Kann AlphaZero nach Jennings intelligent sein?

Bernard Jennings ordnet AlphaZero außerhalb seines Intelligenzspektrums ein. Das System habe bei der Inferenz ein „Residuum“ von null. Bemerkenswert ist daran weniger das Etikett als die Beweisfrage: Woran ließe sich erkennen, dass bei einem System tatsächlich mehr geschieht, als seine vorhandenen Fähigkeiten und die jeweilige Eingabe bereits festlegen?

Jennings veröffentlichte The Architecture of Intelligence: Definition, Spectrum, and Ceiling am 22. Mai 2026 als unabhängiges Working Paper, Version 01, auf Zenodo; später kam ein SSRN-Eintrag hinzu. Der Text ist neu, nicht peer-reviewt und kein etablierter Referenzpunkt der Intelligenzforschung.¹ Seine begriffliche Präzision belegt daher noch nicht, dass die vorgeschlagene Grenze empirisch Bestand hat.

Eine Definition mit hoher Beweislast

Jennings setzt Intelligenz weder mit Testerfolg noch mit Verarbeitungsgeschwindigkeit gleich. Ein System gehört für ihn erst dann auf das Intelligenzspektrum, wenn es drei Bedingungen erfüllt: Es muss ein eigenes Kohärenzproblem als Anforderung registrieren, einen Lösungsweg dafür hervorbringen und dabei Verhalten zeigen, das sich nicht vollständig aus seiner stabilen Kompetenz und der Eingabe erklären lässt.

Die erste Bedingung nennt er demand-ownership. Ein von außen erteilter Auftrag genügt nicht. Im System selbst muss eine Musterlücke, ein Konflikt oder eine Ineffizienz als Problem auftreten, das nach Auflösung verlangt. Jennings führt dafür den Begriff „Category 2 emotional architecture“ ein. Gemeint sind funktionale Zustandsänderungen und Kontrollsignale, kein subjektives Gefühl. Ob diese angenommene Architektur eine tragfähige wissenschaftliche Kategorie ist, bleibt offen.

Resolution-ownership betrifft die Entstehung der konkreten Lösung. Eine gespeicherte Antwort oder eine vollständig von außen spezifizierte Prozedur reicht nicht aus. Jennings lässt Abstufungen zu, weil dasselbe System bei manchen Anforderungen neue Lösungswege erzeugen und bei anderen nur vorhandene Wege ausführen kann.

Beobachtbar werden sollen beide Eigenschaften durch residue beyond encoding. Als „Encoding“ oder Schicht 1 fasst Jennings die stabile Kompetenz des Systems: Struktur und Parameter, dauerhaft gelernte Dispositionen sowie das konfigurierte Inferenz- oder Betriebsverfahren. Ein Residuum liegt in seiner Terminologie vor, wenn sich das Verhalten beim Erkennen und Auflösen einer Anforderung nicht vollständig aus dieser Schicht und der Eingabe erklären lässt.

Zufall allein erfüllt das Kriterium nicht, sofern der Zufallsmechanismus zur stabilen Kompetenz gehört. Auch ein historisch neuer Zug kann durch das Verfahren bestimmt sein. Hoher Rechenaufwand sagt lediglich, wie aufwendig eine Vorhersage ist, nicht ob Schicht 1 und Eingabe das Verhalten festlegen. Der geforderte Nachweis ist also anspruchsvoll. Jennings räumt selbst ein, dass eine vollständige Beschreibung der stabilen Kompetenz praktisch oft fehlt. Sein Paper ordnet Beispiele theoretisch ein; ein Residuum weist es in keinem der behandelten Fälle empirisch nach.¹

AlphaZero zeigt die Lücke zwischen Einordnung und Nachweis

AlphaZero lernte Schach, Shogi und Go im Selbstspiel. Nach der Darstellung von David Silver und seinen Mitautoren erhielten die Systeme außer den Spielregeln kein domänenspezifisches Wissen und begannen mit zufälligem Spiel. Ein neuronales Netz zur Auswahl und Bewertung von Zügen arbeitete mit einer Monte-Carlo-Baumsuche; die trainierten Systeme besiegten in allen drei Spielen führende Programme.² An ihrer Leistungsfähigkeit besteht wenig Zweifel.

Spiel, Regeln und Lernsignal kamen jedoch von außen. Die Science-Studie fragte nicht, ob AlphaZero eigene Musterkonflikte im Sinne von Jennings als Anforderungen registrierte. Der festgelegte Optimierungsauftrag belegt daher kein demand-ownership. Weil Silver und seine Mitautoren eine andere Forschungsfrage verfolgten, widerlegt ihre Untersuchung die von Jennings angenommene innere Architektur allerdings auch nicht.

