In our project of understanding the world, we have created physics, biology, psychology, and a number of other disciplines. Now we want to turn our project into a rational one, a science that does not only find good hypotheses about the world, but that does so effectively. This requires that we first understand science itself: How do different sciences relate to each other? Why are there different sciences in the first place? And, within a single science, why does it look like we can distinguish ordinary science from scientific revolutions?

One way to ask how biology, psychology and elementary physics relate is the following: Given enough time and space to write, could we translate each biological statement into a statement in terms of physics that is true if and only if the biological statement is true? Likewise, can we translate psychological statements into statements about the physical states and processes of a system? Can psychological statements be translated into statements about biology?

Here is the gist of my thoughts:

The laws of a correct theory of elementary physics must be able to compress complete descriptions of system without loss. A complete description is a description that, in principle, would allow you to recreate the system exactly. It contains all the information there is in the system.

In contrast, inexact physics and special sciences like biology and psychology are lossy compressors of a system’s complete description. Given a lossy description, you might be able to restore certain features of the system, but never recover it completely (except for some degenerate systems).

To make an analogy:

A .png file compresses an image without loss — given the file, you can recreate the original image on the screen perfectly. The price you pay for this ability is that your file is relatively large.

In contrast, lossy image formats like .gif and .jpg create smaller files and they allow you recreate certain features of the original image, but usually do not recover it completely. For example, .jpg is more faithful to the original colors, .gif preserves edges and structural details better, but neither can restore the initial image completely.

Consequently, taking a .jpg image and saving it to .gif will result in loss both of the information that .jpg does not preserve and of the information that .gif does not preserve.

As may already be clear from the analogy, there are implications of the compression view for the relation between the sciences:

Statements from the special sciences and approximate physics can be translated into (possibly very long, disjunctive) statements about elementary physics without additional loss. However, such a translation will not make the statements more exact — information that is not there in a statement from one of the special sciences won’t be there in its translation, so what you get might be something like “it looks like physical situation A, or like physical situation B, or like physical situation C, or …”.

Statements from the special sciences can be translated into each other, but this will result in additional loss of information. In effect, what we need to do here is to first translate into exact physics (without additional loss) and then recompress into the target special science (with loss). Since different special sciences usually keep different structural details of the state intact, such a translation will usually throw away information. The more different the features that the two special sciences keep, the more loss we suffer.

I say usually since it is conceivable that statements formulated within a certain special science contain strictly more information than the translations within another science, just like statements in a correct elementary physics contain strictly more information than any of the special sciences, and just like a .gif format with 8 bits of color information (256 colors) contains strictly more information than a .gif format with 4 bits of information (16 colors). If you’re a philosopher, you might say that the latter, more coarse theory/format supervenes on the former, and if you’re a daring philosopher of mind, you might hypothesize that the relation between biology and psychology is just like this.

Why are there different special sciences? Why do we need special sciences at all?

The analogous question can be asked about image, audio and movie compression algorithms, and here the answer is clear: We don’t have enough space for lossless compression and in the end all we care about are certain features (and in different situations, we care about different features). In the case of audio compression, we only care about sounds within the range of 20 Hz to 20,000 Hz since everything else isn’t perceivable by the human ear.

Similarly, when we want to describe a phenomenon using scientific theories, we cannot use elementary physics as it takes too much time and space (although that would give us the most accurate predictions) and in the end, we do not care about all aspects of the phenomenon equally anyway. In thinking about how the brain works, neuroscientists do not look at the brain as an arbitrary physical system whose behavior is to be predicted, but instead it is certain aspects of this system that they try to explain. The aspects we care about tell us how to compress our observations into theories, and since we are not always interested in the same aspects, we need different ways of compression: different special sciences.

The compression view also gives us a way to think of the difference between ordinary science that discovers new facts within a framework and scientific revolutions that bring conceptual change:

Ordinary science is the process of finding out how the compressed version of interesting situations look like and how lossy the compression is when we apply existing compression algorithms — theories — to different situations. We smooth out small bugs in the compression algorithm, but fundamentally, we don’t change our framework: we use the existing compression algorithm.

Scientific revolutions change how we compress our observations: Every reasonable revolution either improves how strongly we can compress (e.g. by showing that what we thought of as different phenomena can be explained by the same principle) or makes our compressions less lossy (e.g. by replacing a black box term like elan vital with a structured theory). Since compression and prediction are two sides of the same coin, another interpretation of scientific revolutions is that they change the prediction algorithm whereas ordinary science mainly makes and checks predictions.

Now you be the judge how lossy this view on science really is.

Das letzte Semester habe ich als Visiting Student im Brain and Cognitive Sciences Department des MIT verbracht. Was folgt ist der Versuch einer Zusammenfassung dessen, was ich in Cambridge getan und gelernt habe. Besonders wenn ich von dem berichte, was ich gelernt habe, wird vieles skizzenhaft bleiben und vieles andere werde ich gar nicht erwähnen, weil ich nur begrenzt Zugriff auf die Veränderungen habe, die in meinem Kopf stattgefunden haben. Ich weiß jetzt mehr über das Denken und wie ich es erforschen will, über meine Zukunft und darüber, was für ein Mensch ich sein will. Im Folgenden will ich ein Bisschen davon vermitteln.

Mein Verständnis davon, wie das menschliche Denken funktioniert, hat Fortschritte gemacht. Grob lassen sich diese Fortschritte in drei Kategorien einteilen: Modelldenken, Wahrscheinlichkeitsdenken und Entwicklungsforschung. Zusammen haben sie dazu geführt, dass ich eine Vorstellung davon habe, wie ein Pfad hin zu einem naturwissenschaftlichen Verständnis des menschlichen Geistes aussehen könnte und, fundamentaler, dass ich mir überhaupt vorstellen kann, wirklich zu verstehen, wie das menschliche Denken funktioniert. Letzteres ist schwer zu vermitteln, und doch ist es das, was mir lange Zeit gefehlt hat (auch wenn mir das nicht klar war) und was zentrale Teile der Kognitionswissenschaft für mich weg von der Philosophie und in die Naturwissenschaftsecke rückt.

Der erste Punkt, das Modelldenken, ist der, der am meisten Auswirkungen auf meinen Alltag hat. Wissenschaftlich meine ich damit die repräsentationale Theorie des Geistes, insbesondere wie von Fodor in seiner Theorie einer Sprache des Geistes beschrieben. Im Alltag äußert sich das darin, dass ich häufiger zwischen meinem (und anderer Leute) geistigem Modell der Welt und der dahinter liegenden, wirklichen Welt unterscheide. Wenn ich eine E-Mail bekomme, die auf den ersten Blick schwer nachvollziehbare Dinge sagt, dann hilft es, wenn ich mir überlege, wie das Modell der Welt und das Modell von mir im Kopf des Schreibers aussehen könnte. Erst dann kann ich mir überlegen, was ich schreiben muss, um in diesem Modell das zu rekonstruieren, was ich beschreiben will. Wenn ich dagegen direkt das schreibe, was mich überzeugen würde, weil es in mein Modell der Welt passt, dann würde oft keine Kommunikation zustande kommen.

