Schäferhunde lehren KI: Unentschlossenheit macht Schwärme lenkbar

Ein Schäferhund, der vier Schafe über eine Wiese treibt - das klingt nach einer einfachen Aufgabe. Doch für einen Algorithmus, der eine Gruppe von Robotern, Drohnen oder autonomen Fahrzeugen steuern soll, ist genau dieses Szenario eine enorme Herausforderung. Denn je kleiner eine Herde ist, desto unberechenbarer wird ihr Verhalten. Schäferhunde beherrschen diese Kunst seit Jahrhunderten; nun haben Forscher ihnen die verblüffende Strategie abgeschaut, um einen neuen Algorithmus zu entwickeln, der ausgerechnet die Unentschlossenheit der einzelnen Mitglieder nutzt, um einen Schwarm zu lenken.

Das Rätsel der wenigen Schafe

Bei Schäferhund-Prüfungen, die seit über hundert Jahren ausgetragen werden, stellen Hunde ihre Fähigkeiten mit nur vier oder fünf Tieren unter Beweis. Eine so kleine Gruppe ist von Natur aus „verrauscht“ - weniger vorhersagbar - und deshalb schwieriger zu kontrollieren als eine große Herde. Ohne die Sicherheit der Masse kommen die unterschiedlichen Persönlichkeiten der Schafe voll zum Tragen: Sie wechseln ständig zwischen „Flieh vor dem Hund!“ und „Bleib ruhig und folge den anderen“. Dieses sprunghafte Hin und Her macht es für einen Hund scheinbar unmöglich, eine geordnete Bewegung durchzusetzen. Wie gelingt es ihm trotzdem, die widerspenstige Kleingruppe zuverlässig zu manövrieren? Ein Team um den Biomolekularingenieur Saad Bhamla vom Georgia Institute of Technology ist dieser Frage nachgegangen, indem es stundenlang Videos von Schäferhund-Wettbewerben auf YouTube analysierte und Gespräche mit Farmern im US-Bundesstaat Georgia führte. Die in der Fachzeitschrift Science Advances veröffentlichte Studie offenbart eine verblüffend einfache, aber wirkungsvolle Zwei-Schritt-Taktik.

Die raffinierte Strategie der Hunde

Das Geheimnis liegt im geduldigen Warten auf den richtigen Moment. Die Hunde halten inne, bis alle Schafe - während sie zufällig hin und her springen - einmal kurz in die gewünschte Richtung blicken. Sobald diese flüchtige Ausrichtung erreicht ist, sprintet der Hund sofort los und treibt die Tiere vorwärts. „Es ist ein langsamer, behutsamer Tanz“, erklärt Bhamla. Sobald die Schafe in Bewegung sind, brechen sie aufgrund ihres ständigen Wechsels zwischen Folgen und Fliehen schnell wieder auseinander. Der Hund stoppt, wartet erneut auf eine gleichgerichtete Orientierung und wiederholt das Spiel. Dieses schrittweise Vorgehen gleicht laut Bhamla dem Segeln an einem windigen Tag: Man hisst die Segel nur, wenn der Wind in die richtige Richtung weht. Der Hund nutzt also die dem Schwarm innewohnende Zufälligkeit, statt gegen sie anzukämpfen.

Die Forscher erkannten, dass nicht die Beseitigung von Unvorhersehbarkeit der Schlüssel zur Kontrolle ist, sondern deren geschickte Ausnutzung. Diese Einsicht ist für die Robotik und die Künstliche Intelligenz von großer Bedeutung, weil sie zeigt, wie man mit „verrauschten“, schwer berechenbaren Kollektiven umgehen kann, ohne jeden einzelnen Agenten mikromanagen zu müssen. Genau diese Intuition mündete in einen neuartigen Algorithmus.

Zufall als Lenkungswerkzeug

Inspiriert von den chaotischen Schafen entwickelte das Team einen „Indecisive Swarm Algorithm“, also einen Algorithmus für unentschlossene Schwärme. Seine Grundidee: Jeder Roboter oder Agent wechselt zufällig, wem er folgt - entweder einem zentralen Kontrollsignal oder einem benachbarten Agenten. Hätte jeder Agent nur dem Kontrollsignal gefolgt, wäre das System extrem anfällig für Blockaden; würden alle den Durchschnitt der Bewegungen ihrer Nachbarn bilden, verwässerte das Kontrollsignal mit der Zeit und ginge verloren. Durch das ständige, zufällige Umschalten bleibt die Gruppe formbar und reagiert dennoch auf eine übergeordnete Führung.

