In den letzten Jahren haben KI und Krypto begonnen, sich zu einer der mächtigsten Erzählungen in der Technologie zu vereinigen.
Projekte versprechen:
dezentrale KI-Infrastruktur
autonome Agenten
verteiltes maschinelles Lernen
tokenisierte Datenwirtschaften
Namen wie SingularityNET, Fetch.ai und Bittensor werden häufig als Pioniere der dezentralen KI erwähnt.
Aber wenn wir genauer hinsehen, stellen die meisten dieser Projekte nicht grundlegend die künstliche Intelligenz neu dar.
Sie bauen wirtschaftliche oder Infrastruktur-Ebenen um bestehende KI-Modelle auf.
Ein Projekt versucht jedoch etwas viel Radikaleres.
Qubic versucht, neu zu denken, wie Intelligenz selbst aufgebaut werden sollte.
Im Zentrum dieser Vision steht eine neue Architektur namens Neuraxon.
Wenn sich ihre Ideen als gangfähig erweisen, könnten die Auswirkungen weit über Krypto hinausgehen – möglicherweise den zukünftigen Weg zur künstlichen allgemeinen Intelligenz (AGI) berühren.
Die beiden konkurrierenden Wege zur AGI
Im Moment scheint die globale KI-Industrie sich auf zwei sehr unterschiedliche Philosophien der Intelligenz zu konzentrieren.
Weg 1: Intelligenz skalieren
Dies ist der Ansatz, den große KI-Labore verfolgen:
OpenAI
Google DeepMind
Anthropic
Meta
Die Strategie ist einfach:
Alles skalieren.
mehr Daten
mehr Berechnung
mehr Parameter
Dieser Ansatz hat erstaunliche Ergebnisse hervorgebracht:
GPT-Modelle
Gemini
Claude
Diese Systeme können schreiben, codieren, schlussfolgern, zusammenfassen und bemerkenswert fließend kommunizieren.
Aber trotz ihrer Macht teilen sie eine grundlegende Einschränkung.
Sie sind gefrorene Intelligenz.
Das Problem mit gefrorener KI
Moderne KI-Systeme folgen einem vertrauten Lebenszyklus:
Trainieren → Einfrieren → Bereitstellen
Während des Trainings:
massive Datensätze werden aufgenommen
Milliarden von Parametern werden optimiert
Nachdem das Training beendet ist:
das Modell wird bereitgestellt
die Gewichte sind fixiert
Von diesem Punkt an führt das System nur Inferenz durch.
Es lernt nicht mehr aus seinen Erfahrungen.
Mit anderen Worten:
Die KI, mit der Sie heute interagieren, ist ein Schnappschuss von Intelligenz, die in der Zeit eingefroren ist.
Egal, wie viele Gespräche es führt, es sammelt keine Erfahrungen auf die gleiche Weise wie biologische Intelligenz.
Wenn ein menschliches Gehirn aufhört zu lernen, in dem Moment, in dem es beginnt, mit der Welt zu interagieren, würden wir es nicht als intelligent bezeichnen.
Wir würden es als dysfunktional bezeichnen.
Warum kontinuierliches Lernen wichtig ist
Biologische Intelligenz ist grundlegend anders.
Menschen und Tiere lernen kontinuierlich durch:
Erfahrung
Erforschung
Umweltinteraktion
Jeder Moment formt neuronale Verbindungen durch synaptische Plastizität um.
Lernen und Leben sind keine getrennten Prozesse.
Sie sind derselbe Prozess.
Viele Forscher glauben, dass wahre AGI ähnliche Eigenschaften erfordern wird, einschließlich:
lebenslanges Lernen
adaptive Gedächtnis
Umweltinteraktion
selbstgesteuerte Erkundung
Hier beginnt ein anderes Paradigma zu entstehen.
Der zweite Weg: Evolutionäre Intelligenz
Anstatt größere Modelle zu bauen, erkunden einige Forscher, ob Intelligenz möglicherweise aus adaptiven Systemen entstehen könnte, die sich im Laufe der Zeit entwickeln.
In diesem Paradigma:
KI ist kein fertiges Produkt.
Es ist ein kontinuierlich sich entwickelndes System.
Mehrere Agenten interagieren, passen sich an und konkurrieren, verbessern sich allmählich durch Erfahrung.
Statt eines statischen Modells wird Intelligenz etwas, das näher an einem Ökosystem liegt.
Diese Idee ist viel näher daran, wie biologische Intelligenz auf der Erde entstanden ist.
