AETHERIA/AOW Lore & Design Deutsch

Echte KI Simulation

Dieses Kapitel beschreibt die »Echte KI Simulation« in {{Antares Open World}}: das Antares Chimaera Seed AI System mit 20 Subsystemen und dem Hypothetical Singularity Realm (HIOB) definiert fünf Bewusstseinsklassen von semi- bis replica-bewussten Teilnehmern, Logische Gatter repräsentieren Teilnehmer mit evolutionären Algorithmen und neuronalen Netzen, Subsektionen behandeln Wegfindung, Planung, Optimierung und logisches Schließen.

Echte KI Simulation

Kontext: Lernen & Wissen (Skillsystem) | Selbstorganisierende Karten (SOM) | Lebendige Assets (Evolution)

Bevor ich diese wichtigste Kernkompetenz beschreiben möchte, sei gesagt, dass es keine genaue Definition für eine »Echte« künstliche Intelligenz gibt. Der Begriff ist insofern nicht eindeutig abgrenzbar, da es bereits an einer genauen Definition von Intelligenz mangelt. Auch ist der Begriff kein rechtlich schutzfähiges Wortgeflecht, so kann jeder dies so verwenden und interpretieren, wie jemand möchte, und Nutzen daraus ziehen. Dies hat jedoch den Nachteil, dass viele Spiele mit einer »echten KI« werben, aber nur die Wenigsten sind ansatzweise auch nur in der Nähe von dem, was die Koryphäen ihres Faches oder ich darunter verstehen, umgesetzt hätten.

Es bedarf also einer für uns entscheidenden Definition für »Echte KI«, sowie einer Maßgabe und dem gerecht werdenden Anspruch an {{Antares Open World}} Genüge zu tun. Somit müssen wir die nachfolgend definierten Anforderungen am komplexen System {{Antarien}} bewerten. Dabei bezieht sich dieser Maßstab auf alles als lebendig Eingestufte. Dazu zählen jedwede etablierte Organismen (Teilnehmer) der »Fauna« {{Antarien}}s (Viren, Keime, Bakterien, Tiere), alle »rassenspezifischen Wesen« und »Kreaturen«, sowie auch die bereits beschriebenen »lebendigen Assets« aus der Kernkompetenz Lebendige Assets (Evolution).

Die Anforderungen an die »Echte KI« {{Antarien}}s können nun wie folgt für jeden einzelnen »Teilnehmer« definiert werden.

Anforderung Beschreibung
Betrachtungsweise Welche »Ich-« oder »Kollektiv-« bezogen sein können
Sensoren Einflussnahme auf die Umwelt über Sensoren
Assoziationen Erschaffung eigener Regelverknüpfungen (Bildung von Assoziationen)
Gesetzmäßigkeiten Erkennung von Gesetzmäßigkeiten im Input der Daten
Entscheiderkriterien Situationsbedingt wachsender Pool von Einflussgrößen
Ergebnis Veränderbare Rückschlüsse durch das Hinzufügen von variabel definierten Ausgängen

Antares Chimaera Seed AI System — Hypothetical Singularity Realm (HIOB)

52/AI/CHIMA — Seed AI Compiler Chimaera Mastermind Control Unit

52/BIOS — Participant BIOS Control Subsystem

52/CBS — Collective Behavior Steering Subsystem

52/IBS — Individual Behavior Steering Subsystem

52/RSIC — Recursive Self Improvement Control Subsystem

52/BP/AS — Behavioral Pattern Approximation Seed Subsystem

52/ESF — Emergence System Framework Subsystem

52/TPGF — Thinking Process Generator Framework Subsystem

52/IE/VSL — Impact Environment Virtual Sensor Layer Subsystem

52/NEXUS — Assignment Nexus Compliance Manager Subsystem

52/AMR — Adjacency Matrix Recognition Subsystem

52/PDQC — Principles Bios Data Quantitation Control Subsystem

52/SIQ — Situational Influence Quantities Subsystem

52/BN/SJC — Back Network Subjoin Conclusion Subsystem

52/ONTO — Ontology Advisor Criterion Framework Subsystem

52/KNOW — Semi Autonome Knowbots Generator Subsystem

52/PROTO — Proto Conscious Voltinism Framework Subsystem

52/META — Meta Conscious Voltinism Framework Subsystem

52/XENO — Xeno Conscious Voltinism Framework Subsystem

52/UNITAS — Replica Conscious Voltinism Framework Subsystem

Abbildung 52.1: Core Engine Modul — Antares Chimaera Seed AI System - Hypothetical Singularity Realm (HIOB)

