Wie wissen einzelne Teile, was das Ganze ist?
Du stehst in einem Raum voller Menschen. Jeder sieht nur die direkt neben sich. Niemand hat einen Überblick. Trotzdem wissen alle nach einer Weile, ob sie Teil einer Hochzeit, einer Protestkundgebung oder eines Konzerts sind. Sie tauschen lokale Informationen aus – Blicke, Gesten, Worte – und daraus entsteht ein gemeinsames Bild. Genau dieses Prinzip verfolgt Sakana AI in einer neuen Arbeit, die in Nature Communications erschienen ist. Statt Menschen verwendet sie kleine, einfache Bausteine – smarte Ziegelsteine, die sich durch lokale Kommunikation zu einer kollektiven Intelligenz zusammenschließen.
Die Forscher nennen das System „Smart Cellular Bricks“. Jeder Brick besteht aus einem Würfel aus Leiterplatten mit Mikrocontroller, LED und sechs elektrischen Kontakten an den Seiten. Kein Baustein weiß, wo er sich befindet oder welche Form das Ganze hat. Er kommuniziert nur mit den unmittelbar benachbarten Steinen. Und dennoch erkennt die Ansammlung nach einigen Minuten, ob sie einen Flugzeugflügel, eine Gitarre, ein Boot oder einen Tisch darstellt. In der Praxis liegt die Genauigkeit bei nahezu 100 Prozent.
Wie die Steine lernen: Neuronale Zelluläre Automaten
Zelluläre Automaten funktionieren wie ein Schachbrett, bei dem jede Zelle ihren Zustand nach festen Regeln ändert – abhängig von den Nachbarzellen. Bei klassischen zellulären Automaten sind diese Regeln von Menschen erstellt. Bei neuronalen zellulären Automaten (NCA) werden sie von einem kleinen neuronalen Netz gelernt. Jeder Brick hat einen internen Zustand, der als Kurzzeitgedächtnis dient. Ein tiefes neuronales Netz aus 3D‑Faltungsschichten entscheidet, wie sich dieser Zustand von Schritt zu Schritt ändert. Das Netz wurde mit Tausenden von Beispielshapes trainiert, so dass es typische Strukturmerkmale einer Klasse abstrahieren kann – etwa dass ein Tisch eine große Platte und vier Beine hat, während ein Stuhl eine Rückenlehne besitzt.
Die Steine kopieren nicht einfach eine perfekte Vorlage. Sie lernen, ganze Klassen von Formen zu unterscheiden. Ein Tisch mit fünf statt vier Beinen wird immer noch als Tisch erkannt. Ein Boot mit verschobener Brücke ebenso. Das System toleriert Variationen – ein Schritt von starrer Formerkennung zu flexiblem, biologischem Verhalten.
Robustheit bei Ausfällen: Wie die Kolonie Fehler toleriert
In Experimenten wurden bis zu 15 Prozent der Module deaktiviert. Die meisten Formen wurden trotzdem richtig erkannt. Ein Flugzeug verlor kaum an Genauigkeit. Anders eine Gitarre: Wenn ein Stein genau am Hals ausfällt, reißt die Kommunikation zwischen den beiden Hälften ab – das System scheitert. Das erinnert an biologische Systeme, die anfällig für bestimmte Engpässe sind. Solange die Netzstruktur nicht zerrissen wurde, zeigten die Bausteine bemerkenswerte Resilienz.
Die Forscher testeten auch, ob die Steine Schäden bei Nachbarn erkennen können. Dafür trainierten sie das neuronale Netz zusätzlich, für jede der sechs Richtungen vorherzusagen, ob der dortige Stein defekt ist. Die Genauigkeit lag bei 94,8 Prozent, ohne dass die Formerkennung litt. Noch eindrucksvoller: Ausgehend von einem kleinen Keim aus wenigen Steinen können die Bausteine eine beschädigte Figur Schritt für Schritt nachwachsen lassen, indem sie neue Module in die Richtung anfordern, aus der sie ein Signal erhalten. Kein zentraler Plan – nur lokale Entscheidungen, die sich zur Wiederherstellung der gesamten Struktur aufschaukeln.
Morphogen-ähnliche Muster: Die interne Kommunikation der Steine
Die verborgenen Zustände des neuronalen Netzes ähneln der Embryonalentwicklung. In den ersten Zyklen entstehen Gradienten, die an biologische Morphogene erinnern – Substanzen, die Konzentrationsgradienten bilden und Zellen mitteilen, wo vorne und hinten ist. Auch die KI‑Bausteine erzeugen solche Muster: links‑rechts‑Gradienten, radiale Ausbreitungssignale und eine Kopf‑Schwanz‑Achse. Bei einem Stuhl beginnen viele Zellen mit der Vermutung „Tisch“. Dann breitet sich von der Rückenlehne ein Signal aus, das alle umstimmt. Dieses Ergebnis stammt von Milliarden gelernten Parametern, die genau diese Kommunikationsstrategien hervorgebracht haben.
Die Forscher haben nur die Lernregel definiert. Das Netz hat selbstständig eine Art chemischer Kommunikation erfunden, die in der Natur seit Millionen von Jahren existiert.
Von der Simulation in die Praxis
Die Experimente fanden mit fast 200 physischen Bausteinen und in Simulationen mit bis zu 18.000 Blöcken statt. Das Verfahren skaliert gut. In Gittern von 64x64x64 Zellen mit komplexen Hohlformen wie einem Fisch oder einem Haus erkennt die Kolonie die Form zuverlässig – vorausgesetzt, das neuronale Netz hat genügend Kapazität. Dieser Zusammenhang ist berechenbar: Mit wachsender Auflösung und Komplexität steigt der Bedarf an Modellkapazität, die Performance bleibt stabil.
Solche modularen, kollektiven Systeme könnten als intelligente Materialien oder rekonfigurierbare Roboter eingesetzt werden. Eine Brücke, die selbst erkennt, wo ein Stück fehlt, und das durch Anziehen neuer Module repariert. Ein Roboterarm, der sich aus Bausteinen zusammensetzt und ein Formgedächtnis hat. Oder eine Ansammlung winziger Sensoren, die ohne zentrale Steuerung die Umgebung kartieren.
Dezentrale Intelligenz für physische Systeme
Diese Arbeit zeigt, wie biologische Prinzipien in störungsanfälliger Hardware umgesetzt werden können. Intelligenz muss nicht in einem Superhirn sitzen. Sie kann aus dem Zusammenspiel vieler einfacher Teile entstehen. Das System beweist die Machbarkeit von lokaler, dezentraler und robuster kollektiver Intelligenz. Der Weg zu einer physischen Schwarmintelligenz ist noch weit, aber die Richtung stimmt: lokal, dezentral, robust. Und ein Haufen einfacher Würfel weiß plötzlich, dass er ein Flugzeug ist.
Quelle: sakana.ai
