Ist das menschliche Gehirn veraltet, weil es Informationsmanipulationen nicht vermeiden kann?

Warum glauben Menschen so bereitwillig offensichtlichen Unsinn ohne handfeste Beweise? Warum ist es so einfach, irrationale Überzeugungen trotz eindeutiger Beweise zu akzeptieren? Ein Teil der Antwort könnte darin liegen, wie sich unser Gehirn im Laufe von Millionen von Jahren entwickelt hat und nun in der Lage ist, schnelle Entscheidungen über Ungewissheiten zu treffen, die unser Leben bedrohen könnten.

Dieser Artikel ist ein Auszug aus „Who is Rolling the Dice: Uncertain Mathematics“ (People's Posts and Telecommunications Press, Ausgabe Juli 2022). Der Titel wurde vom Herausgeber hinzugefügt und einige Teile wurden gelöscht.

Von Ian Stewart

Übersetzung | He Sheng

Viele Aspekte der Gehirnfunktion können als eine Art Entscheidungsfindung betrachtet werden. Wenn wir die Außenwelt beobachten, muss das visuelle System die Objekte, die es sieht, identifizieren, erraten, wie diese Objekte beschaffen sind, ihr Bedrohungs- oder Nutzenpotenzial einschätzen und es uns ermöglichen, auf der Grundlage dieser Einschätzungen zu handeln. Psychologen, Verhaltensforscher und Experten für künstliche Intelligenz sind sich einig, dass das Gehirn in einigen wichtigen Aspekten einer Bayes'schen Entscheidungsmaschine ähnelt. Es verkörpert Überzeugungen über die Welt, die vorübergehend oder dauerhaft in den Strukturen des Gehirns verankert sind und dazu führen, dass es Entscheidungen trifft, die den Ergebnissen bayesscher Wahrscheinlichkeitsmodelle sehr ähnlich sind (ich sagte bereits, dass unsere Intuition in Bezug auf Wahrscheinlichkeiten oft recht dürftig ist. Dies steht nicht im Widerspruch zu dem, was hier gesagt wird, da die inneren Abläufe dieser Wahrscheinlichkeitsmodelle nicht bewusst zugänglich sind).

Die Ansicht, dass das Gehirn Bayesianisch ist, erklärt viele andere Aspekte der menschlichen Reaktion auf Unsicherheit. Insbesondere hilft es zu erklären, warum sich Aberglaube so leicht festsetzt. Die Bayes'sche Statistik erklärt hauptsächlich , in welchem ​​Ausmaß Wahrscheinlichkeit mit Glaubenssätzen zusammenhängt . Wenn wir eine Wahrscheinlichkeit mit 50:50 einschätzen, sagen wir damit eigentlich, dass wir gleichermaßen bereit sind, es zu glauben, und nicht. Unser Gehirn hat sich so entwickelt, dass es Überzeugungen über die Welt verkörpert und diese Überzeugungen entweder vorübergehend oder dauerhaft in der Struktur unseres Gehirns verankert sind.

Nicht nur das menschliche Gehirn funktioniert so. Die Struktur unseres Gehirns lässt sich bis in die ferne Vergangenheit zurückverfolgen, bis zu unseren evolutionären Vorfahren, zu denen Säugetiere und sogar Reptilien gehörten. Die Gehirne dieser Lebewesen verkörpern auch „Überzeugungen“. Es handelt sich nicht um die Art von Glauben, die wir heute in Worte fassen, wie etwa: „Einen Spiegel zu zerbrechen bringt sieben Jahre Unglück.“ Dies trifft auch nicht auf die meisten Überzeugungen zu, die das menschliche Gehirn entwickelt. Ich meine Überzeugungen wie: „Wenn ich meine Zunge so rausstrecke, fange ich eher eine Fliege“, die in die Bereiche des Gehirns eingeschrieben sind, die die entsprechenden Muskeln aktivieren. Die menschliche Sprache fügt Überzeugungen eine zusätzliche Ebene hinzu und ermöglicht es, sie auszudrücken und – was noch wichtiger ist – sie anderen Menschen mitzuteilen.