Kriterien und Teilnehmerklassen

Sowie die Prüfung nachfolgender Kriterien auf das Ergebnis des Teilnehmers:

Kriterium Beschreibung
Survival Überlebenswille
Fortpflanzung Erhaltung seiner Art
Nahrung Sammeln & Jagen
Bewusstsein Abbildung der Motivation auf Basis von Chakren

Durch die Etablierung eines »sich selbst organisierenden und regulierenden Systems« kann bei genügender Komplexität theoretisch ein Denkprozess angestoßen werden. Wichtig so ist die Maßgabe, dass der »Teilnehmer des Systems« seine Rolle als Individuum »Ich-Bezogen« simuliert wahrnehmen könnte. So gehen namenhafte Wissenschaftler davon aus, dass bereits im Jahre 2030 der entscheidende Sprung in der »Kybernetik« als auch in der »Bionik«, es vom aktuell »selbstlernenden Programm« zur »Echten KI« und damit der Aufnahme zu einem »Ich-Bewusstsein« möglich wird. Inwieweit dies moralische und ethische Aspekte aufwirft, möchte ich diese bewusst aus diesem Konzept ausklammern. Technologie lässt sich immer zum Guten als auch zum Bösen einsetzen. Bestes Beispiel bildet die Kernphysik. Die Simulation in {{Antarien}} von »selbstlernenden Teilnehmern« ist jedenfalls schon lange keine Fiktion mehr. Im Gegenteil, die ersten Umsetzungen starteten bereits in den 40er Jahren, dort waren erstmalig »konnektionistische Ansätze subsymbolischer Art« in Mode gekommen. Ein von »Warren McCulloch« und »Walter Pitts« beschriebenes »künstliches neuronales Netz« konnte bereits 1943 praktisch jede »logische oder auch arithmetische Funktion« berechnen. Die heutigen Technologien sind erschreckend in ihren Methodiken ausgefeilt worden, sodass man mit heutigem Stand der Technik behaupten kann, eine »immens komplexe, vom Teilnehmer orientierte Umwelt« abbilden zu können.

Klasse Beschreibung Kürzel
semi Teilnehmer mit instinktivem, erlernbarem und antrainiertem Verhalten SA/KB
proto Teilnehmer mit ausgeprägtem Jagd- und territorialem Verhalten PB/TLN
meta Teilnehmer mit ausgeprägten menschlichen Charakteristika MB/TLN
xeno Teilnehmer mit ausgeprägten antithetischen, diametralen und paradoxen Denkstrukturen XB/TLN
replica Teilnehmer mit in sich als Einheit »Unitas« ausgeprägtem kollektivem Verhalten RB/TLN

Für das Konzept bedeutet dies nun, dass wir grob die 5 oben genannten »Teilnehmerklassen« (KI-Gruppen) generalisiert abbilden werden, wobei die Grenzen hier diffus »verschwimmen« können.

Anmerken möchte ich auch noch ganz klar, dass es nicht der »Philosophie des Konzeptes« folgt, Problemlösungen durch effektvoll nachgeahmte und vorgetäuschte Intelligenz, durch einfache Algorithmen ein intelligentes Verhalten nachzuahmen. Wenn der Computer unfair spielt, zum Beispiel »Positionsabfragen« machen kann, er also weiß, wo ich mich zu jederzeit im Spiel befinde, ... ist dies natürlich keine KI. Der Markt ist voll von solchen »Pseudo-KI« simulierten symbolischen Ansätzen. Nicht umsonst gehört die »Echte KI« als Kernkompetenz zu den bedeutendsten Kompetenzen des AOW-Konzeptes.