Dass man nicht um Wahrscheinlichkeitstheorie herumkommt, wenn man das Denken verstehen will, war auch schon vor der Zeit hier meine Einstellung. “I am interested in the theoretical foundations of inductive learning” hatte ich in der E-Mail geschrieben, mit der ich mich um das Praktikum hier am MIT beworben hatte, und bei induktivem Lernen hatte ich an probabilistisches Generalisieren gedacht. Und auch daran, dass für das Denken und Handeln in der echten Welt Annäherungen an das exakte Berechnen von Wahrscheinlichkeiten (z.B. von zukünftigen Ereignissen) wohl nötig sind, weil die exakte Lösung prinzipiell zu rechenaufwändig sein könnte, hatte ich schon damals wenige Zweifel. In einem Philosophie-Aufsatz schrieb ich: “Besides using approximate reasoning, prior beliefs that are tuned to the statistics of our world and access to a large amount of real-world data are two other strategies that are likely to be used in any solution to the AI problem.” Wovon ich wenig wusste, war, wie solche Annäherungen aussehen könnten und, allgemeiner, wie Wahrscheinlichkeitstheorie und die oben genannten — oft sehr komplexen — mentalen Modelle zusammen passen. Durch meine Arbeit an der probabilistischen Programmiersprache Church und an probabilistischen Modellen von schlussfolgerndem Denken, von Pragmatik und Konzeptlernen ist mir das klarer geworden.

Bevor ich am MIT-Harvard Seminar “Computational Models and Cognitive Development” teilgenommen hatte, wusste ich nicht zu schätzen, wie geeignet das Denken von (Klein-)Kindern als Studienobjekt ist, wenn man mehr über das Denken im Allgemeinen lernen will. Drei Fragen, die mich in meiner Forschung interessieren, sind: Was sind Konzepte? Wie lernen wir Konzepte? Was läuft ab, wenn wir in unserem Denken Konzepte manipulieren? Insbesondere wenn man annimmt, dass Konzepte aufeinander aufbauen, wird klar, warum man von Kindern besonders viel über das Denken mit Konzepten lernen kann: Die vorhandenen Konzepte sind weniger komplex und es kann praktisch live beobachtet werden, wie sich die Konzepte verändern. Ein Beispiel dafür ist das phasenweise Verstehen von Zahlen (no-knower, one-knower, two-knower, three-knower, number-knower), das in praktisch allen Kindern der zivilisierten Welt gleich abläuft.

Wenn ich sage, dass ich jetzt besser verstehe, was für eine Art von Mensch ich sein will und was für ein Leben ich leben will, dann ist das wahr, aber auch irreführend. Auch vor meiner Zeit hier war klar, dass, besonders wenn man nach gesellschaftlichem Urteil “alles richtig macht”, die Gefahr groß ist, sich und die großen Fragen, die man einst hatte, in institutionalisierten Systemen zu verlieren. Auch ohne groß zu suchen findet man in solchen Systemen zu jedem beliebigen Zeitpunkt im Leben Ausreden, warum jetzt gerade nicht die richtige Zeit ist für die großen Fragen. Systeme sind wie Lückentexte — sie machen es einfach, weil sie Struktur vorgeben, und aus dem gleichen Grund machen sie es schwierig, wenn man Wert auf die Freiheit legt, seinem Handeln selbst Struktur zu verleihen. Vor meinem inneren Auge sehe ich mich als Postdoc rechtfertigen, warum ich unbedingt an einem Projekt arbeiten muss, das zwar nicht wirklich spannend ist, aber die Konferenz-Deadline ist nahe, so langsam wird es Zeit für eine Professorenstelle und irgendetwas muss beim Vorstellungsgespräch ja erzählt werden — nur dummerweise wurde die PhD-Arbeit schon zu oft wiedergekäut, darum muss jetzt was Neues her, aber die großen Fragen sind dafür ungeeignet, die brauchen viel mehr Zeit, die kann ich mir jetzt nicht leisten. Die Gefahr sah und sehe ich, aber es macht einen Unterschied, ob man sich ihrer abstrakt bewusst ist oder ob man sich regelmäßig mit PhD-Studenten und Postdocs unterhält, die einen ähnlichen Hintergrund haben und sich ähnliche Fragen stellen und sieht, wie sie die in den Institutionen der Wissenschaft verwirklichen und nicht verwirklichen. “Ist das deine Zukunft?” frage ich mich regelmäßig und in verschiedenen Situationen habe ich diese Frage unterschiedlich beantwortet. Konkret stellt sich die Frage jetzt, wenn ich mir überlege, ob ich nach dem Bachelor einen PhD machen will, und bis jetzt ist meine Antwort “ja, aber”.

Auch außerhalb meines Labs habe ich interessante Menschen getroffen, und vielleicht war die Hauptmoral, die sich mir dabei eingeprägt hat, dass wir alle nur Menschen sind, ohne Ausnahmen. Vom Abendessen mit dem Physik-Nobelpreisträger Wolfgang Ketterle sind mir die karriereorientierten Fragen in Erinnerung geblieben, die die anderen Anwesenden gestellt haben, außerdem Ketterles Erzählung davon, wie er zeitweise seine Arbeit für seine Familie und zeitweise seine Familie für seine Arbeit vernachlässigt hat. Und die Erkenntnis, dass auch Handeln, das zu allgemeiner Anerkennung führt, oft aus Zielen folgt, die nur von innen einsichtig sind und unter Reflektion vielleicht nicht in sich konsistent wären. Vom Abendessen mit Garrett Lisi (unabhängig arbeitender Physiker und Extremsportler) blieb mir ein Wortwechsel besonders in Erinnerung. Ich habe ihn gefragt, ob er jetzt (da er gerade viel mit anderen Wissenschaftlern zu tun hat) glücklicher ist oder eher früher (als er hauptsächlich für sich allein gearbeitet hat), und er meinte daraufhin, dass er bis jetzt sagen würde, dass es früher schöner war. Dass es schwierig sei, die Vorstellungen verschiedener Menschen zu koordinieren. Worauf ich gefragt habe, ob es ihm denn lieber wäre, wenn jeder genau das täte, was er ihnen zu tun gäbe, und er wurde fast ein bisschen wütend, jedenfalls lauter als im Gespräch davor: “NO! No! Everyone should do what they want to do!” Seitdem denke ich ab und an daran, wie er das gesagt hat, und wie sehr ich das auch so sehe.

Es gibt zahlreiche andere Dinge, die ich letztes Semester gelernt habe — dass ich aus wissenschaftsphilosophischer Sicht struktureller Realist bin, dass ich klassische Musik hören kann, dass ich Hermann Hesse mag — und einige andere Dinge, die ich getan habe — der Lab-Ausflug nach New Hampshire, das Treffen mit Lena in New York, Neujahrsklettern in Dresden — aber was ich oben beschrieben habe ist das, was mir aus akademischer Sicht und aus dem aktuellen Moment heraus am bedeutendsten scheint.

After reading Kuhn, visiting the ICP and talking to friends, one thing became clear to me: From an individual point of view, science is often slow, frustrating and not at all like childhood thoughts and popmedia depictions. This is a problem for two kinds of people: Those who started out as idealists but ended up cynical, seeing science as just a job, and those who are about to choose their path and who have second thoughts. I am in the latter camp and I feel like I have ample company. What’s one to do in this situation?

