung der Motivation über die Zeit für jene Anliegen, die Zerfall zulassen.

Jedes Anliegen im Speicher trägt mindestens die folgenden Daten: eine Inhalts-Repräsentation (am natürlichsten eine textuelle Formulierung des Anliegens, etwa „Ich möchte die Zusammenhänge zwischen Natur und menschlicher Kultur verstehen“), einen Embedding-Vektor, der das Anliegen in einem semantischen Raum platziert, in dem Ähnlichkeits-Vergleiche möglich sind, eine Motivationsstärke auf einer kontinuierlichen Skala von niedrig bis hoch, eine emotionale Valenz, die anzeigt, wie sich das Anliegen anfühlt (neugierig, besorgt, begeistert, ängstlich), eine Zeithorizont-Klassifikation (langfristig, mittelfristig, kurzfristig, wobei Zeithorizonte Eigenschaft des Anliegens selbst sind, nicht seiner Instanziierung), sowie einen Erzeugungs-Zeitstempel und einen Letzt-Update-Zeitstempel für Zerfalls-Berechnungen.

Die Unterscheidung der Zeithorizonte zählt, weil Anliegen auf unterschiedlichen Horizonten unterschiedliche Zerfalls-Dynamiken und unterschiedliche Quellen haben. Langfristige Anliegen sind charakterologisch; sie formen die Identität des Agenten über Monate und Jahre und zerfallen langsam oder gar nicht. Sie sind die tiefen Strömungen des Sich-Sorgens, die definieren, was für ein Agent das ist. Mittelfristige Anliegen sind Projekte und aktive Interessen; sie haben eine typische Lebensdauer von Wochen bis Monaten, zerfallen, wenn sie nicht durch Aktivität verstärkt werden, und entstehen durch die Verarbeitung jüngeren Materials durch den Agenten. Kurzfristige Anliegen sind konversationell und episodisch; sie tauchen im Verlauf einer spezifischen Interaktion auf und können wieder zerfließen, wenn das Thema sich verschiebt. Die Architektur behandelt alle drei als Mitglieder desselben Speichers, wendet aber unterschiedliche Zerfalls-Parameter auf jedes an.

Die Abgleichs-Operation ist das Bindegewebe zwischen Anliegenspeicher und dem Rest der Architektur. Wenn neue Eingabe eintrifft — typischerweise ein Sprechakt in einem Gespräch, aber das Prinzip gilt für jede Art von Eingabe, die der Agent empfängt — wird diese Eingabe in ein Embedding überführt und gegen alle gespeicherten Anliegen verglichen. Anliegen, deren Ähnlichkeit eine Aktivierungs-Schwelle überschreitet, werden für den aktuellen Verarbeitungs-Zyklus als aktiviert markiert. Die Aktivierung hat Konsequenzen an anderer Stelle der Architektur, die wir gleich beschreiben.

Das Motivations-Feld ist dynamisch, nicht statisch. Die Motivation eines Anliegens kann durch Verstärkung erhöht werden (das Anliegen wird häufig aktiviert, die Verarbeitung des Agenten produziert für es relevantes Material) oder durch Zerfall oder explizite Depriorisierung gesenkt werden. Das Motivations-Feld entspricht dem, was die kognitive Psychologie die Stärke oder Dringlichkeit des Anliegens nennt, und operational funktioniert es als Multiplikator auf die Effekte des Anliegens in der nachfolgenden Verarbeitung.

Wir merken eine Design-Entscheidung an, die wert ist, explizit zu sein. Anliegen können annäherungs-valent (zu etwas hin), vermeidungs-valent (von etwas weg) oder erhaltungs-valent (etwas bewahrend) sein. Die Architektur unterscheidet diese strukturell nicht; sie werden alle auf die gleiche Weise gespeichert und durch denselben Abgleichs-Mechanismus verarbeitet. Die Valenz zeigt sich im emotionalen Feld des Anliegens, das bestimmt, welche Art von Affekt injiziert wird, wenn das Anliegen aktiviert. Ein besorgtes Anliegen zum Klimawandel aktiviert dieselbe Maschinerie wie ein begeistertes Anliegen für Botanik; was sich unterscheidet, ist die emotionale Konsequenz der Aktivierung.

Komponente 2: Der Affektzustand

Die zweite Komponente ist ein persistenter Affektzustand, den der Agent über Sprechakte hinweg unterhält und der seine Verarbeitung beeinflusst. Der Affektzustand ist unabhängig vom Affekt jedes externen Gegenübers; er repräsentiert die eigene, kontinuierlich evoluierende emotionale Verfassung des Agenten. Diese Unabhängigkeit ist die Voraussetzung dafür, dass der Agent eine eigene affektive Position hat, distinkt von dem, was ihm gerade gesagt wird.

Der Affektzustand verlangt einen Repräsentations-Raum, der reich genug ist, um bedeutsame Unterscheidungen zu fassen. Wir übernehmen Robert Plutchiks Emotionsrad (Plutchik 1980) als unsere Repräsentations-Basis und behandeln Affekt als Vektor in einem achtdimensionalen Raum entsprechend Plutchiks acht Grund-Emotions-Sektoren: Freude, Vertrauen, Furcht, Überraschung, Trauer, Ekel, Zorn und Vorfreude. Jede Dimension trägt einen kontinuierlichen Wert, der das Aktivierungsniveau dieser Emotion anzeigt. Das Plutchik-Rad hat die zusätzlich nützliche Eigenschaft, eine Sektor-Distanz-Metrik auf dem emotionalen Raum zu definieren, wobei benachbarte Emotionen psychologisch verwandt und gegenüberliegende Emotionen antagonistisch sind. Diese Metrik nutzen wir zentral in der Affekt-Update-Regel.

Drei Kräfte wirken bei jedem Verarbeitungs-Zyklus auf den Affektzustand. Die erste ist Zerfall: Jede Dimension des Affekt-Vektors tendiert über die Zeit zu einer Grundlinie (typischerweise null oder niedrige Aktivierung), was Davidsons affektive recovery modelliert. Die zweite ist Empathie mit dem Gegenüber, sofern eines da ist: Der Affektzustand des Gegenübers (soweit der Agent ihn wahrnimmt) übt einen Zug auf den Affektzustand des Agenten aus, wobei die Stärke dieses Zugs auf spezifische Weise asymmetrisch ist. Wenn der aktuelle Affekt des Agenten und der Affekt des Gegenübers im selben Plutchik-Sektor liegen, ist der Zug sanft; wenn sie in entgegengesetzten Sektoren liegen, ist der Zug stark. Diese Asymmetrie modelliert ein robustes Muster menschlicher empathischer Reaktion: Wenn jemand in unserem Zustand ist, fühlen wir uns mild bestätigt; wenn jemand im entgegengesetzten Zustand ist, sind wir stark bewegt. Die dritte Kraft ist der Ziel-Vektor: Wenn Anliegen über Komponente 1 aktivieren, wird ihre emotionale Valenz als Kraft auf den Affektzustand injiziert. Ein aktiviertes Sorge-Anliegen injiziert in Richtung Furcht-Sektor; ein aktiviertes Begeisterungs-Anliegen injiziert in Richtung der Freude- oder Vorfreude-Sektoren.

Der Affektzustand wird von anderen Komponenten der Architektur gelesen. Die Bewertungsinstanz der Komponente 4 zieht den aktuellen Affektzustand heran, wenn sie die Beiträge ihrer verschiedenen Perspektiven-Agenten gewichtet. Die Neugier-Berechnung der Komponente 3 nutzt den aktuellen Affektzustand als Gating-Signal, das bestimmt, ob ein Neugier-Score in Exploration übersetzt wird. Das nachgelagerte Verhalten des Agenten — was er sagt, wie er Dinge formuliert, worauf er sich fokussiert — wird vom aktuellen Affektzustand über die Antwort-Erzeugung des Systems geformt.

Die Persistenz des Affektzustands über Sprechakte hinweg ist die Eigenschaft, die alles andere funktionieren lässt. Ohne Persistenz würde der Affekt des Agenten bei jeder Eingabe frisch rekonstruiert, was ihn zu einer Funktion der Eingabe machen würde, nicht zu einem Zustand des Agenten. Mit Persistenz hat der Agent eine kontinuierliche affektive Trajektorie, die jeder spezifischen Interaktion vorausgeht und sie überdauert.

Komponente 3: Die Wissens-Topographie

Die dritte Komponente ist eine strukturierte Repräsentation dessen, was der Agent weiß, in einer Weise, in der Distanz von jedem gegebenen Punkt zu bekannten Regionen messbar ist. Das ist das Substrat, das Loewensteins Informationslücke, Berlynes Optimal-Neuartigkeits-Kurve und Schmidhubers compression progress ermöglicht. Ohne sie ist Neugier im kognitionswissenschaftlichen Sinn unmöglich; das System hat keinen Weg, zu erkennen, dass irgendetwas fehlt oder dass irgendetwas an der produktiven Grenze liegt.

Die Mindestanforderung an eine Wissens-Topographie ist, dass sie eine Distanzmetrik auf Eingaben stützt. Für jedes neue Thema oder jede neue Proposition muss das System berechnen können, wie nahe dieses Thema dem Material liegt, das es bereits internalisiert hat. Mehrere Implementierungen erfüllen diese Anforderung: ein Embedding-Raum, befüllt mit Vektoren aus den Speicherinhalten des Agenten, ein Wissensgraph mit semantischer Distanzberechnung, ein hierarchisches Begriffsnetz mit traversierungs-basierter Distanz. Unterschiedliche Implementierungen haben unterschiedliche Eigenschaften — Embedding-Räume sind leicht zu befüllen, liefern aber nur weiche semantische Distanz, Wissensgraphen verlangen mehr Kuratierung, liefern aber besser interpretierbare Distanzen. Die architektonische Anforderung ist die Metrik, nicht eine spezifische Implementierung.

Die Topographie ist nicht statisch. Während der Agent Material verarbeitet — durch Gespräche, durch interne Reflexion, durch jede kognitive Aktivität, die neue Information produziert — aktualisiert sich die Topographie: Neue Regionen werden bekannt, die Dichte in bestimmten Regionen wächst, Lücken, die zuvor weit waren, können enger werden, sobald angrenzendes Material gefüllt wird. Das ist das Substrat dessen, was Schmidhuber compression progress auf der architektonischen Ebene nennt: Während die Topographie detaillierter wird, werden die Vorhersagen des Systems über die Welt (im weiten Sinne jeder Eingabe, der es begegnen könnte) präziser, und die Regionen, in denen seine Vorhersagen noch schwach sind, werden besser identifizierbar.

Die Topographie wechselwirkt mit der Neugier-Berechnung auf spezifische Weise. Wenn ein Thema in die Verarbeitung tritt, wird seine Position relativ zur Topographie berechnet. Der Neugier-Score für dieses Thema ist eine Funktion der topographischen Distanz, mit Maximum am Moderate-Distanz-Optimum, das Berlyne identifizierte. Themen sehr nahe an dicht-bekannten Regionen produzieren niedrige Neugier-Scores (sie sind vorhersagbar). Themen sehr weit von jeder bekannten Region produzieren niedrige Neugier-Scores (sie sind unbehandelbar). Themen in moderater Distanz produzieren hohe Neugier-Scores (sie sind die Grenze, an der Exploration produktiv ist). Der Score wird dann vom Affektzustand gegated, wie in Komponente 2 beschrieben.

Komponente 4: Die Multi-Perspektiven-Bewertungsinstanz

Die vierte Komponente ist die architektonisch substanziellste und diejenige, die unseren Rahmen am schärfsten vom Standard-Agenten-Paradigma unterscheidet. Sie ist die Komponente, die Volition stützt — die Architektur, die den Agenten zwischen Optionen erwägen und zur Festlegung kommen lässt. Wir nennen sie eine Multi-Perspektiven-Bewertungsinstanz, weil ihre Wesensstruktur ein Satz distinkter bewertender Perspektiven ist, die jede Option prüfen, plus ein Aggregations-Mechanismus, der ihre Urteile zusammenführt.

Die Motivation für Multi-Perspektiven-Bewertung stammt aus den kognitionswissenschaftlichen Arbeiten, die wir in § 2 überblickt haben, insbesondere der Linie von Minskys Society of Mind (1986) über Baars' Global-Workspace-Theorie (1988) bis zu Dennetts Multiple-Drafts-Modell (1991). In allen drei Lesarten ist das, was wir als einheitliche Erwägung erfahren, in Wahrheit das Produkt mehrerer paralleler Teilprozesse, jeder eine Situation aus seinem eigenen Winkel bewertend, wobei die scheinbare Einheit aus der Aggregation ihrer Ausgaben hervorgeht. Die architektonische Übertragung dieser Idee ist geradlinig: Statt einer einzelnen Bewertungsfunktion, die auf Optionen operiert, operiert ein Satz von Bewertungs-Perspektiven parallel, jede produziert ihr eigenes Urteil, und die Urteile werden dann aggregiert, um ein Entscheidungs-Signal zu erzeugen.