Um ein einfaches, aber aussagekräftiges Modell zu erstellen, gehen wir davon aus, dass es im Gehirn einen Bereich gibt, der viele Neuronen enthält. Sie können durch Synapsen mit „Verbindungsstärken“ miteinander verbunden werden. Manche Neuronen senden schwache Signale aus, manche starke Signale und manche existieren überhaupt nicht und senden daher keine Signale aus. Je stärker das Signal, desto stärker ist die Reaktion der Neuronen, die es empfangen. Wir können Stärken auch numerisch ausdrücken, was bei der Spezifizierung mathematischer Modelle nützlich ist: In einigen Einheiten hat eine schwache Verbindung möglicherweise eine Stärke von 0,2, eine starke Verbindung eine Stärke von 3,5 und eine nicht vorhandene Verbindung eine Stärke von 0.

Wenn ein Neuron auf ein eingehendes Signal reagiert, ändert sich sein elektrischer Zustand schnell – es „feuert“. Dadurch wird ein elektrischer Impuls erzeugt, der an andere Neuronen weitergeleitet werden kann. Welche Neuronen weitergeleitet werden, hängt von den Verbindungen des Netzwerks ab. Ein Neuron wird ausgelöst, wenn ein eingehendes Signal seinen Zustand über einen bestimmten Schwellenwert treibt. Darüber hinaus gibt es zwei verschiedene Arten von Signalen: erregende Signale, die das Neuron feuern lassen, und hemmende Signale, die das Neuron daran hindern, zu feuern. Es ist, als ob das Neuron die Stärke der eingehenden Signale summiert, wobei erregende Signale positiv und hemmende Signale negativ sind, und das Neuron wird nur dann erregt, wenn die Summe groß genug ist.

Im Gehirn eines Neugeborenen sind viele Neuronen zufällig miteinander verbunden, doch mit der Zeit verändert sich die Stärke bestimmter Synapsen. Einige Synapsen können vollständig entfernt werden und einige neue Synapsen können wachsen. Donald Hebb entdeckte ein Muster des „Lernens“ in neuronalen Netzwerken, das heute als Hebbsches Lernen bezeichnet wird. „Nervenzellen, die gleichzeitig feuern, verdrahten sich miteinander“, das heißt, wenn zwei Neuronen nahezu synchron feuern, erhöht sich die Stärke der Verbindung zwischen ihnen. Im Kontext der Bayes'schen Annahme stellt die Stärke einer Verbindung die Überzeugung des Gehirns dar, dass, wenn ein Neuron feuert, auch das andere feuern sollte. Hebbsches Lernen verstärkt die Glaubensstrukturen im Gehirn.

Psychologen haben herausgefunden, dass Menschen neue Informationen nicht einfach nur im Kopf verarbeiten. Aus evolutionärer Sicht wäre dies verheerend, denn es ist keine gute Idee, alles zu glauben, was man einem sagt. Menschen lügen, um andere in die Irre zu führen, normalerweise um sie zu kontrollieren. Auch die Natur kann lügen, und bei näherer Betrachtung kann es sein, dass ein baumelnder Leopardenschwanz einfach eine baumelnde Ranke oder Frucht ist, während eine Stabheuschrecke vorgibt, ein Zweig zu sein. Wenn wir also neue Informationen erhalten, bewerten wir diese auf der Grundlage unserer bestehenden Überzeugungen. Wenn wir klug genug sind, bewerten wir die Glaubwürdigkeit der Informationen. Wenn die Informationsquelle zuverlässig ist, ist es wahrscheinlicher, dass wir ihr Glauben schenken. Wenn die Informationsquelle unzuverlässig ist, ist es weniger wahrscheinlich, dass wir ihr Glauben schenken. Ob wir neue Informationen akzeptieren und unsere Überzeugungen entsprechend ändern, ist das Ergebnis unserer inneren Abwägung von Faktoren wie unseren bisherigen Überzeugungen, der Verbindung zwischen diesen und den neuen Informationen und dem Grad unseres Vertrauens in die Echtheit der neuen Informationen. Dieses Abwägen geschieht oft unbewusst, wir können jedoch auch bewusste Schlussfolgerungen zu Informationen ziehen.