Beim resolution-ownership ist die Zuordnung weniger eindeutig. Selbstspiel, Lernen und Suche erzeugen Züge, die nicht aus einer Sammlung menschlicher Partien abgerufen werden. Im gewöhnlichen Sprachgebrauch kann das als eigenständiges Lösen gelten. Jennings verlangt darüber hinaus, dass der Lösungsweg aus einer intern registrierten Anforderung hervorgeht und sich nicht vollständig aus der Anwendung vorhandener Fähigkeiten erklären lässt. Spielstärke misst diese Eigenschaft nicht.

Beim Residuum fällt Jennings ein klares Urteil. Das trainierte Netz und das Suchverfahren gehören bei der Inferenz zu Schicht 1; die Brettstellung bildet die Eingabe. Weil diese Bestandteile den Zug bestimmen, setzt er das Residuum auf null. Auch das Training behandelt er als spezifizierten Prozess, der Schicht 1 erzeugt. Das ist eine Anwendung seines Begriffsrahmens, kein Ergebnis der Science-Studie. Das Working Paper prüft bei AlphaZero nicht empirisch, ob sich das beobachtete Verhalten vollständig aus Schicht 1 und der Eingabe vorhersagen lässt.

Für eine Organisation entscheidet diese offene Klassifikation noch nicht über den Einsatz. Training, Suche und Rechenleistung können die Leistung innerhalb eines eng gesetzten Ziels erheblich steigern. Den Zweck einer konkreten Verwendung legen sie nicht fest. Ebenso muss geklärt sein, wer Ergebnisse verwenden oder ihre weitere Nutzung stoppen darf. Rückmeldungen zu den Folgen müssen eine verantwortliche Stelle erreichen, die den Einsatz verändern kann. Ein System außerhalb von Jennings’ Spektrum kann nützlich oder schädlich wirken; die Erfüllung seiner Kriterien würde umgekehrt keinen Einsatz legitimieren.

Der empirische Test steht noch aus

Nach Jennings’ eigenem Maßstab müsste eine Prüfung zunächst Schicht 1 so vollständig beschreiben, dass sich daraus zusammen mit der Eingabe eine Vorhersage ableiten lässt. Eine verbleibende Abweichung dürfte weder auf einen konfigurierten Zufallsmechanismus noch auf unvollständig erfasste Bestandteile des Verfahrens zurückgehen. Zusätzlich wäre zu zeigen, dass das System selbst eine Anforderung registriert und nicht bloß einen äußeren Auftrag verarbeitet. Das Working Paper benennt diese Beweislast, operationalisiert sie für AlphaZero aber nicht.

Auch die vorgeschlagene Obergrenze verlangt eine eigene Prüfung. Ein System soll sie erreichen, wenn es acht Coherence Resolution Modes – acht von Jennings unterschiedene Arten, Kohärenzprobleme aufzulösen – vollständig integriert und optimal kalibriert einsetzen kann. Die Behauptung, diese acht Modi deckten alle Möglichkeiten ab, stammt aus einem Begleitpaper und wird im Intelligenz-Paper nicht erneut hergeleitet.³

Jennings gliedert die Modi anhand dreier Einschränkungstypen und vier Lösungsmechanismen. Ein weiterer Einschränkungstyp, ein fünfter Mechanismus oder eine zusätzliche zulässige Kombination würde die behauptete Vollständigkeit aufheben. Beide Texte gehören zum selben jungen Forschungsprogramm und bestätigen sich nicht unabhängig. AlphaZero ist deshalb bislang weder Gegenbeispiel noch Bestätigung. Der Fall legt offen, welche Beobachtung ein empirischer Test des Residuums liefern müsste und welche Vollständigkeitsannahme vor einer festen Obergrenze zu prüfen wäre.

Footnotes

1. Bernard Jennings, The Architecture of Intelligence: Definition, Spectrum, and Ceiling, Version 01, unabhängiges Working Paper, 22. Mai 2026. Die Statusangaben stammen aus dem Zenodo-Eintrag und dem Dokument selbst; eine Peer-Review-Veröffentlichung wird dort nicht ausgewiesen. ↩ ↩²

2. David Silver et al., „A General Reinforcement Learning Algorithm That Masters Chess, Shogi, and Go Through Self-Play“, Science 362 (2018), 1140–1144. Der frühere frei zugängliche Preprint beschreibt die Schach-/Shogi-Fassung des Ansatzes. ↩

3. Bernard Jennings, Coherence Resolution Modes in Autonomous Systems, Working Paper 2026. Die Abhängigkeit der behaupteten Obergrenze von der Vollständigkeit dieses Modells wird im Hauptpaper ausdrücklich benannt. ↩