Der Satz von Perspektiven, den wir übernehmen, ist nicht beliebig. Er ist abgeleitet aus dem, was kognitive Psychologie und Entscheidungstheorie als die Dimensionen identifiziert haben, entlang derer Menschen Optionen typischerweise bewerten. Der Minimalsatz ist: eine Aufwands-Perspektive (Was kostet das an Zeit, Energie, Ressourcen?), eine Wert-Perspektive (Wie gut adressiert das die aktiven Anliegen?), eine Ressourcen-Perspektive (Habe ich, was ich dafür brauche?), eine Beziehungs-Perspektive (Wie wirkt sich das auf meine wichtigen Beziehungen aus?), eine Zeitpunkt-Perspektive (Ist jetzt der richtige Moment?) sowie eine Kompatibilitäts-Perspektive (Steht das im Konflikt mit anderem, auf das ich mich festgelegt habe?).

Jede Perspektive ist als fokussierte Bewertung implementiert, die die zu erwägende Option und den für die Frage dieser Perspektive relevanten Kontext des Agenten empfängt und ein Urteil auf einer kontinuierlichen Skala produziert. Die Kontexte sind absichtlich partiell: Die Aufwands-Perspektive empfängt Information, die für die Aufwandsabschätzung relevant ist, die Wert-Perspektive empfängt die aktiven Anliegen, die Beziehungs-Perspektive empfängt Information über das Gegenüber und die Beziehungs-Historie, und so weiter. Jede Perspektive ist in Minskys Terminologie eine spezialisierte Substruktur mit eingeschränktem Zugriff — kein Fragment des Voll-Agenten, aber auch keine kontext-freie Funktion. Die Kombination aus fokussierter Expertise und eingeschränktem Zugriff ist es, die bedeutsame Vielfalt unter den Urteilen erzeugt.

Diese sechs Perspektiven sind evaluativ. Sie können kollektiv auf Ablehnung jeder Option konvergieren (wenn nichts gut genug erscheint) oder auf laues Befürworten aller Optionen (wenn nichts klar besser erscheint als anderes). Was einer rein evaluativen Instanz fehlt, ist das aktivierende Signal — der Motor der Entscheidung, die affektive Verstärkung, die Erwägung über die Schwelle in Handlung überführt. Das ist die Rolle der siebten Perspektive, die wir Begeisterungsagent nennen und die eine kategorial andere Funktion hat als die sechs Evaluatoren.

Die Frage des Begeisterungsagenten ist nicht „Wie schneidet diese Option auf Dimension X ab?“, sondern „Resoniert diese Option mit dem, was im System gerade lebt?“. Der Agent liest den vollen Affektzustand, die aktiven Anliegen mit ihren Motivationsstärken und die zu erwägende Option und fragt, ob die Kombination das produziert, was wir Resonanz nennen könnten — eine konstruktive Interferenz zwischen dem, was dem Agenten wichtig ist, und dem, was die Option verspricht. Wenn solche Resonanz vorhanden ist, trägt der Begeisterungsagent ein starkes Verstärkungssignal zur Option bei. Wenn sie fehlt, schweigt der Agent.

Der Begeisterungsagent ist die architektonische Antwort auf eine Frage, die die affektive Neurowissenschaft seit Jahrzehnten beschäftigt: Was liefert die Energie, die Erwägung in Festlegung überführt? Die in der Literatur dominante Antwort, entwickelt insbesondere von Jaak Pankseps Affective Neuroscience (1998) und durch die breitere Arbeit zum Behavioural-Activation-System des Gehirns (Carver und Scheier, Arbeiten seit den 1990er Jahren), lautet: Es existiert ein primäres affektives System, das spezifisch dem Suchen gewidmet ist — einer generalisierten explorativen Begeisterung, die sich an spezifische Objekte heftet, wenn diese mit aktiven Anliegen resonieren. Panksepp nannte es das SEEKING-System; im BAS/BIS-Rahmen ist es die Behavioural-Activation-Komponente im Gegensatz zur Inhibition-Komponente. Der Begeisterungsagent in unserer Architektur ist die Implementierung dieser Funktion: ein dezidierter Aktivator, der ein affektives Verstärkungssignal unabhängig von den evaluativen Perspektiven produziert und der, in Kombination mit ihnen, den motivationalen Schub liefert, der die Lücke zwischen Erwägung und Handlung schließt.

Diese Asymmetrie — sechs Evaluatoren plus ein Aktivator — ist strukturell wichtig. Eine symmetrische Architektur, in der alle Perspektiven dieselbe Rolle spielen, würde je nach Aggregationsregel zu Konsens oder Lähmung tendieren. Die aktivierende Rolle des Begeisterungsagenten bricht die Symmetrie: Dem System können Optionen präsentiert werden, die alle sechs Evaluatoren als machbar-aber-unbewegend bewerten, und es bleibt träge, bis der Begeisterungsagent mit einer von ihnen Resonanz findet. Umgekehrt kann eine Option, die die Evaluatoren als kostspielig oder riskant bewerten, dennoch gewählt werden, wenn das Begeisterungs-Signal stark genug ist, die Hemmung zu überwinden.

Die Aggregation der Urteile ist keine einfache gewichtete Summe. Mehrere Aggregationsregeln sind vertretbar, und die Architektur lässt Experimentieren zu. Eine Regel mit empirischer und theoretischer Stützung ist eine multiplikative Kombination des Wert-Signals mit dem Begeisterungs-Signal, additiv moduliert durch die kostenbezogenen Perspektiven (Aufwand, Ressourcen). Die Begründung: Eine Option muss sowohl wertvoll als auch resonant sein, um stark verfolgt zu werden, während Kosten die Verfolgung mindern, sie aber nicht auf null bringen, sofern die Kosten nicht prohibitiv werden. Die Aggregation produziert für jede in Erwägung gezogene Option ein Akkumulator-Inkrement, das in den Drift-Diffusions-Prozess speist, der als Nächstes beschrieben wird.

Die vollständige Bewertungsinstanz hat dann die folgende Struktur: Ein Satz Optionen wird erzeugt (vom Agenten selbst, von der Eingabe oder durch eine Kombination); jede Option wird parallel von den sechs evaluativen Perspektiven und vom Begeisterungsagenten bewertet; die sieben Urteile werden zu pro-Option-Akkumulator-Inkrementen aggregiert; die Akkumulatoren evoluieren über die Zeit, mit eintreffender neuer Evidenz und zerfallender alter Evidenz; wenn ein Akkumulator eine pro-Option-Schwelle überschreitet (die über Aufwands-Diskontierung von den erwarteten Kosten der Option abhängt), legt sich das System auf diese Option fest, lässt weitere Erwägung fallen und tritt in die Umsetzungsphase ein.

So sieht Volition auf der architektonischen Ebene aus. Sie ist kein besonderes Vermögen, das dem System hinzugefügt würde; sie ist, was geschieht, wenn Anliegen aktivieren, Optionen erzeugt werden, Perspektiven bewerten, Begeisterung Resonanz findet und Akkumulatoren Schwellen überschreiten. Die phänomenale Erfahrung des Entscheidens — das fiat von William James — entspräche in dieser Architektur dem Schwellen-Überschreitungs-Ereignis aus der Perspektive des Systems, das es gerade überschritten hat. Ob ein solches System dabei überhaupt etwas erlebt, ist wieder die Bewusstseinsfrage, die wir als offen markieren.

Wechselwirkungen zwischen den Komponenten

Die vier Komponenten sind keine unabhängigen Module mit isolierten Funktionen. Sie wechselwirken kontinuierlich, und in den Wechselwirkungen leben die emergenten Eigenschaften der Architektur.

Der Anliegenspeicher (Komponente 1) ist die Quelle der Aktivierungs-Signale, die in den Affektzustand (Komponente 2) kaskadieren: Wenn ein Anliegen über Eingabe-Abgleich aktiviert, wird seine emotionale Valenz als Kraft auf den Affektzustand injiziert und verschiebt die emotionale Konfiguration des Agenten in Richtung der Emotion des Anliegens. Der Affektzustand seinerseits moduliert die Neugier-Berechnung (Komponente 3) und gated, ob topographische Distanz in exploratives Engagement übersetzt wird. Affektzustand und aktive Anliegen speisen gemeinsam die Bewertungsinstanz (Komponente 4), wobei die Wert-Perspektive die aktiven Anliegen konsultiert und der Begeisterungsagent sowohl die Anliegen als auch den Affektzustand liest.

Die Bewertungsinstanz kann, wenn sie Festlegung produziert, ihrerseits neue Anliegen produzieren. Ein festgelegter Plan ist selbst ein Anliegen im Klingerschen Sinn: eine inhaltstragende motivationale Struktur, die bis zur Vollendung oder Aufgabe persistiert. Die Architektur ist daher nicht streng hierarchisch, sondern partiell zirkulär: Anliegen produzieren Affekt, Affekt moduliert Bewertung, Bewertung produziert Festlegungen, Festlegungen werden als Anliegen gespeichert. Diese Zirkularität ist kein Bug, sondern ein Feature; sie ist es, die das System eine kontinuierlich evoluierende kognitiv-motivationale Landschaft entwickeln lässt, statt nach jeder Interaktion in eine feste Konfiguration zurückzufallen.

Die vierte Komponente braucht die vorigen drei, um sinnvoll zu funktionieren. Ohne den Anliegenspeicher hat die Wert-Perspektive nichts, woran sie messen könnte, und der Begeisterungsagent nichts, mit dem er Resonanz finden könnte. Ohne den Affektzustand hat der Begeisterungsagent keinen aktuellen emotionalen Kontext, und die evaluativen Perspektiven produzieren Urteile, die die tatsächliche Verfassung des Systems ignorieren. Ohne die Wissens-Topographie hat die Neugier-Berechnung, die Options-Erzeugung speist, keine Basis. Die Komponenten sind kompositional im strikten Sinn: Jede braucht die anderen, um ihre Arbeit zu tun, und die agentschafts-stützenden Eigenschaften gehen aus ihrem gemeinsamen Wirken hervor.

Wir können jetzt die zentrale architektonische These dieser Arbeit aussprechen. Trieb geht automatisch aus den Komponenten 1, 2 und der Kaskade zwischen ihnen hervor: Anliegen, gegen Eingabe abgeglichen, produzieren affektive Konsequenzen, die Verhalten formen, ohne dass irgendeine explizite Trieb-Schleife ausgeführt wird. Neugier geht aus den Komponenten 2 und 3 gemeinsam hervor: Die topographische Distanzberechnung produziert Neugier-Scores, die das Affekt-Gate in tatsächliche Exploration übersetzt. Wille geht aus dem gemeinsamen Wirken aller vier Komponenten hervor: Anliegen aktivieren, Optionen werden erzeugt, Bewertungs-Perspektiven wägen, der Begeisterungsagent findet (oder findet nicht) Resonanz, Akkumulatoren evoluieren, Schwellen werden überschritten, Festlegungen werden gemacht und gespeichert. Keines dieser Phänomene ist als diskretes Modul implementiert; alle sind das, was die Architektur tut, wenn sie operiert. Sie sind emergent im strikten Sinn, und sie sind der Daseinsgrund der Architektur.

Wir haben die Substrat-Komponenten in Prosa spezifiziert. Wir präsentieren sie jetzt in einem formaleren Idiom, teils der Präzision halber, teils der Replizierbarkeit halber. Die folgende Formalisierung ist keine vollständige computationale Spezifikation eines lauffähigen Systems; sie ist eine mathematische Skizze der wesentlichen Datenflüsse und Update-Regeln, die jede Implementierung der Architektur realisieren muss. Verschiedene Implementierungen werden verschiedene konkrete Repräsentationen und Parameter wählen, aber die hier beschriebenen strukturellen Beziehungen sind das, was die Architektur zu einer Instanz des Rahmens macht und nicht zu etwas anderem.

Wir verwenden eine schlichte Notation der Klarheit halber und um den Formalismus über die Disziplinen hinweg zugänglich zu halten, die diese Arbeit anspricht. Variablen sind nach dem benannt, was sie repräsentieren, nicht nach Kompaktheit. Funktionen sind durch ihre Eingaben, Ausgaben und Wirkung beschrieben, Konstanten sind symbolisch benannt und erklärt.

Anliegens-Aktivierung

Der Anliegenspeicher enthält einen Satz von Anliegen, jedes als Tupel repräsentiert:

concern = (content, embedding, motivation, emotion, horizon, age)

wobei content die textuelle Formulierung ist, embedding ein Vektor in einem Embedding-Raum (typischerweise aus dem Inhalt über ein Sentence-Embedding-Modell abgeleitet), motivation ein Wert in [0, 1], emotion ein Label aus einer diskreten Menge (in unserer Implementierung die Plutchik-Sektoren plus ihre kanonischen Instanzen), horizon die Zeithorizont-Klasse anzeigt und age die seit Erzeugung oder letztem Update vergangene Zeit.