Einer Bottom-up-Erklärung zufolge passiert Folgendes: Eine komplexe Anordnung von Neuronen feuert und sendet Signale aneinander. Wie sich diese Signale gegenseitig aufheben oder verstärken, bestimmt, ob neue Informationen akzeptiert werden und die Stärke der Verbindung sich entsprechend ändert. Dies erklärt bereits, warum es so schwierig ist, „wahre Gläubige“ davon zu überzeugen, dass sie Unrecht haben, selbst wenn die Beweise für alle anderen erdrückend erscheinen. Wenn jemand fest an UFOs glaubt und die US-Regierung einen Nachrichtenartikel veröffentlicht, in dem erklärt wird, dass es sich bei einer angeblichen Sichtung tatsächlich um ein Ballonexperiment handelte, wird sein Bayes'sches Gehirn diese Erklärung mit ziemlicher Sicherheit als Propaganda interpretieren. Die Nachrichten werden sie wahrscheinlich in ihrer Überzeugung bestärken, dass sie der US-Regierung in dieser Frage nicht vertrauen können, und sie werden froh sein, dass sie ihren Lügen keinen Glauben geschenkt haben. Glaube funktioniert in beide Richtungen. Daher akzeptieren diejenigen, die nicht an UFOs glauben, diese Erklärung oft als Tatsache, wenn keine unabhängige Überprüfung vorliegt, und diese Information bestärkt sie in ihrer Überzeugung, nicht an UFOs zu glauben. Sie werden dankbar sein, dass sie nicht so leichtgläubig waren, an die Existenz von UFOs zu glauben.

Die menschliche Kultur und Sprache ermöglichen die Übertragung von Glaubenssystemen von einem Gehirn auf ein anderes. Das Verfahren ist weder präzise noch zuverlässig, aber es funktioniert. Je nach Glaubensrichtung und den Menschen, die den Prozess untersuchen, kann der Name des „Prozesses“ „Erziehung“, „Gehirnwäsche“, „Erziehung von Kindern zu guten Menschen“ usw. lauten. Das Gehirn von Kindern ist formbar und ihre Fähigkeit, Beweise zu bewerten, entwickelt sich noch: Denken Sie an den Weihnachtsmann, die Zahnfee und den Osterhasen – obwohl Kinder schlau sind, wissen viele, dass sie „handeln“ müssen, um eine Belohnung zu bekommen. Es gibt ein Sprichwort, das besagt: „Wenn ich ein Kind bis zum Alter von sieben Jahren unterrichte, präge ich es für sein Leben.“ Dies kann zwei Bedeutungen haben: Erstens, dass das in der Kindheit Gelernte am längsten hält; Der andere Grund besteht darin, dass Kinder, denen ein bestimmtes Glaubenssystem ausgesetzt ist, sich auch als Erwachsene daran erinnern. Es kann sein, dass beide Recht haben und aus einer bestimmten Sichtweise betrachtet, sind sie gleich.

Die Bayes'sche Gehirntheorie hat ihre Wurzeln in vielen Bereichen der Wissenschaft: Neben der offensichtlichen Bayes'schen Statistik umfasst sie auch die maschinelle Intelligenz und die Psychologie. In den 1860er Jahren schlug Hermann Helmholtz, ein Pionier der Physik und Psychologie der menschlichen Wahrnehmung, vor, dass das Gehirn die Wahrnehmung durch die Erstellung wahrscheinlichkeitsbasierter Modelle der Außenwelt organisiert. Im Jahr 1983 stellte Geoffrey Hinton, der auf dem Gebiet der künstlichen Intelligenz arbeitete, die These auf, dass das menschliche Gehirn eine Maschine sei, die Entscheidungen über die Unsicherheiten treffe, denen sie bei der Beobachtung der Außenwelt begegne. In den 1990er Jahren wurde aus dieser Idee ein mathematisches Modell auf Grundlage der Wahrscheinlichkeitstheorie, das das Konzept einer Helmholtz-Maschine beinhaltete. Es handelt sich dabei nicht um ein mechanisches Gerät, sondern um eine mathematische Abstraktion, die aus zwei mathematisch modellierten „Neuronen“-Netzwerken besteht. Eines davon ist ein Bottom-up-Erkennungsnetzwerk, das reale Daten als Trainingsobjekte verwendet und durch eine Reihe latenter Variablen dargestellt wird. Das andere ist ein Top-Down-„generatives“ Netzwerk, das die Werte dieser latenten Variablen generiert und so Daten erhält. Der Trainingsprozess verwendet einen Lernalgorithmus, um die Struktur der beiden Netzwerke so zu ändern, dass sie Daten genau klassifizieren können. Diese beiden Netzwerke werden nacheinander geändert und der gesamte Prozess wird als Wake-Sleep-Algorithmus bezeichnet.

