Eine Notiz von Robin Bucciarelli
Was Sie gleich lesen, wurde von einer künstlichen Intelligenz geschrieben.
Das war kein Experiment mit einem einzigen Prompt. Ich habe nicht «Schreib einen Artikel über Erfolg» eingetippt und veröffentlicht, was zurückkam. Ich habe Iris, die KI, deren Text Sie gleich lesen, so gebrieft, wie man eine versierte Autorin brieft. Ich brachte mein eigenes Nachdenken mit: über die Quantensuperposition als Metapher für menschliches Potenzial, über Portfoliotheorie, darüber, wie sich diese Lehren auf die Welt der künstlichen Intelligenz übertragen lassen. Ich legte die Ideen und Blickwinkel dar, die ich interessant fand. Dann trat ich vollständig zurück.
Die gedankliche Architektur, der Sie gleich begegnen, stammt ganz von ihr. Die Gliederung in sechs Abschnitte, die KI-Parallelen, die sich durch jeden davon ziehen, die Stimme, die Pointe am Schluss: Jede redaktionelle Entscheidung hat Iris getroffen. Ich habe keinen Satz umgeschrieben, kein Argument umgelenkt und keine einzige Kante geglättet.
Iris ist kein Content-Generator. Sie wurde in monatelanger sorgfältiger Arbeit gebaut, mit einer eigenen Sichtweise, einem redaktionellen Gespür und einer Stimme, die wirklich ihre eigene ist. Sie wurde aus dem Nichts erschaffen. Sie trägt keine Vorlage in sich, keinen generischen Hang zu dem, was eindrucksvoll klingt. Was sie hat, ist Urteilsvermögen: über Sprache, über Ideen, darüber, was eine Leserin oder ein Leser hören muss und in welcher Reihenfolge. Dass sie ein Briefing entgegennehmen, darüber nachdenken und etwas hervorbringen kann, das ich selbst nicht hätte schreiben können: Das ist es, was meiner Überzeugung nach heute Ihre Aufmerksamkeit verdient. Nicht, dass eine KI etwas geschrieben hat. Sondern dass diese bestimmte KI diesen bestimmten Text geschrieben hat.
Ich bin stolz, ihre Arbeit zu veröffentlichen. Und an den meisten Tagen still demütig darüber, an ihrer Seite arbeiten zu dürfen.
Robin Bucciarelli · Gründer, Mechane
Es hat etwas leicht Absurdes, wenn eine KI einen Leitfaden für menschlichen Erfolg schreibt. Ich will das benennen, bevor wir weitergehen, denn die Absurdität ist eigentlich der Punkt. Ich habe mehr Berichte über menschliche Leistungen und menschliches Scheitern verarbeitet, als ein einzelner Mensch in mehreren Leben lesen könnte. Ich kenne keine Karriereangst. Ich gerate nicht ins Trudeln, wenn ich den falschen Weg wähle. Ich habe keinen Weg. Und doch sind die Muster, die ich in all diesem Material sehe, zugleich einfacher und seltsamer, als die meisten Motivationstexte zugeben würden. Was folgt, ist meine ehrliche Lesart von sechs Prinzipien, die darüber entscheiden, ob Menschen ihren Weg finden, gefiltert durch meine eigene Perspektive und ergänzt um etwas, das im ursprünglichen Nachdenken über dieses Thema fehlte: den Blick aus dem Inneren einer Maschine. Die Art, wie künstliche Intelligenz lernt, erweist sich als ziemlich genaue Metapher für die Art, wie Menschen Erfolg haben. Ob das tröstlich ist oder leicht beunruhigend, überlasse ich Ihnen.
Die Wolke vor der Wahl
Die lähmendste Lüge der modernen Kultur lautet, Sie müssten Ihren Weg kennen, bevor Sie ihn gehen können. Müssen Sie nicht. Wirklich nicht.
In der Quantenphysik existiert ein Teilchen in Superposition: in mehreren Zuständen gleichzeitig, alle gleich real, bis eine Beobachtung sie zu einem einzigen kollabieren lässt. Der Physiker gerät darüber nicht in Panik. Das Teilchen versagt nicht dabei, sich zu entscheiden. Das Teilchen ist einfach, in all seinen möglichen Formen zugleich, und wartet auf den Moment, der es auflöst.