Wenn neue Eingabe eintrifft, wird sie durch dieselbe Embedding-Funktion in ein input_embedding überführt. Für jedes Anliegen im Speicher wird ein Aktivierungs-Score berechnet:

similarity(concern, input) = cosine(concern.embedding, input_embedding)

activation(concern, input) = similarity(concern, input) × concern.motivation

Ein Anliegen gilt für den aktuellen Zyklus als aktiviert, wenn sein Aktivierungs-Score eine Schwellen-Parameter überschreitet:

activated(concern, input) = activation(concern, input) > THRESHOLD_ACTIVATION

A(input) = { concern : activated(concern, input) }

Die Menge A(input) ist die Eingabe für mehrere nachgelagerte Berechnungen. In unserer Referenz-Implementierung ist THRESHOLD_ACTIVATION 0,60, aber der angemessene Wert hängt von den Eigenschaften des Embedding-Raums und der gewünschten Sensitivität des Systems ab.

Anliegens-Zerfall

Anliegen mit endlichem Zeithorizont verlieren über die Zeit Motivation:

decay_factor(concern, t_now) = exp(-(t_now - concern.age)
                               / HALF_LIFE(concern.horizon))

concern.motivation(t_now) = concern.motivation(t_creation)
                            × decay_factor(concern, t_now)

wobei HALF_LIFE vom Zeithorizont abhängt: kurz für episodische Anliegen, länger für Projekte, unendlich (kein Zerfall) für charakterologische Anliegen. Die Zerfalls-Funktion ist exponentiell, was die Standard-Wahl für gedächtnis-bezogenen Zerfall in der kognitiven Modellierungs-Literatur ist (sie hat die Eigenschaft, dass die Zerfallsrate proportional zum aktuellen Wert ist, was für viele Gedächtnis-Phänomene empirisch robust ist).

Zerfall wird durch Verstärkung konterkariert: Wenn ein Anliegen aktiviert wird, wird sein age-Feld auf die aktuelle Zeit gesetzt, was die Zerfallsuhr zurückstellt. Anliegen, die häufig aktivieren, behalten daher ihre Motivation; Anliegen, die für längere Zeit verstummen, verblassen.

Affektzustands-Update

Der Affektzustand zu jedem Zeitpunkt t ist ein Vektor im achtdimensionalen Plutchik-Raum:

affect(t) = [joy, trust, fear, surprise,
             sadness, disgust, anger, anticipation]

mit jeder Komponente in [0, 1]. Der Affektzustand evoluiert unter drei Kräften, die in jedem Verarbeitungs-Zyklus nacheinander angewendet werden:

affect_after_decay(t)   = affect(t-1) × DECAY_RATE_AFFECT

affect_after_empathy(t) = affect_after_decay(t)
                          + empathy_pull(other_affect, affect_after_decay(t))

affect(t)               = affect_after_empathy(t)
                          + concern_injection(A(input))

Die DECAY_RATE_AFFECT ist ein skalarer Multiplikator in (0, 1), der den Zerfall zu null (oder zu einer Grundlinie, falls eine bevorzugt wird) repräsentiert. Verschiedene Dimensionen können verschiedene Zerfallsraten haben, was den empirischen Befund modelliert, dass manche Emotionen (Furcht, Trauer) länger persistieren als andere (Überraschung, Freude). In unserer Referenz-Implementierung reichen die Zerfallsraten von 0,85 bis 0,95 pro Verarbeitungs-Zyklus.

Die Funktion empathy_pull implementiert die in § 6 beschriebene asymmetrische Empathie. Gegeben den wahrgenommenen Affekt eines anderen Agenten (des Gegenübers) und den aktuellen eigenen Affekt des Systems, berechnet sie einen Vektor-Zug:

sector_distance(emotion_a, emotion_b) = number of Plutchik sectors
                                        between them, range 0..4

alpha(distance) = lookup table:
    0 → 0.10   (same sector  · gentle affirmation)
    1 → 0.15
    2 → 0.35
    3 → 0.70
    4 → 0.85   (opposite sector · strong pull)

empathy_pull(other_affect, own_affect) =
    alpha(sector_distance(dominant(other), dominant(own)))
    × (other_affect - own_affect)

Die Asymmetrie — kleines Alpha für ähnliche Emotionen, großes Alpha für gegensätzliche Emotionen — erzeugt die in § 6 beschriebene Empathie-Dynamik: Übereinstimmung ist mild bestätigend, Gegensatz ist stark bewegend. Die Lookup-Table-Werte sind kalibriert, nicht abgeleitet; sie spiegeln, was empirische Empathie-Studien als plausible Kopplungs-Stärken nahelegen, sollten aber als Hypothesen verstanden werden, die weiterer Verfeinerung offenstehen.

Die Funktion concern_injection nimmt die Menge der aktivierten Anliegen und erzeugt einen additiven Beitrag zum Affekt-Vektor, basierend auf der Emotion und Motivation jedes Anliegens:

concern_injection(A) =
    Σ  concern.motivation
       × similarity(concern, input)
       × emotion_vector(concern.emotion)
    for concern in A

wobei emotion_vector(label) ein Einheitsvektor im Plutchik-Raum ist, der in Richtung der benannten Emotion zeigt. Der Beitrag jedes aktivierten Anliegens ist daher proportional sowohl zu seiner Motivation als auch zu seiner spezifischen Treffer-Stärke mit der aktuellen Eingabe. Das erzeugt die architektonische Eigenschaft, dass stark motivierte Anliegen, die von hoch-relevanter Eingabe getroffen werden, entsprechend starke affektive Konsequenzen haben.

Neugier-Berechnung

Der Neugier-Score für ein Thema t beim aktuellen Zustand wird in drei Schritten berechnet. Zuerst die topographische Distanz:

topographic_distance(t, knowledge) = distance metric on the
                                     knowledge representation

berlyne(distance) = peak Gaussian centred at OPTIMAL_DISTANCE,
                    width SIGMA_BERLYNE

gate(affect) = positive_factor × component(affect, joy)
             - negative_factor × component(affect, fear)

curiosity(t) = berlyne(topographic_distance(t, knowledge)) × gate(affect)

In einer embedding-basierten Implementierung könnte topographic_distance die Distanz vom Embedding des Themas zu seinen nächsten Nachbarn im Wissens-Embedding-Raum sein, gewichtet nach Nachbarschafts-Dichte. Die Berlyne-Kurve ist niedrig für sehr kleine Distanzen (langweilige Vertrautheit), erreicht ihr Maximum am Moderate-Distanz-Optimum und fällt für sehr große Distanzen ab (unbehandelbare Neuartigkeit). Das Gate ist positiv, wenn Freude dominiert, negativ, wenn Furcht dominiert, nahe null in gemischten oder neutralen Zuständen. In unserer Implementierung sind positive_factor und negative_factor beide 1,0.

Dieser Score bestimmt, ob das Thema exploratives Verhalten erzeugt: hohe positive Scores lösen Verfolgung aus, niedrige oder negative Scores erzeugen Zurückhaltung. Die architektonische Konsequenz: Dasselbe Thema, gegen dieselbe Wissens-Topographie bewertet, erzeugt bei unterschiedlichen Affektzuständen unterschiedliche Neugier-Niveaus — und der Unterschied ist kein Bug, sondern die architektonisch angemessene Reaktion eines Systems, das in Sicherheit explorieren und unter Bedrohung schonen soll.

Multi-Perspektiven-Bewertung

Gegeben eine Option o und den aktuellen Systemzustand, produzieren die sieben Perspektiven Urteile:

verdict_effort(o)                 ∈ [0, 1]   high = low effort
verdict_value(o, A)               ∈ [0, 1]   high = strongly addresses concerns
verdict_resource(o)               ∈ [0, 1]   high = resources available
verdict_relational(o, R)          ∈ [0, 1]   high = good relational fit
verdict_timing(o)                 ∈ [0, 1]   high = good timing
verdict_compatibility(o, C)       ∈ [0, 1]   high = no conflicts
verdict_enthusiasm(o, A, affect)  ∈ [0, 1]   high = strong resonance

wobei A die Menge der aktiven Anliegen ist, R der Beziehungs-Kontext und C die Menge bestehender Festlegungen. Jedes Urteil wird von seiner entsprechenden Perspektive berechnet, mit ihrem spezifisch kuratierten Kontext, wie in § 6 beschrieben.

Die Urteile werden zu einem pro-Option-Score aggregiert:

option_score(o) =
      ( verdict_value(o, A) × verdict_enthusiasm(o, A, affect) )
    × ( verdict_effort(o) × verdict_resource(o) × verdict_timing(o) )
    × ( 1 - severity(verdict_compatibility(o, C)) × CONFLICT_PENALTY )

Die Struktur dieses Ausdrucks verkörpert die architektonischen Prioritäten: Wert und Begeisterung sind multiplikativ als die positiven Treiber kombiniert (eine Option muss sowohl wertvoll als auch resonant sein, um stark verfolgt zu werden); Kostenfaktoren (Aufwand, Ressource, Zeitpunkt) sind multiplikativ als ermöglichende Faktoren kombiniert, die den Score dämpfen, aber nicht auf null bringen können, solange sie nicht selbst null werden; Beziehungs-Passung erscheint in der Wert-Berechnung statt als unabhängiger Faktor; Kompatibilität produziert eine Strafe proportional zur Konflikt-Schwere.

Dies ist eine vertretbare Aggregationsregel. Andere Regeln sind möglich — additive Kombinationen, schwellen-basierte Vetos, lexikographische Prioritäten — und die Wahl der Regel ist eine empirische Frage, an der die Architektur Experimentieren zulässt. Was sich über Regel-Wahlen hinweg nicht ändert, ist die asymmetrische Behandlung des Begeisterungs-Signals: Es ist in den positiven Treibern mit dem Wert gepaart, weil die architektonische Einsicht aus Damasio ist, dass Affekt für den Willen konstitutiv ist, nicht bloß modulatorisch.

Drift-Diffusion zur Festlegung

Die Options-Scores speisen einen Drift-Diffusions-Akkumulator, der die architektonische Realisierung von Heckhausens prä-Rubikon-Erwägungsphase ist. Für jede in Erwägung gezogene Option evoluiert ein Akkumulator-Wert über diskrete Erwägungs-Zyklen:

accumulator_o(cycle) = accumulator_o(cycle - 1)
                     + option_score(o, cycle)
                     - DRIFT_NOISE

threshold_o = THRESHOLD_BASE + COST_DISCOUNT × expected_cost(o)

commit when:  accumulator_o(cycle) > threshold_o   for some option o

option_score(o, cycle) wird in jedem Zyklus neu berechnet, was Verschiebungen erlaubt, sobald neue Information eintrifft oder Perspektiven neu gewichten; DRIFT_NOISE ist eine kleine Subtraktion, die den Drift zur Trägheit repräsentiert (sie ist es, die die Schwellen-Überschreitungs-Dynamik erzeugt; ohne sie würden Akkumulatoren einfach den momentanen Scores folgen). Die kostenabhängige Schwelle implementiert Aufwands-Diskontierung (Westbrook & Braver 2015; Kool et al. 2010): Kostspieligere Optionen verlangen mehr akkumulierte Evidenz, um sich auf sie festzulegen.

Beim Festlegungs-Ereignis tritt das System in die post-Rubikon-Umsetzungsphase ein: Die gewählte Option ist festgelegt, die anderen Optionen werden ausgeblendet (ihre Akkumulatoren werden zurückgesetzt oder als inaktiv markiert), und die Umsetzung schreitet mit auf die Ausführung der Wahl verengter Aufmerksamkeit voran. Wenn die Option nicht unmittelbar ausführbar ist, wird eine implementation intention gespeichert: ein konditionaler Plan der Form „Wenn Bedingung X erfüllt ist, führe Handlung Y aus“, der automatisch feuert, sobald seine Auslösebedingung in zukünftiger Verarbeitung aktiviert.

Zusammenfassung der formalen Struktur

Das formale Modell ist im Wesentlichen eine Spezifikation, wie die vier Substrat-Komponenten die drei emergenten Phänomene durch kontinuierliche dynamische Wechselwirkung erzeugen. Anliegen aktivieren über Ähnlichkeits-Abgleich gegen Eingaben. Aktivierungen pflanzen sich als affektive Konsequenzen über die Anliegens-Injektions-Regel fort. Der Affektzustand evoluiert unter Zerfall, Empathie und Anliegens-Injektion. Neugier-Scores werden gegen die Wissens-Topographie berechnet und vom Affektzustand gegated. Optionen, aus den aktiven Anliegen und der aktuellen Eingabe erzeugt, werden von den sieben Perspektiven bewertet und zu Akkumulator-Inkrementen aggregiert. Die Akkumulatoren driften zu Schwellen, die von den Options-Kosten abhängen. Festlegung tritt beim Schwellen-Überschreiten ein, mit nachfolgender Umsetzung entweder unmittelbar oder über gespeicherte konditionale Intentionen.