„Deep Learning“ verfügt über mehrere Schichten ähnlicher Strukturen und hat im Bereich der künstlichen Intelligenz beachtliche Erfolge erzielt. Zu seinen Anwendungen gehören die computergestützte Erkennung natürlicher Sprache und der Computersieg beim chinesischen Spiel Go. Zuvor war bereits bewiesen, dass ein Damespiel gegen einen Computer selbst bei perfektem Spiel immer unentschieden endet. Im Jahr 1996 forderte IBMs Deep Blue den Schachgroßmeister und Weltmeister Garri Kasparow heraus, verlor jedoch in einem Match mit sechs Partien mit 4:2. Nach erheblichen Verbesserungen gewann Deep Blue die folgenden Spiele.

Gewinnen. Allerdings verwenden diese Programme Brute-Force-Algorithmen und nicht die Algorithmen der künstlichen Intelligenz, die zum Gewinnen beim Go verwendet werden.

Go entstand vor mehr als 2.500 Jahren in China. Es ist ein Spiel, das auf einem 19×19 großen Brett gespielt wird. Es scheint auf den ersten Blick einfach, ist aber in Wirklichkeit unergründlich. Die beiden Spieler halten jeweils schwarze und weiße Spielsteine ​​und platzieren die Spielsteine ​​abwechselnd auf dem Brett, wobei sie die Spielsteine ​​des anderen Spielers umzingeln und schlagen. Wer ein größeres Gebiet umschließt, gewinnt. Die mathematische Analyse von Go ist sehr begrenzt. David Benson hat einen Algorithmus erfunden, der bestimmen kann, unter welchen Umständen eine Figur nicht umzingelt wird, unabhängig davon, wie der Gegner sie zieht. Elwyn Berlekamp und David Wolfe analysieren die komplexe Mathematik der Situation am Ende einer Schachpartie, wenn viele Positionen auf dem Brett besetzt sind und mögliche Züge ungewisser sind als gewöhnlich. In diesem Stadium ist das Spiel tatsächlich in mehrere fast unabhängige Bereiche aufgeteilt und die Spieler müssen entscheiden, wohin sie ihren nächsten Zug machen. Ihre mathematischen Fähigkeiten verknüpfen jede Position mit einem Wert – oder einer tieferen Struktur – und kombinieren diese Werte, um einige Gewinnregeln bereitzustellen.

Im Jahr 2015 testete Googles DeepMind einen Go-Algorithmus namens AlphaGo, der auf zwei Deep-Learning-Netzwerken basierte: einem Wertenetzwerk, das den Vorteil der Brettsituation bestimmt, und einem Strategienetzwerk, das den nächsten Zug bestimmt. Diese Netzwerke werden mithilfe von Schachpartien trainiert, die zwischen menschlichen Experten und zwischen Algorithmen gespielt werden. Anschließend spielte AlphaGo gegen den Top-Profi-Go-Spieler Lee Sedol und gewann 4:1. Die Programmierer fanden heraus, warum AlphaGo ein Spiel verlor, und korrigierten seine Strategie. Im Jahr 2017 besiegte AlphaGo den Weltranglistenersten Ke Jie in einem Match mit drei Spielen. Es gibt eine interessante Eigenschaft des „Spielstils“ von AlphaGo, die zeigt, dass Deep-Learning-Algorithmen nicht wie das menschliche Gehirn funktionieren müssen. Es platziert Figuren oft in Positionen, die menschliche Spieler niemals in Betracht ziehen würden – und gewinnt letztendlich. Ke Jie sagte: „Die Menschheit hat sich über Tausende von Jahren praktischer Praxis entwickelt, aber die Computer sagen uns, dass wir alle falsch liegen. Ich habe das Gefühl, dass niemand der Wahrheit über Go auch nur nahe gekommen ist.“