Und es ist das philosophische Fundament hinter Qubics AGI-Forschungsrichtung.
Was macht Qubic anders
Die meisten KI-Krypto-Projekte konzentrieren sich darauf, Märkte oder Infrastrukturen für KI-Dienste zu schaffen.
Qubic verfolgt einen anderen Ansatz.
Anstatt zu fragen:
Wie können wir KI monetarisieren?
Qubic stellt eine tiefere Frage:
Wie sollte Intelligenz selbst aufgebaut werden?
Das Qubic-Ökosystem erkundet drei Hauptkomponenten:
1. Verteilte Berechnung
Ein dezentrales Netzwerk von Knoten bietet Rechenressourcen, die KI-Systeme kontinuierlich ausführen können.
Anstatt sich auf zentrale GPU-Datenzentren zu verlassen, kann die Berechnung über ein Netzwerk verteilt werden.
2. Evolutionäre KI-Frameworks
Innerhalb des Ökosystems erkunden Frameworks wie Aigarth evolutionäre KI-Konzepte.
Mehrere KI-Agenten können:
interagieren
konkurrieren
evolvieren
In gewisser Weise ähnelt dies der natürlichen Selektion in digitaler Form.
3. Neuraxon
Die faszinierendste Komponente des Ökosystems ist Neuraxon, eine bio-inspirierte neuronale Architektur, die entwickelt wurde, um kontinuierliches Lernen und adaptive Intelligenz zu unterstützen.
Anstatt konventionelle neuronale Netzwerke zu imitieren, versucht Neuraxon, Aspekte biologischer neuronaler Systeme zu modellieren.
Neuraxon: Eine andere Art von neuronaler Architektur
Traditionelle neuronale Netzwerke sind im Wesentlichen statische Berechnungsgraphen.
Gewichte werden während des Trainings angepasst, bleiben jedoch danach fixiert.
Neuraxon schlägt einen dynamischeren Ansatz vor, der von der Neurowissenschaft inspiriert ist.
Tri-State-Neuronen
Die meisten künstlichen Neuronen arbeiten in einem binär ähnlichen Aktivierungsmuster.
Neuraxon führt drei mögliche Zustände ein:
+1 — Erregend
0 — Neutral
−1 — Hemmend
Diese Struktur spiegelt die biologische neuronale Aktivität wider, bei der Neuronen entweder Aktivität innerhalb eines Netzwerks stimulieren oder unterdrücken können.
Der neutrale Zustand erlaubt es dem System auch, Zögern, Unsicherheit oder ruhende potenzielle Aktivität darzustellen.
Kontinuierliche neuronale Dynamik
Traditionelle KI funktioniert durch diskrete Berechnungen:
Eingabe → Berechnung → Ausgabe
Neuraxon hingegen erhält einen kontinuierlichen internen neuronalen Zustand.
Selbst wenn kein externes Eingangsdatum ankommt, entwickelt sich der interne Zustand des Systems weiterhin im Laufe der Zeit.
Dies spiegelt das Verhalten biologischer Gehirne wider, bei dem neuronale Aktivitäten niemals wirklich aufhören.
Anstatt isolierte Berechnungen durchzuführen, verhält sich das System eher wie ein fortlaufender kognitiver Prozess.
Synaptische Plastizität
Eine der definierten Eigenschaften biologischer Intelligenz ist Plastizität.
Verbindungen zwischen Neuronen stärken oder schwächen sich je nach Erfahrung.
Neuraxon führt Mechanismen ein, bei denen Synapsen können:
stärken durch wiederholte Aktivierung
schwächen, wenn sie nicht verwendet werden
neuordnen von Netzwerkstrukturen
Dies ermöglicht es dem System, sich während des Betriebs dynamisch anzupassen, anstatt nur während des Trainings.
Multiskalen-Lernen
Neuraxon erforscht auch das Lernen über mehrere Zeitskalen.
Kurzfristige Anpassungen können mit langsameren strukturellen Veränderungen koexistieren.
Das ist ähnlich wie bei biologischen Systemen, wo:
der Hippocampus unterstützt das Kurzzeitlernen
der Kortex stabilisiert langfristiges Wissen
Solche Mechanismen könnten helfen, das klassische Problem des KI-Lernens auszugleichen:
Plastizität vs Stabilität.
Neuromodulation
Ein weiteres von der Biologie inspiriertes Merkmal ist die Neuromodulation.