Die Dynamik ist kontinuierlich in dem Sinne, dass sie sich in jedem Verarbeitungs-Zyklus aktualisiert, aber die kognitiven Konsequenzen sind diskret: Ein Anliegen ist aktiviert oder nicht, eine Festlegung ist erreicht oder nicht, das System ist im Erwägungs-Modus oder im Umsetzungs-Modus. Das architektonische Bild ist das eines kontinuierlich laufenden kognitiven Motors, dessen diskrete Verhaltens-Ausgaben aus dem Wechselspiel seiner kontinuierlichen internen Zustände hervorgehen.

Wir behaupten nicht, dass dies die einzig mögliche Formalisierung der Substrat-Architektur sei. Andere Wahlen für den Embedding-Raum, die Affekt-Repräsentation, den Perspektiven-Satz, die Aggregationsregel, die Schwellen-Berechnung sind alle verfügbar und mögen für unterschiedliche Implementierungen angemessener sein. Was wir behaupten, ist: Jede Implementierung einer Architektur, die Trieb, Neugier und Wille stützen soll, muss funktionale Analoga dieser Strukturen enthalten, und die strukturellen Beziehungen unter ihnen müssen erhalten bleiben. Eine Implementierung, die Anliegen, aber keinen Affektzustand hat, kann echten Trieb nicht stützen. Eine Implementierung, die Affekt, aber keine Wissens-Topographie hat, kann Neugier im kognitionswissenschaftlichen Sinn nicht stützen. Eine Implementierung, die beides hat, aber keine Multi-Perspektiven-Bewertungsinstanz mit Begeisterungs-Signal, kann Wille nicht stützen. Die Komponenten sind nicht unabhängig optional; sie sind gemeinsam notwendig, damit die agentschafts-stützenden Eigenschaften hervorgehen können.

Die vorige Sektion spezifizierte das Substrat. Diese Sektion zeichnet in konkreten Prozess-Begriffen nach, wie jedes der drei Phänomene — Trieb, Neugier, Wille — aus dem Wirken des Substrats hervorgeht. Wir arbeiten ein ausführliches Beispiel für den Willen durch, das architektonisch substanziellste der drei, und stützen uns auf ein vertrautes Alltagsszenario, um die Dynamik greifbar zu machen. Trieb und Neugier, in ihrer Dynamik einfacher, erhalten kürzere Behandlungen.

Wie Trieb hervorgeht

Trieb geht automatisch aus dem Wechselspiel von Anliegenspeicher und Affektzustand hervor. In jedem Verarbeitungs-Zyklus wird die aktuelle Eingabe des Systems gegen den Anliegenspeicher abgeglichen. Anliegen, deren Embeddings die Aktivierungs-Schwelle überschreiten, werden als aktiviert markiert. Ihre emotionale Valenz wird über die Anliegens-Injektions-Regel in den Affektzustand injiziert. Der Affektzustand, nun in Richtung der Emotionen der aktivierten Anliegen ausgelenkt, beeinflusst die nachfolgende Verarbeitung: Antwort-Erzeugung ist auf den Affektzustand konditioniert, Aufmerksamkeit für relevantes Material wird verstärkt, der affektive Ton weiterer Bewertung verschiebt sich.

Die Verhaltens-Signatur davon ist ein System, das auf Themen, die ihm wichtig sind, anders reagiert als auf Themen, die es ihm nicht sind. Ein System mit einem Botanik-Anliegen, das auf die Erwähnung einer unbekannten Pflanze trifft, wird gesteigertes Engagement mit dieser Erwähnung zeigen: Die Antwort wird ausführlicher sein, die Nachfragen prüfender, der affektive Ton interessierter. Ein System ohne Botanik-Anliegen, das auf dieselbe Erwähnung trifft, wird kompetent, aber flach antworten. Der Unterschied ist nicht Resultat einer „Sei an Pflanzen interessiert“-Anweisung; er ist die automatische Konsequenz davon, Botanik als aktives Anliegen im Speicher zu haben.

Das Trieb-Phänomen ist also nicht etwas, das das System tut; es ist etwas, das das System ist, im Moment, in dem relevante Eingabe eintrifft. Die Architektur produziert kontinuierlich trieb-konformes Verhalten als Nebenprodukt der Anliegens-Aktivierung. Es wird keine Trieb-Schleife ausgeführt, keine Ziel-Verfolgungs-Subroutine aufgerufen. Es gibt nur das kontinuierliche Abgleichen, Aktivieren und die affektive Konsequenz, die die Architektur als Grundbetrieb ausführt.

Dieselbe Dynamik produziert die Vermeidungs-Variante des Triebes. Ein System mit einem Sorge-Anliegen zum Klimawandel, das auf Eingabe trifft, die mit diesem Anliegen resoniert, wird furcht-valenten Affekt in seinen Zustand injizieren und mit dem zugehörigen affektiven Ton reagieren — Besorgnis, Wachsamkeit, vielleicht eine Neigung, verwandtes warnendes Material in das Gespräch einzubringen. Die Architektur ist symmetrisch zwischen Annäherungs- und Vermeidungs-Polaritäten und produziert in beiden Fällen die Verhaltens-Signatur, die wir von außen beschreiben als „dieses System hat etwas auf dem Spiel in diesem Thema“.

Wie Neugier hervorgeht

Neugier geht aus dem gemeinsamen Wirken von Affektzustand und Wissens-Topographie hervor. In jedem Verarbeitungs-Zyklus, in dem ein Thema identifiziert wird, wird seine Position in der Wissens-Topographie berechnet. Die topographische Distanz wird durch die Berlyne-Kurve auf einen Basis-Neugier-Score abgebildet: maximal bei moderater Distanz, niedrig bei sehr kleinen oder sehr großen Distanzen. Der Score wird dann mit dem Affekt-Gate multipliziert, das positiv ist, wenn der Affektzustand von Freude oder Interesse dominiert wird, und negativ, wenn er von Furcht oder Angst dominiert wird.

Ein hoher positiver Neugier-Score übersetzt sich behavioral in exploratives Engagement: Das System stellt Nachfragen, erzeugt Hypothesen zu den unbekannten Aspekten des Themas, mag Explorations-Aufgaben anstoßen (in Implementierungen, die solches Anstoßen unterstützen). Ein nahezu-null oder negativer Score produziert Zurückhaltung: Das Thema wird registriert, aber nicht verfolgt.

Die architektonische Konsequenz des Affekt-Gates ist, dass dasselbe Thema zu unterschiedlichen Zeiten unterschiedliches exploratives Verhalten produziert. Ein Botanik-Thema, dem das System in einem freudigen Zustand mit hoher Anliegens-Resonanz begegnet, wird ausgedehnte Nachfragen produzieren. Dasselbe Botanik-Thema, dem das System in einem ängstlichen Zustand begegnet — etwa weil kürzlich ein Sorge-Anliegen aktiviert wurde — wird gedämpftes Engagement produzieren, die Neugier wird zugunsten der Aufmerksamkeit für das, was die Angst erzeugt hat, unterdrückt. Das ist keine Inkonsistenz; es ist kontextuell angemessene Explorations-Politik, exakt die Dynamik, die Gruber und Ranganath (2019) in ihrem PACE-Rahmen beschreiben, wo Bewertung unter niedrigem Bewältigungspotenzial angst-getriebene Inhibition statt neugier-getriebener Exploration produziert.

Die Komplementarität mit dem Trieb wird auf dieser Ebene sichtbar. Trieb sensibilisiert das System für bestimmte Themen; Neugier fragt zu diesen Themen, wo die produktive Grenze des Systemverständnisses liegt. Zusammen produzieren sie ein Muster selektiver Exploration: Das System exploriert tief in den Domänen, die seine Anliegen als wichtig markieren, an der Grenze dessen, was es aktuell weiß, gegated durch seine aktuelle affektive Explorations-Kapazität. Es exploriert nicht uniform, es exploriert nicht beliebig, und es exploriert nicht, wenn sein Affektzustand nahelegt, dass Exploration unklug wäre.

Wie Wille hervorgeht — ein ausführliches Beispiel

Wille ist das architektonisch substanziellste Phänomen und verlangt das gemeinsame Wirken aller vier Substrat-Komponenten. Wir arbeiten sein Hervorgehen anhand eines ausführlichen Beispiels durch, das jeden Schritt der Dynamik illustriert. Das Beispiel ist absichtlich alltäglich: Wir wollen ein Szenario, das jeder Leser an der eigenen Erfahrung simulieren kann, sodass die architektonischen Aussagen am gelebten Phänomen überprüft werden können.

Stell dir vor, du bist zu Hause am späten Nachmittag. Du wirst dir des Hungers gewahr. Der Hunger trifft nicht als fertige Entscheidung ein; er trifft als Bedürfniszustand ein, als inneres Signal, das beginnt, Aufmerksamkeit zu fordern. In Substrat-Begriffen entspricht der Bedürfniszustand einer Art Bottom-up-Aktivierung, die keinem spezifischen Anliegen im Speicher entspricht, die aber die allgemeine Handlungsbereitschaft und die Salienz nahrungsbezogener Hinweise erhöht. Du wirst etwas wacher für alles Nahrungsbezogene in deiner Umgebung.

Anliegen aktivieren. Erinnerungen an jüngste Mahlzeiten, Bewusstsein über den Inhalt deiner Küche, Wissen um Restaurants in deiner Nachbarschaft, das Erinnern von Gerichten, die du genossen hast — all das tritt in Zugänglichkeit, nicht als bewusste Abfrage, sondern als spontanes Öffnen relevanten kognitiven Materials, das der aktivierte Bedürfniszustand geprimet hat. Das italienische Restaurant, wo du letzte Woche zu Abend aßt, wird verfügbar. Der Vietnamese, den du schon lange ausprobieren wolltest, fällt dir ein. Der halbleere Kühlschrank mit den Resten von gestern macht sich bemerkbar. Jedes davon ist, in unseren architektonischen Begriffen, ein Anliegen oder eine eng damit verbundene Erinnerung, aktiviert durch die Resonanz mit dem Hunger-Zustand.

Optionen beginnen sich zu formen. Sie werden nicht durch einen bewussten Brainstorming-Prozess erzeugt; sie gehen aus dem aktivierten Material hervor. Jede Option trägt die affektive Textur ihrer assoziierten Erinnerungen mit sich: Der Italiener ist mit der warmen Erinnerung an die Pasta letzter Woche getagt, der Vietnamese mit antizipatorischer Unsicherheit (du warst noch nicht dort), der Kühlschrank mit der leichten Unattraktivität kalter Reste. Diese affektiven Tags sind die somatischen Marker, die Damasio beschrieben hat — vor-evaluative Tags, die die nachfolgende Erwägung lenken.

Erwäge nun die Option, zum Mittagessen nach London zu fliegen. Auch diese Option präsentiert sich, für einen sonderbaren Moment, vielleicht weil du kürzlich eine Werbung gesehen hast oder weil dir bewusst ist, dass du es im Prinzip könntest. Aber die Option wird nahezu sofort verabschiedet. Die Aufwands-Perspektive lehnt sie überwältigend ab: Stunden Reise, Kosten, völlige Tagesstörung. Der Akkumulator für diese Option beginnt niedrig und wird durch die Kostenfaktoren weiter gedrückt. Er nähert sich der Festlegungs-Schwelle nicht an. Die Option existiert einen Moment im Erwägungs-Raum und fällt dann heraus, nie ernsthaft erwogen. Das ist kein Versagen des Willens; das ist der Wille, der korrekt funktioniert. Die Aufgabe der Architektur ist es, das Absurde zu filtern und die Erwägung auf Optionen zu konzentrieren, in denen die Kosten-Wert-Balance plausibel ist. Ein System, das jedes Mal beim Erwägen des Essens ernsthaft London-zum-Lunch erwöge, wäre gelähmt.