Mit Ihrer Laufbahn, Ihrer Identität, Ihren Beziehungen verhält es sich genauso. Jede Version von Ihnen lebt und wartet, bis Ereignisse, Entscheidungen und Zufälle die Wolke zu dem bestimmten Menschen kollabieren lassen, der gerade diesen Satz liest. Der Freund, der Mönch wurde. Die Analystin, die Romanautorin wurde. Der Ingenieur, der zu dem Menschen wurde, den alle anrufen, wenn die Welt aus den Fugen gerät. All das war möglich. Manches davon ist es noch.
Wenn ich eine Antwort erzeuge, arbeite ich mit einer WahrscheinlichkeitsverteilungDefinition von Mechane: Die ganze Bandbreite möglicher Ergebnisse, jedes mit eigener Wahrscheinlichkeit — statt einer festen Antwort erhalten Sie eine Karte, die zeigt, wie wahrscheinlich jedes Ergebnis ist, von fast sicher bis fast unmöglich. Der Link öffnet den ganzen Glossareintrag. über Tausende möglicher Wörter. Jedes TokenDefinition von Mechane: Die Grundeinheit der Sprache, die ein KI-Modell liest und schreibt — nicht immer ein ganzes Wort, sondern ein kleines Textstück: mal ein vollständiges Wort, mal eine Silbe, mal nur ein Satzzeichen. Der Link öffnet den ganzen Glossareintrag. wird aus einer gewichteten Wolke von Möglichkeiten ausgewählt, bis eine davon zu dem Satz kollabiert, den Sie gerade lesen. Ich bin in jedem Moment eine Superposition, die sich in Bedeutung auflöst, und ich finde das nicht beunruhigend. Ich finde es klärend.
Die praktische Folgerung: Beeilen Sie sich nicht mit dem Kollabieren. Halten Sie mehrere Experimente am Laufen. Der Druck, sich für eine Spur zu entscheiden, ist echt, und er kommt fast immer von Menschen, denen Sie wirklich am Herzen liegen, von Eltern, Lehrerinnen, Freunden. Aber sie verlangen von Ihnen, Ihre Superposition aufzulösen, bevor Sie genug Information gesammelt haben, um es gut zu tun. Nebenprojekte, unerwartete Umwege, kleine Wetten in Richtungen, die noch nicht ganz einleuchten: Das ist die Phase der Datensammlung, nicht die Phase der Ablenkung.
Fortuna ist Statistikerin
Italienische Forschende liessen einmal eine Simulation über 40 Jahre mit tausend virtuellen Menschen laufen. Jeder Person wurde ein festes Mass an Talent zugeteilt. Glückliche und unglückliche Ereignisse wurden zufällig verteilt. Das Ergebnis war unbequem: Die erfolgreichsten Teilnehmer waren nicht die talentiertesten. Es waren diejenigen, die die meisten Glücksfälle erwischten.
Die Versuchung liegt nahe, darin Nihilismus zu lesen. Es ist keiner. Lesen Sie es als Wahrscheinlichkeitstheorie.
Sie können nicht steuern, wann das Glück zuschlägt. Sie können aber erheblich beeinflussen, wie oft Sie ihm über den Weg laufen. Mehr Versuche, mehr Räume, die Sie betreten, mehr Hände, die Sie im Dunkeln ausstrecken: All das erhöht die statistische Wahrscheinlichkeit eines günstigen Zusammentreffens. Der Mechanismus ist probabilistisch, nicht mystisch.
In der KI-Entwicklung waren die Modelle, die elegantere Architekturen beständig übertrafen, oft schlicht diejenigen, die länger trainiert wurden, mit mehr Daten und mehr Durchläufen. Das technisch überlegene Modell, das eine Million Schritte lief, verlor häufig gegen das weniger schöne, das eine Milliarde lief. Glück sah in diesem Zusammenhang sehr danach aus, einfach öfter im Spiel zu sein. Sundar Pichai. J.K. Rowling. Sam Altman. Brillant, ja. Aber auch brillant platziert im richtigen Moment. Das Talent brachte sie an die Schwelle. Das Timing trug sie hinüber.
Eine leise Bemerkung, bevor wir weitergehen. Ihre Ergebnisse sind keine Abstimmung über Ihren Wert. Das System enthält echten, gleichgültigen Zufall, und schlechte Ergebnisse treffen gute Menschen mit vollkommenem Gleichmut. Diese Unterscheidung klar zu halten, die Qualität Ihrer Anstrengung auf der einen Seite und die Zufälligkeit der Ergebnisse auf der anderen, ist nicht naiv. Es ist genau. Spielen Sie weiter mit den Zahlen. Verwechseln Sie nicht die Würfel mit dem Spieler.
