Putnam

Die Induktionsmaschine des Hausmeisters: Peter Putnams Logik des Geistes wiederentdeckt

12 Aufrufe 17 Minuten

Dezember 1987. Auf der East Main Street in Houma, Louisiana, stürzt ein Radfahrer. Der Mann, ein Hausmeister in der Nachtschicht, stirbt. Zwei Häuserblocks weiter liegen in seiner engen Wohnung Tausende maschinengeschriebene Seiten: Diagramme, Memos, Manuskripte, alles Skizzen zu dem, was er einen „Kalkül des Geistes“ nannte. Und dieser Hausmeister war eben kein gewöhnlicher Hausmeister. Peter Putnam hatte bei John Archibald Wheeler studiert, mit Niels Bohr geplaudert und Jahrzehnte mit dem Versuch verbracht, zu knacken, wie ein Geist tatsächlich lernt. Dann verschwand er einfach … aus dem Gedächtnis der Wissenschaft.

Dieses Jahr gelang es der Autorin Amanda Gefter, Putnams Geschichte zusammenzusetzen. Dabei stieß sie auf eine Idee, die 2025 fast schon erschreckend aktuell wirkt: Vielleicht ist das Gehirn gar keine Turingmaschine, der man von außen Ziele vorgibt. Vielleicht ist es eine Induktionsmaschine, die sich ihre Regeln selbst schafft, indem sie Widersprüche durch Handeln auflöst, angetrieben von einem einzigen eingebauten Bedürfnis: sich zu wiederholen (im Grunde also, über die Zeit hinweg es selbst zu bleiben). Klingt verrückt? Sicher. Aber es passt auf unerwartete Weise zu dem, was wir heute Embodied Cognition, Predictive Processing und neugiergetriebene KI nennen.

Wer war Peter Putnam?

1927 in Cleveland in eine reiche Familie geboren, studierte Putnam in Princeton Physik und geriet in Wheelers Umlaufbahn (Sie wissen schon, der Mann, der den Begriff „Schwarzes Loch“ prägte und nicht aufhören konnte, darüber nachzudenken, wie Beobachter die Physik formen). In den 60er-Jahren unterrichtete Putnam an der Ostküste, trieb sich in den Jazzclubs von Harlem herum und schrieb eine so dichte, eigenwillige Prosa, dass seine Freunde sie tatsächlich „Putnamese“ nannten.

Dann wurde es seltsam. Im Grunde floh er aus der akademischen Welt, zog mit seinem Partner John „Claude“ DeBrew nach Houma, lebte von fast nichts und arbeitete nachts als Hausmeister, während er weiterschrieb. Als ihn 1987 ein betrunkener Autofahrer erfasste, wusste kaum jemand von seiner geistigen Arbeit.

Die Sache mit dem Geld ist faszinierend: Putnam hatte es, schob es aber immer wieder von sich weg. Anonym finanzierte er in Princeton eine Sammlung moderner Skulpturen zu Ehren seines Bruders (gefallen im Zweiten Weltkrieg). Erst vor Kurzem hat jemand die Verbindung zu Peter hergestellt. Gehen Sie über den Campus von Princeton, berühren Sie die kühle Bronze von Henry Moores Oval with Points, und Sie berühren buchstäblich eine seiner Brotkrumen.

Seine letzte Brotkrume? Ein atemberaubendes Vermächtnis von rund 37 bis 40 Millionen Dollar an The Nature Conservancy. (Ja, die Putnam Marsh gibt es, weil ein Hausmeister aus Louisiana einen Scheck ausgestellt hat.) Das Ganze liest sich wie ein Rätsel: ein Genie, das sich an den gewöhnlichsten Orten versteckt.