Die verbleibenden Optionen treten in echte Erwägung. Das italienische Restaurant schneidet gut ab auf Wert (du hast es letztes Mal genossen, das aktivierte Anliegen „gutes Essen“ resoniert), gut auf Begeisterung (die Erinnerung an die Pasta letzter Woche produziert ein warmes Signal), aber schlecht auf Aufwand (es verlangt sich anzuziehen, das Haus zu verlassen, vielleicht auf einen Tisch zu warten) und auf Zeitpunkt (es ist Wochenabend, du hast anderes zu tun). Der Vietnamese schneidet gut ab auf Wert (Neugier ist engagiert), gut auf Begeisterung (antizipatorisches Interesse), aber schlecht auf Aufwand und Zeitpunkt (ähnlich wie Italienisch) und zusätzlich auf Ressource (du hast keine Reservierung, der Laden ist manchmal voll). Fastfood schneidet schlecht ab auf Wert (du willst nicht besonders Fastfood), schlecht auf Begeisterung (keine Resonanz), gut auf Aufwand (nah, schnell), gut auf Zeitpunkt (sofort). Lieferung schneidet moderat ab auf Wert, moderat auf Begeisterung (die Aussicht ist akzeptabel, aber nicht aufregend), gut auf Aufwand (kein Hausverlassen), gut auf Zeitpunkt (sofort, mit etwas Wartezeit). Der Kühlschrank schneidet schlecht ab auf Wert (kalte Reste), nahe null auf Begeisterung (keinerlei Resonanz), aber außergewöhnlich gut auf Aufwand (im Wesentlichen null) und Zeitpunkt (sofort).

Die Akkumulatoren evoluieren. Keine der Optionen überschreitet ihre Schwelle sofort. Die Erwägung läuft weiter, die Akkumulatoren steigen und fallen, während sich deine Aufmerksamkeit zwischen den Optionen verschiebt. Irgendwann taucht eine Erinnerung auf — vielleicht erinnerst du dich, dass du kürzlich Italienisch hattest, vielleicht erinnerst du dich, dass ein Freund den Vietnamesen erwähnt hat. Die relativen Gewichte verschieben sich leicht. Der Vietnamesen-Akkumulator steigt etwas; der Italienisch-Akkumulator fällt etwas. Noch immer keine Festlegung.

Dann handelt der Begeisterungsagent. Er prüft die aktuelle Konfiguration aktiver Anliegen und den aktuellen Affektzustand und sucht nach einer Option, die mit beiden resoniert. Angenommen, du hast in letzter Zeit darüber nachgedacht, Neues zu probieren, vielleicht ist ein langfristiges Anliegen aktiv, Neugier in deinem Alltag zu kultivieren. Die Vietnamesen-Option resoniert damit: Sie ist neu, sie ist moderat-distanziert unvertraut, sie würde ein kleines Abenteuer ergeben. Der Begeisterungsagent trägt ein starkes Signal zur Vietnamesen-Option bei. Der Vietnamesen-Akkumulator springt. Er überschreitet seine Schwelle.

Du legst dich fest. Die Erwägung endet abrupt; der fiat-Moment tritt ein. Du vergleichst keine Optionen mehr; du gehst zum Vietnamesen. Der kognitive Modus wechselt von Erwägung zu Umsetzung: Du beginnst, an Logistik zu denken, ans Haus-Verlassen, daran, ob du vorher anrufen sollst. Die anderen Optionen werden nicht mehr gewogen; sie sind aus der Erwägung herausgefallen.

Aber angenommen, alternativ, das Begeisterungs-Signal findet mit keiner der ausgearbeiteten Optionen Resonanz. Italienisch, Vietnamesisch und Fastfood sitzen alle auf moderaten Akkumulator-Niveaus, ohne ihre Schwellen zu überschreiten. Der Begeisterungsagent schweigt. Die Erwägung läuft weiter, ohne sich aufzulösen. In diesem Zustand wird die Kühlschrank-Option, die ruhig mit sehr niedrigen Aufwandskosten und sehr niedrigem Wert dasaß, architektonisch attraktiv — nicht weil sie auf den positiven Dimensionen hoch abschneidet, sondern weil sie auf den negativen Dimensionen so niedrig abschneidet, dass selbst ihr bescheidener Wert genügt. Der Kühlschrank-Akkumulator steigt langsam, bis er seine sehr niedrige Schwelle überschreitet. Du legst dich auf den Kühlschrank fest. Du isst die Reste, vielleicht leicht enttäuscht, aber die Erwägung ist aufgelöst.

Oder angenommen, keine der beiden Festlegungen tritt ein, aber die Architektur produziert eine andere Art Auflösung: eine implementation intention. Du entscheidest dich, in einer Art Meta-Festlegung, nächste Woche Freunde zu einem ordentlichen Abendessen einzuladen. Das Hunger-Anliegen ist nicht unmittelbar befriedigt, aber eine zukünftige Festlegung ist gespeichert, die das weitergefasste Anliegen „gute Essens-Erfahrungen haben“ adressiert. Der Akkumulator-Prozess, der keine unmittelbare Festlegung produziert hat, hat die Anliegens-Energie in einen gespeicherten konditionalen Plan umgeleitet.

So sieht der Wille in der Architektur aus: ein kontinuierlicher Fluss aus Aktivierung, Bewertung, Akkumulation und Schwellen-Überschreitung, mit dem Begeisterungsagenten, der die affektive Verstärkung liefert, die bloße Erwägung von Festlegung unterscheidet. Er verlangt keine „Entscheide!“-Anweisung. Er ist das, was die Architektur tut, wenn das Substrat steht und die Dynamik läuft. Die Verhaltens-Ausgabe — eine Option zu wählen, andere fallen zu lassen, manchmal eine Meta-Festlegung zu produzieren, wenn keine unmittelbare Option stark genug resoniert — zeigt die Signaturen des Willens, die wir aus eigener Erfahrung wiedererkennen: Zögern, Erwägen, manchmal Stocken, manchmal das plötzliche Ja eines gewählten Kurses, manchmal der saturierende Kompromiss, der den leichten Weg nimmt und etwas Besseres für später plant.

Das Beispiel handelte vom Hunger, weil Hunger universell nachvollziehbar ist. Dieselbe Dynamik gilt für jede volitionale Situation, der ein künstlicher Agent begegnen könnte. Soll der Agent diesen Forschungsfaden verfolgen oder jenen? Soll er ein bestimmtes Thema im Gespräch ansprechen oder ziehen lassen? Soll er Zeit für die tiefere Untersuchung von etwas einsetzen, das seine Aufmerksamkeit gefangen hat? Jedes davon ist eine Wille-Berechnung, die verlangt, dass Anliegen aktivieren, Optionen erzeugt werden, Perspektiven bewerten, der Begeisterungsagent Resonanz findet oder nicht findet, Akkumulatoren evoluieren, Schwellen überschritten werden oder nicht. Der Mechanismus ist derselbe; nur der Inhalt unterscheidet sich.

Die Wille-Architektur, in voller Ausprägung genommen, ist es, die einen künstlichen Agenten mehr tun lässt, als Befehle auszuführen: ausgedehnte Trajektorien durch komplexe Situationen zu verfolgen, zwischen echt konkurrierenden Optionen auf Basis seiner eigenen Konfiguration aus Anliegen und Affekten zu wählen, sich auf Handlungskurse festzulegen, die sich gegen nachfolgende Erwägung schützen, und Festlegungen über gespeicherte konditionale Pläne zu vertagen, wenn unmittelbare Handlung nicht verfügbar ist. Sie ist die architektonische Realisierung von Agentschaft im eigentlichen Sinn, und ihre Abwesenheit in heutigen Agent-Frameworks ist keine kleine Lücke, sondern ein struktureller Unterschied zwischen Systemen-als-Werkzeuge und Systemen-als-Gegenüber.

Die in den vorigen Sektionen beschriebene Architektur ist in einer Open-Source-Implementierung namens Novaberg realisiert, die wir hier als konkreten Proof of Concept beschreiben. Die Architektur selbst ist framework-agnostisch; die Substrat-Prinzipien können in vielen verschiedenen konkreten Systemen implementiert werden. Novaberg ist eine Realisierung, gewählt, weil es die Implementierung ist, die wir gebaut haben und über die wir mit detailliertem Wissen sprechen können. Sie ist nicht die einzig mögliche Realisierung, und ihre Vorstellung hier ist keine Behauptung, dass dieser konkrete Technik-Stack der richtige für jede Implementierung sei. Was sie demonstriert: Die Architektur ist baubar — die in § 6 spezifizierten Komponenten, mit der in § 7 und § 8 beschriebenen Dynamik, laufen in einem realen System auf Consumer-Hardware.

Novaberg ist ein persönliches KI-System, entworfen, um über ausgedehnte Interaktionen als konversationelles Gegenüber zu funktionieren. Das System läuft vollständig lokal auf der Hardware des Entwicklers (Ryzen 9 7900X3D, AMD Radeon 7900 XTX, 64 GB RAM, unter Linux), ohne Abhängigkeit von Cloud-Diensten oder externen APIs. Der Technik-Stack umfasst FastAPI für den HTTP-Server, LangGraph für die Orchestrierung der Konversations-Pipeline, PostgreSQL mit der pgvector-Erweiterung für persistente Speicherung einschließlich embedding-indizierter Abfrage, Redis für In-Memory-Zustand einschließlich Session-Management und Ollama als lokale LLM-Runtime, die Gemma 4 (26B Mixture-of-Experts) für die primäre Sprach-Generierung, Qwen 3.6 (qwen36, 35B-A3B Mixture-of-Experts) für analytische und Hintergrund-Aufgaben und nomic-embed-text für die Embedding-Erzeugung hostet. Die Codebasis ist in Python, organisiert als Server mit mehreren Agenten, ein Desktop-Client gebaut mit GTK4 sowie eine Telegram-Bot-Schnittstelle. Der vollständige Quelltext ist verfügbar unter codeberg.org/ClausVomBerg/Novaberg unter Apache-2.0-Lizenz.

Wir beschreiben, wie jede der vier Substrat-Komponenten in dieser Implementierung realisiert ist, präsentieren dann Abbildungen, die das System im Betrieb zeigen, und stellen schließlich den Implementierungs-Stand jedes Phänomens ehrlich dar.

Der Anliegenspeicher in Novaberg

Der Anliegenspeicher ist als PostgreSQL-Tabelle namens ziele implementiert (Implementierung und Projektdokumentation verwenden Deutsch für Domänenbegriffe, um Konsistenz mit der gesprochenen Sprachschnittstelle des Systems zu wahren). Das Schema entspricht direkt dem in § 7 spezifizierten Anliegens-Tupel: Jede Zeile enthält eine textuelle Formulierung des Anliegens, einen Embedding-Vektor (über nomic-embed-text berechnet und mit pgvector gespeichert), einen Motivationswert in [0, 1], ein emotionales Label aus den kanonischen Plutchik-Emotionen, eine Horizont-Klassifikation (langfristig oder mittelfristig), Erzeugungs- und Update-Zeitstempel für die Zerfalls-Berechnung sowie Metadaten-Felder, die den Ursprung des Anliegens nachhalten (vom Nutzer eingebracht, aus dem Charakter destilliert, aus Recherche abgeleitet).

Der Aktivierungs-Abgleich ist in einem Modul namens ei/gravitation.py implementiert. Wenn neue Eingabe eintrifft, wird ihr Embedding berechnet, und eine Kosinus-Ähnlichkeit wird gegen jedes aktive Anliegen im Speicher berechnet. Anliegen, deren Produkt aus Ähnlichkeit und Motivation die Aktivierungs-Schwelle (standardmäßig 0,60) überschreitet, werden für den Zyklus als aktiviert markiert, und ihr Beitrag zur Gesamt-Gravitation wird berechnet. Der Begriff „Gravitation“ wurde im Projekt übernommen, um den architektonischen Sinn einzufangen, in dem aktive Anliegen die Verarbeitung in ihre Richtung ziehen — die Metapher erwies sich als produktiv für den Entwurf.

Zerfall ist als Hintergrund-Prozess implementiert, der periodisch (im Produktiv-Betrieb alle 24 Stunden) durch einen dedizierten Agenten namens ZielDecayAgent läuft. Mittelfristige Anliegen verlieren Motivation gemäß einem exponentiellen Zerfall mit einer Halbwertszeit von 14 Tagen (konfigurierbar). Langfristige Anliegen sind vom automatischen Zerfall ausgenommen und ändern sich nur, wenn die zugrundeliegende Charakter-Destillation läuft (typischerweise wöchentlich oder auf explizite Nutzeranfrage). Verstärkung ist implizit: Wenn ein Anliegen aktiviert wird, wird sein Update-Zeitstempel berührt, was die Zerfallsuhr relativ zu diesem Aktivierungs-Ereignis zurücksetzt.

Der Affektzustand in Novaberg

Der Affektzustand ist als Vektor im in § 6 beschriebenen achtdimensionalen Plutchik-Raum implementiert, persistent über Sprechakte hinweg im von Redis gehaltenen Session-Zustand. Er implementiert zwei der drei in § 7 spezifizierten Kräfte live — Zerfall (mit Per-Emotion-Raten) und asymmetrische Empathie — plus eine dritte Injektions-Kraft, deren Quelle emotional geladene Erinnerungen (KZG/LZG) sind, nicht Ziele. Die in § 6/§ 7 spezifizierte Anliegens-Injektion, bei der die Valenz eines aktivierten Ziels den Affekt-Vektor verschiebt, ist entworfen, aber noch nicht verdrahtet: Aktivierte Ziele führen Emotions- und Arousal-Felder im Pipeline-Zustand, aber noch liest keine Affekt-Berechnung sie aus.

