Output / Forschungstagebuch
Argumentation in agentenbasierten Modellen
Notiz 10 aus dem Forschungstagebuch von Nicklas Lundblad: In der bisherigen Arbeit haben wir vor allem über Agenten als eine Art Schnittstelle und Bündelung von Fähigkeiten der künstlichen Intelligenz gesprochen, doch das Forschungsprojekt befasst sich auch mit Themen wie Institutionen und Handlungsfähigkeit, wobei der Schwerpunkt dabei eher auf der sogenannten „agentbasierten Modellierung“ (ABM) liegt.
Notiz 10.
Solche Modellierungen ermöglichen es uns zu untersuchen, wie einfache Regeln unterschiedliche Arten von emergentem Verhalten hervorbringen, und sie gehören zu den nützlichsten Methoden, um mehr über Komplexität und komplexe Systeme zu erfahren – dennoch ist es bislang eher selten, dass Studierende der Sozialwissenschaften mit ABM arbeiten. Das ist schade – denn es stehen dafür tatsächlich hervorragende Werkzeuge zur Verfügung.
Eines dieser Tools ist NetLogo. Es ist kostenlos und verfügt über eine umfangreiche Bibliothek mit verschiedenen agentenbasierten Szenarien, in denen Schüler und Studenten auf unterschiedliche Weise neu entstehende Verhaltensweisen erforschen können. Zu den Beispielen gehört unter anderem die Schelling-Segregation.
Thomas Schellings Segregationsexperiment ist ein einfaches, aber aussagekräftiges Modell, das zeigt, wie kleine individuelle Präferenzen zu großen, unbeabsichtigten Mustern in der Gesellschaft führen können. Schelling stellte sich ein Raster vor – ähnlich einem Schachbrett –, in dem jeder Feldplatz eine Person aus einer von zwei Gruppen beherbergen konnte. Jede Person bevorzugt es, zumindest einige Nachbarn aus der eigenen Gruppe zu haben, verlangt aber keine vollständige Segregation. Zum Beispiel könnte jemand vollkommen zufrieden sein, solange mindestens 30 % seiner Nachbarn ihm ähnlich sind. Ist diese Bedingung nicht erfüllt, zieht er an einen anderen freien Platz auf dem Raster. Wichtig ist, dass in diesem Modell niemand von vornherein eine vollständige Trennung anstrebt; die Personen haben lediglich eine leichte Präferenz dafür, nicht in der extremen Minderheit zu sein.
Wenn das Modell läuft – Menschen beobachten ihre Umgebung und bewegen sich, wenn sie sich unwohl fühlen –, zeigt sich ein unerwartetes Muster: Selbst sehr bescheidene individuelle Präferenzen führen unweigerlich zu stark segregierten Stadtvierteln. Das System „kippt“ in die Trennung, nicht weil jemand dies beabsichtigt hätte, sondern weil sich die Dynamik vieler kleiner Entscheidungen gegenseitig verstärkt. Schellings Erkenntnis ist, dass Muster auf Makroebene (segregierte Städte) aus Verhalten auf Mikroebene (kleine, scheinbar harmlose persönliche Präferenzen) entstehen können. Sein Experiment zeigt, wie komplexe soziale Strukturen aus einfachen Regeln entstehen können und wie Gesellschaften zu Ergebnissen driften können, die eigentlich niemand wirklich wünscht.
Der Vorteil von NetLogo und anderen ABM-Umgebungen besteht darin, dass sie uns dies nicht nur erklären, sondern uns auch zeigen, wie sich das Modell entwickelt:
Aus sozialwissenschaftlicher Sicht ergibt sich daraus eine methodische Entscheidung: Mit dem Aufkommen von ABM und fortschrittlichen Simulationen besteht nun die Möglichkeit, zu verlangen, dass Forschung in Modellen begründet, formalisiert und entwickelt wird. Die Anforderung, unsere Theorien in Modellen zu formulieren, bedeutet, dass wir die plausiblen Mechanismen, die in der Gesellschaft am Werk sind, sowie deren Zusammenhänge durchdenken müssen – dadurch wird auch die Umsetzung in Politik einfacher, oder zumindest werden die Schwierigkeiten bei der Umsetzung von Forschung in Politik deutlicher.
NetLogo verlangt nicht, dass wir Programmieren lernen (obwohl wir das können und wahrscheinlich auch sollten), aber es ermöglicht uns, soziale Theorien in Modellen auszudrücken, die mit dem Ziel politischer Fortschritte intensiv diskutiert werden können.
Nehmen wir ein interessantes Beispiel, das uns zurück zu KI-Agenten und Institutionen führt. Wenn wir in eine Welt eintreten, in der Agenten in kommerziellen Kontexten und Vertragsbeziehungen in unserem Namen miteinander interagieren, sollten sie unter anderem einen Nutzen darin sehen, alle Rahmenbedingungen rund um solche Vertragsabschlüsse in einer „lex agentia“ zu harmonisieren, die dem historischen Handelsrecht, der „lex mercatoria“, nachempfunden ist. Können wir diese Hypothese in NetLogo testen? Nach ein wenig Tüftelei erhalten wir ein Modell, das wie folgt funktioniert (hier in Gemini dargestellt):
Die Akteure starten in vier unterschiedlichen „nationalen“ Clustern (dargestellt durch Farben); wenn sie mit Partnern unter demselben Rechtssystem Handel treiben, gewinnen sie an Wohlstand, doch die Interaktion mit widersprüchlichen Gesetzen führt aufgrund hoher Transaktionskosten zu finanziellen Verlusten. Um keine weiteren Verluste zu erleiden, gehen in Schwierigkeiten geratene Akteure eine „positive Kollusion“ ein, indem sie spontan das Rechtssystem ihres wohlhabendsten Nachbarn übernehmen und so handeln, dass das System des Nachbarn effizienter wird. Dies erzeugt einen kaskadierenden Netzwerkeffekt, bei dem Akteure ineffiziente oder von der Minderheit genutzte Rechtsordnungen rasch aufgeben, um sich auf einen gemeinsamen Standard abzustimmen, was schließlich dazu führt, dass die gesamte Population auf ein einziges, einheitliches Rechtssystem konvergiert, allein um wirtschaftliche Reibungsverluste zu minimieren.