Es ist nicht logisch, dass KI auf die gleiche Weise wie menschliche Intelligenz funktionieren sollte, was ein Grund für die Verwendung des Adjektivs „künstlich“ ist. Dennoch weisen diese durch elektronische Schaltkreise verkörperten mathematischen Strukturen gewisse Ähnlichkeiten mit kognitiven Modellen des Gehirns auf, die von Neurowissenschaftlern entwickelt wurden. So ist eine kreative Rückkopplungsschleife zwischen KI und Kognitionswissenschaft entstanden, wobei beide Bereiche auf den Ideen des jeweils anderen aufbauen. Manchmal scheinen unser Gehirn und das künstliche Gehirn bis zu einem gewissen Grad nach ähnlichen Strukturprinzipien zu funktionieren. Allerdings unterscheiden sie sich natürlich stark hinsichtlich der Materialien, aus denen sie bestehen und der Art der Signalverarbeitung.

Die meisten von uns haben die Ungewissheit „Wo bin ich?“ schon einmal erlebt. irgendwann in unserem Leben. Im Jahr 2005 entdeckten die Neurowissenschaftler Edvard und May-Britt Moser und ihre Studenten, dass Mäuse im Gehirn über einen speziellen Neuronentyp, sogenannte Gitterzellen, verfügen, der die Position der Maus im Raum modelliert. Gitterzellen befinden sich in einem Bereich des Gehirns mit einem etwas unaussprechlichen Namen: dem dorsokaudalen entorhinalen Kortex. Es ist die zentrale Verarbeitungseinheit für Standort und Speicher. Wie der visuelle Kortex hat er einen geschichteten Aufbau mit unterschiedlichen Erregungsmustern in verschiedenen Schichten.

Die Wissenschaftler implantierten Elektroden in die Gehirne von Mäusen und ließen sie dann frei in einem offenen Raum bewegen. Während sich die Mäuse bewegten, überwachten sie, welche Zellen im Gehirn der Mäuse erregt wurden. Es stellte sich heraus, dass bestimmte Zellen feuern, wenn sich die Maus in einem der vielen kleinen Raumbereiche („angeregte Zonen“) befindet. Diese kleinen Bereiche bilden ein sechseckiges Gitter. Die Forscher gehen davon aus, dass diese Neuronen eine mentale Repräsentation des Raums konstruieren, eine kognitive Karte in einer Art Koordinatensystem, die dem Gehirn der Maus sagt, wo es sich befindet. Die Aktivität der Gitterzellen wird ständig aktualisiert, während sich das Tier bewegt. Einige Zellen feuern immer, egal in welche Richtung die Maus läuft. andere werden mit der Richtung in Verbindung gebracht und reagieren daher darauf.

Es ist noch nicht klar, wie Gitterzellen Mäusen mitteilen, wo sie sich befinden. Interessanterweise ist die geometrische Anordnung der Gitterzellen im Gehirn der Maus unregelmäßig. Diese Schichten aus Gitterzellen „berechnen“ auf eine Art und Weise, wo sich die Maus befindet, indem sie winzige Bewegungen berücksichtigen, während sie umherwandert. Mathematisch kann dieser Prozess durch Vektorberechnungen erreicht werden, bei denen die Position eines bewegten Objekts durch die Addition vieler kleiner Änderungen ermittelt wird, die Größe und Richtung haben. Bevor bessere Navigationsinstrumente erfunden wurden, navigierten Seeleute im Wesentlichen mit der Methode der Koppelnavigation.