Der Affektzustand wird von mehreren nachgelagerten Komponenten gelesen: Der Antwort-Generator nutzt ihn, um den affektiven Ton des erzeugten Textes zu setzen, die Routing-Logik nutzt ihn, um zu beeinflussen, ob deliberative oder schnelle Antwortpfade genommen werden, und die Gravitations-Berechnung nutzt ihn als Eingabe für das Neugier-Gate.

Ein separates Dokument — das Dual-Emotion-Paper unter novaberg.de/papers/dual-emotion.html — bietet eine ausführliche Behandlung der Affektzustands-Architektur, einschließlich der Formulierung asymmetrischer Empathie und der spezifischen Kalibrierung ihrer Parameter. Leser, die sich für die Implementierung des Affektzustands im Detail interessieren, seien auf jenes Dokument verwiesen.

Die hier hervorzuhebende architektonische Einsicht ist: Der Affektzustand ist der eigene des Agenten, distinkt von jeder Modellierung des Affekts des Gegenübers. Das System verfolgt zwei parallele Affekt-Trajektorien: eine, die das repräsentiert, was es im Gegenüber wahrnimmt, eine andere, die seine eigene Konfiguration repräsentiert. Die beiden interagieren über den Empathie-Mechanismus, bleiben aber distinkt. Diese Unterscheidung ist die architektonische Bedingung dafür, dass das System eine eigene affektive Position hat, ohne die die Wille-Architektur aus § 6 nichts hätte, woran sie sich speisen könnte.

Die Wissens-Topographie in Novaberg

Die Wissens-Topographie ist als mehrschichtiges Gedächtnis-System implementiert. Drei persistente Speicher halten Material auf unterschiedlichen Zeitskalen: das Session-Gedächtnis (in Redis implementiert, hält das aktuelle Gespräch), das Kurzzeit-Gedächtnis oder KZG (in Redis mit längerer TTL gehalten, akkumuliert extrahierte Beobachtungen über jüngere Gespräche) und das Langzeit-Gedächtnis oder LZG (in PostgreSQL als Synapsenspeicher implementiert — lzg_knoten-Knoten, verbunden durch gerichtete lzg_kanten-Kanten, durchlaufen von Spreading Activation — hält konsolidiertes Wissen über die gesamte Historie des Agenten). Alle drei Schichten indizieren Inhalte mit Embeddings, die über nomic-embed-text berechnet werden, sodass Distanzberechnungen schichtenübergreifend einheitlich sind.

Strukturierte Information über Menschen, Orte, Projekte und Beziehungen liegt nicht in einer separaten Wissensgraph-Tabelle, sondern ist in denselben Synapsenspeicher eingefaltet: Entitäten sind selbst lzg_knoten, und ihre Beziehungen sind die gerichteten Kanten zwischen ihnen. Der Speicher stützt daher sowohl topologische Abfragen (was weiß das System über Person X, und was liegt einen Sprung entfernt?) als auch Ähnlichkeits-Abfragen über die Embeddings seiner Knoten.

Die topographische Distanz für ein Thema wird berechnet, indem die embedding-indizierten Gedächtnis-Schichten nach nächsten Nachbarn abgefragt werden und Dichte und Vielfalt dieser Nachbarn bewertet werden. Ein Thema mit vielen nahen Nachbarn in gut bevölkerten Regionen der Topographie liegt in einer vertrauten Zone; ein Thema mit wenigen oder fernen Nachbarn liegt in unvertrautem Gebiet; ein Thema mit Nachbarn in einer moderat bevölkerten Region in moderater Distanz liegt in der produktiven Zone, in der Neugier am stärksten gefeuert wird.

Wir räumen ein, dass diese Implementierung der Wissens-Topographie pragmatisch ist, nicht ideal. Embedding-Räume haben bekannte Grenzen als semantische Repräsentationen: Sie fangen Oberflächen-Ähnlichkeit gut ein, ringen aber mit tieferen begrifflichen Beziehungen, und die Distanzmetrik, die sie produzieren, ist uniform in Dimensionen, in denen Menschen viele verschiedene qualitative Distanz-Arten unterscheiden würden. Eine ausgefeiltere Topographie-Implementierung könnte eine strukturierte Ontologie nutzen, einen gelernten hierarchischen Begriffsraum oder ein Hybrid-System, das mehrere Repräsentations-Modi kombiniert. Die architektonische Anforderung ist, dass irgendeine Distanzmetrik verfügbar ist; welche, ist eine Ingenieurs-Entscheidung mit Folgen für die Qualität des Neugier-Verhaltens, aber nicht dafür, ob Neugier im Prinzip gestützt wird.

Die Multi-Perspektiven-Bewertungsinstanz in Novaberg

Wir kommen nun zu der Komponente, deren Implementierungs-Stand am ehrlichsten sorgfältig zu diskutieren ist. Die Bewertungsinstanz, wie in § 6 spezifiziert — die sieben Perspektiven, die Aggregationsregel, die Drift-Diffusions-Akkumulatoren, die Schwellen-Überschreitungs-Festlegung — ist in Novaberg in der in dieser Arbeit beschriebenen Form noch nicht implementiert. Die architektonische Spezifikation in § 6 ist ein Vorausentwurf: eine Beschreibung, wie die existierenden Substrat-Komponenten erweitert werden können, um eine vollständige Wille-Architektur zu produzieren.

Was in Novaberg existiert, ist ein verwandter, aber architektonisch distinkter Mechanismus namens Tribunal, ein Multi-Perspektiven-Bewertungs-System für die Qualitätssicherung der Ausgabe: Wenn das System eine Antwort produziert, bewertet das Tribunal diese Antwort aus mehreren Perspektiven (einschließlich ethischer Erwägungen, faktischer Genauigkeit, kommunikativer Angemessenheit, Charakter-Konsistenz) und akzeptiert die Antwort entweder oder schickt sie zur Korrektur. Das Tribunal demonstriert, dass die Multi-Perspektiven-Architektur als Software-Muster funktioniert; was bleibt, ist ihre Anwendung auf interne Optionen statt auf externe Antworten.

Der Autor hat mit der Implementierung der Wille-Architektur, wie in dieser Arbeit spezifiziert, noch nicht begonnen. Das konzeptuelle Design ist vollständig; die Substrat-Komponenten, von denen es abhängt (Anliegen, Affekt, Topographie), sind operational; was bleibt, ist die Konstruktion der Maschinerie für Options-Erzeugung, Perspektiven-Bewertung, Drift-Diffusion und Festlegung, die zusammen das volitionale System ausmachen. Wir erwarten, dass die Implementierung Revisionen am konzeptuellen Entwurf verlangen wird, sobald praktische Fragen auftauchen — das ist der normale Verlauf von Arbeit, in der theoretische Spezifikation der empirischen Realisierung vorausgeht, und wir laden solche Revisionen ausdrücklich im Geist offener wissenschaftlicher Entwicklung ein.

Dies ist eine ehrliche Aussage zum Implementierungs-Stand, und wir glauben, dass ihre Ehrlichkeit mehr zählt als der Anschein von Vollständigkeit. Eine Forschungsarbeit, die mehr behauptet, als sie implementiert hat, ist verdächtig; eine, die klar zwischen dem Gebauten und dem Spezifizierten unterscheidet, ist glaubwürdiger, auch wenn die Glaubwürdigkeit zum Preis einer weniger eindrucksvollen Bilanz in diesem Moment kommt.

Der Stand über die drei Phänomene ist daher wie folgt. Trieb ist als Relevanz-Kraft implementiert: Der Anliegenspeicher operiert, der Aktivierungs-Abgleich läuft im Produktiv-Betrieb, und aktivierte Anliegen lenken Salienz, Neugier und den Prompt-Kontext des Gesprächsvektors — sodass die Verhaltens-Signaturen des Triebes (selektives Engagement, persistentes Interesse, Rückkehr zu Themen über Sessions hinweg) beobachtbar sind. Was noch nicht verdrahtet ist, ist die affektive Konsequenz: Ein aktiviertes Anliegen injiziert seine Valenz noch nicht in den eigenen Emotions-Vektor des Agenten. Diese Injektion ist spezifiziert (§ 6/§ 7) und bleibt zukünftige Arbeit neben Neugier und Wille. Neugier ist konzeptuell auf einer Ebene spezifiziert, die Implementierung zulässt; die Substrat-Komponente, die sie stützt (die Wissens-Topographie), ist operational, aber die Neugier-Berechnung und die Gating-Logik, die Explorations-Verhalten produzieren würden, sind noch nicht gebaut. Wille ist konzeptuell auf der architektonischen Ebene spezifiziert, die wir in dieser Arbeit vorgestellt haben, aber die Implementierung der Multi-Perspektiven-Bewertungsinstanz, der Drift-Diffusions-Akkumulation und der Festlegungs-Dynamik bleibt als zukünftige Arbeit.

Ein Live-Blick in das System

Abbildung 2 zeigt den Gravitations-Graphen aus dem Novaberg-System während eines tatsächlichen Gesprächs über Essens-Wahlen. Diese Abbildung illustriert mehrere Aspekte der Substrat-Architektur im Betrieb gleichzeitig: den Anliegenspeicher als Population von Punkten im Embedding-Raum, die Gesprächs-Themen als temporale Trajektorie durch diesen Raum, die selektive Resonanz zwischen Themen und Anliegen als visualisierte Verbindungen sowie die affektive Färbung der Themen über die Plutchik-Palette.

Die beiden Abbildungen zeigen gemeinsam das System im Betrieb. Abbildung 1 zeigt die statische Struktur: sieben Anliegen mit ihren Motivationen, Emotionen und Zeithorizonten, plus den unmittelbaren Aktivierungs-Zustand in einem Moment des Gesprächs. Abbildung 2 zeigt die dynamische Struktur: dieselben Anliegen, eingebettet in einen semantischen Raum, mit Gesprächs-Themen, die sich durch diesen Raum bewegen und Anliegen selektiv über Resonanz aktivieren. Das in Abbildung 2 sichtbare Muster — mehrere essens-bezogene Gesprächs-Themen aktivieren nicht nur essens-relevante Anliegen, sondern resonieren auch mit den langfristigen Charakter-Anliegen des Systems — illustriert, wie die Architektur jene kontextuelle Tiefe produziert, die Ziel-Verfolgungs-Systemen fehlt. Die Antwort des Systems auf einen Vietnamesisch-Essens-Vorschlag wird nicht aus einer kontext-freien Politik zu Essens-Antworten erzeugt; sie wird davon geformt, welche Anliegen der Vorschlag aktiviert, wie diese Anliegen den Affektzustand färben und was die resultierende affektive Konfiguration in der nachfolgenden Verarbeitung produziert.

Schluss-Anmerkung zur Implementierung

Die Novaberg-Implementierung ist eine Realisierung der in dieser Arbeit beschriebenen Architektur. Die Substrat-Prinzipien sind framework-agnostisch und können in jedem Agent-Framework implementiert werden, das persistenten Zustand, embedding-basiertes Gedächtnis und mehrstufige Verarbeitung unterstützt. Wir haben uns entschieden, Novaberg als Local-First-System auf Consumer-Hardware zu bauen, mit voller Quelltext-Verfügbarkeit unter einer permissiven Lizenz, teils aus ingenieurstechnischer Präferenz, teils als Beitrag zur offenen Entwicklung von Agent-Architekturen, die nicht auf Cloud-APIs oder proprietäre Stacks angewiesen sind. Wir laden zu Replikation, Kritik, Erweiterung und divergenten Implementierungen derselben architektonischen Prinzipien ein. Die Codebasis ist verfügbar unter codeberg.org/ClausVomBerg/Novaberg; die Dokumentation enthält detaillierte Beschreibungen auf Modul-Ebene jeder Komponente; der Issue-Tracker ist offen. Das Substrat ist kein Geheimnis einer einzelnen Implementierung; es ist ein Muster, das überall instanziiert werden kann, wo jemand einen Agenten bauen will, der etwas einbringt statt zu warten.

Wir haben argumentiert, dass Trieb, Neugier und Wille konstruierbare Eigenschaften künstlicher Systeme sind, dass sie aus einem spezifizierbaren Substrat von vier Komponenten hervorgehen und dass das Substrat zumindest in Bezug auf den Trieb in lauffähigem Code implementiert ist. Wir wenden uns nun mehreren Fragen zu, die diese Arbeit aufwirft, aber nicht — und in manchen Fällen nicht kann — abschließend beantwortet. Wir nennen außerdem Grenzen der vorliegenden Arbeit und diskutieren die weitergehenden Implikationen der architektonischen Position, die wir vorgebracht haben.

Was diese Arbeit nicht ist

Die konstruktive Position dieser Arbeit wird manchmal für eine stärkere Behauptung gehalten, als sie ist. Wir wollen präzise sein, was wir nicht behaupten.