You know the situation. Someone is presenting his research, PowerPoint slides up, room slightly darkened, and what you understand best is what he communicates nonverbally: “I don’t care either. I know that the question my research answers is not the kind of question that keeps me from falling asleep at night, but hey, it’s not as if that’s what I’m living for.” — at the same time, he goes on talking about the effects of auditory priming on the calcium ion concentration in parvocellular neurons of the chimpanzee lateral geniculate nucleus. If you were thinking in words, your thoughts would be along these lines:

“I want to learn about the world, but this does not feel right. It’s not the fact that what’s presented is a minuscule piece of detail — I care about details. But the reason I care about details is because they are necessary to piece together the larger picture. I want to find answers to the big questions. To study, to travel, to get to know people and to exchange ideas sounds perfect, but then I see those who call themselves ‘scientists’ and, most of the time, I don’t want to live their lives.”

“I don’t want to spend two years working on a project where the result is a 2% improvement of efficiency in some manufacturing procedure and a journal article. At the same time, I don’t want to deceive myself by pretending to tackle the big questions while all I’m engaged in is philosophical word games. I don’t want to solve puzzles for the sake of puzzle-solving. Enjoyment from puzzle-solving has never been my primary motivation for doing science. It may be part of my motivation, but a necessary condition for me to enjoy what I do is to feel that it is significant. I want to believe in choosing science, but reality always gets in the way.”

So, do you choose an academic career, hoping that things will be different for you, or that, by then, you have changed enough not to notice anymore?

“Academia” is a name for a set of standard solutions to standard problems. You don’t have to accept all of them, or any of them, to do science. It’s just the most convenient way. It appears to me that, if you don’t want to, you do not need to make any choices in life — there is always a most convenient way. Once you start out (and you did not have a say in that decision), there is a default answer to almost every question life poses, conditioned on how well you perform at certain tests and on what you state as your interests.

If ‘knowledge’ is high on your list of interests, here’s what to do: Finish high school, get a bachelor’s degree and don’t forget to take some jobs at your university (you want experience in teaching!), write your bachelor’s thesis about a topic that’s somewhat familiar to you (even if it’s not the thing you really want to do — after all, it’s only three months of your life) and get a bachelor’s degree. Next step, join a master’s program, internship included, during which you publish a few papers (research experience is crucial!). Your master’s thesis ends up using knowledge you already have from working on your bachelor’s thesis (because there is not enough time to start from scratch) and luckily you manage to suppress any thoughts about how your research is taking more and more directions that are not truly yours, for the sole reason that that’s what you’re an expert in. By the time you are working on your PhD thesis, you’re thinking that you are probably the only person that understands why one would spend years working on the problem you are trying to solve, and sometimes you are close to admitting that you do not understand it yourself, but rationalization goes a long way. By then, a significant portion of the possibility that once lay before you and that you didn’t appreciate at that time is already gone.

You can deviate from the most convenient way, of course, but only a small minority does. The sad thing about the whole situation is that there are people who want to do science but for whom the most convenient way is soul-crushing, while alternative choices are not an option (think money, acceptance, etc.). Therefore, they either don’t end up in science (despite their interest and motivation) or they do choose academia and suffer from the restrictions it imposes, fighting against the windmills of institutionalization that, like Dementors, suck out any sense of purpose until it’s just a job, fight over, next generation please.

(This is a gloomy way of seeing things, but to me it’s a real problem in search of a solution — not necessarily or primarily for personal reasons, but because, for some people, academia does not live up to its promise, the primacy of the pursuit of knowledge. I believe that it could and should, since they tend to be the kinds of people that would make good scientists.)

Irgendwo hier liegen die Grenzen des Mustererkennungsapparats in unserem Kopf. Das, was wir verstehen können, ist keine obere Schranke für die Komplexität unserer Welt. Aber ich wiederhole mich.

Wirklich Neues gibt es nicht. Es gibt lediglich Ideen, zu deren Erreichen wir eine größere Zahl an Inferenzschritten benötigen als für andere. Das Lösen einer Mathe-Aufgabe für Drittklässler unterscheidet sich nur quantitativ von der Erkenntnis, dass Ort und Impuls eines Teilchens niemals gleichzeitig exakt bestimmt werden können.

Das, was uns durchgedacht und zugeschnürt vorgesetzt wird, mögen wir akzeptieren, aber wir werden es niemals verteidigen. Null Inferenzschritte. Nur das, was wir selbst entdecken, machen wir uns zu eigen. Wenn wir bereits Ideen absorbieren, für die wir uns ohne Überzeugung und von der Endidee ausgehend Argumente ausdenken, wie viel stärker fühlen wir uns dann zu Ideen hingezogen, die wir selbst erdacht haben?

Wissenschaft funktioniert, weil jede Veröffentlichung (hoffentlich) Daten enthält, von denen aus wir den letzten Inferenzschritt selbst vollziehen können. Kunst funktioniert, weil sie Ideen nimmt und von dort aus einige Inferenzschritte rückwärts geht.

In einer Welt idealer Rationalisten macht es keinen* Unterschied, ob die letzten gedanklichen Schritte selbst ausgeführt oder fertig präsentiert werden. In unserer Welt dagegen ist es leicht, mich von einer Idee zu überzeugen. Ich muss die Idee dazu nur als meine eigene ansehen.

The problem with informal speculation is that it is easy to be unclear in your writing, and being unclear in your writing usually results from being unclear in your thinking.

Take, for example, my last post, where I was speculating about the properties of recursively improving systems. When I wrote that a system cannot predict a system of greater algorithmic complexity, I did not make clear whether I meant that not all systems of a certain greater complexity can be predicted (which is true) or that no system of a certain greater complexity can be predicted (which is false). For a system to improve recursively with respect to some goal in a way that increases its complexity, there is no need for it to be able to predict all systems of a certain greater complexity. Thus, the whole argument breaks down.

The problem with formal argumentation is that, even if you resort only to the most basic rules of logic, what you prove might not be what you intended to prove.

Take, for example, the paragraph above. The claim that some systems can learn to predict systems of higher algorithmic complexity can be proven formally. You define what you mean by “system”, “complexity” and “learn to predict” in mathematical terms, show an example of two systems, one with lower, one with higher algorithmic complexity, and how the former can learn to predict the latter. From now on, you are free to proclaim that there are simple systems that can learn to predict complex systems. Impressive!

Caveat: Do not mention that you were using the standard definition of “learning to predict” which says that a system learns to predict another system if, after a finite number of observations, the system knows all following outputs of the other system. And, please, stay quiet about the fact that the system that was predicted in your proof did not output anything but zeros after a finite time of complex behavior. Otherwise, people might think that what you have shown has little relation to what is usually meant when we talk about “learning to predict” behavior. And, more destroyingly, they would be right.

As soon as the context changes just a little, as soon your assumptions differ just a little, the value of a formal argument immediately becomes negative. Not only does such an argument say nothing about whether a conclusion is true or false, it will also let you sleep soundly, with the security that there is no need to further think about what you know — it is proven.

Informal arguments, on the other side, cannot provide security in the first place. The truth of informal arguments depends on what you mean by the words you use. Different people associate different meanings with different words, and what was once a discussion soon becomes a game for idle linguists — a fact that is painfully clear if you are doing philosophy. When rational people disagree, even after prolonged discussion, you can almost always trace it back to words being used in slightly different ways.

Your blurry, informal argument based on theorems used out of scope might well convince me. At that point, arguing has long stopped being our joint search for truth. Why bother?

Hier und jetzt ist der Anfang von allem, was nach uns kommt. Vielleicht werden Sonnensysteme und Galaxien einst unsere Heimat, vielleicht werden Milliarden Leben zu Trillionen, Quadrillionen oder zu einer ähnlich unvorstellbaren Zahl, so viel größer und bedeutender als alles, was jetzt ist, doch es geht nicht ohne uns. Unsere Generation hat sich Fragen und Entscheidungen zu stellen, für die es keine zweite Chance gibt. (Eine davon: Wie überleben wir die nächsten 30 Jahre, wenn fortgeschrittene Bio-, Nano- und Informationstechnologien Einzelpersonen und kleinen Gruppen enormen Einfluss geben?)