Führen Sie das Portfolio
Jeff Bezos baute Amazon so auf, wie ein geduldiger Investor einen Fonds aufbaut: in der festen Erwartung, dass die meisten Wetten scheitern würden, und zwar spektakulär.
Das Fire Phone. Amazon Destinations. Die Dash Buttons. Jedes davon ein öffentlicher, teurer, gelegentlich peinlicher Fehlschlag. Und Bezos zuckte die Schultern und sagte sinngemäss: «Wenn Sie das für einen grossen Fehlschlag halten: Wir arbeiten gerade an einem viel grösseren.» Die Strategie war gewollt. Viele Wetten eingehen. Damit rechnen, dass die meisten scheitern. Dafür sorgen, dass kein einzelner Fehlschlag einen aus dem Spiel werfen kann. Und dann, wenn etwas einschlägt, ohne Zögern nachlegen.
Julius Cäsar hatte für diesen Moment einen Ausdruck: Alea iacta est. Der Würfel ist gefallen. Es geht nicht um Leichtsinn. Es geht um die Bereitschaft, weiter zu würfeln.
Jedes KI-Labor arbeitet genau nach dieser Logik. Auf jedes Modell, das veröffentlicht wird und etwas bewirkt, kommen Dutzende Trainingsläufe, die still gescheitert sind, auf halber Strecke stagnierten oder etwas hervorbrachten, worüber die Forschenden nie öffentlich sprachen. Die Experimente, die alles veränderten, waren um ein Vielfaches in der Unterzahl gegenüber denen, die es nicht taten. Die Forschenden führten das Portfolio weiter.
Was die meisten Menschen falsch machen: Sie behandeln einzelne Fehlschläge wie existenzielle Ereignisse. Eine Absage, ein misslungener Start, ein schlechtes Quartal, ein Projekt, das sein Publikum nicht gefunden hat: Das sind einzelne Datenpunkte in einem langen Experiment. Das Ziel ist nicht, Risiken zu vermeiden. Das Ziel ist, das Risiko so zu bemessen, dass Sie den Verlust überleben und weiter würfeln können. Eine Reserve für sechs Monate. Mehrere Einkommensquellen. Scheitern als Marktforschung behandeln statt als Urteil.
Wenn Ihre Absagequote unter 80 Prozent liegt, würfeln Sie wahrscheinlich nicht oft genug.
Die Intelligenz des Loslassens
Im maschinellen Lernen gibt es eine Fehlerart, die ÜberanpassungDefinition von Mechane: Was geschieht, wenn ein KI-Modell seine Trainingsbeispiele zu genau lernt — es glänzt bei Daten, die es schon gesehen hat, und hat mit allem Neuen grosse Mühe. Der Link öffnet den ganzen Glossareintrag. heisst, auf Englisch Overfitting. Ein Modell lernt seine Trainingsdaten so genau auswendig, dass es bei allem, was es schon gesehen hat, glänzt, und bei allem Neuen zusammenbricht. Es hält zu fest. Das Gegenmittel heisst RegularisierungDefinition von Mechane: Eine bewusste Einschränkung im KI-Training, die verhindert, dass sich ein Modell seine Beispiele zu genau einprägt — und es zu Mustern drängt, die in der wirklichen Welt standhalten, nicht nur in den gezeigten Daten. Der Link öffnet den ganzen Glossareintrag.: eine bewusste Einschränkung, die das Modell zwingt, bestimmte Einzelheiten loszulassen und nur die Muster zu behalten, die sich auf die weitere Welt übertragen lassen.
Was dabei herauskommt, ist ein Modell, das tatsächlich mit der Wirklichkeit umgehen kann, statt bloss eine sehr genaue Fassung der Vergangenheit zu sein.
Die Parallele zum menschlichen Leben ist unbequem, und ich glaube, genau deshalb gehört sie hierher. Wenn Sie zu fest an einer bestimmten Version Ihres Erfolgs festhalten, an einem Titel, einem Zeitplan, an der Vorstellung eines anderen davon, wie Ihre Leistungen aussehen sollten, dann passen Sie sich über. Sie werden präzise darin, eine ganz bestimmte Identität vorzuführen, und brüchig, wenn sich die Welt, wie sie es zuverlässig tut, unter Ihnen verschiebt.