„Unentschlossenheit verhindert, dass die Gruppe sich verkeilt, und macht sie formbarer“, erläutert Ted Pavlic, Informatiker an der Arizona State University, der nicht an der Studie beteiligt war. Diese Eigenschaft sei besonders wertvoll, um Blockaden zu vermeiden, wie sie jüngst bei Ansammlungen autonomer Autos beobachtet wurden. Der Algorithmus macht sich die natürliche Neigung der Individuen zunutze, zwischen verschiedenen Optionen zu schwanken, und verwandelt sie von einem Hindernis in ein Steuerungsinstrument.

Eine solche Sicht auf Rauschen und Unentschlossenheit widerspricht der weitverbreiteten Intuition in der Technik. „Wir neigen dazu, Rauschen als Problem zu betrachten, das Systeme weniger vorhersagbar und weniger optimiert macht“, sagt Raphaël Sarfati, Physiker bei Goodfire AI, der ebenfalls nicht an der Arbeit beteiligt war. „Aber wir sehen überall, dass Rauschen - zumindest ein bisschen Rauschen - wirklich gut darin ist, Systeme zu einem besseren Optimum zu treiben.“ Ohne ein gewisses Maß an Zufälligkeit, so Sarfati, würden viele Systeme in suboptimalen Zuständen steckenbleiben.

Der Algorithmus der Unentschlossenheit

Die Stärke des Indecisive Swarm Algorithm liegt in seiner Einfachheit und Skalierbarkeit. Er benötigt kein detailliertes Modell jedes einzelnen Agenten und keine ständige Kommunikation zwischen allen Mitgliedern. Stattdessen wird eine einfache Regel implementiert: Jeder Agent trifft mit einer bestimmten Wahrscheinlichkeit eine zufällige Entscheidung, ob er sich am zentralen Befehl orientiert oder an einem Nachbarn. Dadurch entsteht eine dynamische Balance, bei der die Gruppe insgesamt lenkbar bleibt, ohne in chaotisches Auseinanderlaufen oder starres Blockieren zu verfallen.

Die Forscher bestätigten dies sowohl in Simulationen als auch in Roboterexperimenten. Schwärme, die mit dieser unentschlossenen Logik programmiert waren, ließen sich deutlich einfacher manövrieren als solche, die ausschließlich einem Führer folgten oder die Bewegung aller Nachbarn mittelten. Gerade die Unbeständigkeit der einzelnen Einheiten verhindert, dass sich Fehler oder Störungen aufschaukeln und die ganze Formation lähmen.

Mehr als nur Schafe: Anwendungen in der KI

Die potenziellen Einsatzfelder des Algorithmus reichen weit über Roboterhirten hinaus. Er könnte helfen, Drohnenschwärme bei Such- und Rettungseinsätzen zu koordinieren, bei denen einzelne Einheiten ausfallen oder die Kommunikation gestört ist. Auch selbstfahrende Autos, die sich an Kreuzungen oder in Baustellen spontan neu organisieren müssen, könnten von einer leichten Prise Unentschlossenheit profitieren, um Staus und Deadlocks zu vermeiden. Besonders interessant ist das Konzept für Kollektive von KI-Agenten, die in Zukunft arbeitsteilig komplexe Aufgaben lösen sollen - von der gemeinsamen Analyse großer Datenmengen bis hin zur Steuerung vernetzter Lieferroboter. Wenn jeder Agent gelegentlich seine Zugehörigkeit wechselt, bleibt das gesamte System flexibel und anpassungsfähig, ohne dass ein zentraler Planer jede Bewegung vorgibt.

Die Studie zeigt damit exemplarisch, wie die Beobachtung von scheinbar banalen natürlichen Prozessen - einem Schäferhund, der geduldig auf die Schafe wartet - zu fundamentalen Einsichten für die Künstliche Intelligenz führen kann. Das Rauschen, das man so gerne eliminiert, entpuppt sich als wertvolle Ressource, und Unentschlossenheit wird zum Gestaltungsprinzip. Der nächste Schritt wird sein, diese Algorithmen in realen, unübersichtlichen Umgebungen zu testen, wo echte Unberechenbarkeit herrscht und ein kleiner Zufallsmechanismus den entscheidenden Unterschied macht.

Quellen:

• Travelers deploys AI-powered claims countrywide with OpenAI (OpenAI Blog)
• New national publication gives teachers guidance on AI in the classroom (Phys.org)
• What AI-herding scientists can learn from watching ‘sheepdog YouTube’ (Scientific American)
• Why do South Koreans love AI so much? (MIT Technology Review - AI)
• New usage analytics and updated spend controls for enterprises (OpenAI Blog)
• Bots are scraping open data - how should researchers respond? (Nature - News)

// weiterlesenSinnverlust per Knopfdruck: Wenn KI-Nutzung die Arbeit bedeutungslos machtAlgorithmenWarum Hütehunde auf chaotische Unentschlossenheit setzen - und KI-Forscher begeistert sindAlgorithmenWenn die KI nur noch kopiert wird: Wie passive Nutzung Arbeit sinnlos machtAlgorithmen

Kinetyra