Wir können auch einen Schritt weiter gehen und agentenbasierte Frameworks wie MESA nutzen, um Modelle in Python zu erstellen. Das ist vielleicht etwas komplexer, aber nicht wesentlich. Schauen wir uns ein Beispiel an.
Das Modell initialisiert eine Population von Vertragsparteien (Unternehmen), von denen jede einer Heimatjurisdiktion mit einem zufällig generierten Qualitätswert für das Rechtssystem zugeordnet ist, sowie mehrere neutrale internationale Rahmenwerke (UNIDROIT, ICC-Regeln, internationale Schiedsgerichtsbarkeit), die eine höhere Grundqualität aufweisen. Bei jedem Simulationsschritt bilden Agenten Paare und verhandeln, welches Recht ihren Vertrag regeln soll – wenn Absprachen erlaubt sind, optimieren sie gemeinsam, indem sie die in Frage kommenden Rechtssysteme anhand einer gewichteten Kombination aus Netzwerkakzeptanz (wie viele andere Agenten bevorzugen dieses System bereits) und intrinsischer Qualität bewerten, abzüglich etwaiger Wechselkostenstrafen; wenn Absprachen nicht erlaubt sind, setzt sich die Präferenz des Agenten mit den besseren Verbindungen durch. Nach Vertragsabschluss fallen für die Akteure Transaktionskosten an (die geringer sind, wenn beide Parteien mit dem gewählten Recht vertraut sind und wenn das Rechtssystem von hoher Qualität ist), und sie verlagern ihre eigene Präferenz allmählich auf das Rechtssystem, das sie in den jüngsten Verträgen am häufigsten genutzt haben. Im Laufe der Zeit entsteht so eine Rückkopplungsschleife: Die Vorteile einer frühen Übernahme verstärken sich durch Netzwerkeffekte, es bilden sich regionale Cluster unter häufigen Handelspartnern, und schließlich kippt das System in Richtung eines dominanten Rechtsrahmens – typischerweise konvergiert die Akzeptanz bei erlaubter Kollusion innerhalb von 50 bis 200 Schritten auf über 90 %, während die Harmonisierung unter Wettbewerbsverhandlungen langsamer und weniger vollständig verläuft. Hier ist ein Beispiel für einen Durchlauf:
Wir können auch untersuchen, wie die Ergebnisse ohne jegliche aktive Zusammenarbeit oder Absprache ausfallen – und dabei wird deutlich, dass es auch ohne aktive Absprache im Laufe der Zeit zu einer gewissen Harmonisierung kommt, die Transaktionskosten in unserem Modell jedoch völlig anders aussehen:
Nun mag man das vielleicht für falsch halten – aber das Schöne an der Argumentation mit Modellen ist, dass man lediglich die Parameter anpassen muss, um seinen Standpunkt zu verdeutlichen, oder das Modell verwerfen und ein eigenes vorschlagen kann.
Und der nächste Schritt besteht natürlich darin, Agenten mit LLMs zu kombinieren – und anstatt die einzelnen Agenten einfach nur einfachen Regeln folgen zu lassen (wie im Schelling-Fall), können wir ihnen ermöglichen, Entscheidungen auf der Grundlage einer Reihe von Anweisungen zu treffen, die eine größere Vielfalt zulassen. Das vielleicht interessanteste und fortschrittlichste Projekt in diesem Bereich ist Concordia von Google DeepMind. Das Forschungsteam hinter dem Projekt beschreibt es treffend:
„Concordia ist eine Bibliothek, die die Erstellung und Nutzung generativer, agentenbasierter Modelle erleichtert, um Interaktionen von Agenten in realistischen physischen, sozialen oder digitalen Räumen zu simulieren. Sie ermöglicht eine einfache und flexible Definition von Umgebungen anhand eines Interaktionsmusters, das aus Tabletop-Rollenspielen übernommen wurde, in denen ein spezieller Agent, der sogenannte Spielleiter (GM), für die Simulation der Umgebung verantwortlich ist, in der die Spieleragenten interagieren (ähnlich wie ein Erzähler in einer interaktiven Geschichte). Agenten führen Aktionen aus, indem sie in natürlicher Sprache beschreiben, was sie tun möchten. Der GM übersetzt ihre Aktionen dann in entsprechende Implementierungen. In einer simulierten physischen Welt würde der GM die physikalische Plausibilität der Agentenaktionen prüfen und deren Auswirkungen beschreiben. In digitalen Umgebungen, die Technologien wie Apps und Dienste simulieren, kann der GM auf Grundlage der Agenten-Eingaben die notwendigen API-Aufrufe ausführen, um eine Integration mit externen Tools zu ermöglichen.“
Jetzt können wir beginnen, soziale Probleme auf völlig neue Weise zu modellieren, und unser Modell ist im Wesentlichen die Erzählung des GM!
Die Kombination aus Agenten, künstlicher Intelligenz und Modellierung bedeutet wohl, dass wir in einem der spannendsten Momente der Geschichte der Sozialwissenschaften leben – und je früher wir uns damit befassen, desto mehr werden wir lernen. Eine Gesellschaft, die in Modellen argumentiert, dürfte viel gesünder sein als eine, die in Polarisierung feststeckt.
