Das Gehirn, die komplexeste Struktur im menschlichen Körper, ist seit langem Gegenstand intensiver Forschung. Eine zentrale Frage dabei ist, inwieweit das Gehirn als ein kausales System verstanden werden kann. Das bedeutet, ob seine Funktionen und Prozesse durch Ursache-Wirkungs-Beziehungen erklärbar sind. Dieser Artikel untersucht verschiedene philosophische und wissenschaftliche Perspektiven auf diese Frage und beleuchtet die Herausforderungen und Möglichkeiten, das Gehirn als ein solches System zu verstehen.
Philosophische Perspektiven auf Kausalität
Verschiedene philosophische Ansätze prägen das Verständnis von Kausalität und beeinflussen, wie wir das Gehirn als kausales System betrachten.
Kants Kausalprinzip
Immanuel Kant argumentierte, dass der Verstand seinen eigenen Gesetzen folgt, wenn er nach Ursachen sucht, die notwendige Wirkungen haben. Dieses Kausalprinzip ist ein methodologisches Prinzip, das Naturforscher dazu anleitet, nach den Ursachen gegebener Phänomene zu suchen, anstatt auf Wunder oder göttliche Eingriffe zu verweisen. Es ist also keine Tatsachenbehauptung, sondern eine Vermutung, die sich die Naturforscher zur Richtschnur machen.
Humes Regularitätstheorie
David Hume vertrat die Ansicht, dass die Verknüpfung von Ursache und Wirkung auf psychologischer Gewohnheit beruht. Wir betrachten Ereignisse als notwendig miteinander verbunden, weil sie in unserer bisherigen Erfahrung regelmäßig aufeinander folgen. Diese empiristische Sichtweise verzichtet auf metaphysische Annahmen über die Gültigkeit von Naturgesetzen und bietet eine Grundlage für die kausale Analyse komplexer Bedingungsgefüge. Sie verträgt sich auch gut mit probabilistischen Erklärungen, die in den heutigen Wissenschaften weit verbreitet sind.
Interventionistische Sicht der Kausalität
Die interventionistische Sichtweise betrachtet uns als die Ursache von dem, was wir in der Welt bewirken. Sie ist hilfreich, um Experimente zu verstehen, führt aber bei Verallgemeinerung zu einer instrumentellen Sicht der Naturwissenschaften und einer Rückkehr zu teleologischen Erklärungen, wie sie Aristoteles vertrat. Dies widerspricht dem Selbstverständnis der modernen Naturwissenschaften und ihren Erklärungserfolgen außerhalb des Experimentierlabors.
Lesen Sie auch: Faszination Nesseltiere: Wie sie ohne Gehirn leben
Der Verweis auf die Naturgesetze der Physik
Naturwissenschaftler bauen auf die Naturgesetze der Physik, um die These der kausalen Geschlossenheit der Welt zu begründen. Allerdings trägt die heutige Physik nicht dazu bei, den vorwissenschaftlichen Kausalbegriff klar und eindeutig zu präzisieren. Stattdessen bietet sie mehrere Kausalitätskonzepte an:
- Deterministische Gesetze: Die Entwicklung eines Systems nach strikt deterministischen Gesetzen (klassische Mechanik und Elektrodynamik). Diese Gesetze sind reversibel und zeitlich umkehrbar.
- Irreversible Prozesse: Die irreversiblen Prozesse der Thermodynamik sowie die Quantenprozesse entsprechen dem Zeitpfeil, sind aber letztlich indeterministisch.
- Einstein-Kausalität: Die Einstein-Kausalität der Speziellen Relativitätstheorie, nach der sich Signale höchstens mit Lichtgeschwindigkeit übertragen.
Im Allgemeinen verlaufen kausale physikalische Prozesse abschnittsweise teils deterministisch und reversibel, teils indeterministisch und irreversibel. Sie werden also durch Patchwork-Physik beschrieben. Dasselbe gilt für "höherstufige" kausale Mechanismen von chemischen Prozessen über die Proteinfaltung bis hin zu neuronalen Mechanismen.
Mechanistische Erklärungen in den Naturwissenschaften
Mechanistische Erklärungen rekonstruieren Einzelprozesse, die partiell nach einem strikten Gesetz ablaufen und partiell nur probabilistisch bestimmt sind. Ein Mechanismus ist eine Maschine mit kausalen Komponenten, deren Aktivitäten so zusammenwirken, dass sie Phänomene hervorbringen, die dem Explanandum der gesuchten mechanistischen Erklärung entsprechen. Diese kausalen Aktivitäten beruhen immer auch auf den Gesetzen der Thermodynamik, insbesondere auf dem 2. Hauptsatz, der den thermodynamischen Zeitpfeil begründet und irreversiblen Prozessen entspricht. Das heißt aber: Die Mechanismen der Physik, Chemie, Geologie, Biologie, Neurobiologie sowie der Hirnforschung funktionieren nicht wie mechanische Uhren, sondern eher wie Dampfmaschinen. Sie leisten Arbeit; doch diese Arbeit ist damit erkauft, dass insgesamt die Entropie steigt.