Wir Menschen unterscheiden uns nicht großartig in unseren Wünschen. Wir wollen Glück, Freude, Freiheit, Unabhängigkeit, Sicherheit, Wissen, Kreativität, Individualität, Sexualität, Freundschaft und Liebe (nun ja, Männer zumindest). Wir schätzen unser Leben, das unserer Freunde, unserer Familie und das unserer sechs Milliarden Mitmenschen. Trotzdem ziehen wir in verschiedene Richtungen, konkurrieren, intrigieren und machen generell den Eindruck, als ob wir es darauf anlegen, paradox zu handeln.

Wenn wir verstehen, welches Ausmaß die Zukunft hat, die auf dem Spiel steht, und wenn wir uns im Großen und Ganzen einig sind, was uns jetzt und für diese Zukunft wichtig ist, warum funktioniert es dann nicht besser^TM?

Warum leben wir nicht längst in Utopia, wenigstens asymptotisch?

Die Erklärung, die ich nicht glaube: Es geht nicht besser. Würde man jeden Menschen fragen, wie sehr diese Welt seinen Vorstellungen entspricht, und so zu einem Gesamtbild kommen, so gäbe es nichts, was dieses Bild dauerhaft besser machen könnte. Für diese Erklärung spricht die Anpassungsfähigkeit unseres Gehirns, die daran schuld ist, dass die meisten Änderungen unsere Gesamtzufriedenheit nicht dauerhaft verbessern. Glück ist die erste Ableitung positiver Veränderung. Aber, erstens: Lasst uns die offensichtlichen Unmenschlichkeiten dieser Welt beheben, dann können wir noch einmal darüber reden, ob es nicht besser geht. Zweitens: Manche Leute scheinen immer ein bisschen glücklicher zu sein als andere. Gene und Umwelteinflüsse legen die Biochemie unseres Gehirns fest und wir sind dabei, beides zu verstehen.

Die Erklärung, die ich gerne glauben würde: Die Probleme unserer Welt sind komplex. Wir sind auf dem Weg zu Lösungen, aber die erfordern ein gewisses Mindestmaß an Zeit und Technologie. Es wäre falsch, sich an neue Technologien zu klammern, weil diese beinahe immer zu polaren Zwecken eingesetzt werden können, aber ein Blick auf die Geschichte macht klar, dass neue Technologien Einfluss haben. Die Kombination aus omnipräsentem mobilem Web für die Massen und Suchmaschinen, die natürliche Sprache verstehen, könnte die Wissensverteilung weiter demokratisieren. Prognosemärkte (die von Google, Microsoft, HP und Intel bereits intern eingesetzt werden) könnten Teile der Politik rationaler gestalten, der Anfang der vollständigen Aufzeichnung der Menschheitsgeschichte alle kollektiven Entscheidungen.

Die Erklärung, die immer nur andere betrifft: Das sind alles egoistische Nichtsnutze, denen die Menschheit egal ist, so lange sie Familie, Job und ein halbwegs interessantes Leben haben. Unterstützt werden sie in ihrer Haltung von Wissenschaft und Wirtschaft, die Gedanken über den Lauf der Welt zugunsten kurzfristiger und handfester Resultate bestrafen. Andererseits werden gesellschaftliche Fragen gerne mal eben beim Mittagessen gelöst (wenn gerade keine Fußball-WM stattfindet) und mit zufriedenem “Tja, so müsste man’s machen” abgehakt. Zu Handlungen kommt es natürlich nicht, denn dafür bräuchte man Lösungen, die tatsächlich funktionieren, müsste herausfinden, wie man als einzelner zur Umsetzung beitragen kann, und müsste die Lösungen finden, von denen man selbst profitiert. Wozu die Menschheit retten, wenn es nicht entweder Geld, Sex oder Status bringt oder sowieso auf dem Weg zur Rettung des eigenen Lebens liegt?

Die Erklärung, die mich (und dich!) betrifft: Wir arbeiten auf Teilziele hin, die nicht direkt dem entsprechen, was wir wirklich wollen. Weil das fast jeder tut, weil verschiedene Teilziele oft gegensätzliche Aktionen erfordern und weil die Ziele selbst dann oft nicht erreicht werden, heben sich unsere Bemühungen mehr oder weniger auf. Unser Tun führt so zwar zu neuen Methoden und zu neuen Erkenntnissen über unsere Welt, die indirekt zur Realisierung unserer Wünsche beitragen können, ist aber ineffektiv und potentiell schädlich. In dem Moment, in dem wir uns einer Ideologie verschreiben, weil wir glauben, dass die Durchsetzung von deren Axiomen den Menschen das geben wird, was sie wirklich wollen, arbeiten wir an der Verbreitung der Ideologie und nicht mehr an den eigentlichen Problemen.

Glücklicherweise ist die Lösung einfach: Wir wählen in jedem Moment die Handlung, die für sich genommen am ehesten unseren Werten entspricht, anstatt uns auf eine Ideologie oder auf ein langfristiges Ziel festzulegen und darauf hinzuarbeiten.

Dummerweise funktioniert sie nicht in jedem Fall, insbesondere dann nicht, wenn wir existentielle Risiken — Katastrophen, die das Ende der Menschheit bedeuten können — in Betracht ziehen und uns der Fortbestand der Menschheit doch ein bisschen kümmert.

KI in zwei Sätzen: Die Annahme, dass wir in absehbarer Zeit auf einen relativ allgemeinen Mustererkennungsalgorithmus stoßen, der mit genügend Rechenpower die Mustererkennungs- und Vorhersagefähigkeiten des menschlichen Gehirns übertrifft, ist (für diese Art von Annahmen) weit verbreitet. Deutlich kontroverser ist die Idee, dass Algorithmen praktisch möglich sein könnten, die Veränderungen an sich selbst vornehmen, um so große Klassen von formalisierbaren Probleme bestmöglich zu lösen — unabhängig davon, wie anspruchsvoll diese Probleme sind, d.h. wie viel Intelligenz zu deren Lösung nötig ist.

Die formale Analyse der Approximierbarkeit theoretischer Modelle von Superintelligenz in unserer physikalischen Welt benötigt unsere Aufmerksamkeit, wenn wir wissen wollen, wo auf unserer Liste existentieller Risiken und Chancen maschinelles Lernen steht. Forschung auf dem Gebiet ist ein langfristiges Vorhaben, eines, das jahrelanges Lernen voraussetzt und das mit signifikanter Wahrscheinlichkeit fehlschlägt. Das ändert nichts daran, dass solche Forschung wirklich, wirklich wichtig ist.

Letzte Woche, bei Pasta und Pizza, hat Jürgen die Frage in die Runde geworfen, wie groß denn der Anteil unserer Zeit sei, den wir für das Jetzt leben, und wie groß der, den wir für die Zukunft leben. Zunächst allgemeine Übereinkunft, dass man seine Zeit wohl kaum so klar kategorisieren könne. Dann, von dem, dessen theoretische Grundlagenforschung auch in 100 Jahren noch relevant sein wird (mehr als jetzt): I don’t care about the future.

I do. Aber vielleicht macht das keinen Unterschied.

