Warum Hütehunde auf chaotische Unentschlossenheit setzen - und KI-Forscher begeistert sind

Es ist eine hundert Jahre alte Tradition, die man so gar nicht mit den Rechenzentren des Silicon Valley in Verbindung bringen würde: Schäferhundprüfungen. In staubigen Arenen treiben Border Collies nicht etwa riesige Herden, sondern nur vier oder fünf Schafe durch einen Parcours. Ausgerechnet diese kleine, widerspenstige Gruppe hat nun etwas offenbart, das für die Steuerung autonomer Fahrzeuge, Drohnenschwärme und kooperierender KI-Agenten von fundamentaler Bedeutung sein könnte. Eine Studie, die auf unzähligen Stunden „Schäferhund-YouTube“ basiert, zeigt: Unentschlossenheit ist kein Fehler, sondern das entscheidende Steuerungselement, um einen chaotischen Haufen kontrollierbar zu machen.

Das Paradox der kleinen Herde

Auf den ersten Blick klingt es widersinnig. Hütehunde dirigieren routiniert Gruppen von 50 oder mehr Schafen. Die Herausforderung der Trials besteht jedoch darin, mit maximal fünf Tieren zu arbeiten. „Eine so kleine Herde ist inhärent ‚rauschhafter‘ - weniger vorhersehbar - und schwerer zu handhaben als eine große“, erklärt Forschung, die im Fachblatt Science Advances erschienen ist. Der Grund liegt in der fehlenden Sicherheit der Masse: Ohne den Schwarmdruck einer großen Gruppe treten die individuellen Persönlichkeiten der Tiere hervor. Sie wechseln in Sekundenschnelle unberechenbar zwischen „Flieh vor dem Hund!“ und „Bleib ruhig und folge den anderen“. Diese flackernde, fast neurotisch anmutende Hin- und Her-Bewegung ist ein Albtraum für jede linear geplante Kontrollstrategie.

Zuschauen, bis die Lösung auftaucht

Die beteiligten Forscher um den Biomolekularingenieur Saad Bhamla vom Georgia Institute of Technology analysierten nicht nur das Verhalten der Tiere, sondern vor allem die Reaktion der Hunde. Sie beobachteten, dass die Hunde nicht versuchen, die Schafe permanent zu korrigieren. Stattdessen verfolgen sie eine raffinierte Zwei-Schritt-Strategie. Erstens: Sie warten geduldig, bis alle Schafe zufällig in die gewünschte Richtung blicken, während die Tiere unkoordiniert hin und her springen. Zweitens: Sobald diese zufällige Ausrichtung eintritt, treiben sie die Gruppe sofort und entschlossen an.

Sobald die Schafe in Bewegung sind, bricht die Formation jedoch aufgrund individueller Ausreißer schnell wieder auseinander. Dann stoppt der Hund abrupt und wartet erneut, bis sich die Unentschlossenen von allein wieder orientieren. „Es ist ein langsamer, filigraner Tanz“, wird Studien-Co-Autor Bhamla zitiert. Der Hund rudert nicht verzweifelt gegen das Chaos an, sondern nutzt die Zufallsbewegungen der Schafe als Segel, um das Boot der Herde in die gewünschte Richtung zu treiben. Er hisst das Segel nur, wenn der Wind günstig steht.

Vom Schaf zum Algorithmus

Diese Beobachtung war die Inspiration für ein völlig neues Steuerungsmodell, den sogenannten „Indecisive Swarm Algorithm“ (Algorithmus für unentschlossene Schwärme). Bei der Übertragung auf Roboterschwärme kehrten die Wissenschaftler das Prinzip um: Statt die KI-Agenten stur einem zentralen Befehl folgen zu lassen, programmierten sie die Roboter so, dass sie ständig hin- und herwechseln, wem sie folgen - mal dem zentralen Controller der Forscher, mal einem benachbarten Bot. Das Ergebnis verblüffte: Diese künstlich eingebaute Unentschlossenheit machte den Schwarm weitaus lenkbarer als traditionelle Ansätze.