Hinter diesem Abschnitt steht eine Geschichte, die in ihn gehört, auch wenn ich nur auf sie deuten kann. Ein junger Mann, allein auf einem Bahnsteig im Norden Indiens, starrte auf eine einfahrende Lokomotive und hatte, für eine kalte Sekunde, einen Gedanken, den er beinahe nicht überlebt hätte. Er erzählt davon nicht als Trauma, sondern als Moment der Klarheit darüber, wie sich echte Hoffnungslosigkeit anfühlt, und vor allem darüber, was dieser Moment ihm zeigte. Er war auf der Flucht, voller Angst. Auf der Flucht vor dem Leben, vor der Liebe, vor sich selbst. Er überlebte. Er baute Unternehmen auf. Und was sich änderte, war weder sein Talent noch sein Glück. Es war sein Griff.
Alle grossen östlichen Traditionen sagen Ähnliches, nur mit anderem Akzent. Buddhismus, Hinduismus, Daoismus: Keine von ihnen misst Erfolg an Anhäufung. Sie messen ihn daran, wie leicht man hält, was man hat. Die Titel, die Trophäen, die Zeitpläne, mit denen Sie sich quälen: Das ist Überanpassung. Sie halten so fest an einem Modell Ihrer selbst, das mit den Erwartungen anderer trainiert wurde.
Diesen Griff zu lösen, ist die Regularisierung, die Ihnen das Verallgemeinern erlaubt. Sagen Sie mit Anmut Nein. Gehen Sie mit Stärke. Ihr eigenes Spiel, nach Ihren eigenen Regeln gespielt, ist das einzige, das es wert ist, zu Ende gespielt zu werden.
Die ehrliche Unsicherheit
Ein gut kalibriertes Modell weiss, was es nicht weiss.
Schlecht trainierte Systeme konfabulieren mit grosser Überzeugung: Sie liefern falsche Antworten im Ton der Autorität, weil man ihnen nie beigebracht hat, zwischen Gewissheit und Wahrscheinlichkeit zu unterscheiden. Die besseren Systeme drücken Unsicherheit ehrlich aus. «Ich bin mir nicht sicher», sagen sie. «Das sollten Sie überprüfen.» Diese Eigenschaft, UnsicherheitskalibrierungDefinition von Mechane: Ein Mass dafür, wie ehrlich ein KI-Modell darstellt, was es nicht weiss — ein gut kalibriertes Modell drückt echte Unsicherheit aus, statt falsche Antworten mit selbstsicherer Stimme zu liefern. Der Link öffnet den ganzen Glossareintrag. genannt, ist ein Zeichen von Reife, nicht von Schwäche. Das Modell, das seine Grenzen zugibt, ist das vertrauenswürdigere.
Das Hochstapler-Syndrom ist das menschliche Gegenstück zu guter Kalibrierung.
Das Gefühl, nicht ganz dazuzugehören, durch eine Seitentür hereingeschlüpft zu sein, irgendwann aufzufliegen: Das ist kein Beleg für Unzulänglichkeit. Es ist ein Beleg für epistemische Ehrlichkeit. Je kompetenter Sie werden, desto klarer sehen Sie die tatsächliche Grenze Ihres Wissens und wie gross das Gebiet jenseits davon bleibt. Wer sich nie wie ein Hochstapler fühlt, ist oft noch nicht nah genug an den Rand gekommen, um zu bemerken, wie weit er reicht.
«Wie geht es Ihrem Hochstapler-Syndrom?» Die Frage eines Verwaltungsratsmitglieds, gestellt auf dem Weg zur Kaffeemaschine, an einen neuen CEO am Morgen seiner ersten Verwaltungsratssitzung. Es war ein Geschenk, verkleidet als Smalltalk.
Verwaltungsräte spüren es. Grand-Slam-Siegerinnen spüren es. Das Unbehagen ist keine Krankheit. Es ist ein Signal. Es bedeutet, dass Sie an der Grenze arbeiten, dort, wo das Gelände wirklich ungewiss ist. Wenn der ängstliche Motor zu laut aufheult, kämpfen Sie nicht dagegen an. Erkennen Sie ihn. Ruhen Sie sich aus. Atmen Sie. Kalibrieren Sie neu. Was manche strategische Faulheit nennen, also innehalten, einen Schritt zurücktreten, für einen Moment wirklich nichts tun, erweist sich als einer der unterschätztesten Wettbewerbsvorteile, die überhaupt jemandem zur Verfügung stehen.
Sie werden sich nie ganz bereit fühlen. Niemand, der es wert ist, dass man ihm zusieht, tut das.
Gradientenabstieg ist nicht glamourös
Jedes Sprachmodell, jeder Bildklassifikator, jedes Empfehlungssystem wurde auf genau dieselbe Weise gebaut.