Of course, I have no idea what I am talking about. I am a first-year undergraduate, I have never been to any other conference, and when a fellow student from Germany asked me “What, then, are you doing here?”, I didn’t really mind. The AAAI conference is one of the most popular international AI conferences, certainly the most popular one in North America. This year it took place in Vancouver, Canada. What follows is a list of the tutorials, talks and technical sessions I attended, each with a one-line summary of what I learned.

Tutorials I attended

• General Game Playing is the task to write programs that learn to play arbitrary games solely by being given the rules of a game. Allow games with an infinite number of states and this is as close as you can get to working on AGI without being considered weird by the traditional AI community.
• Autonomous Bidding Agents: If you want people to bid their true values in an auction, use a sealed-bid second-price auction (similar to eBay’s system). The Trading Agent Competition is a useful testbed if you like game theory and view AI as a tool for automated trading and scheduling.
• Constraint-Based Local Search in Comet: If you want to solve constraint satisfaction problems (e.g. a Sudoku), don’t want to spend much time programming and like nice visualizations, use Comet.
• Practical Statisticial Relational AI: We may finally be able to unify logical inference, inductive logic programming, probabilistic inference, and statistical learning using Markov logic networks. Alchemy is supposed to fulfill Prolog’s promises (and it looks like it could).

Talks I heard

• Agents, Bodies, Constraints, Dynamics and Evolution: Robot soccer is a great challenge. We can’t completely avoid ethical choices (but please, don’t think ahead too far, let’s start with Asimov). Robot architectures need to provide an easy way to model constraints on the agent’s actions.
• Graph Identification and Alignment: Nice algorithms for entity resolution, link prediction, and collective classification exist that make it possible to extract useful information from noisy input data, e.g. social relations from a bunch of e-mails.
• AI in a Moore’s Law World: The Stories of Farecast and KnowItAll: The story of Farecast: You can make lots of money using data mining. The story of KnowItAll: It would be awesome if web search engines understood web pages and answered questions instead of just doing keyword searches, but we’re really not there yet and we need much more computing power for more sophisticated approaches.
• Representing and Reasoning about Preferences: You can force people to vote truthfully instead of opportunistically by making manipulation a NP-hard problem.
• Big “A”, Small “I”: Smart Ends from Simple Means: If you are designing a game, don’t compute things the player never gets to see, think about whether sophisticated planning really is better than just-the-next-step computation and remember that Matt Brown likes to do things in a very non-rocket-science kind of way.

Technical sessions

• Deriving a Large-Scale Taxonomy from Wikipedia: Wikipedia’s categories make for a useful network of concepts and, with a little effort, are just as good as the current largest taxonomies, WordNet and ResearchCyc.
• A New Algorithm for Generating Equilibria in Massive Zero-Sum Games: The range of skill in a game, i.e. how many different skill levels exist, is a reasonable measure of the complexity of a game. There is an iterative algorithm for computing approximate equilibrium strategies by fixing the opponent’s set of strategies but I don’t remember how it works.
• Reasoning Patterns of Agents: We can think of five basic reasoning patterns agents use in games — direct effect, influence for no reason, manipulation, signaling and revealing/denying — and these can be used to talk about actions in a more fine-grained way than just saying that an agent maximizes expected utility.
• On the prospects of building a Working Model of the Visual Cortex: More computing power is good and Jeff Hawkins approach may not be totally off, but we don’t want to mention his name.
• Modeling Crowd Behavior using Social Comparison Theory: People act similar to those who are like themselves but not too much like themselves. Simulate this and what you get is fairly convincing crowd behavior.
• Retaliate: Learning Winning Policies in First-Person Shooter Games: Really simple reinforcement learning produces good team strategies for Unreal Tournament’s domination mode.
• Analyzing Reading Behavior by Blog Mining: People who write comments on your blog tend to be regular readers. People who visit your blog are likely to visit similar blogs, too. If you don’t believe this, remember that we can still mention preferential attachment in our paper and thus have a few formulae that make the obvious much more convincing.

(Not quite) random remarks

• Man vs. Machine Poker Tournament: Poker players are lots of fun. This is the last year the human players won, but it is still not clear whether the bot that wins next year will be a boring equilibrium player or a learning bot that exploits its opponent’s weaknesses.
• The outside view of “traditional” AI research is right. I got the impression that most people are happy working on smallish problems. Let’s improve an existing optimization algorithm here and think about a new heuristic there, but don’t even mention general intelligence. That’s science fiction.
• And wrong. Whatever you do, be it natural language processing or robotics, the signs are there that quick hacks won’t get you anywhere near intelligent behavior, that the combination of faster hardware and new neuroscience provides an upper bound for the advent of silicon intelligence and that there are ethical and societal issues that need to be taken care of.
• Times change. On the way back from the conference, an uncle of mine who lives in Vancouver told me about his youth. Most of the time progress feels slow and boring. When you just return from a place where 200 people think about how to make the international network of computers reply to questions in an intelligent way and someone tells you about how he started out as a kind of millwright 50 years ago, that’s not the case.

Einige Ideen, wie man den Osnabrücker Studiengang Cognitive Science für jetzige und zukünftige Studenten noch attraktiver machen könnte.

Übersicht

1. CogSci muss bekannter werden!
2. Methodische Grundlagen
3. Ethik der Kognitionswissenschaft
4. Uni statt Schule
5. Forschung, mehr und früher
6. Interdisziplinarität statt Multidisziplinarität
7. Ideen für zusätzliche Kurse
8. Mentorenprogramm
9. Unterstützung für Aktivitäten außerhalb von Osnabrück

CogSci muss bekannter werden!

Das, was einen Studiengang ausmacht, sind die Studenten. Elite-Universitäten unterscheiden sich vom Rest in der Qualität der Lehre und in der Ausstattung der Vorlesungssäle, aber wenn dieser Unterschied zählt, dann nur indirekt. In den Worten eines Professors für kognitive Mathematik: “Auf meine Frage, wo denn der größte Unterschied liege, sagte sie, es wären die Leute. Dass du immer jemanden findest, der mitzieht.”

Osnabrück ist keine Elite-Universität. Allerdings hat der Cognitive-Science-Bachelor bislang eine Monopolstellung in Deutschland inne. Damit ist er, neben den Systemwissenschaftlern und European Studies, einer der drei Osnabrücker Studiengänge, den Leute studieren, die sich wirklich kümmern. Wer 700 Kilometer umzieht, um sich für einen zeitfressenden Studiengang ohne NC, elitären Ruf und mit unklarer beruflicher Zukunft einzuschreiben, ist entweder verrückt, wirklich am Thema interessiert oder beides.

1. Cognitive Science könnte viel mehr Bewerber haben.

Die Mehrheit der Studenten kommt immer noch aus der Umgebung von Osnabrück. Keiner meiner ehemaligen Mitschüler wusste, dass es einen Studiengang namens Cognitive Science in Deutschland gibt. Die, die von weiter her kommen, haben den Studiengang “zufällig” über den Wikipedia-Artikel zur Kognitionswissenschaft gefunden oder sind “zufällig” über einen Zeitungsartikel gestolpert, in dem ein Prof aus Osnabrück zitiert wurde. Studiengänge, die man nicht kennt, bezieht man selten in seine Zukunftsplanung mit ein. Natalie, die kommendes Semester aus Bayern nach Osnabrück zieht, schreibt:

Ich glaube, es würden mehr Leute Cognitive Science studieren, wenn sie wüssten, dass dieser Studiengang überhaupt existiert. (Mehr Hochglanzbroschüren drucken ;) Ich bin mehr per Zufall drauf gestoßen, wenn man in der Nähe der Uni wohnt, ist die Wahrscheinlichkeit wohl größer auf den Studiengang zu stoßen.