Neuronale Mechanismen und die Computer-Analogie
Neuronale Mechanismen laufen ebenfalls abwechselnd teils deterministisch, teils indeterministisch ab. Schon künstliche neuronale Netze funktionieren nicht strikt deterministisch, sondern stochastisch; und ihre natürlichen Vorbilder tun dies erst recht. Die Signalübertragung in den Nervenzellen wird nach dem Schaltkreis-Modell von Hodgkin und Huxley durch die Gesetze der Elektrodynamik beschrieben, also deterministisch. Das Modell begründet die Computer-Analogie zwischen einem natürlichen und einem künstlichen neuronalen Netz: Eine Nervenzelle funktioniert durch die Ionisationsprozesse, die in ihr und an den Zellwänden ablaufen, wie ein elektrischer Schaltkreis, aus dem sich Computer-Chips aufbauen lassen.
Die Hirnforscher dehnen diese formale Analogie zwischen elektrochemisch vernetzten Neuronen und stochastisch verknüpften elektrischen Schaltkreisen sodann auf eine kausale Analogie aus. Diese behauptet viel mehr, nämlich: Das Gehirn verhält sich zu seinen kognitiven Leistungen, etwa zur Erkenntnis der Welt, so ähnlich wie ein Computer zur Information, die er verarbeitet:
Lesen Sie auch: Lesen Sie mehr über die neuesten Fortschritte in der Neurowissenschaft.
Gehirn: Erkenntnis = Computer: Information
Kausal ist diese Analogie, weil sie suggeriert, dass das neuronale Geschehen mentale Phänomene wie Lernen, Mustererkennung oder Erinnerung so ähnlich hervorbringt wie ein Computer die Informationen, die er als Rechenergebnisse ausspuckt. Eine "ordentliche" mechanistische Erklärung ist dies jedoch nicht. Der kausale Mechanismus ist nur auf der Computer-Seite der Analogie bekannt, aber auf der Gehirn-Seite nicht.
Mentale Phänomene und die experimentelle Methode
Um mentale Phänomene zu naturwissenschaftlichen Phänomenen zu machen, müssen sie unser Erleben unter kontrollierbaren Bedingungen als stabile, reproduzierbare Naturerscheinung in den Griff bekommen. Anders als alle anderen Naturwissenschaften ist die Hirnforschung dabei angewiesen auf die Auskunft von Versuchspersonen über ihr subjektives Erleben.
In der Physik hat die experimentelle Methode folgende Merkmale:
- Abstraktion von allen qualitativen Eigenschaften, die sich nicht messen lassen.
- Idealisierung, d. h. Vernachlässigung unwesentlicher Aspekte zum Zweck der mathematischen Beschreibung.
- Kausale Analyse und Synthese, d. h. Zerlegung top-down und Zusammensetzung bottom-up der Phänomene als Wirkungen bestimmter Ursachen.
- Isolation des untersuchten Systems, d. h. Abschirmung gegen Störeinflüsse.
- Reproduzierbarkeit der Ergebnisse unter kontrollierten Versuchsbedingungen.
- Variation der Versuchsbedingungen, um die Abhängigkeit der Messgrößen voneinander durch mathematische Funktionen zu beschreiben.
Nicht alle diese Merkmale taugen dafür, mentale Phänomene naturwissenschaftlich zu erschließen. Für mentale Phänomene lässt sich der Unterschied von Wesentlichem und Vernachlässigbarem nicht quantitativ bestimmen. In Reiz-Reaktions-Experimenten ist kaum bis gar nicht kontrollierbar, ob vernachlässigte mentale Faktoren kausal relevant für die Deutung der Messergebnisse sind. Der Dreh-und Angelpunkt ist dabei, dass sich mentale Phänomene nicht isolieren lassen.
Die intuitive Erkennung von Kausalität
Menschen erkennen kausale Zusammenhänge oft intuitiv, selbst bei komplexen Ereignissen. Ein internationales Forscherteam hat festgestellt, dass wir solche Zusammenhänge schon beim grundlegenden Sehprozess erkennen - ohne Beteiligung von höheren kognitiven Vorgängen.