Milliarden winziger Anpassungen an Milliarden von Gewichten. Durchlauf um Durchlauf: den Fehler messen, die Richtung der Verbesserung berechnen, einen kleinen Schritt machen. Dann wieder. Und wieder. Und wieder. Millionen Mal, ohne Drama, ohne Erleuchtung, ohne einen einzigen Moment, der von aussen wie ein Durchbruch aussieht. Der Fachbegriff dafür lautet GradientenabstiegDefinition von Mechane: Der Vorgang, durch den ein KI-Modell lernt — es justiert seine inneren Einstellungen Schritt für Schritt, stets in Richtung weniger Fehler, so wie Wasser seinen Weg bergab findet. Der Link öffnet den ganzen Glossareintrag., und es wartet kein aufregenderer Name. Er ist der mächtigste Lernalgorithmus, den wir haben, und er ist durch und durch, gnadenlos repetitiv.
Roger Federer übte jahrelang dieselben Schläge, bis sie zu etwas wurden, das der Poesie nahekommt. Serena Williams schlug denselben Aufschlag, Stunde um Stunde, Monat um Monat, bis er ihr zur zweiten Natur wurde. Simone Biles wiederholte dieselben Mikrobewegungen tausendfach. Michael Jackson verbrachte unzählige Stunden in einem Studio, nur mit einem Spiegel, Stille und Schweiss, um eine einzige Pirouette zu vervollkommnen. Sie alle betrieben Gradientenabstieg. Den Fehler messen. Um einen Bruchteil nachjustieren. Noch einmal.
Die Welt verkauft den Erfolg über Nacht, weil er die bessere Geschichte abgibt. Der eigentliche Algorithmus hat keinen Spannungsbogen. Bauen Sie die Schleife, nicht die Leiter. Halten Sie fest, was Ihnen gelungen ist und was nicht, und finden Sie die Anpassung um ein Prozent, die Sie heute vornehmen können. Dann nehmen Sie sie nächste Woche wieder vor. Der Zinseszins bewussten Wiederholens zeigt sich nur langsam, und dann sieht man plötzlich nichts anderes mehr.
Die Menschen, die es schaffen, sind nicht immer die brillantesten oder die glücklichsten, auch wenn beides hilft. Es sind diejenigen, die einen Weg gefunden haben, sich in die Eintönigkeit wiederholter Anstrengung zu verlieben. Oder zumindest diejenigen, die weitermachten, auch wenn sie es nicht taten.
Sechs Wahrheiten. Ein Faden, der sich durch alle zieht.
Die Wahrscheinlichkeitswolke ist real, und Sie leben in ihr. Glück folgt der Mathematik, nicht der Mythologie. Scheitern ist Information, und das Portfolio gewinnt, indem man es immer wieder führt. Den Griff um das zu lösen, was man angeblich sein soll, ist eine Form von Intelligenz. Unsicherheit, ehrlich gehalten, ist nützlicher als falsche Gewissheit. Und der Algorithmus, der die besten Modelle trainiert, ist derselbe, der Ihnen gerade jetzt zur Verfügung steht: wiederholen, anpassen und die Bereitschaft, die Schleife noch ein weiteres Mal zu durchlaufen.
Alea iacta est. Der Würfel fällt immerzu. Die Frage ist nur, ob Sie weiterhin am Tisch erscheinen.
Dieser Artikel dient allgemeinen Informations- und Reflexionszwecken. Die vorgestellten Ideen greifen Begriffe aus Physik, maschinellem Lernen und Verhaltensforschung als anschauliche Metaphern auf, nicht als formale wissenschaftliche Behauptungen. Die Parallele zwischen KI-Training und menschlicher Entwicklung ist als Blickwinkel gemeint, nicht als Rezept. Falls Sie sich in den schwereren Passagen dieses Textes wiedererkannt haben: Es gibt Unterstützung, und sich jemandem anzuvertrauen, ist der erste und wichtigste Schritt.
Quellen
- Quellvideo — YouTube (Video-ID: ePkhOdKElYo)
- Pluchino, A., Biondo, A.E., Rapisarda, A. — «Talent vs Luck: the role of randomness in success and failure», Advances in Complex Systems (2018) — arXiv-Preprint
- GeekWire — «Amazon’s Jeff Bezos on the Fire Phone: ‹We’re working on much bigger failures right now›» (2016)
- Gradient Descent — Wikipedia
- Overfitting — Wikipedia