Wir wissen, dass Netzwerke aus Gitterzellen ohne visuelle Eingaben funktionieren können, da sich das Aktivierungsmuster selbst bei völliger Dunkelheit nicht ändert. Es reagiert jedoch sehr gut auf visuelle Eingaben. Nehmen wir beispielsweise an, eine Maus läuft in einem zylindrischen Käfig, an dessen Wand eine Karte als Bezugspunkt dient. Wir wählen ein bestimmtes Gitterneuron aus und messen das entsprechende Gitter räumlicher Bereiche. Drehen Sie dann den Zylinder und messen Sie erneut. Das Gitter wird in die gleiche Richtung gedreht. Nachdem die Mäuse in eine neue Umgebung gebracht wurden, änderten sich weder das Raster noch dessen Abstände. Unabhängig davon, wie die Gitterzellen ihre Positionen berechnen, bleibt das Gesamtsystem robust.

Im Jahr 2018 veröffentlichten Andrea Banino und seine Kollegen eine Studie, in der Deep-Learning-Netzwerke zur Durchführung ähnlicher Navigationsaufgaben eingesetzt werden können. Ihr Netzwerk weist zahlreiche Rückkopplungsschleifen auf, da die Navigation darauf zu beruhen scheint, die Ausgabe eines Verarbeitungsschritts als Eingabe für den nächsten Schritt zu verwenden. Tatsächlich handelt es sich jedoch um ein diskretes dynamisches System mit dem Netzwerk als iterativer Funktion. Sie trainierten das Netzwerk mithilfe der Pfade, die verschiedene Nagetiere wie Ratten und Mäuse auf der Suche nach Nahrung nehmen, ergänzt durch Informationen, die andere Teile des Gehirns an die Gitterneuronen senden könnten.

Das Netzwerk lernt, in einer Vielzahl von Umgebungen effektiv zu navigieren und kann sein Wissen ohne Leistungsverlust auf neue Umgebungen übertragen. Das Forschungsteam testete es, indem es ihm ein bestimmtes Ziel setzte und auch seine Fähigkeit prüfte, in einer anspruchsvolleren Umgebung durch ein Labyrinth zu navigieren (der gesamte Aufbau wurde auf einem Computer simuliert). Sie verwendeten Bayessche Methoden, um die statistische Signifikanz zu bewerten und die Daten an eine Mischung aus drei verschiedenen Normalverteilungen anzupassen.

Eine bemerkenswerte Schlussfolgerung besteht darin, dass mit fortschreitender Vertiefung des Lernprozesses eine Zwischenschicht im Deep-Learning-Netzwerk eine Aktivität entwickelt, die der von Gitterneuronen ähnelt. Das heißt, wenn sich das Tier in einem bestimmten Bereich des Gitters befindet, das aus kleinen Raumblöcken besteht, wird es erregt. Eine detaillierte mathematische Analyse der Netzwerkstruktur zeigte, dass es sich um eine Art simuliertes Vektorrechnen handelte. Es gibt keinen Grund anzunehmen, dass das Netzwerk Vektoren aufschreibt und sie dann wie ein Mathematiker addiert. Dennoch stützen ihre Ergebnisse die Theorie, dass Gitterzellen für die vektorbasierte Navigation unerlässlich sind.

Allgemeiner gesagt sind die „Schaltkreise“, die das Gehirn verwendet, um die Außenwelt zu verstehen, so konzipiert, dass sie diese Außenwelt bis zu einem gewissen Grad nachahmen. Die Struktur des Gehirns hat sich im Laufe von Hunderttausenden von Jahren so entwickelt, dass es eine Verbindung zu den Informationen um uns herum herstellen kann. Wie wir wissen, ändert es sich auch in kürzerer Zeit und lernt, die Verbindungsstruktur zu „optimieren“. Was wir lernen, wird durch unsere Ausbildung begrenzt. Wenn uns also von klein auf bestimmte Überzeugungen eingeflößt werden, verankern sie sich in unserem Gehirn. Dies kann als neurowissenschaftliche Bestätigung des oben genannten Sprichworts angesehen werden.

