KI SpotlightNewsDeepMind-Papier: LLMs fehlt der intuitive Sprung zu wissenschaftlichen Revolutionen
Ein Positionspapier von Google-DeepMind-Forscher Tom Zahavy argumentiert, dass große Sprachmodelle (LLMs) nicht zu wissenschaftlichen Revolutionen fähig sind, weil ihnen der kognitive Mechanismus der „Abduktion“ fehlt – der intuitive Sprung zu neuen Axiomen. Weltmodelle, die aus Sinnesdaten lernen,
Mit KI erstellt◆ Fakten auf einen Blick
- Tom Zahavy von Google DeepMind verfasste das Positionspapier „LLMs can't jump“.
- Zahavy argumentiert, LLMs könnten keine wissenschaftlichen Revolutionen auslösen, weil ihnen Abduktion fehlt.
- Zahavy betont, dass seine Sicht persönliche ist und nicht die offizielle Haltung von DeepMind darstellt.
- Gemini Deep Think habe laut DeepMind Engpässe in Algorithmik, maschinellem Lernen, Optimierung, Informationstheorie und Wirtschaftswissenschaften überwunden.
LLMs fehlt der intuitive Sprung zu neuen Axiomen
In seinem Positionspapier „LLMs can't jump“ argumentiert der Google-DeepMind-Forscher Tom Zahavy, dass große Sprachmodelle (LLMs) keine wissenschaftlichen Revolutionen auslösen können, weil ihnen die Fähigkeit zur Abduktion fehlt. Abduktion bezeichnet jenen kognitiven Mechanismus, der den intuitiven Sprung zu völlig neuen Axiomen ermöglicht – das schöpferische Aufstellen neuartiger Erklärungshypothesen, die nicht bloß aus vorhandenen Daten abgeleitet sind. Zahavy stützt sich auf ein Modell Albert Einsteins, wonach Entdeckungen einem Kreislauf folgen: Sinneserfahrungen führen zu einem intuitiven Sprung hin zu Axiomen, aus denen dann logisch Schlussfolgerungen deduziert werden. Moderne generative KI beherrscht zwar Mustererkennung (Induktion) und logische Beweise (Deduktion), doch der abduktive Sprung fehlt ihr. Deshalb können LLMs bestehendes Wissen neu kombinieren, aber keine fundamental neuen theoretischen Rahmen schaffen – so wie Einstein es mit der Allgemeinen Relativitätstheorie tat, als er aus physikalischer Intuition heraus den mathematischen Formalismus der Tensorrechnung entwickelte. LLMs hingegen bleiben auf das Erkennen und Verarbeiten bereits bekannter Muster beschränkt und können keine neuen formalen Systeme aus einem intuitiven Verständnis der Welt heraus generieren. Zahavy betont, dass es sich um seine persönliche Position handelt, nicht um die offizielle Haltung von DeepMind.
DeepMinds Doppelrolle: Weltmodelle als Hoffnungsträger
Die These steht in auffälligem Kontrast zu DeepMinds eigenen Verlautbarungen. So half eine fortschrittliche Version von Gemini Deep Think laut Unternehmensangaben dabei, langjährige Engpässe in der Algorithmik, im maschinellen Lernen, in der kombinatorischen Optimierung, der Informationstheorie und den Wirtschaftswissenschaften zu überwinden. Diese Erfolge lassen sich als Assistenz bei bestehenden Forschungsaufgaben innerhalb etablierter Paradigmen deuten: Gemini löste etwa klassische Probleme wie Max-Cut oder Steiner-Tree, indem es Muster in vorhandenen Daten erkannte (Induktion) oder logische Schlussfolgerungen zog (Deduktion) – nicht aber, indem es völlig neue Axiome oder theoretische Rahmen schuf. Gleichzeitig arbeitet DeepMind mit Genie 3 an einem interaktiven Weltmodell, das 3D-Welten in Echtzeit generiert. Zahavys Papier endet nicht mit einer Diagnose, sondern bietet eine Forschungsrichtung: Es unterscheidet scharf zwischen zwei Arten von Weltmodellen und skizziert sie als möglichen Ausweg aus dem Abduktionsdilemma. Die Gemini-Erfolge beruhen auf induktiver und deduktiver Assistenz innerhalb bestehender Paradigmen, während Genie 3 als Weltmodell einen anderen Ansatz verfolgt, der potenziell jene Lücke adressieren könnte, die Zahavy beschreibt.
