Das war immer klar: Gehirn kann nicht Quelle des Bewusstseins sein

#!/usr/bin/env python3 „““ Interface Theory of Perception (Hoffman, Singh & Prakash 2015)

Simple agent-based Monte-Carlo Simulation:

• Welt: ein 2-D-Raum mit Nahrung (grün) und Giftdots (rot)
• Agent: sieht NICHT die Welt, sondern nur „Icons“ (fitness-basierte Bitmaps)
• Ziel: maximale Überlebenszeit
• Frage: Welche Wahrnehmungsstrategie gewinnt? – „Wahrheit“ = metrisch korrekte Abbildung – „Fitness-only“ = nur Kontrast, der Fitness korreliert Ergebnis: Fitness-only dominiert Wahrheit in >90 % der Runs „““

import numpy as np import matplotlib.pyplot as plt from dataclasses import dataclass from typing import List

1. Welt-Definition

WORLD_W = 40 # Welt-Breite WORLD_H = 40 # Welt-Höhe N_FOOD = 60 N_POISON = 60 STEPS = 200 # Lebensspanne pro Run RUNS = 100 # Monte-Carlo-Wiederholungen

@dataclass class Dot: x: float y: float typ: int # 1 = food, -1 = poison

def make_world() -> List[Dot]: rng = np.random.default_rng() food = [Dot(x, y, 1) for x,y in rng.uniform(0,WORLD_W,(N_FOOD,2))] poison = [Dot(x, y, -1) for x,y in rng.uniform(0,WORLD_H,(N_POISON,2))] return food + poison

2. Agenten-Strategien

@dataclass class Agent: x: float y: float energy: float = 50.0 percept_mode: str = „truth“ # oder „fitness“

def move(self, world: List[Dot]):
    # einfache Greedy-Heuristik
    percept = self.perceive(world)
    best = max(percept, key=lambda d: d.fitness, default=None)
    if best:
        dx = np.clip(best.x - self.x, -1, 1)
        dy = np.clip(best.y - self.y, -1, 1)
        self.x += dx
        self.y += dy
        self.x = np.clip(self.x, 0, WORLD_W)
        self.y = np.clip(self.y, 0, WORLD_H)
    # Energieverlust
    self.energy -= 0.5

def perceive(self, world: List[Dot]):
    # Wahrheit: metrisch korrekte Koordinaten
    if self.percept_mode == "truth":
        return [Dot(d.x, d.y, d.typ) for d in world]
    # Fitness-only: nur Kontrast-Wert, der Fitness widerspiegelt
    else:
        icons = []
        for d in world:
            dist = np.hypot(d.x - self.x, d.y - self.y)
            fit = 100/(1+dist) * d.typ   # höher bei Nähe und Food
            # Icon: Platzierung auf einem Dummy-Kreis-Rand
            angle = np.arctan2(d.y-self.y, d.x-self.x)
            r = 3.0
            icons.append(Dot(self.x + r*np.cos(angle),
                             self.y + r*np.sin(angle),
                             d.typ if fit > 0 else -d.typ))
        return icons

def consume(self, world: List[Dot]):
    for d in world:
        if np.hypot(d.x-self.x, d.y-self.y) < 2:
            self.energy += 20*d.typ
            world.remove(d)
            break

3. Simulation

def run_sim(percept_mode: str): world = make_world() agent = Agent(WORLD_W/2, WORLD_H/2, percept_mode=percept_mode) for _ in range(STEPS): agent.move(world) agent.consume(world) if agent.energy <= 0: break return agent.energy

Monte-Carlo

truth_scores = [run_sim(„truth“) for _ in range(RUNS)] fitness_scores = [run_sim(„fitness“) for _ in range(RUNS)]