2. Mehr Bewerber heißt bessere Studenten.

Jedes Jahr beginnen etwas unter hundert Leuten das Studium. Viel größer kann der Studiengang nicht werden, ohne dass die Qualität des Studiums leidet. Daraus folgt, dass nicht jeder, der sich bewirbt, aufgenommen werden kann; es muss entweder nach NC oder — besser — individuell je nach Motivationsschreiben, Noten in studiumsrelevanten Fächern und Auswahlgespräch gefiltert werden. “Bessere Studenten” heißt nicht nur, und auch nicht in erster Linie, “Studenten mit guten Noten”, sondern “Studenten, die sich wirklich kümmern”. Wenn du für das Fachschaftstreffen zum Thema “Tutorien für die nächsten Erstsemester” einen Vorlesungssaal brauchst, weil jeder daran teilnehmen will, hast du die richtigen Leute erwischt. (Ja, ist so passiert.)

3. Bessere Studenten sind gut für uns.

Der Ruf des Studiengangs hängt vom Erfolg seiner Studenten ab. Mit fähigen und motivierten Leuten zusammenzuarbeiten macht mehr Spaß. Leute zu haben, die man fragen kann, wenn man etwas nicht versteht und die dann entweder Antworten wissen oder zusammen mit dir Antworten suchen, ist viel wert. Vorlesungen und Übungen, in denen die Mehrheit der Leute nur anwesend ist, weil sie den Schein braucht, sind frustrierend.

Was tun? Vielleicht genügt es wirklich, (mehr) Hochglanzbroschüren und Poster zu drucken und an Schulen zu verteilen. RoboCup-Weltmeisterschaften zu gewinnen und Schlagzeilen bei Wired zu machen schadet auch nicht.

Methodische Grundlagen

Die ersten Jahre des Studiums sollten die sein, die uns Studenten mit einem Grundrepertoire an Methoden und mit einer gewissen geistigen Disziplin in der Anwendung der Methoden ausstatten. Bei Cognitive Science ist der Versuch in verschiedenen Fächern verschieden erfolgreich.

Auf dem Gebiet der Informatik sieht es sehr gut aus, wenn man die entsprechenden Vorlesungen (Informatik A bis D) besucht. Für die Psychologie sind Grundkenntnisse der deskriptiven Statistik, der Inferenzstatistik und der Versuchsplanung wichtig. Beides ist Teil des ersten Semesters; was man daraus macht, bleibt jedem selbst überlassen. Im Bereich der Linguistik werden die Grundlagen in Introduction to Linguistics vermittelt, bei der Philosophie soll das mit einer umstrukturierten Einführung kommendes Sommersemester der Fall sein.

Manchen Mathematik-Studenten fällt es schwer, die Denkweise zu verinnerlichen, die für das Lösen abstrakter mathematischer Probleme nötig ist, selbst wenn sie während des Semesters nicht viel anderes zu tun haben. Wenn Mathe nur eines von sieben Fächern ist und keine Zeit bleibt, um erst nach stundenlangem Nachdenken auf das Ergebnis einer Aufgabe zu kommen, können die Veränderungen im Kopf, die es braucht, nicht stattfinden. Das ist deswegen problematisch, weil die Herangehensweise der Mathematik eine ist, die sich leicht auf andere Bereiche übertragen lässt — und die in den seltensten Fällen anhand von anderen Bereichen gelernt wird. Der Mathe-Vorkurs, die darauf aufbauende Vorlesung Formalisierung von Wissen und die Vorlesung Introduction to Logic gehen in die richtige Richtung. Die Tatsache, dass in Mathe II noch genau zwei Coxis saßen, spricht dafür, dass das nicht ausreicht.

Würde ich nach meinem CogSci-Bachelor meine Zukunft in den Neurowissenschaften sehen, so würde ich mir Sorgen um meine Grundkenntnisse der Biologie und Chemie machen. Bei der Erstellung des Studienplans wurde offensichtlich angenommen, dass die in der Schule vermittelten Grundkenntnisse in diesen Bereichen hinreichend sind und dass die Neurobiologie-Vorlesungen darauf aufbauen können. Tatsächlich genügen die Kenntnisse für Introduction to Neurobiology und Sensory Physiology. Um mit denjenigen auf ihrem Fachgebiet konkurrieren zu können, die beispielsweise den Studiengang Neurowissenschaften in Köln abgeschlossen haben, rät es sich an, Vorlesungen wie Biochemie I und Biochemie II zu besuchen, auch wenn die laut Stud.IP nicht explizit für Coxis vorgesehen sind.

Was tun? Grundlagenvorlesungen wie Biochemie I und II verpflichtend zu machen lässt sich zeitlich kaum umsetzen. Es sollte jedoch klar sein, dass es solche Vorlesungen gibt und dass diese für Coxis geeignet sind. Es könnte sinnvoll sein, solche Vorlesungen für das Fach für verpflichtend zu erklären, in dem man seine Bachelor-Arbeit schreibt.

Und sonst? Die Mathematik-Vorlesung ist im aktuellen Format für die wenigsten Coxis sinnvoll, allerdings ist es schwierig, eine Alternative zu finden, die sich im vollen Stundenplan der ersten zwei Semester unterbringen lässt. Eine Möglichkeit wäre, Mathe I auf das zweite oder dritte Semester zu verschieben und Formalisierung von Wissen im ersten Semester zum Pflichtfach zu machen.

Ethik der Kognitionswissenschaft

“Erinnerst du dich an den Vortrag des Inders, in Foundations of Cognitive Science?”, fragt Susanne, “Der mit den Robotern, den alle so toll fanden? Die Roboter, die in Japan dafür eingesetzt werden, für alleinstehende alte Menschen zu sorgen? Das ist furchtbar!” Der Vortrag blieb im Gedächtnis. Die ethische Bedeutung von oberflächlich menschenähnlichen Robotern ist keineswegs klar, geschweige denn die von Maschinen mit “wirklicher” Intelligenz.

Es gibt wenige Wege, die man nach dem CogSci-Studium einschlagen kann und auf denen man nicht mit ethischen Fragestellungen konfrontiert wird. (Und nicht nur deswegen, weil man generell kaum Lebenswege einschlagen kann, auf denen man nicht mit solchen Fragen konfrontiert wird.) “Sollen wir in die ersten zwei Semester noch einen Pflichtkurs mehr packen?” ist keine befriedigende Begründung dafür, ein Diskussionsseminar zur Ethik von Neurobiologie und künstlicher Intelligenz nicht Teil des Curriculums sein zu lassen.

Was tun? Ein solches Seminar als Wahlkurs einrichten.

Uni statt Schule

Zumindest in den ersten zwei Semestern hat das Studium zwei Eigenschaften, die mich schon am Schulsystem gestört haben und von denen ich gehofft hatte, dass ich ihnen an der Uni nicht nochmals begegnen würde.

1. Die Heuristik, autoritär präsentierte Ideen ohne Nachdenken als wahr zu akzeptieren, funktioniert so gut wie während der Schulzeit. Im Wissenschaftsalltag wird die nicht mehr funktionieren.
2. Wissen wird Detail-für-Detail und weitgehend von tatsächlichen Anwendungen abstrahiert eingetrichtert. Selbständigkeit und Kreativität sind optional.