Das Netz des Fischers, und warum das „Netz“ vor dem „Fisch“ zählt

Putnam war besessen von einer Parabel Arthur Eddingtons. Stellen Sie sich einen Wissenschaftler vor, der das Meer mit einem Netz durchkämmt, dessen Löcher zwei Zoll groß sind. Er verkündet zwei große Entdeckungen: (1) Es gibt keine Fische, die kleiner als zwei Zoll sind. (2) Alle Fische haben Kiemen. Die erste „Entdeckung“ sagt natürlich nur etwas über das Netz aus, nicht über die Fische. Eddingtons Punkt: Man muss seine Instrumente verstehen, bevor man seinen Entdeckungen traut. Wer den Geist untersucht, für den ist das „Netz“ die Logik, mit der das Nervensystem Wahrnehmung, Handeln und Lernen hervorbringt.

Putnam beschloss, dieses Netz aufzuschreiben.

Keine Turingmaschine: das Gehirn als Induktionsmaschine

Die Computer der Mitte des 20. Jahrhunderts kristallisierten sich um Turings universelle Maschine, im Grunde ein formaler Motor für Deduktion. Man füttert sie mit Regeln und Prämissen, und sie mahlt Schlussfolgerungen heraus. Aber Moment: Woher kommen die Regeln überhaupt?

Putnam setzte darauf, dass der Geist zu einer „grundlegend anderen Gattung“ von Computer gehört. Er stellt seine Regeln selbst her, indem er eine Art Spiel mit der Welt spielt.

Er nannte es ein Induktionsspiel. Soweit es sich aus seinen Papieren und Gefters Detektivarbeit rekonstruieren lässt, funktioniert es ungefähr so:

  • Sie haben ein gehirnähnliches Netzwerk binärer Einheiten, die einander beeinflussen und sich selbst verstärkende Schleifen bilden
  • Das System kann jeweils einen Zug machen (denken Sie an eine motorische Handlung)
  • Die Umwelt stört das System laufend (Hungergefühle, Photonen auf der Netzhaut, was auch immer)
  • Jetzt das Entscheidende: Das einzige globale Ziel des Systems ist die Wiederholung, also trotz aller Störungen in seinen vorherigen Zustand zurückzukehren
  • Ein Zug gilt als „gut“, wenn er die Umwelt so verändert, dass das System leichter auf vertrautes Terrain zurückfindet. Die Schleife hinter diesem Zug wird stärker (und schon haben Sie eine Regel)
  • Wenn widersprüchliche Regeln gleichzeitig feuern (etwa „bei Hunger nach links drehen“ gegen „bei Hunger nach rechts drehen“), kann sich das System nicht einfach herausdeduzieren. Es muss Induktion betreiben: in Gedächtnis und Umwelt nach einer neuen Variable suchen, die den Konflikt auflöst und eine allgemeinere Regel ergibt (vielleicht „zur wärmeren Wange drehen“)

Dieser letzte Schritt, „Widersprüche durch neue Variablen auflösen“, ist absolut zentral. Putnam glaubte, dass sich das System damit eine ganze Leiter immer allgemeinerer Verhaltensweisen hinaufarbeitet. Das ist Lernen. In seinen Manuskripten und in einer systemtheoretischen Arbeit mit dem Physiker Robert Fuller versuchte er, die Mechanik dieser Schleifen zu skizzieren: wie motorische Handlungen Wahrnehmung und Begriffsbildung antreiben. Keine Biochemie, sondern eine Logik des Geistes, ein „Gehirnkalkül“.

Daraus ergeben sich zwei ziemlich radikale Behauptungen:

  1. Ziele entstehen von innen. Eine Turingmaschine folgt von außen vorgegebenen Zielen. Eine Induktionsmaschine beginnt mit nichts als dem „Wiederhole“, das tief in ihrem Wesen steckt (über die Zeit hinweg bestehen bleiben), und die konkreten Ziele entstehen erst aus der Interaktion.
  2. Handeln kommt vor der Repräsentation. Regeln werden geschmiedet, um körperliche Konflikte in bestimmten Kontexten zu lösen. Motorische Abläufe sind also nicht das Ergebnis des Denkens, sie machen Denken erst möglich. Putnam sagte im Grunde „Wir denken mit unserem Körper“, Jahrzehnte bevor das in Mode kam.