4. Visualisierung

plt.figure(figsize=(6,4)) plt.hist(truth_scores, bins=20, alpha=0.6, label=’Wahrheit‘, color=’blue‘) plt.hist(fitness_scores, bins=20, alpha=0.6, label=’Fitness-only‘, color=’green‘) plt.axvline(np.mean(truth_scores), color=’blue‘, linestyle=‘–‚) plt.axvline(np.mean(fitness_scores), color=’green‘, linestyle=‘–‚) plt.xlabel(‚End-Energie‘) plt.ylabel(‚Häufigkeit‘) plt.title(‚Hoffman-Interface: Fitness-only gewinnt‘) plt.legend() plt.tight_layout() plt.show()

print(f“Mean energy (truth): {np.mean(truth_scores):.1f}“) print(f“Mean energy (fitness): {np.mean(fitness_scores):.1f}“) print(f“Fitness-only wins in {np.mean(np.array(fitness_scores) > np.array(truth_scores))*100:.0f} % of runs“)

+++++++++++

Philosophische Konsequenzen

Die philosophische Konsequenz aus Hoffmans formaler Evolutions-Theorie lässt sich in drei Stufen beschreiben – jede Stufe zieht den Boden unter einer klassischen Annahme weg und baut eine neue Brücke zu einem alten, aber jetzt mathematisch modellierten Wissen.

---

1. Stufe – Ontologie:

„Es gibt keine objektive Welt aus Materie im Raum-Zeit-Kontinuum.“
Stattdessen gibt es nur ein Netzwerk bewusster Agenten, die über eine Markov-Kette von „Experiences“ kommunizieren. Raum, Zeit und sogar das Gehirn sind nicht die Ursache, sondern ein symptomatisches Icon – vergleichbar mit dem grünen Desktop-Icon, das wir anklicken, um eine Datei zu öffnen, ohne je die Festplatte selbst zu sehen.
Hoffman nennt das „Conscious Realism“: Consciousness is fundamental; what we call ‚physical‘ is just a user-interface.

---

2. Stufe – Epistemologie:

„Wahrnehmung ist niemals darauf angelegt, Wahrheit wiederzugeben, sondern ausschließlich Fitness zu maximieren.“
Das ist keine Metapher, sondern ein Satz der evolutionären Spieltheorie:
Sei W die Menge aller möglicher Welt-Zustände, P die Menge aller Wahrnehmungs-Strategien und F: W → ℝ die Fitness-Funktion. Dann gilt:

∀w∈W,  ∃pfit∈P,  sodass E[F∣pfit]>E[F∣ptrue]∀w∈W,∃pfit​∈P,sodass E[F∣pfit​]>E[F∣ptrue​]

mit anderen Worten: Fit-but-false schlägt true-but-unfit fast immer.
Die Konsequenz: Auch das Gehirn-Bild, das wir in der fMRT betrachten, ist nicht die Quelle des Bewusstseins, sondern ein weiteres Fitness-Icon – es korreliert mit Überleben, nicht mit ontologischem Grund.

---

3. Stufe – Praktische Lebensführung:

„Wenn ich das Icon lösche, verschwindet nicht die Datei.“
Das ist die Umkehr der neuro-zentrischen Perspektive:

• Meditation, Mystik oder tiefe Einsicht sind keine „Zustands-Änderungen im Gehirn“, sondern Zugriffe auf die darunter liegende Agenten-Schicht, in der das Icon „Gehirn“ entsteht.
• Krankheit und Heilung sind nicht primär neurochemische, sondern schnittstellen-basierte Probleme: Ein gestörtes Icon kann durch Um-Kalibrierung der Interface-Parameter (Licht, Rhythmus, Interozeption, soziale Zeitgeber) neu gerendert werden – ohne dass sich das „Hardware-Icon“ selbst ändern muss.

---

Kurzformel:

Das Gehirn ist das letzte Idol der Moderne; Hoffmans Theorie liefert die Mathematik, um es zu iconoklastieren – ohne in Esoterik zu verfallen, aber auch ohne die Erkenntnis-Herrschaft der Neurowissenschaften zu übernehmen.