Wenn ich diejenigen, die in einem Fach wirklich gut sind, mit denen vergleiche, die auf passable Klausurergebnisse hin lernen, fällt eigentlich nur eine Sache auf: Erstere merken, wenn sie etwas nicht verstehen. Was sie verstehen, können sie in einfachen Worten erklären. Über Textstellen hinwegzulesen und sie später, wenn in der Klausur gefragt, ohne Verständnis wörtlich wiedergeben zu können, ist eine Fähigkeit, die kurzfristig nützlich und langfristig sehr schädlich ist.

Echtes Verständnis braucht mehr Zeit, vielleicht mehr, als im aktuellen Studienplan vorgesehen ist. Ich kann mir vorstellen, dass mit gleichem Zeitaufwand — abhängig vom eigenen Engagement — mehr erreicht werden könnte, wenn die Zahl der Vorlesungen und Übungen auf dem Stundenplan stark reduziert würde und so mehr Zeit für eigenständige Arbeit zu Hause bliebe. Deren Ergebnis würde dann einmal pro Woche besprochen, offene Fragen würden geklärt und das nächste Treffen fände erst eine Woche später statt. Übungen, in denen die Lösungen von Aufgaben im Vorlesungsstil an die Tafel geschrieben werden (wie das in Mathe der Fall ist) waren für mich nur begrenzt nützlich.

Es gibt verschiedenen Methoden zu lernen. “Auf ein Blatt Papier starren und versuchen, die Konzepte in seinen Kopf zu bekommen” ist nur eine davon. Was in der Regel leichter fällt, mehr Spaß macht und sich sinnvoller anfühlt, ist das Lernen “by doing”, das unvermeidbar ist, wenn man an einem umfangreicheren Projekt arbeitet. Der Versuch, ein möglichst realistisches Modell eines neuronalen Netzes in Java zu programmieren, lediglich mit dem Wissen der Neurobio-Vorlesung, Mathe I und Informatik A wäre ein Beispiel. Man könnte einwenden, dass die Methode nicht auf alle Fächer anwendbar ist, aber auf den Großteil der CogSci-Fächer trifft das nicht zu.

Was tun? Frontalunterricht reduzieren, so dass mehr Zeit für wirkliche Arbeit bleibt. Umfangreichere, fächerübergreifende Projekte statt wöchentlicher Hausaufgaben.

Forschung, mehr und früher

Fast jeder, der Cognitive Science nicht nur als interessanteres Informatik-Studium missbraucht, will später in die Wissenschaft. Wenig ist dafür so wichtig wie ein echtes Verständnis der Methoden, die den einzelnen Teilbereichen der Kognitionswissenschaft zugrunde liegen. Begeisterung und Neugierde sind zwei Dinge, die wichtiger sind.

Würde ich es mir zum Ziel setzen, beides so gut es geht zu zerstören, würde ich dafür sorgen, dass Studenten in den ersten Semestern möglichst 100% der Zeit damit beschäftigt sind, vorgegebene Fakten zu akzeptieren, auf keinen Fall mit aktueller Wissenschaft in Kontakt kommen oder gar selbst an einfachen Problemen arbeiten.

Zum Glück sieht es in Osnabrück nicht so aus. Ich habe mich jedes Mal heimlich gefreut, wenn in Neurobio ein Satz mit “… but current science doesn’t really know what this region is good for” endete und, wie Basti schreibt, gibt es durchaus spannende Projekte hier an der Uni:

Es gibt viele Projekt-Gruppen, an denen man sich beteiligen kann. Keine Bange – sobald du etwas spezialisiertere Fächer belegst, bekommst du davon Wind (im ersten Semester bekommst du wirklich nur das absolut nötigste Grundwissen regelrecht eingeprügelt). Ab Semester 3 wird es also richtig spannend! Projekte wie FeelSpace oder der RoboCup sind die Flaggschiffe des Instituts. Aber auch die CogPsys machen interessante fMRI Studien!

Ich frage mich, ob man aus “Ab Semester 3″ nicht “Ab Semester 1″ machen könnte und ob man nicht direkt zu (oder vor) Beginn des Studiums deutlich machen sollte, welche Möglichkeiten man als Student hat. Es ist kein Zufall, dass Universitäten wie Berkeley, das MIT und Yale spezielle Programme für Undergraduate Research anbieten. Vielleicht gibt es noch nicht genügend Studenten in Osnabrück, die daran Interesse haben, aber selbst dann sieht die beste Lösung so aus, dass man eine Umgebung schafft, die für solche Studenten attraktiv ist und mehr davon nach Osnabrück führt.

Was tun? Integration der Studenten in Forschungsprojekte, vom ersten Semester an. Klären, zu wem man mit eigenen Projektideen am besten geht und welche Unterstützung man erwarten kann. Häufigere Verweise auf die Themen und Grenzen der aktuellen Forschung in den Vorlesungen. Zusätzlich zu den einsteigerfreundlichen Materialien anhand der ursprünglichen wissenschaftlichen Veröffentlichungen arbeiten.

Interdisziplinarität statt Multidisziplinarität

Cognitive Science ist interdisziplinär, nicht multidisziplinär. Die Zusammenstellung der Teilbereiche ist nicht beliebig. Fast jedes Thema lässt sich aus mehreren Perspektiven betrachten, zu fast jeder Methode gibt es Analogien in anderen Fächern. Nur sagt niemand, wo die Zusammenhänge liegen, insbesondere nicht die Professoren der jeweiligen Fächer.

Neurobiologen könnten erwähnen, wie weit die Neuroinformatik bei der Modellierung der primäre visuelle Kortex ist, Statistiker auf die Auswirkungen eines Theorems auf den Bereich des maschinellen Lernens hinweisen und kognitive Psychologen könnten sich zusammen mit AI-Professoren darüber Gedanken machen, welche Parallelen und Unterschiede zwischen Menschen und Maschinen beim Lösen NP-schwerer Probleme bestehen. So bleibt es der Verantwortung der Studenten überlassen, die entsprechenden Verknüpfungen im Kopf zu erzeugen.

Dabei sind es gerade die Verbindungen zwischen den Fächern, die am spannendsten sind. Beispiel aus der Physik: Scott Aaronsons Quantum Computing Since Democritus — “This course tries to connect quantum computing to the wider intellectual world”.

Was tun? Fächerübergreifende Projekte; Professoren darauf hinweisen, dass die Verbindungen, die sie zwischen ihrem und anderen Gebieten der Kognitionswissenschaft sehen, für Studenten nicht offensichtlich sind.

Ideen für zusätzliche Kurse

Das Verzeichnis der Lehrveranstaltungen enthält viele interessante Seminare aus den Bereichen Linguistik und Philosophie (zumindest dann, wenn man Linguistik und Philosophie interessant findet) und nur relativ wenige aus den übrigen Bereichen. Spontan fallen mir drei Themen ein, über die ich gerne mehr lernen würde und zu denen es bis jetzt keine Lehrveranstaltungen gibt:

• Algorithmische Informationstheorie: Eine Theorie aus der theoretischen Informatik, die zur Beschreibung des Informationsgehalts einer Zeichenkette die Länge des kleinsten Algorithmus betrachtet, der die Zeichenkette erzeugt.
• Computational Learning Theory: Ein recht mathematischer Zweig der theoretischen Informatik, der die Möglichkeit und Effizienz von Algorithmen analysiert, die aus Daten über die Vergangenheit Vorhersagen über die Zukunft treffen.
• Evolutionäre Psychologie: Ein Teilbereich der Psychologie, der menschliches Verhalten als Ergebnis der natürlichen Selektion betrachtet, wobei die Umweltbedingungen solche Verhaltensmechanismen gefördert haben, die die Überlebens- und Fortpflanzungschancen des Organismus begünstigten.

