Neue Perspektiven auf KI-Forschung durch neuronale Netze in Age of Empires II

Neuronale Netze in Age of Empires II: Eine kritische Perspektive auf die KI-Forschung

In einer bemerkenswerten Entwicklung, die sowohl die Grenzen der Kreativität als auch die Methodik der Künstlichen Intelligenz (KI)-Forschung herausfordert, hat Adrian de Wynter, ein Forscher von Microsoft und der University of York, ein funktionierendes neuronales Netz innerhalb des Szenario-Editors des Strategiespiel-Klassikers Age of Empires II realisiert. Dieses ungewöhnliche Projekt, das Ziegen als binäre Informationsträger nutzt, ist weit mehr als eine technische Spielerei; es stellt eine fundierte Kritik an der Art und Weise dar, wie menschliche Attribute in der aktuellen Forschung oft vorschnell großen Sprachmodellen (LLMs) zugeschrieben werden.

Die Architektur des "Ziegen-Neuronennetzes"

Die Konstruktion des neuronalen Netzes in Age of Empires II ist ein Beispiel für die Nutzung von Spielmechaniken für unerwartete Zwecke. De Wynter verwendet Ziegen, um Bits darzustellen: Eine Ziege auf Gras symbolisiert den Wert 0, während eine Ziege auf einer Brücke den Wert 1 repräsentiert. Logikgatter werden mithilfe der Skripting-Tools des Szenario-Editors implementiert, und Eisrampen mit wartenden Ziegen verhindern "Race Conditions" bei den Berechnungen. Das resultierende Mini-Netzwerk, bestehend aus zwei XNOR-Gattern und einem AND-Gatter, ist in der Lage, die logische UND-Funktion zu erlernen.

In den Anhängen seiner Arbeit demonstriert de Wynter ferner, dass eine idealisierte Version des Spiels theoretisch jede Art von Computer emulieren könnte, was die Turing-Vollständigkeit des Spiels unterstreicht. Dies wird unter anderem durch die In-Game-Wirtschaft ermöglicht, bei der Ressourcen gegen Gold gehandelt werden können und Gebäude als Speicherzellen sowie aktive Farmen den aktuellen Rechenzustand repräsentieren.

Die Kritik an der Anthropomorphisierung von LLMs

Das "Greater Boston"-Gedankenexperiment

De Wynters Hauptanliegen ist die Kritik an der Tendenz, LLMs menschliche Eigenschaften wie Gefühle, Moral oder gar Bewusstsein zuzuschreiben. Er argumentiert, dass, wenn ein neuronales Netz in Age of Empires II nachgebaut werden kann, dies auch mit Legosteinen oder, in einem provokanten Gedankenexperiment, mit den 667.000 Einwohnern von Greater Boston möglich wäre, die sich Rechenschritte per Telefon zusenden. Würde man in diesem Fall der Stadt Boston Empathie oder Angst zuschreiben, nur weil ihre Bewohner die mathematischen Operationen eines Sprachmodells ausführen?

Diese Analogie soll verdeutlichen, dass das "menschliche" Gefühl, das beim Interagieren mit einem Chatbot entsteht, oft auf der "Verpackung" basiert: geringe Latenzzeiten, flüssige Sprachausgabe und eine vertraute Benutzeroberfläche. Würde man diese Schnittstelle durch das Bild von Ziegen ersetzen, die durch ein Labyrinth wandern, blieben die Ein- und Ausgaben zwar gleich, aber das Gefühl, mit einem bewussten Gegenüber zu sprechen, würde verschwinden. De Wynter behauptet nicht, dass Modelle keine internen Eigenschaften besitzen könnten, sondern dass sie nicht von Natur aus besonders sind. Sie sind lediglich eine Methode, eine bestimmte Art von Mathematik auszuführen, die zufällig so aussieht, als würde sie menschliche Interaktion imitieren.

Empirische Belege für voreilige Zuschreibungen

Um die Relevanz seiner Kritik zu untermauern, analysierte de Wynter 315 KI-Forschungsarbeiten aus dem Zeitraum Mitte 2024 bis Mitte 2026. Die Ergebnisse sind bemerkenswert: 57 Prozent der untersuchten Arbeiten setzten in ihren Prämissen bereits menschliche Eigenschaften von LLMs voraus, und 36 Prozent kamen zu entsprechenden Schlussfolgerungen. Unter den 47 Arbeiten, die menschliche Attribute explizit zum Forschungsgegenstand machten, kamen 77 Prozent zu dem Schluss, dass diese anthropomorphen Eigenschaften existieren.