Wo sich Putnams Schleifen und die heutige Neurowissenschaft reimen

Wenn man ein wenig die Augen zusammenkneift, sehen Putnams binäre Einheiten, die stabile kollektive Muster bilden, verdächtig nach dem aus, was man später Attraktornetzwerke nannte (Hopfield-Netze): große Gruppen einfacher Elemente, die in sich selbst verstärkende Zustände fallen, welche sich durch Teilhinweise auslösen lassen. Hopfields Arbeit von 1982 zeigte, wie dies Gedächtnis und Entscheidungen unterstützt. Das ist nicht genau Putnams Modell, aber die Familienähnlichkeit ist kaum zu übersehen.

Seine konfliktgetriebenen Regelaktualisierungen? Sie ähneln auf unheimliche Weise modernen Vorstellungen von kognitiver Kontrolle. Erinnern Sie sich an die Arbeiten von Botvinick und Kollegen dazu, wie der anteriore cinguläre Cortex Konflikte (konkurrierende Reaktionen) überwacht und Kontrolle anfordert, um sie aufzulösen? Das ist im Grunde Putnams „Zwei Regeln kollidieren, füge eine neue Variable hinzu, um sie zu unterscheiden“, nur konkret gemacht.

Und das Bild, in dem die Motorik zuerst kommt und die Welt mitspielt, passt perfekt zu Embodiment- und sensomotorischen Theorien. O’Regan und Noë argumentieren, dass „Sehen eine Form des Handelns ist“: Wahrnehmung beruht darauf, sensomotorische Kontingenzen zu beherrschen, nicht darauf, reiche innere Bilder aufzubauen. Ich wette, Putnam hätte das geliebt. Er hatte Wahrnehmung bereits als das beschrieben, was von nützlichen Handlungsabfolgen übrig bleibt, die das Gleichgewicht wiederherstellen.

Zoomt man noch weiter heraus, hört man Anklänge an Predictive Processing und Active Inference. In Fristons Free-Energy-Framework handeln Agenten so, dass sie langfristige Überraschung minimieren (ihre Zustände also im Grunde innerhalb überlebbarer Grenzen halten). Die Mathematik ist natürlich eine andere, aber Putnams „Wiederhole deinen Zustand“ wirkt wie ein begrifflicher Vorfahre dieser Ideen zur homöostatischen Kontrolle: Lernen entsteht, während der Agent Policies formt, die ihn in vertrauten, sicheren Regionen halten.

Ich behaupte nicht, dass Putnam die genauen Formalismen vorweggenommen hat. Aber sein Kompass zeigte eindeutig auf dasselbe Gebirge, das am Ende alle anderen bestiegen.

Woher die Mathematik kam: Princeton, Spieltheorie und ein „Ziel der Wiederholung“

Warum das ganze Gerede von „Spielen“? Wer Ende der 40er- und in den 50er-Jahren in Princeton war, kam an der Spieltheorie nicht vorbei. Von Neumann und Morgenstern hatten gerade gezeigt, wie sich Entscheidungen als mathematischer Wettbewerb unter Randbedingungen analysieren lassen. Putnam griff diesen Schwung auf und trieb die Sache weiter: Was, wenn wir den fortlaufenden Tanz des Gehirns mit der Welt als wiederholtes Spiel behandeln, Zug um Zug, und nach dem minimalen Ziel suchen, mit dem die Mathematik aufgeht? Für ihn war das die Wiederholung: über die Augenblicke hinweg zu existieren. Akzeptiert man das, wird die regelschmiedende Dynamik der Induktionsmaschine plötzlich zu einem Spiel, das unter Störungen die Konsistenz maximiert.