Was tun? Die Auswahl an fortgeschrittenen Kursen je nach Interessen der Studierenden ausgeglichener gestalten.

Mentorenprogramm

Die offizielle Website zum Studiengang verspricht:

Alle Studierenden sind einem oder einer Lehrenden der Universität zugeordnet, der oder die verantwortungsvoll während des gesamten Studienverlaufs als Mentor oder Mentorin zur Verfügung steht und Hilfe in allen Fragen zum Studium anbietet.

Es ist wahr, dass man sich im Online-Verwaltungssystem Stud.IP für ein Mentorenprogramm eintragen und sich über die Gruppenfunktion einem Mentor zuordnen kann. Vermutlich beantwortet der entsprechende Professor dann auch gerne Fragen zum Studium (wie es jeder andere Professor auch tun würde). Was man sich unter dem Mentorenprogramm nicht vorstellen sollte, ist, dass man persönlichen Kontakt zu einem Professor hat, der Interesse daran zeigt, wie gut oder schlecht man mit dem Studium vorankommt und auch mal unaufgefordert auf Möglichkeiten hinweist, die man selbst vielleicht übersehen hätte.

Was tun? Ernsthaftes Mentorenprogramm einrichten.

Unterstützung für Aktivitäten außerhalb von Osnabrück

Im Prinzip Manuels Vorschlag:

Mehr Promotion von anstehenden Symposien, Konferenzen, Workshops etc. in der Welt und Grants für Studierende, die da hin wollen.

Ich kann mir vorstellen, dass es selbst mit Studiengebühren schwer wird, als Student finanzielle Unterstützung von der Uni für Konferenzen und Vorträge zu erhalten. Bis jetzt gibt es keinen Fonds für solche Zwecke und selbst der Reiseetat der Professoren, die bei solchen Konferenzen Vorträge halten, ist nicht unbeschränkt. Eine größere Konferenz und die Studiengebühren für ein Semester sind weg. Auf jeden Fall wäre es praktisch, früh genug und umfassend genug über Workshops, Konferenzen etc. informiert zu werden, so dass man noch bei Stiftungen Förderungen beantragen kann.

Was tun? Zentralen Kalender für Coxi-relevante Ereignisse einrichten, gut informierte Verantwortliche für das Eintragen der Daten finden, bei neuen Daten Benachrichtigungen an die Mailingliste. Informationen sammeln, von wem man Unterstützung für welche Aktivitäten bekommt und was dazu nötig ist.

Zunächst waren es nur einzelne. Ich glaube, es war ein Ehepaar aus einem Vorort von Neu-Delhi, das den Anfang machte. Die beiden Implantate waren nicht einmal daumengroß und sehr viel flacher. Das Prinzip war einfach: Elektrische Ströme messen, als Mikrowellen senden, andere Mikrowellen empfangen und wieder zurück in elektrische Ströme umwandeln. Die meiste Zeit hatte die Perfektionierung der Schnittstelle zwischen Nervenzellen und Siliziumchip in Anspruch genommen, danach noch zwei Jahre, um herauszufinden, dass sich zumindest bei Schimpansen ein Teil des visuellen Cortex sehr gut für das Implantat eignet.

“Weil es Grenzen gibt, die wir nie hätten überwinden können. Gefühle lassen sich nicht in Worte fassen, ohne dass das, was sie ausmacht, verloren geht. Unser Bewusstsein hätte sich nicht berühren können, nicht in der Intimität, in der es sich selbst berührt.” Das war drei Jahre nach dem medizinischen Eingriff. Was die beiden wussten und wie sie sich verhielten war auf eine Art aufeinander abgestimmt, wie es sonst nur ein einzelner Körper ist. Perfektes Verständnis, ohne dass Gedanken auf einen eindimensionalen Wortstrang reduziert wurden. Keine Privatsphäre, weil man keine Dinge vor etwas verbirgt, das Teil seiner selbst ist. Und heute? Identitäten, die den Erdball umspannen.

Unser Gehirn ist in eine rechte und eine linke Hälfte aufgeteilt und “wir” sind das Ergebnis der Arbeitsteilung der beiden Hälften. Über ein Datenkabel aus Nervenbündeln namens Corpus Callosum tauschen die beiden Teile unseres Gehirns Informationen aus. Würde mir dieses Datenkabel durchtrennt, so könnte ich nicht mehr aussprechen, was ich auf der linken Seite meines Gesichtsfeldes sehe. Diese visuellen Informationen werden an die rechte Gehirnhälfte weitergeleitet, mein Sprachzentrum befindet sich in der linken und ein Datenaustausch ist ohne Corpus Callosum nicht mehr möglich.

Und doch gibt es Menschen, die ohne Corpus Callosum geboren werden und sich normal verhalten. Bei ihnen haben die beiden Hemisphären gelernt, über weniger direkte Wege Informationen miteinander auszutauschen. Das legt nahe, dass auch bei gesunden Menschen ein Lernvorgang stattfindet, in dem die beiden Gehirnhälften lernen, was sie mit den Informationen anfangen sollen, die sie von der anderen Hälfte erhalten. Die zwei Gehirnhälften sind unabhängige kognitive Systeme, die systematisch Informationen miteinander austauschen und sich so aufeinander abstimmen.

Auch Menschen, die miteinander kommunizieren, sind kognitive Systeme, dich sich aufeinander abstimmen. Die Bandbreite gesprochener Sprache beträgt weniger als 500 Bits pro Sekunde. Das Datenkabel zwischen den Gehirnhälften überträgt jede Sekunde mehr als 100 Millionen Bits. Wenn zwei Gehirnhälften lernen können, mit derart großen Datenmengen umzugehen, warum dann nicht auch zwei oder mehr Gehirne?

Die technologischen Anforderungen für drahtlose Brain-to-Brain-Interfaces sind vergleichsweise gering, die gesellschaftlichen nicht abzusehen, wenn wir das erste Mal in der Menschheitsgeschichte verändern, was Identität bedeutet. Die Zukunft ist nicht unsere Welt mit kleineren Handys, größeren Bildschirmen und schnelleren Computern. Vielleicht ist allgemeine künstliche Intelligenz unmöglich, vielleicht wird es Eric Drexlers Nanoassembler nie geben wird und vielleicht ist unser Gehirn zu komplex, als dass wir je molekulare und psychologische Ebene umfassend miteinander verbinden können. “Achtung, radikal anders!” steht auch dann auf allen Wegweisern.

Forschung findet hinter von außen verschlossenen Türen statt. Spektrum der Wissenschaft zeigt bunte Roboter und wir wissen, dass wir von dem, was unsere Welt verändert, nichts mitbekommen, weil sich “Learning about a Categorical Latent Variable under Prior Near-Ignorance” nicht gut verkauft. Wir sitzen im selben Boot, manche rudern, und wir sehen nur, dass das Grün, das sich um den Fluss rankt, noch das gleiche ist wie gestern. Dabei hätten wir das Rauschen des Wasserfalls längst hören können.