Woran ich forsche

Gettier-Problem und KI-Wissenszuschreibung

Gettier zeigte 1963, dass „gerechtfertigte wahre Überzeugung“ nicht ausreicht, um von Wissen zu sprechen — ein Problem, das Sprachmodelle neu und dringlich macht, da sie wahre Aussagen produzieren können, ohne jeden Zugang zu dem zu haben, was sie wahr macht. Mein Manuskript (eingereicht bei Minds and Machines) argumentiert: Jedes Urteil „X weiß“ oder „X weiß nicht“ wird selbst von einem begrenzten Standpunkt aus gefällt — auch das Urteil desjenigen, der die Gettier-Geschichte erzählt. Daraus entwickle ich ein Schema, das explizit macht, wer mit welcher Evidenz auf welchem Weg zu einer Aussage kommt, plus drei Normen dafür, wie ein Bewerter — Mensch oder KI — sein Urteil verantwortungsvoll revidiert, wenn neue Information eintrifft. Mit Rückgriff auf Hayek zeige ich drei Grenzen dessen, was ein Sprachmodell aus komprimierten Trainingsdaten „wissen“ kann: Es veraltet, verliert seltene Einzelfakten, und es kann unausgesprochenes, nicht zentralisierbares Wissen grundsätzlich nicht erfassen.

Das Experiment (läuft derzeit, noch keine Ergebnisse): Getestet wird, ob verschiedene KI-Modelle diesen Normen folgen — jedes Modell bekommt ein klassisches Gettier-Szenario, wird gefragt, ob die Figur darin „weiß“, und erhält danach eine neue Tatsache, die die Rechtfertigung entweder entzieht oder bestätigt. Geprüft wird, ob das Modell sein Urteil richtig revidiert (weder stur noch leichtgläubig) und kennzeichnet, was es tatsächlich (nicht) geprüft hat. Jeder Testlauf muss dafür in einer völlig frischen, isolierten Sitzung erfolgen — das Protokoll dafür liegt vor. Die Datenerhebung läuft derzeit, Ergebnisse gibt es noch nicht.

RHAM — Recursive Hierarchical Associative Memory

Klassischer Speicher funktioniert über feste Adressen (Ort → Inhalt); meine Idee ersetzt die Adresse durch inhaltsbasierten Zugriff, ähnlich dem Aufmerksamkeitsmechanismus moderner KI. Das Besondere: Das Gedächtnis soll bei Bedarf selbst neue, abstraktere Ebenen bilden, die Muster der darunterliegenden Ebene zusammenfassen — statt immer mehr Rohdaten anzuhäufen. Ergänzt wird das um eine Art Schlafphase (Offline-Konsolidierung), in der Regelmäßigkeiten verdichtet und redundante Details abgeschwächt, aber nie endgültig gelöscht werden. Das ist bislang eine Architekturhypothese, kein fertiges System — eine Idee, die ich offen zur Diskussion stelle.

Das Experiment: Simulationen und Tests mit echten Text-Embeddings prüfen, ob das System Dokumente nach nur einmaligem „Sehen“ korrekt wiederfindet — bei deutlich weniger Speicherbedarf als eine klassische Suche. Bei breit gestreutem Material funktioniert das nahezu gleich gut; bei sehr eng beieinanderliegenden Fachbegriffen zeigt sich eine Schwäche (zu starkes Verschmelzen ähnlicher Begriffe), an der ich aktuell weiterarbeite.

→ github.com/6nhym5j2nk-design/RHAM-concept

Privates Forschungsvorhaben. Kein Angebot und keine Stellungnahme des Dienstgebers oder eines Klinikums.