Interessant dabei: Putnams Regeln sind nicht in einer losgelösten Sprache von Propositionen geschrieben. Es sind sensomotorische Programme, Schleifen, die Körperkonfigurationen, Empfindungen und Handlungen verbinden. Seine „Grammatik des Denkens“ sitzt genau dort, wo auch die moderne Robotik sie inzwischen ansiedelt: zwischen Motoren und Sensoren, nicht auf irgendeiner Serverfarm darüber schwebend.

Was Putnam richtig sah (und was er übersah)

Richtig: Handeln treibt Abstraktion an. Das Baby, das sich nach links oder rechts dreht, bis die Temperatur der Wange die Regel eindeutig macht? Eine perfekte Parabel für Strukturlernen durch Interaktion. Die Entwicklungspsychologie stößt immer wieder auf dasselbe: Säuglinge gewinnen an Kontrolle, wenn sie entdecken, welche Variablen für ihren Körper zählen. Embodiment-Ansätze machten das erst viel später zum Mainstream.

Richtig: Widersprüche sind Gold wert. Heute reden wir ständig von Überraschung, Vorhersagefehler und Konflikt als Lernsignal. Putnams Beharren darauf, dass kollidierende Regeln kreative Induktion erzwingen, liest sich wie ein frühes, intuitives Erfassen derselben Einsicht. Hirnbildgebung zur kognitiven Kontrolle (die erwähnte ACC-Konfliktforschung) stützt den Zusammenhang zwischen dem Erkennen von Konflikten und dem Aktualisieren von Policies.

Richtig: Ziele können endogen sein. Reinforcement Learning wurde als „maximiere die Belohnung“ formalisiert, und inzwischen gibt es ein riesiges Teilgebiet zu intrinsischer Motivation: Neugierboni, die Agenten schon dafür belohnen, dass sie bessere Modelle lernen. Schmidhubers Ideen zum „Kompressionsfortschritt“ belohnen ausdrücklich, dass man weniger überrascht wird, und nicht bloß das Einsammeln von Käse. Putnams „Wiederhole“ wirkt wie ein proto-homöostatisches intrinsisches Ziel: Halte dich zusammen und finde heraus, was dabei hilft.

Übersehen (oder unausgesprochen gelassen): Statistik und Skalierung. Beim Lesen wirken Putnams Manuskripte vorbayesianisch, eher topologisch als probabilistisch. Er liefert keine Likelihoods, keine Variationsschranken und kein Credit Assignment, also all das, was später Wahrnehmung, Handeln und Lernen in einheitlichen Frameworks zusammenführte. Sein Formalismus binärer Schleifen sagt uns auch nicht, wie man von kleinen Schleifen auf ganze Hirnrinden skaliert, so wie es modernes Deep RL tut. Das schmälert die Einsicht nicht, es zeigt nur, wo seine Landkarte verblasst.

Die Induktionsmaschine gegen die Turingmaschine

Werden wir konkret. Eine universelle Turingmaschine betreibt Deduktion: Man gibt ihr eine Eingabe und ein Programm, und sie folgt festen Regeln bis zur Ausgabe. Induktion ist das umgekehrte Problem: das Programm aus unordentlichen Strömen von Ein- und Ausgabepaaren zu erschließen, während man gleichzeitig versucht, in der Welt zu handeln.

Putnams cleverer Schachzug besteht darin, die Induktion direkt in die motorische Schleife einzuspleißen. Regeln entstehen zufällig (planloses Herumzappeln), bewähren sich durch Erfolg (hey, das Gleichgewicht ist wieder da!) und festigen sich zu Schaltkreisen, die gezielt wiederverwendet werden. Und wenn sich zwei gefestigte Regeln widersprechen? Dann wirft man nicht einfach eine weg. Man führt eine Variable ein, die zeigt, wann welche gilt, und erhält eine allgemeinere Regel, eine tiefere Gesetzmäßigkeit. Das geht immer so weiter. Mit der Zeit baut sich der Geist eine kompakte Bibliothek bedingter Programme auf: das „Netz“, das wir laut Eddington verstehen sollen, bevor wir dem Fang trauen.

