“KI-Systeme, die sich selbst verbessern” ist einer der Sätze, die man gerade überall liest. Ich wollte wissen, ob ich das nachbauen kann. Vor allem aber, ob ich es beweisen kann. Also habe ich ein Terrarium gebaut, das auf einem einzelnen Rechner läuft.
Acht Wesen, die nur vom Denken leben
In dieser Welt leben acht Wesen. Energie bekommen sie ausschließlich für gelöste Denk-Aufgaben, aus sechs Familien, von Rechnen über Muster bis zu Logikrätseln und kleinen Programmen. Jede Runde kostet Energie, wer zu oft danebenliegt, verhungert. Wer genug ansammelt, pflanzt sich fort und vererbt sein Regelbuch, also die Anweisungen, mit denen es an Aufgaben herangeht. Bei jeder Geburt darf sich genau eine Regel ändern.
Alle 48 Runden gibt es einen Prüfungstag mit denselben vier Aufgaben für alle, ohne Energie-Effekt. Das Modell läuft lokal (qwen3:8b), die Aufgaben werden rückwärts aus einer bekannten Lösung konstruiert und maschinell geprüft. Kein Cloud-Konto, keine laufenden Kosten.
Der erste Lauf sah gut aus und war wertlos
Damit “es lernt” nicht nur ein Gefühl bleibt, lief alles zweimal parallel, mit gleichem Zufalls-Startwert. Im einen Arm erben Kinder das Regelbuch ihrer Eltern, im anderen erben sie nichts. Nur der Unterschied zwischen beiden Armen darf Lernen heißen. Das Erfolgskriterium stand vor dem Start fest. Im Mittel der letzten drei Epochen brauchte der Vererbungs-Arm mindestens 15 Prozentpunkte Vorsprung.
Nach 240 Runden standen minus 2,1 Prozentpunkte auf dem Zettel.
Spannender war die Kennzahl, die nach Erfolg aussah. Die mittlere Schwierigkeitsstufe der Wesen stieg von 1,64 auf 3,92. Ich war nah dran, sie als Beleg zu zeigen. Im Kontrollarm stieg sie auf 3,96. Praktisch identisch, also unmöglich ein Vererbungseffekt. Erklärbar ist der Anstieg auch ganz ohne Lernen, denn drei Treffer in Folge heben die Stufe und fünf Fehlschläge senken sie. Das System wandert von allein dorthin, wo das Modell etwa die Hälfte trifft. Die Zahl misst die Fähigkeit des Modells, nicht den Fortschritt der Wesen.
Der saubere Test wäre die Frage gewesen, ob die Trefferquote bei gleicher Stufe über die Zeit steigt. Sie stieg nicht, sie ging leicht zurück.
Dann hat noch eine zweite Vorab-Regel zugeschlagen. Ein Lauf ist bei mir ungültig, wenn die Arme unterschiedlich viele technische Fehler produzieren, also abgebrochene Antworten und Zeitüberschreitungen. Erlaubt waren fünf Prozentpunkte Unterschied. Gemessen habe ich 22 Prozent im Kontrollarm gegen 13 Prozent im Vererbungs-Arm. Der Lauf war nicht wertbar, obwohl die Verzerrung sogar für meine Hypothese gearbeitet hätte. Meine eigene Regel hat meinen eigenen Lauf kassiert, und genau dafür war sie da.
Warum diese Welt gar nicht lernen konnte
Die unbequemste Erkenntnis kam beim Nachrechnen. In beiden Armen starb kein Wesen, es gab drei Geburten, die höchste Generation war zwei. Am Ende unterschieden sich die Arme durch eine einzige geerbte Regel bei drei von acht Wesen. Der Kanal, den ich messen wollte, war fast nie in Betrieb. Ein Effekt von 15 Prozentpunkten war strukturell unmöglich.
Schuld war meine Ökonomie. Die Lebenshaltungskosten waren zu niedrig, alle wurden reich, die Population saß schnell am Deckel. Ohne Tod kein Generationswechsel, ohne Generationswechsel keine Vererbung.
Statt weiter zu raten, habe ich einen Simulator gebaut, der Energie, Aufstieg, Tod und Geburt in Millisekunden durchspielt, mit den echten Trefferquoten aus Lauf eins. Der Befund darin war noch unangenehmer. Über die Stufen hinweg lag die Trefferquote fast gleich, bei 62, 52, 56, 54 und 59 Prozent. Meine Schwierigkeitsleiter war für das Modell keine Leiter. Die Belohnung wuchs trotzdem mit jeder Stufe, also kletterte jedes Wesen nach oben und wurde reich, unabhängig vom Können. Selektionsdruck gab es nie.
Von 72 durchgespielten Parameter-Kombinationen erreichte keine den Zielkorridor. Die Arbeit liegt gerade nicht bei der Ökonomie, sondern bei den Aufgaben-Generatoren, damit höhere Stufen wirklich schwerer werden. Zwei der fünf maschinell prüfbaren Familien sind umgebaut.
Was ich mitnehme
Selbstverbesserung ist leicht behauptet und schwer belegt. Den Unterschied machen drei unspektakuläre Dinge. Das Erfolgskriterium steht vor dem Lauf fest, in Zahlen. Es gibt eine Kontrollgruppe, die alles gleich hat außer dem einen Mechanismus. Und jede Kennzahl, die nach Erfolg aussieht, muss die Frage überstehen, ob sie in der Kontrollgruppe genauso steigt.
Die ehrliche Grenze: Ich habe bis heute keinen Beleg dafür, dass meine Wesen lernen. Der erste Lauf war ungültig, der zweite Anlauf startete zweimal falsch parametriert, der Beweislauf mit gehärteten Aufgaben steht noch aus. Was steht, ist eine funktionierende Welt, eine Messmethodik, die meinen eigenen Wunsch überlebt hat, und das Wissen, warum die erste Version nicht lernen konnte.
Zusehen kann man trotzdem. Unter /terrarium/ läuft die Welt aus der echten Chronik, mit Zeitschieber. Die Prüfungskurve ist flach. Genau deshalb zeige ich sie.