Im menschlichen Gehirn regulieren Chemikalien wie Dopamin und Serotonin, wann neuronale Schaltkreise plastischer oder stabiler werden.
Neuraxon erforscht ähnliche Mechanismen, die bestimmen, wann Lernen stattfinden sollte.
Dies könnte helfen, eine der größten Herausforderungen in kontinuierlichen Lernsystemen anzugehen:
katastrophales Vergessen.
Vergleich großer KI-Krypto-Projekte
Um Qubics Position besser zu verstehen, hilft es, es mit anderen großen Projekten zu vergleichen.
Was auffällt, ist, dass Qubic eines der wenigen Projekte ist, die versuchen, eine neue Architektur für die Intelligenz selbst zu entwerfen.
Tote KI vs Lebende KI
Eine Möglichkeit, über diesen Wandel nachzudenken, ist der Unterschied zwischen toter KI und lebender KI.
Tote KI
Die meisten modernen Systeme fallen in diese Kategorie.
Sie sind:
einmal trainiert
bereitgestellt
danach gefixed
Sie sind unglaublich leistungsfähig, aber grundsätzlich statisch.
Lebende KI
Lebende KI bezieht sich auf Systeme, die:
kontinuierlich arbeiten
aus Erfahrung lernen
ihre interne Struktur im Laufe der Zeit anpassen
Anstatt statische Modelle zu verwenden, verhalten sie sich mehr wie Organismen.
Wenn Architekturen wie Neuraxon erfolgreich sind, könnte KI allmählich von Software-Tools zu adaptiven kognitiven Systemen übergehen.
Das verborgene AGI-Rennen
Das KI-Rennen, von dem wir normalerweise hören, umfasst Unternehmen wie OpenAI und Google.
Aber unter dieser sichtbaren Konkurrenz liegt eine tiefere Frage:
Woher kommt Intelligenz eigentlich?
Ist es das Ergebnis von:
größere Modelle
mehr Daten
mehr Berechnung?
Oder entsteht es aus:
Anpassung
Interaktion
evolutionäre Dynamik?
Wenn sich die zweite Ansicht als korrekt herausstellt, könnte der Weg zu AGI nicht aus immer größeren Sprachmodellen kommen.
Es könnte von Systemen stammen, die kontinuierliches Lernen und Evolution ermöglichen.
Eine mögliche „kambrische Explosion“ der KI
In der biologischen Geschichte markierte die kambrische Explosion eine Zeit, in der das Leben sich schnell in unzählige neue Formen diversifizierte.
Einige Forscher glauben, dass, wenn KI-Systeme die Fähigkeit erlangen, zu:
evolvieren
kontinuierlich lernen
mit komplexen Umgebungen interagieren
Wir könnten etwas Ähnliches in der künstlichen Intelligenz beobachten.
Anstatt nur ein paar dominante Modelle zu haben, könnten wir eine Explosion vielfältiger KI-Systeme sehen, die sich über dezentrale Netzwerke entwickeln.
Die große Frage des nächsten Jahrzehnts
Die Zukunft der KI könnte letztendlich von einer Frage abhängen:
Entsteht Intelligenz aus größeren Modellen… oder aus adaptiven Systemen, die sich im Laufe der Zeit entwickeln?
Wenn die Antwort in Evolution und kontinuierlichem Lernen liegt, könnten Projekte wie Qubic und Neuraxon frühe Experimente in eine völlig neue Richtung für künstliche Intelligenz darstellen.
Es ist viel zu früh, um zu wissen, ob dieser Ansatz erfolgreich sein wird.
Aber die erforschten Ideen werfen eine der faszinierendsten Möglichkeiten in der modernen Technologie auf:
KI, die nicht nur Algorithmen ausführt, sondern sich durch Erfahrung weiterentwickelt.
Weiterführende Literatur
Leser, die diese Konzepte weiter erkunden möchten, können die folgenden Ressourcen konsultieren:
#Qubic Ökosystem
https://github.com/qubic
#Neuraxon Forschungsarbeit
https://www.researchgate.net/publication/397331336_Neuraxon
Qubic #AGI Reise
https://www.researchgate.net/publication/387364505_Qubic_AGI_Journey_Human_and_Artificial_Intelligence_Toward_an_AGI_with_Aigarth
Neuraxon GitHub-Repository
https://github.com/DavidVivancos/Neuraxon
Neuraxon Interaktive Demo
https://huggingface.co/spaces/DavidVivancos/Neuraxon
Forschungswebsite
https://vivancos.com