52.1 — Repräsentation eines Teilnehmers

Werden wir etwas konkreter, wie wir Teilnehmer des Systems definieren wollen. Dazu müssen wir uns einen Teilnehmer etwas abstrakter als »Logisches Gatter« vorstellen. Ein Logikgatter (Gate) vgl. Teilnehmer hat in unserem Fall (N) Eingänge und (M) Ausgänge, welches die anliegenden »Eingangssignale« zu »Ausgangssignalen« autonom verarbeiten kann. Dabei werden die Eingangssignale durch Implementierung von KI-spezifizierten Technologien (künstliche neuronale Netze, evolutionäre Algorithmen, genetischer Code, Fuzzy Logic, heuristische Implementierungen, etc.), als auch durch deterministische Brücken (hybride Systeme) und logische Operatoren, zu einem oder mehreren logischen Ergebnissen an den Ausgängen des Gatters umgewandelt und durch die Ausgabesignale abgebildet. Ich schrieb bereits einleitend am Beispiel von »Hunger« in der (Synopsis) der Kernkompetenzen. Da wir nun Teile der Ausgänge, also das Ergebnis des Gatters, zugleich wieder als Eingangssignal erneut bewerten, iteriert die Maßgabe der zugrunde liegenden Einflussfaktoren einer »ständigen Optimierung« und der Infragestellung seines zuvor erzeugten Ergebnisses. Das Kombinieren und die Betrachtung, ein Ergebnis auf Basis einer in »Evolutionsstufe 0« erzielten Ergebnis dieses neu in »Evolutionsstufe 1, 2, 3...« zu bewerten, kann bei Zuführung weiterer Daten (Erfahrungen des Teilnehmers) an den Eingängen zu adaptierten Veränderungen im Verhalten des Individuums führen. Hier greifen dann zum Beispiel Aufgabenstellungen der KI zu Optimierungsproblemen, durch bekannte »heuristische Suchverfahren« aus dem Kontext der KI mittels »evolutionärer Algorithmen«.

»Ein Logikgatter, oder auch nur Gatter (engl. gate), ist ein elektronisches Bauelement für die Realisierung einer Booleschen Funktion, das Eingangssignale zu Ausgangssignalen verarbeiten kann. Die Eingangssignale werden durch Implementierung logischer Operatoren, wie UND, ODER oder NICHT, zu einem einzigen logischen Ergebnis umgewandelt und durch die Ausgabesignale abgebildet. Für die Implementierung gibt es jedoch unterschiedliche Möglichkeiten.« [Que13]

Über die dynamische Wahl von Einflussgrößen und dem automatischen Hinzufügen neuer Eingänge am Gatter (Sensoren) können die komplexesten Verhaltensmuster abgebildet und simuliert werden. Dabei helfen uns sogenannte »Approximationsmethoden«, welche aus einer Menge von Daten eine »allgemeine Regel« ableiten können (maschinelles Lernen). Wenn der Spieler nun noch seine eigenen Einflussgrößen dem Gatter zuschreiben kann, lassen sich die vielfältigsten Szenarien simulieren. Zudem kann ein solches Gatter durch wiederholte Replikation die Gesetzmäßigkeiten formalisieren und angepasst aufgrund seines erlernten Erfahrungsschatzes reagieren. So wird es in {{Antarien}} nicht verwundern, dass derselbe Wolf sich womöglich nur einmal mit einer simplen Strategie jagen lassen wird, falls er entkommen konnte. Da alle Gatter (Teilnehmer derselben Art) durch »Rückkopplung« und »Feedbackschleifen« natürlich miteinander kommunizieren, wird es berücksichtigend zur Lokalität zunehmend schwerer, einer Spezies nachzustellen. So kann es bei »proto-bewussten Teilnehmern« schnell dazu führen, dass der Jäger zum Gejagten wird. Mit weitaus mehr Dynamik ist bei »replica-bewussten Teilnehmern« zu rechnen, da diese von Hause aus auf Basis eines kollektiven Bewusstseins agieren und synchronisiert über eine vernetzte Matrix von Gattern verfügen.

Die nachfolgenden und möglichen Aufgabenstellungen lassen sich auf Basis von »KI-Technologien« in {{Antarien}} durch »Antrainieren« in ableitbare und berechenbare Verhalten determinieren, die jedoch aufgrund ihres Technologieansatzes der »Subsymbolik« keinen Einblick in die erlernten Lösungswege erlauben.

52.2 — Suchen und Finden

Der Vorgang der »Wegfindung« als zentrale Rolle, welche über die verschiedensten »Suchalgorithmen«, wie zum Beispiel dem »A*-Algorithmus« implementiert werden kann.