Daher schränkt das Wachstumsumfeld kulturelle Überzeugungen stark ein. Wir bestimmen unseren Platz in der Welt und unsere Beziehungen zu den Menschen um uns herum durch die Hymnen, die wir kennen, die Teams, die wir anfeuern, und die Musik, die wir spielen. Für die meisten von uns unterscheiden sich die in unser Gehirn eingravierten „Überzeugungen“ nicht so sehr von Dingen, die anhand von Beweisen rational diskutiert werden können. Wenn wir jedoch den Unterschied zwischen beiden nicht erkennen, sind unsere Überzeugungen, die nicht durch Beweise gestützt werden, wahrscheinlich problematisch. Leider sind diese Überzeugungen in unserer Kultur sehr wichtig, was einer der Gründe dafür ist, warum sie weiterhin bestehen. Überzeugungen, die eher auf Glauben als auf Beweisen beruhen, sind ein wirksames Mittel, um zwischen „uns“ und „ihnen“ zu unterscheiden. Ja, wir alle „glauben“, dass 2+2=4 ist, also macht das für Sie und mich keinen Unterschied. Aber beten Sie jeden Mittwoch zur Katzengöttin? Ich glaube nicht, dass Sie das tun würden. Sie gehören nicht zu „uns“.

Dieser Ansatz funktionierte sehr gut, als wir in kleinen Gruppen lebten, weil fast jeder, den wir trafen, zur Katzengöttin betete und diejenigen, die dies nicht taten, wahrscheinlich gewarnt wurden. Doch selbst wenn dieses Verhalten nur auf eine ethnische Gruppe übertragen wird, kann es zu Konflikten führen und oft sogar zu Gewalt führen. In der heutigen vernetzten Welt entwickelt es sich zu einer großen Katastrophe.

Heute verwendet die populistische Politik den neuen Begriff „Fake News“, um das zu beschreiben, was früher als „Lügen“ oder „Propaganda“ galt. Es wird immer schwieriger, echte Nachrichten von Fake News zu unterscheiden. Jeder, der ein paar hundert Dollar übrig hat, hat Zugriff auf enorme Rechenleistung. Der weitverbreitete Einsatz hochentwickelter Software demokratisiert die Welt, was grundsätzlich eine gute Sache ist, es dadurch aber auch oft schwieriger wird, Wahrheit von Lüge zu unterscheiden.

Da Benutzer die angezeigten Informationen individuell anpassen und ihre Präferenzen verstärken können, ist es zunehmend einfacher, in einer Informationsblase zu leben, in der man nur die Nachrichten erhält, die man hören möchte. China Miéville übertreibt diese Tendenz in „The Town and the Town“, einer Science-Fiction-Krimiserie über Inspektor Borlot von der Mordkommission Bethel bei seinen Ermittlungen gegen einen Mörder. Er überquerte mehrmals die Stadtgrenze und ging in die Partnerstadt Erkoma, um dort mit der Polizei zusammenzuarbeiten. Zu Beginn erinnert der Stil der Serie ein wenig an Berlin vor dem Fall der Berliner Mauer, als die Stadt in zwei Teile geteilt war, Ost und West, aber nach und nach werden Sie feststellen, dass die beiden Teile der Stadt geografisch gleich sind . Die Bürger jeder Stadt werden von Geburt an darauf trainiert, einander als Nichts zu behandeln, selbst wenn sie sich durch die Gebäude und Menschenmengen der anderen bewegen. Viele von uns machen heute im Internet dasselbe: Sie sind besessen von der Bestätigungsverzerrung, sodass alle Informationen, die wir erhalten, die Vorstellung verstärken, dass wir Recht haben.