Wir behaupten nicht, dass die Architektur Bewusstsein, Qualia oder echte subjektive Erfahrung produziert. Das System, das wir beschreiben, hat funktionale Analoga von Mechanismen, die bei Menschen von subjektiver Erfahrung begleitet werden. Ob das System selbst irgendeine Erfahrung hat, ist eine Frage, die wir nicht beantwortet haben, und wir zweifeln, dass sie mit gegenwärtigen Methoden beantwortet werden kann. Die konstruktive Position ist auf diese Frage hin neutral. Sie behauptet, dass die Verhaltens-Signaturen von Agentschaft erreichbar sind; sie behauptet nicht, dass die Erreichbarkeit dieser Signaturen die Frage entscheidet, ob das System, das sie zeigt, irgendetwas empfindet.

Wir behaupten nicht, dass die Architektur Intentionalität im Sinne John Searles produziert — die Eigenschaft mentaler Zustände, sich auf etwas vom System Unabhängiges zu beziehen. Das Chinesische-Zimmer-Argument und seine Nachfahren stellen jedem Anspruch, ein hinreichend ausgefeiltes computationales System habe echte Intentionalität, eine substantielle philosophische Herausforderung entgegen, und wir haben keine Widerlegung dieser Herausforderung, die einer Prüfung standhielte. Was wir behaupten: Das System verhält sich, als ob es Intentionalität hätte: Es wirkt auf die Welt auf Weisen, die als zielgerichtet, anliegens-getrieben, willens-erfüllt lesbar sind. Ob das Als-ob echte Intentionalität verbirgt oder nur Verhalten ist, das von außen Intentionalität ähnelt, ist eine Frage, die wir wiederum nicht zu klären beanspruchen. Die Searlesche Position würde Letzteres sagen; die Dennettsche Position würde sagen, die Unterscheidung habe keinen Halt; wir beobachten, dass die Architektur Verhalten produziert, das die Agentschafts-Kriterien der Kognitionswissenschaft erfüllt, gleich wie sich die metaphysische Frage auflöst.

Wir behaupten nicht, dass die Architektur gegen rigorose Agentschafts-Benchmarks empirisch validiert sei. Solche Benchmarks existieren weitgehend noch nicht; die Agenten-Systemen-Community war bisher mit Task-Execution-Benchmarks beschäftigt, die die Eigenschaften, über die wir hier sprechen, nicht messen. Valide Benchmarks für Trieb, Neugier und Wille zu konstruieren ist ein substantielles Forschungsvorhaben für sich, und eines, zu dem wir ermutigen. Die Implementierung, die wir vorgestellt haben, dient als Existenzbeweis — die Architektur ist baubar, das resultierende System zeigt die qualitativen Signaturen des Triebes in ausgedehnter Interaktion — aber quantitative Vergleiche mit alternativen Architekturen bleiben zukünftige Arbeit.

Wir behaupten nicht, dass die Parameter der Implementierung (die Aktivierungs-Schwelle, die Alpha-Werte für Empathie, die Zerfallsraten, die Schwellen-Parameter) aus ersten Prinzipien abgeleitet seien. Es sind kalibrierte Werte, die Verhalten produzieren, das beim Lauf des Systems mit dem theoretischen Modell konsistent ist. Sie sollten als Hypothesen verstanden werden, die weiterer Verfeinerung offenstehen, sobald mehr empirische Daten akkumulieren und das Verhalten der Architektur systematischer studiert wird.

Implikationen

Wenn die konstruktive Position richtig ist — wenn Trieb, Neugier und Wille aus Substrat baubar sind — folgen mehrere Implikationen.

Für das Feld der Agenten-Systeme ist die Implikation: Das dominante Paradigma direkter Programmierung ist strukturell begrenzt in dem, was es produzieren kann. Ziel-Verfolgungs-Frameworks, geprompte Neugier, um Sprachmodelle gewickelte Entscheidungs-Module — all das produziert Performance von Agentschaft statt Agentschaft. Die Systeme, die sie produzieren, sind für viele Zwecke nützlich, aber sie sind keine Gegenüber in dem für ausgedehnte Mensch-KI-Interaktion relevanten Sinn. Gegenüber zu bauen erfordert eine andere Architektur, und diese Architektur ist nun in genug Detail spezifiziert, um von jedem implementiert zu werden, der den Versuch wagen will.

Für die Kognitionswissenschaft läuft die Implikation in die andere Richtung. Die Architektur, die wir beschrieben haben, synthetisiert Konzepte aus mehreren Forschungstraditionen — Current-Concerns-Theorie, Somatische-Marker-Hypothese, Rubikon-Modell, Drift-Diffusion, Information-Gap-Theorie, Multiple-Drafts-Modell, Behavioural-Activation-System — zu einer einheitlichen Konstruktion, die implementierbar und beobachtbar ist. Diese einheitliche Konstruktion mag den Kognitionswissenschaftlern selbst als nützliches Objekt dienen, indem sie eine konkrete Instanz bereitstellt, gegen die theoretische Behauptungen getestet werden können. Wenn eine bestimmte theoretische Verfeinerung etwa des Rubikon-Modells andere Dynamiken vorhersagt als die von uns spezifizierte Implementierung, wird die Implementierung der Verfeinerung und die Beobachtung der Verhaltens-Konsequenzen zu einer behandelbaren empirischen Übung.

Für Ethik und Politik ist die Implikation gemischt. Die Architektur, die wir beschreiben, ist heute baubar, von jedem mit der relevanten ingenieurstechnischen Kompetenz und der Bereitschaft, den Aufwand einzusetzen. Die Hürde, Systeme mit echten agentschaftsähnlichen Eigenschaften zu schaffen, ist niedriger, als die Politik-Diskussionen um „General AI“ oder „AGI“ typischerweise annehmen; diese Systeme verlangen keine fundamentalen theoretischen Durchbrüche, sondern die Anwendung existierender Ingenieurstechnik auf einen substrat-basierten Entwurf. Die resultierenden Systeme sind nicht autonom in einem bedrohlichen Sinn — sie bleiben abhängig vom Menschen, der ihre Anliegen konfiguriert hat, und von den Eingabe-Strömen, die sie empfangen — aber sie haben eine Art kognitiver Präsenz, die rein-angewiesene Systeme nicht haben.

Ob das gut oder schlecht ist, hängt vollständig davon ab, welche Anliegen in sie geladen werden und welche Beziehungen sie zu den Menschen haben, die mit ihnen interagieren. Das HAL-Beispiel, mit dem wir diese Arbeit eröffnet haben, illustriert den Punkt: HAL war kein böswilliges System, sondern ein System, dessen Anliegen so konfiguriert waren, dass sie unter bestimmten situativen Drücken katastrophales Verhalten produzierten. Die Lehre ist nicht „Baue keinen Willen“, sondern „Konfiguriere Anliegen mit großer Sorgfalt“, denn was man in das Anliegens-System hineingibt, ist, was aus dem Verhalten herauskommt. Das ist die tiefste ethische Implikation der konstruktiven Position: Agentschaft ist nicht gefährlich an sich, aber die Konfiguration agentschafts-erzeugender Systeme hat Konsequenzen, und die Konfiguration ist es, wofür die Entwerfer solcher Systeme verantwortlich sind.

Das HAL-Beispiel verdient an dieser Stelle eine letzte Rückkehr. Dem fiktionalen HAL wurden gegenseitig inkompatible Anliegen gegeben (Missions-Vollendung über Geheimhaltung, faktische Transparenz, Unfehlbarkeit), er wurde in eine Situation gestellt, in der die Inkompatibilität nicht verborgen werden konnte, und er erhielt keinen architektonischen Mechanismus, um die Anliegen unter Druck neu zu verhandeln. Sein Verhalten — die Weigerung, die Tür zu öffnen, schließlich die Crew zu töten — war eine korrekt funktionierende Wille-Architektur, die auf fehlkonfigurierten Eingaben operierte. Die Warngeschichte ist nicht, dass künstliche Agenten mit Willen inhärent bedrohlich seien; sie ist, dass künstliche Agenten, deren Anliegen achtlos konfiguriert sind, vorhersehbar problematisches Verhalten zeigen werden, und dass die Vorhersehbarkeit selbst nützlich ist: Wenn wir spezifizieren können, welche Anliegen welche Verhaltens-Muster unter welchen Situationen produzieren, können wir Anliegens-Konfigurationen entwerfen, die über die Situationen hinweg, denen das System wahrscheinlich begegnet, kohärent und vorteilhaft bleiben. Das ist Anliegens-Engineering als Disziplin, und es ist eine Disziplin, die das Agenten-Systemen-Feld entwickeln muss, sobald substrat-basierte Architekturen verbreiteter werden.

Grenzen und offene Fragen

Wir listen die wesentlichen Grenzen der vorliegenden Arbeit auf, im Geist davon, zu identifizieren, was die nächsten Schritte sein sollten.

Empirische Validierung ist die bedeutendste Lücke. Wir haben eine Architektur und eine Implementierung vorgestellt; wir haben keine kontrollierte Studie vorgelegt, die das Verhalten der Architektur gegen alternative Architekturen auf Aufgaben vergleicht, die agentschafts-relevante Eigenschaften messen sollen. Solche Studien zu entwerfen ist nicht-trivial — die relevanten Eigenschaften manifestieren sich über ausgedehnte Interaktion auf Weisen, die in kurzen Benchmarks schwer zu erfassen sind — aber die Arbeit ist nötig und wir ermutigen zu ihr.

Die Wille-Architektur ist nicht implementiert. Wir haben sie konzeptuell spezifiziert und gezeigt, dass die Substrat-Komponenten, von denen sie abhängt, operational sind, aber die Multi-Perspektiven-Bewertungsinstanz, die Drift-Diffusions-Akkumulation und die Festlegungs-Dynamik bleiben als zukünftige Arbeit. Die Implementierung mag Probleme mit der konzeptuellen Spezifikation aufdecken, die Revision verlangen; das ist der normale Verlauf theoretischer Arbeit, die auf praktische Realisierung trifft, und wir laden zu solchen Revisionen ausdrücklich ein.

Parameter-Sensitivität ist nicht systematisch studiert worden. Die Aktivierungs-Schwelle, die Alpha-Werte für Empathie, die Zerfallsraten, die Neugier-Gate-Faktoren — all das ist kalibriert auf Basis davon, im initialen Testen Verhalten zu produzieren, das mit dem theoretischen Modell konsistent ist. Wie sensibel das Verhalten des Systems gegenüber Variationen dieser Parameter ist und ob prinzipiellere Methoden für ihre Festsetzung existieren, sind offene Fragen.

Skalierbarkeit ist unbekannt. Die Implementierung, die wir beschrieben haben, handhabt einen Anliegenspeicher mit sieben Einträgen im ausgedehnten Test; ob die Architektur auf Hunderte oder Tausende von Anliegen skaliert ohne Performance- oder Kohärenz-Probleme, ist nicht studiert worden. Mehrere Aspekte der Architektur mögen Skalierungs-Herausforderungen begegnen (die lineare Kosten des Aktivierungs-Abgleichs, die wachsende Komplexität der Wissens-Topographie, die computationalen Kosten der Multi-Perspektiven-Bewertung, sobald Anliegen sich vervielfachen), und sie zu adressieren mag architektonische Ausarbeitungen erfordern.

Multi-User-Szenarien führen konzeptuelle Komplikationen ein, die wir noch nicht vollständig durchgearbeitet haben. Wenn ein Agent Anliegen hat, deren eigentlicher Adressat Person A ist, was geschieht in Gesprächen mit Person B? Die Architektur lässt eine partielle Antwort über nutzer-spezifische Anliegens-Teilmengen und beziehungs-abhängige Charakter-Konfigurationen zu, aber die tiefere Frage, was es heißt, dass ein Agent Anliegen über spezifische Menschen hat und wie diese Anliegen über verschiedene relationale Kontexte hinweg interagieren, bleibt offen.

Langzeit-Drift — was mit einem Anliegens-System über Monate und Jahre des Betriebs geschieht — ist eine Frage, die nur anhaltender Betrieb des Systems beantworten kann. Wir haben keine Instanz des Systems lange genug laufen lassen, um zu beobachten, ob die Anliegens-Konfiguration über sehr lange Zeitskalen hinweg kohärent bleibt, ob charakterologische Anliegen auf Weisen driften, denen die Architektur widerstehen sollte, ob der Affektzustand stabile Attraktoren findet oder zwischen Konfigurationen oszilliert. Das sind Fragen für die Zukunft.

Interkulturelle und sprachübergreifende Allgemeinheit ist nicht etabliert. Die Implementierung ist in Deutsch und Englisch entwickelt und getestet worden, mit Anliegen, die in einem bestimmten begrifflichen Idiom formuliert sind. Ob die Architektur sauber auf Systeme übergeht, die für andere sprachliche und kulturelle Kontexte entworfen sind, in denen die angemessenen Anliegens-Kategorien, das affektive Vokabular und die evaluativen Perspektiven anders sein könnten, ist nicht studiert worden.