Die konventionellen Methoden zeigen hier deutliche Schwächen. Entweder folgen alle Einheiten stur der Zentrale, was bei unvorhergesehenen Hindernissen schnell zum Kollaps führen kann, oder sie mitteln die Bewegung aller Nachbarn, was das primäre Steuersignal zunehmend verwässert und damit die Kontrolle über die Gesamtgruppe unmöglich macht. Der unentschlossene Schwarm hingegen verhindert, dass sich die Gruppe festfährt. „Die Unentschlossenheit hindert die Gruppe daran, sich zu verkeilen, und macht sie formbarer“, erklärt der Informatiker Ted Pavlic von der Arizona State University, der nicht an der Studie beteiligt war. Er sieht darin eine elegante Lösung für klassische Pattsituationen, wie sie kürzlich bei Kolonnen autonomer Fahrzeuge beobachtet wurden, die sich in urbanen Umgebungen gegenseitig blockiert haben. Ein Schuss chaotische Indirektheit löst die Lähmung auf.

Die Konsequenzen dieser Einsicht gehen weit über die Robotik hinaus. Der Physiker Raphaël Sarfati von Goodfire AI, ebenfalls ein externer Beobachter, fasst den Paradigmenwechsel prägnant zusammen: „Wir neigen dazu, Rauschen als ein Problem zu betrachten, das Systeme weniger vorhersehbar und weniger optimiert macht. Aber wir sehen überall, dass Rauschen, zumindest ein bisschen Rauschen, wirklich sehr gut darin ist, Systeme zu einem besseren Optimum zu treiben.“

Mustererkennung in einer dynamischen Welt

Die Implikationen für die Künstliche Intelligenz sind tiefgreifend. In einer zunehmend vernetzten Welt werden Multi-Agenten-Systeme zur Norm. Denken wir an Drohnen, die nach einem Erdbeben koordiniert ein Katastrophengebiet absuchen, oder an Lieferroboter, die sich Bürgersteige teilen. Statt jeden Agenten mit einer perfekten Karte und starren Routen zu programmieren, legt die Natur eine robustere Alternative nahe: Gib den Einheiten die Freiheit, zwischen verschiedenen Einflüssen zu oszillieren. Ein KI-Agent, der in einem Moment auf die kollektive Schwarmintelligenz hört und im nächsten auf einen übergeordneten Befehl, kann Engpässe kreativer umgehen. Die Methode akzeptiert die Unvollkommenheit der realen Welt - sei es ein störrisches Schaf oder ein plötzliches Funkloch - als funktionalen Bestandteil des Prozesses. Es ist ein Konzept, das der aufwendigen Konstruktion global konsistenter Datensätze, wie sie etwa in der Migrationsforschung mittels tiefer neuronaler Netze angestrebt wird, eine fast philosophische Gegenperspektive hinzufügt: Nicht jedes Rauschen muss eliminiert werden, manches muss man nutzen lernen.

Der Blick durch die Linse des Schäferhundes lehrt uns Demut vor der evolutionären Effizienz. Die jahrzehntelange Zucht und das Training haben nicht einen Roboter hervorgebracht, der Schafe fernsteuert, sondern einen intelligenten Akteur, der versteht, dass Kontrolle manchmal genau das Gegenteil von Dauerbefehl ist: ein wachsames, taktisch kluges Abwarten. Die Unberechenbarkeit der vier Schafe wird so nicht zum Gegner, sondern zum unfreiwilligen Verbündeten. Die Erkenntnis, dass ein wenig Chaos ein System nicht nur toleranter, sondern sogar steuerbarer macht, markiert einen Wendepunkt im algorithmischen Design. Aus dem langsamen, geduldigen Tanz eines Hundes mit seiner kleinen Herde entsteht eine Choreografie für die Technologie von morgen.

Quellen:

• BBVA puts AI at the core of banking with OpenAI (OpenAI Blog)
• PRC-linked influence operations are targeting AI debates in the US (OpenAI Blog)
• Deep learning four decades of human migration (Nature - News)
• Artificial intelligence shines a light on hidden global migration flows (Nature - News)
• Mechanisms and Mitigations of Social Media’s Socially Isolating Effects (Psychology Today - Articles)
• What AI-herding scientists can learn from watching ‘sheepdog YouTube’ (Scientific American)

// weiterlesenWarum mich der C64 als aufklappbares Handheld eher enttäuscht als begeistertTechnikWarum mich das Robotertaxi, das eigenständig die Polizei ruft, begeistertTechnikClaude Science: Ein KI-Assistent, der auf dem Niveau von Doktoranden forschtAlgorithmen

Kinetyra