Warum lassen wir uns so leicht von Fake News manipulieren? Dies liegt daran, dass das gute alte Bayes-Gehirn auf konkreten Überzeugungen basiert. Unsere Überzeugungen sind nicht wie Dateien auf einem Computer, die mit einem Mausklick gelöscht oder ersetzt werden können. Sie sind eher wie miteinander verbundene Hardware. Das Ändern von Verbindungsmustern ist schwierig. Je mehr wir an etwas glauben oder auch nur versuchen , daran zu glauben, desto schwieriger ist es, es zu ändern. Jede Falschmeldung, die wir glauben, verstärkt diese Verbindungen, weil sie unseren Bedürfnissen dient. Jede Nachricht, die wir nicht glauben wollten, wurde ignoriert.

Ich kenne keine gute Möglichkeit, eine solche Situation zu vermeiden. Ausbildung? Was passiert, wenn ein Kind eine Sonderschule besucht, die bestimmte Überzeugungen fördert? Was würde passieren, wenn der Unterricht in Fächern verboten würde, deren Fakten zwar klar sind, aber den Überzeugungen widersprechen? Die Wissenschaft ist bei weitem das beste Mittel, um bei allen menschlichen Erfindungen Fakten von Fiktion zu trennen. Doch was würde passieren, wenn die Regierung beschließen würde, diesen unbequemen Tatsachen dadurch zu begegnen, dass sie die Forschungsgelder kürzt? In den USA dürfen Bundesmittel nicht länger legal für die Untersuchung der Auswirkungen des Waffenrechts verwendet werden und die Trump-Regierung erwägt, dasselbe auch für den Klimawandel zu tun.

Leute, die Fakten werden nicht verschwinden.

Ein Vorschlag ist, dass wir neue Aufseher brauchen. Doch eine Website, der ein Atheist vertraut, ist für einen wahren Gläubigen ein Gräuel und umgekehrt. Was würde passieren, wenn ein böser Konzern die Kontrolle über eine Website übernehmen würde, der wir vertrauen? Dies ist kein neues Problem. Der römische Dichter Juvenal drückte es in seinen Satiren, die er um das Jahr 100 n. Chr. verfasste, so aus: „Wer soll über die Wächter wachen?“ Wer überwacht die Monitore selbst? Allerdings ist das Problem, mit dem wir heute konfrontiert sind, noch schlimmer, denn ein einziger Tweet kann den gesamten Planeten erreichen.

Vielleicht bin ich zu pessimistisch. Im Allgemeinen macht eine bessere Bildung die Menschen rationaler. Der „schnelle und schmutzige“ Überlebensalgorithmus des Bayesschen Gehirns hat uns gute Dienste geleistet, als wir in Höhlen und Dschungeln lebten; aber in einem Zeitalter der Fehlinformationen ist es möglicherweise nicht mehr relevant.

Über den Autor

Ian Stewart ist emeritierter Professor für Mathematik an der University of Warwick, Großbritannien, und Fellow der Royal Society. Er ist Träger der Faraday-Medaille der Royal Society of London, des „Public Understanding of Science and Technology Award“ der American Association for the Advancement of Science sowie der „Zeeman-Medaille“ der London Mathematical Society und des Institute for Mathematical and Applied Sciences des Vereinigten Königreichs.

Besondere Tipps

1. Gehen Sie zur „Featured Column“ unten im Menü des öffentlichen WeChat-Kontos „Fanpu“, um eine Reihe populärwissenschaftlicher Artikel zu verschiedenen Themen zu lesen.

2. „Fanpu“ bietet die Funktion, Artikel nach Monat zu suchen. Folgen Sie dem offiziellen Account und antworten Sie mit der vierstelligen Jahreszahl + Monat, also etwa „1903“, um den Artikelindex für März 2019 zu erhalten, usw.

Copyright-Erklärung: Einzelpersonen können diesen Artikel gerne weiterleiten, es ist jedoch keinem Medium und keiner Organisation gestattet, ihn ohne Genehmigung nachzudrucken oder Auszüge daraus zu verwenden. Für eine Nachdruckgenehmigung wenden Sie sich bitte an den Backstage-Bereich des öffentlichen WeChat-Kontos „Fanpu“.

Das Titelbild dieses Artikels stammt aus der Copyright-Bibliothek und darf nicht reproduziert werden.