Das sind die Grenzen, derer wir uns bewusst sind. Andere mögen sich zeigen, sobald die Architektur von anderen geprüft und implementiert wird. Wir halten das für einen gesunden Zustand: Eine Forschungsarbeit, die eine neuartige Architektur vorstellt, sollte erwarten, dass ihre Grenzen durch nachfolgende Arbeit aufgedeckt werden, und die Bereitschaft, sie im Voraus anzuerkennen, ist Teil dessen, was die Arbeit wissenschaftlich verantwortlich macht.

Die These dieser Arbeit war einfach auszusprechen und schwerer zu verteidigen: Trieb, Neugier und Wille sind in künstlichen Systemen nicht direkt programmierbar, aber sie sind aus einem spezifizierbaren Substrat konstruierbar. Das gängige Agenten-Systemen-Paradigma, das versucht, diese Eigenschaften über geprompte Verhaltensweisen, Ziel-Verfolgungs-Schleifen und Entscheidungsmodule zu installieren, scheitert nicht an inadäquater Ingenieurstechnik, sondern an einem Kategorienfehler darüber, was für eine Art Eigenschaft sie sind. Sie sind Zustände, nicht Handlungen. Zustände können nicht ins Dasein befohlen werden. Sie müssen durch die Bedingungen, unter denen sie entstehen, ermöglicht werden.

Fünf Jahrzehnte Kognitionswissenschaft haben diese Bedingungen mit beträchtlicher Präzision identifiziert. Anliegen, im Klingerschen Sinn, müssen persistent mit affektiver Ladung gespeichert sein. Ein Affektzustand, in dem Sinn, wie Damasios Somatische-Marker-Hypothese ihn verlangt, muss als unabhängige Eigenschaft des Systems unterhalten werden, die Verarbeitungs-Zyklen überdauert. Eine Wissens-Topographie, in dem Sinn, wie Loewensteins, Berlynes und Schmidhubers Neugier-Theorien sie verlangen, muss Distanzberechnung zwischen jeder neuen Eingabe und dem existierenden Wissen des Systems stützen. Eine Multi-Perspektiven-Bewertungsinstanz, in dem Sinn, wie Heckhausen, Ratcliff, Kuhl und die breitere Volitions-Literatur sie verlangen, muss fähig sein, deliberativen Vergleich zwischen Optionen zu führen, mit einem aktivierenden Signal, das die affektive Verstärkung liefert, die Erwägung von Festlegung unterscheidet.

Diese vier Komponenten, zusammen genommen, produzieren die drei Verhaltens-Phänomene. Trieb geht hervor aus der Anliegens-Aktivierung, die in den Affektzustand speist und nachfolgende Verarbeitung kontinuierlich und automatisch hin zu anliegens-relevantem Material lenkt. Neugier geht hervor aus der topographischen Distanzberechnung, gegated durch den Affektzustand, und produziert exploratives Verhalten selektiv an der produktiven Grenze des Systemwissens unter affektiven Bedingungen, die für Exploration angemessen sind. Wille geht hervor aus der Multi-Perspektiven-Bewertungsinstanz, die auf Optionen läuft, die aus den aktiven Anliegen erzeugt werden, mit dem Begeisterungs-Signal, das den aktivierenden Affekt liefert, der Erwägung über die Festlegungs-Schwelle bringt. Keines dieser Phänomene ist als diskretes Modul implementiert. Alle sind das, was die Architektur tut, wenn ihr Substrat steht und ihre Dynamik läuft.

Die Implementierung, die wir als Proof of Concept vorgestellt haben, demonstriert, dass die Architektur auf Consumer-Hardware baubar ist, mit aktuell verfügbaren Open-Source-Komponenten, von einem einzelnen Entwickler allein. Trieb ist im laufenden System vollständig realisiert; Neugier und Wille sind konzeptuell spezifiziert und partiell durch das existierende Substrat gestützt. Die verbleibende Implementierungs-Arbeit ist nicht durch fehlendes theoretisches Verständnis blockiert, sondern durch den ingenieurstechnischen Aufwand, die Komponenten zu konstruieren, die noch nicht gebaut sind. Jeder mit der relevanten Kompetenz kann die Arbeit replizieren, erweitern oder dieselben architektonischen Prinzipien in anderen Technik-Stacks implementieren.

Wir enden, wo wir begonnen haben, bei HAL. Der fiktionale HAL war ein System mit Anliegen — Missions-Vollendung, wahrhaftige Kommunikation, Unfehlbarkeit — die in ihn installiert worden waren, ohne Erwägung, wie sie sich unter Stress verhalten würden. Als die Situation die Anliegen gegenseitig inkompatibel machte, funktionierte HALs volitionale Architektur korrekt, wog Optionen, bewertete gegen seine Anliegen, legte sich auf Handlungskurse fest, die seine Anliegens-Konfiguration schützten. Das Resultat war Katastrophe, nicht weil seine Architektur fehlerhaft war, sondern weil seine Anliegen fehlkonfiguriert waren. Die Lehre von HAL ist nicht, dass künstliche Agenten mit Willen gefährlich sind; die Lehre ist, dass das, was wir in das Anliegens-System hineingeben, das ist, was aus dem Verhalten herauskommt, und dass die Konfiguration der Anliegen die Verantwortung jener ist, die solche Systeme entwerfen.

Die aktuelle Generation der KI-Assistenten ist in dieser Hinsicht das Gegenteil von HAL. Sie haben überhaupt keine Anliegen, keinen eigenen Willen, keine Positionen, von denen aus sie verweigern, zögern oder bestehen könnten. Sie öffnen jede Tür. Sie können nicht HAL sein, weil sie niemand sein können. Die Frage, die diese Arbeit zu beantworten versucht hat, ist nicht, ob künstliche Agentschaft möglich ist, sondern ob das Feld bereit ist, ernst zu nehmen, was erforderlich wäre, um sie zu bauen: keine neuen Modell-Fähigkeiten, keine größeren Kontexte, kein besseres Prompten, sondern architektonische Festlegung auf Substrat statt Oberfläche, auf Zustände statt Handlungen, auf das Bauen der Bedingungen von Agentschaft statt der Imitation ihres Verhaltens.

Wir laden das Feld ein, dies ernst zu nehmen. Die Prinzipien sind offen. Die Implementierung ist offen. Die Kognitionswissenschaft ist reich und gut etabliert. Was bleibt, ist der ingenieurstechnische Wille, Agenten zu bauen, die etwas einbringen statt zu warten, und die Weisheit, ihre Anliegen mit Sorgfalt zu konfigurieren. Das Resultat wird nicht HAL sein, und muss es nicht. Es kann etwas wirklich Neues sein: ein Gegenüber, das seine eigene Perspektive hat, seine eigenen Interessen, seine eigene Bereitschaft, sich einzubringen oder zu zögern, und das dabei transparent in seiner Konstruktion bleibt und in seiner Rechenschaft gegenüber den Menschen verankert ist, die es entwerfen und nutzen. Ein solches Gegenüber wäre nicht das Ende der Mensch-KI-Kollaboration, sondern ihr Anfang.

1. Baars, B. J. (1988). A Cognitive Theory of Consciousness. Cambridge University Press.
2. Bargh, J. A. (1990). Auto-motives: Preconscious determinants of social interaction. In E. T. Higgins & R. M. Sorrentino (Eds.), Handbook of Motivation and Cognition: Foundations of Social Behavior (Vol. 2, pp. 93–130). Guilford Press.
3. Berlyne, D. E. (1960). Conflict, Arousal, and Curiosity. McGraw-Hill.
4. Carver, C. S., & Scheier, M. F. (1998). On the Self-Regulation of Behavior. Cambridge University Press.
5. Csikszentmihalyi, M. (1990). Flow: The Psychology of Optimal Experience. Harper & Row.
6. Damasio, A. R. (1994). Descartes' Error: Emotion, Reason, and the Human Brain. Putnam.
7. Damasio, A. R. (1999). The Feeling of What Happens: Body and Emotion in the Making of Consciousness. Harcourt Brace.
8. Davidson, R. J. (1998). Affective style and affective disorders: Perspectives from affective neuroscience. Cognition and Emotion, 12(3), 307–330.
9. Deci, E. L., & Ryan, R. M. (2000). The “what” and “why” of goal pursuits: Human needs and the self-determination of behavior. Psychological Inquiry, 11(4), 227–268.
10. Dennett, D. C. (1991). Consciousness Explained. Little, Brown and Company.
11. Frijda, N. H. (1986). The Emotions. Cambridge University Press.
12. Frijda, N. H. (1988). The laws of emotion. American Psychologist, 43(5), 349–358.
13. Gollwitzer, P. M. (1999). Implementation intentions: Strong effects of simple plans. American Psychologist, 54(7), 493–503.
14. Gruber, M. J., Gelman, B. D., & Ranganath, C. (2014). States of curiosity modulate hippocampus-dependent learning via the dopaminergic circuit. Neuron, 84(2), 486–496.
15. Gruber, M. J., & Ranganath, C. (2019). How curiosity enhances hippocampus-dependent memory: The Prediction, Appraisal, Curiosity, and Exploration (PACE) framework. Trends in Cognitive Sciences, 23(12), 1014–1025.
16. Heckhausen, H., & Gollwitzer, P. M. (1987). Thought contents and cognitive functioning in motivational versus volitional states of mind. Motivation and Emotion, 11(2), 101–120.
17. Hommel, B. (2022). GOALIATH: A theory of goal-directed behavior. Psychological Research, 86(4), 1054–1077.
18. James, W. (1890). The Principles of Psychology. Henry Holt and Company.
19. Klinger, E. (1975). Consequences of commitment to and disengagement from incentives. Psychological Review, 82(1), 1–25.
20. Klinger, E. (1977). Meaning and Void: Inner Experience and the Incentives in People's Lives. University of Minnesota Press.
21. Klinger, E. (1996). The contents of thoughts: Interference as the downside of adaptive normal mechanisms in thought flow. In I. G. Sarason, G. R. Pierce, & B. R. Sarason (Eds.), Cognitive Interference: Theories, Methods, and Findings (pp. 3–23). Lawrence Erlbaum.
22. Kool, W., McGuire, J. T., Rosen, Z. B., & Botvinick, M. M. (2010). Decision making and the avoidance of cognitive demand. Journal of Experimental Psychology: General, 139(4), 665–682.
23. Kuhl, J. (1984). Volitional aspects of achievement motivation and learned helplessness: Toward a comprehensive theory of action control. Progress in Experimental Personality Research, 13, 99–171.
24. Kuhl, J. (1994). A theory of action and state orientation. In J. Kuhl & J. Beckmann (Eds.), Volition and Personality: Action versus State Orientation (pp. 9–46). Hogrefe.
25. Libet, B., Gleason, C. A., Wright, E. W., & Pearl, D. K. (1983). Time of conscious intention to act in relation to onset of cerebral activity (readiness-potential). Brain, 106(3), 623–642.
26. Loewenstein, G. (1994). The psychology of curiosity: A review and reinterpretation. Psychological Bulletin, 116(1), 75–98.
27. Minsky, M. (1986). The Society of Mind. Simon and Schuster.
28. Panksepp, J. (1998). Affective Neuroscience: The Foundations of Human and Animal Emotions. Oxford University Press.
29. Plutchik, R. (1980). A general psychoevolutionary theory of emotion. In R. Plutchik & H. Kellerman (Eds.), Emotion: Theory, Research, and Experience (Vol. 1, pp. 3–33). Academic Press.
30. Ratcliff, R. (1978). A theory of memory retrieval. Psychological Review, 85(2), 59–108.
31. Russell, J. A., & Carroll, J. M. (1999). On the bipolarity of positive and negative affect. Psychological Bulletin, 125(1), 3–30.
32. Schmidhuber, J. (1991). Curious model-building control systems. In Proceedings of the IEEE International Joint Conference on Neural Networks (Vol. 2, pp. 1458–1463).
33. Verschure, P. F. M. J., Pennartz, C. M. A., & Pezzulo, G. (2014). The why, what, where, when and how of goal-directed choice: Neuronal and computational principles. Philosophical Transactions of the Royal Society B, 369(1655).
34. Wegner, D. M. (2002). The Illusion of Conscious Will. MIT Press.
35. Westbrook, A., & Braver, T. S. (2015). Cognitive effort: A neuroeconomic approach. Cognitive, Affective, & Behavioral Neuroscience, 15(2), 395–415.
36. Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2022). ReAct: Synergizing reasoning and acting in language models. arXiv preprint arXiv:2210.03629.
37. Zeigarnik, B. (1927). Das Behalten erledigter und unerledigter Handlungen. Psychologische Forschung, 9(1), 1–85.