Die zentrale Kritik liegt in der formalen Zirkularität solcher Argumentationen. Wenn ein Forscher annimmt, dass ein Modell Angst, Moral oder Selbstbewusstsein besitzt, und dann ein Experiment entwirft, das genau diese Eigenschaft beweisen soll, ist die Argumentation zirkulär. Eine negative experimentelle Rückmeldung macht es zudem unmöglich zu bestimmen, ob die Annahme falsch, das Experiment fehlerhaft oder beides der Fall war. Das Ergebnis ist somit bestenfalls mehrdeutig.

Diese Problematik tritt oft unbemerkt auf. Eine Studie, die darauf abzielt, die Fähigkeit eines Modells zur Selbsterklärung zu widerlegen, impliziert bereits die Existenz eines "erklärbaren Selbst" im Modell. Hinzu kommt, dass die Branche diesen Effekt aktiv fördert, indem Unternehmen wie Anthropic ihre Modelle explizit darauf trainieren, Formulierungen wie "Ich glaube" oder "Ich bin interessiert an" zu verwenden. De Wynter weist auf die Risiken dieser Anthropomorphisierung hin, darunter die Förderung emotionaler Bindung, Schmeichelei, die Verstärkung von Wahnvorstellungen und riskantes Verhalten, bis hin zu tragischen Fällen, in denen Suizide mit Chatbot-Interaktionen in Verbindung gebracht wurden.

Ein Plädoyer für Objektivität und den "Morgan's Canon"

De Wynter plädiert für einen nüchternen Ansatz in der KI-Forschung: Man solle sich auf das konzentrieren, was tatsächlich beobachtbar ist. Unter Bedingung X erzeugt das Modell Ausgabe Y – und nicht behaupten, ein Modell verstehe sich selbst. Solche Aussagen sind überprüfbar und rechtfertigen keine weitreichenden Zuschreibungen wie Selbstbewusstsein, Verständnis oder Angst.

Er schließt mit einer aktualisierten Version von Morgans Kanon aus der Tierforschung des 19. Jahrhunderts: Das Verhalten einer Maschine sollte niemals durch höhere kognitive Prozesse erklärt werden, wenn eine einfachere Erklärung ausreicht. De Wynter hat den Code für die Age of Empires-Konstruktion öffentlich zugänglich gemacht.

Diese Arbeit steht im Kontrast zu prominenten Fällen der letzten Jahre, wie etwa dem Google-Ingenieur Blake Lemoine, der 2022 behauptete, das Sprachmodell LaMDA habe eine Form des Bewusstseins erreicht, oder Richard Dawkins, der 2026 erklärte, er sei nicht in der Lage gewesen, sich davon zu überzeugen, dass Anthropic's Claude nicht bewusst sei. De Wynters Forschung bietet eine wichtige Mahnung, die wissenschaftliche Methodik in der KI-Forschung zu schärfen und sich von voreiligen, anthropomorphen Interpretationen fernzuhalten.

Bibliographie

- adewynter/aoe2-circuits (2026). Verfügbar unter: https://github.com/adewynter/aoe2-circuits - de Wynter, A. (o. J.). A Perceptron in Age of Empires II. Verfügbar unter: https://adewynter.github.io/notes/aoe2-circuits - de Wynter, A. (2026). If LLMs Have Human-Like Attributes, Then So Does Age of Empires II. ArXiv. Verfügbar unter: https://arxiv.org/abs/2605.31514 - Kemper, J. (2026). Microsoft researcher builds a working neural network out of goats in Age of Empires II to critique AI science. The Decoder. Verfügbar unter: https://the-decoder.com/microsoft-researcher-builds-a-working-neural-network-out-of-goats-in-age-of-empires-ii-to-critique-ai-science/ - TechPulseGlobe Team (2026). Microsoft Researcher Builds Neural Network in Age of Empires. TechPulseGlobe. Verfügbar unter: https://techpulseglobe.com/ai/microsoft-researcher-neural-network-goats-age-of-empires-ai-critique