»Der A*-Algorithmus (»A Stern« oder englisch »a star«, auch A*-Suche) gehört zur Klasse der informierten Suchalgorithmen. Er dient in der Informatik der Berechnung eines kürzesten Pfades zwischen zwei Knoten in einem Graphen mit positiven Kantengewichten. Er wurde das erste Mal 1968 von Peter Hart, Nils J. Nilsson und Bertram Raphael beschrieben. Der Algorithmus gilt als Verallgemeinerung und Erweiterung des Dijkstra-Algorithmus, in vielen Fällen kann aber umgekehrt A* auch auf Dijkstra reduziert werden.« [Xor04]

52.3 — Planen und Ausführen

Mittels eines »aktuellen Weltzustandes« wird durch die Formulierung eines Ziels eine Menge von neuen Zuständen einer Welt, ein bestimmtes »Zielprädikat« definiert. Ziel ist es, durch Erreichen dieser neuen »Weltordnung« (Veränderung des Weltzustandes) einen neuen zielführenden Zustand zweckmäßig generiert zu haben. Nachdem die Problemformulierung durch Aktionen und deren Weltzustände betrachtet wurden, werden durch »Aktionsfolgen« in Etablierung von »Automaten« und »Agentensystemen« diese zur Umsetzung gebracht.

52.4 — Optimierungen

{{Antarien}} wird sich selbst organisierend optimieren können. Je nach Struktur kommen »Selbstorganisierende Karten (SOM)«, wie bereits in der vorliegenden Kernkompetenz Selbstorganisierende Karten (SOM) Bezug genommen wurde, etabliert. Ebenso denkbar sind Ansätze der »mathematischen Programmierung«, als auch »heuristische Suchverfahren«, wie den bereits vorgestellten »evolutionären Algorithmen«.

»Evolutionäre Algorithmen sind relativ neue Methoden zur Lösung von Optimierungsproblemen in Industrie, Wirtschaft und Forschung. Inspiriert durch die biologische Evolution imitieren sie das Wechselspiel zwischen Variation von Individuen und Selektion.« [Wei07]

52.5 — Logisches Schließen (Schlussfolgerungen)

In der Kernkompetenz Lernen & Wissen (Skillsystem) erörtert sich die Fragestellung der KI mit der automatisierten Erstellung von »Wissensrepräsentationen«. Über diesen Erfahrungsschatz werden sodann »logische Schlüsse« und »subsymbolische Gesetzmäßigkeiten« abgeleitet und formalisiert. Die maschinenlesbare Form der Repräsentation wird dabei über verschiedene »Ontologien« abgebildet. So verwendet zum Beispiel dieses Konzept seine eigene spezifizierende »Ontologie«. Des Weiteren können über »Induktion« (Induktionsschluss, Induktionslogik) Regeln durch maschinelles Lernen verallgemeinert werden. Die entscheidende Rolle ist die »Mächtigkeit der Wissensrepräsentation«, welche didaktisch über die verschiedensten Auswertungskriterien (Fitnessfunktionen) im System klassifiziert und bewertet werden können.

»Menschen können sich gespeichertes Wissen zunutze machen, indem sie auf ihr Grund- und Kontextwissen des jeweiligen Wissensbereichs zurückgreifen, Lehrbücher, Regelwerke, Lexika und Schlagwortregister verwenden und mit den gespeicherten Inhalten verbinden. Sollen dagegen Automaten Such-, Kommunikations- und Entscheidungsaufgaben in Bezug auf das gespeicherte Wissen übernehmen oder Daten austauschen, die selbst Information darüber enthalten, wie sie zu strukturieren und zu interpretieren sind (sog. Metadaten), so benötigen sie dazu eine Repräsentation der zugrunde liegenden Begriffe und derer Zusammenhänge. Dafür hat sich in einigen Zweigen der Informatik in den letzten Jahren der Begriff Ontologie eingebürgert. Der wohl bekannteste Definitionsversuch stammt von T. Gruber. Dieser bezeichnet Ontologie als »explizite formale Spezifikation einer gemeinsamen Konzeptualisierung« (orig.: »shared conceptualization«).« [Hes02]

Siehe auch

Module: Ase Docs 00.16.32 [feat] Author: Jan Ohlmann (antarien.com@gmail.com) Co-Author: Claude Code (Anthropic) Created: 2026-02-20 Updated: 2026-02-20 Status: Kuratierte Version — Echte KI Simulation (PortalViewer DSL)