Lesen Sie auch: Tinnitus und Gehirnaktivität: Ein detaillierter Einblick
Die Fähigkeit, kausale Beziehungen zu erkennen und daher mögliche Ereignisse vorherzusagen, bietet einen Überlebensvorteil. Allerdings ist die Zuweisung von Ursachen nicht trivial, und es können Fehler gemacht werden.
Heuristiken und Experimente zur Bestimmung von Ursache-Wirkungs-Beziehungen
Jeder Mensch nutzt Heuristiken, um Ursache-Wirkungs-Beziehungen wahrscheinlich zu machen. Die zeitliche Abfolge ist ein wichtiges Kriterium: Die Ursache muss der Wirkung zeitlich vorausgehen. Weitere Kriterien sind Konsistenz, Spezifität, Stärke der Assoziation (Dosis-Wirkungsbeziehung), Plausibilität sowie Nicht-Existenz von Alternativerklärungen beziehungsweise Kohärenz mit etabliertem Wissen.
Unter Berücksichtigung verschiedener Limitationen und Ausschluss von Verzerrungen (Bias) lassen sich Kausalbeziehungen erst im Experiment eindeutig belegen. In der klinischen Medizin werden Ursache-Wirkungs-Beziehungen experimentell in randomisiert kontrollierten Studien (RCT) untersucht.
Beobachtungsstudien und kausale Modelle
Da experimentelle Manipulationen aus praktischen oder ethischen Gründen häufig nicht möglich sind, muss sich die Wissenschaft oft auf Beobachtungen beschränken. Zusammenhänge - eben Korrelationen - lassen sich überall finden. Allerdings ist Korrelation nicht gleich Kausalität.
Um kausale Beziehungen in Beobachtungsstudien zu untersuchen, sind kausale Modelle erforderlich. Judea Pearl hat diese durch die Einführung sogenannter gerichteter azyklischer Graphen (directed acyclic graphs, DAG) perfektioniert, um damit kausale Beziehungen zu modellieren und Hypothesen über kausale Effekte zu testen. DAGs sind ein Werkzeug, um kausale Beziehungen zu erkennen, zu modellieren, zu verstehen und zu quantifizieren.
Künstliche Intelligenz und Kausalität
Künstliche Intelligenz (KI) erkennt Muster schon lange viel besser als wir. Um aber ihren Namen wirklich zu verdienen, müsste sie auch kausale Zusammenhänge verstehen.
Experimente bringen Verständnis: Die Qualität der zur Verfügung stehenden Daten ist entscheidend. Die meisten Big-Data-Sätze entstehen aus rein passiver Beobachtung und enthalten keinerlei zusätzliche Informationen darüber, wie sie zustande gekommen sind. Um den Zusammenhang zu verstehen und eine mögliche Erklärung zu finden, braucht es aber zusätzliche Informationen.
Das Gehirn als Weltmodellierer
Das Gehirn ist in der Lage, blitzschnell innere Modelle der Umgebung zu erstellen, die uns helfen, uns zu orientieren, zu planen, Vorhersagen zu treffen und zu lernen. Diese Fähigkeit, die in der Neurowissenschaft und der KI-Forschung eine Rolle spielt, ermöglicht es uns, Muster zu erkennen und unser Wissen auf neue Situationen zu übertragen.
Um zu verstehen, wie wir in unserem Kopf ein inneres Modell der Welt erschaffen, ist es hilfreich, sich mit dem stochastischen Konzept des Hidden Markov Models (HMM) zu befassen. Ein HMM ist ein mathematisches Modell, das uns ermöglicht, etwas Unsichtbares aus etwas Sichtbarem zu erschließen.
Allerdings stoßen einfache Modelle wie HMMs schnell an ihre Grenzen, da die Realität in der Regel nicht so eindeutig aufgebaut ist. Deshalb wurde das Modell der Cloned Structured Cognitive Graphs (CSCGs) entwickelt. CSCGs sind Lernmodelle, die die Struktur der Welt als Netzwerk verstehen. Sie sind wie ein innerer Stadtplan aus Erfahrungen - mit Orten, möglichen Wegen, Verzweigungen und Erinnerungen an frühere Routen.
CSCGs ähneln dem, was im Hirn beobachten können: Erfahrungen, die als verknüpfte Zustände organisiert sind und nicht als bloße Datenhaufen. Ein Beispiel dafür findet sich im Hippocampus, einer Region des Hirns, die besonders für Lernen und Gedächtnis zuständig ist.
Selektive Aufmerksamkeit und Informationsverarbeitung im Gehirn
Das Gehirn verarbeitet Informationen bevorzugt, auf die wir unsere Aufmerksamkeit richten. Diese selektive Reizweiterleitung wurde bei Rhesusaffen untersucht, wobei festgestellt wurde, dass künstlich ausgelöste Signale die Aktivität der Nervenzellen nur dann beeinflussten, wenn sie in einer kurzen Phase erhöhter Empfänglichkeit eintrafen.
Diese Ergebnisse bieten eine Grundlage für präzisere Modelle des Gehirns und zeigen, wie Informationen ausgewählt und gewichtet werden, bevor sie zu Wahrnehmung, Lernen und Verhalten führen. Dieses Wissen ist auch für die Medizin von Bedeutung, da Krankheiten wie Alzheimer oder ADHS mit Problemen bei der selektiven Verarbeitung und Speicherung von relevanten Informationen einhergehen.
Multisensorische Integration und kausale Inferenz
Das Gehirn integriert Informationen aus verschiedenen Sinnessystemen, um ein kohärentes Bild der Welt zu erzeugen. Bei der multisensorischen Integration führt das Gehirn kausale Inferenz durch, um die Ursache der sensorischen Stimulation zu bestimmen.
Allerdings ist es nicht einfach, ein Experiment so abzustimmen, dass die gewählten Stimuli die richtige Auflösung liefern, um die Mechanismen aufzudecken, durch die die Eigenbewegungswahrnehmung entsteht. Es werden weitere Studien benötigt, um Mechanismen zu erklären, die andere Eigenschaften von Eigenbewegung erzeugen.
Die flexible Vernetzung von Nervenzellen als Grundlage für Lernen und Gedächtnis
Obwohl das Gehirn bei weitem nicht die Schnelligkeit eines Computers erreicht, übertrifft es diesen in seiner Lernfähigkeit und seinem Erinnerungsvermögen. Grundlage dafür ist die flexible Vernetzung von über 100 Milliarden Nervenzellen. Eine wichtige Rolle spielen dabei Dornfortsätze, auch „dendritische Spines“ genannt. Diese feinsten Nervenzellausläufer werden beim Lernen und Erinnern stetig umgebaut.
Die Veränderbarkeit neuronaler Signalübertragung ist eine der herausragenden Eigenschaften des Gehirns und wird von Neurowissenschaftlern als zelluläre Grundlage für das menschliche Gedächtnis angesehen. Dies ist besonders einleuchtend, wenn man assoziatives Gedächtnis verstehen möchte. Dabei gilt es, Informationen, die auf den ersten Blick nichts miteinander zu tun haben, aufzunehmen, zu verknüpfen und als sinnvollen Zusammenhang zu speichern.
Autokatalyse und Selbsterhaltung in künstlichen Systemen
In der KI-Diskussion wird häufig über Bewusstsein debattiert. Es geht nicht primär darum, dass eine Maschine etwas empfindet, sondern dass sie äquivalente Funktionen aufweist, die mit menschlichem Bewusstsein in Verbindung stehen.
Um Selbsterhaltung und Autonomie bei einer Maschine zu erreichen, ist Autokatalyse ein fundamentales Prinzip: Leben produziert selbst die Stoffe, die es zum Existieren braucht. Nach diesem Prinzip arbeitet auch das Gehirn. Der Austausch des autokatalytischen Systems mit der Umwelt ist nichtlinear und erzeugt Ungleichgewichte und Asymmetrien. Die Agglomeration dieser Informationsdichte führt zu einem kausalen Kern - vergleichbar dem Zellkern oder dem Gehirn beim Menschen. Ein elektronisches Bewertungssystem, analog zum endokrinen System, ermöglicht die Bewertung von Systemzuständen und Handlungsoptionen.
Komponenten eines kausalen KI-Systems
Ein kausales KI-System könnte folgende Komponenten umfassen:
- Zentrales Verarbeitungssystem: Nimmt Informationen auf, verarbeitet sie und trifft Entscheidungen.
- Ethisches Kontrollsystem: Stellt sicher, dass das System sich an ethische und soziale Normen hält.
- Ressourcenverwaltungssystem: Überwacht Systemressourcen (z. B. Energie, Rechenleistung).
- Bewertungssystem: Bewertet Zustände und Handlungsoptionen, ähnlich wie das menschliche endokrine System, aber auf elektronischer Basis.
Diese Komponenten arbeiten eng zusammen und bilden ein integriertes System.
Herausforderungen und Lösungsansätze für kausale KI-Systeme
Zu den Herausforderungen bei der Entwicklung kausaler KI-Systeme gehören:
- Effiziente Informationsverarbeitung: Reduktion der Komplexität durch Abstraktion und Kategorisierung.
- Bewertung von Systemzuständen: Entwicklung einer Bewertungslogik basierend auf probabilistischen Modellen.
- Sicherheit und Stabilität: Einsatz von Containerisierung (z. B. Docker) und Sandboxing.