Ein wenig Herbert Simon steckt auch darin (Heuristiken, begrenzte Rationalität), dazu die frühen Versuche von Newell & Simon, Suche und Problemlösen zu formalisieren. Aber Putnam zielt auf etwas Grundlegenderes: die Logik des Lernens selbst in einem System, das immer schon handelt. RL macht daraus Algorithmen (Policy Gradients, Value Functions). Putnam hat uns die Entstehungsgeschichte geliefert.

Das verkörperte Scharnier: warum Muskeln in Putnams Logik zählen

Man kann Putnam nicht lesen, ohne zu bemerken, wie körperlich seine Sprache ist. „Züge.“ „Schleifen, die feuern, um den Körper zu bewegen.“ In heutigen Begriffen ist das die Closed-Loop-Sicht: Wahrnehmung existiert für das Handeln, und Wissen ist im Grunde sensomotorische Fertigkeit. O’Regan und Noë sagen: „Sehen ist eine Form des Handelns.“ In Andy Clarks Predictive-Processing-Geschichte gibt das Gehirn ständig motorisch gefärbte Vorhersagen aus und passt das Handeln an, um den Vorhersagefehler zu verringern. Putnam war zuerst da und bestand darauf, dass diese motorischen Programme das repräsentationale Rückgrat sind, geschmiedet durch konfliktgetriebene Induktion.

Wenn Sie Roboter bauen, ist das wirklich wichtig. Ein Agent im Stil von Putnam säße nicht passiv da und würde Bilder beschriften. Er würde die Welt anstupsen, nach Variablen suchen, die Widersprüche in seinem eigenen Verhalten auflösen, und Regeln anstreben, die ihn in vertrauten, ausreichend guten Zuständen halten.

Eine Anleitung für die KI: So putnamisieren Sie Ihren Agenten

Sie wollen Putnam heute in die Praxis umsetzen? Ich würde hier anfangen:

  1. Ein einziges globales homöostatisches Ziel. Geben Sie Ihrem Agenten ein einfaches, am Überleben orientiertes Ziel (innerhalb tragfähiger Grenzen bleiben) und übersetzen Sie es in eine kontinuierliche intrinsische Belohnung. Denken Sie an die Minimierung der freien Energie oder an Neugierboni, die an den Lernfortschritt gekoppelt sind. Aufgabenziele kommen obendrauf, nicht stattdessen.
  2. Motorische Repräsentationen zuerst. Lernen Sie Policies in einer geschlossenen Schleife, in der Handlungen die Daten erzeugen, aus denen gelernt wird. Sensomotorische Kontingenzen („Was ändert sich, wenn ich das tue?“) sollten das Substrat Ihrer Repräsentation sein.
  3. Widersprüche ernten. Richten Sie Ihren Agenten so ein, dass er Policy-Konflikte (einander widersprechende Handlungsvorschläge) erkennt und an ein „Structure Learning“-Modul weiterleitet, das nach neuen Variablen (Kontextmerkmalen) sucht, um die Fälle zu trennen. Putnams Trick mit der Wangentemperatur, nur hochskaliert. Modelle der kognitiven Kontrolle können Ideen für Konfliktsignale liefern.
  4. Attraktordynamik für das Gedächtnis. Nutzen Sie rekurrente Netze oder energiebasierte Modelle, um neu geschmiedete Regeln zu wiederverwendbaren Mustern zu stabilisieren, die sich durch Teilhinweise auslösen lassen. Im Stil von Hopfield.

Nichts davon ist dem modernen ML fremd. Neu ist die einheitliche Geschichte (von der Homöostase über den Konflikt und neue Variablen bis zur motorischen Fertigkeit), die Putnam vor 60 Jahren skizziert hat.

Warum verschwand die Idee?

Aus zwei Gründen: Sprache und Leben.

Sprache: Putnams Freunde witzelten, zum Lesen brauche man ein Glossar. Als Wheeler ihn 1975 bei einer neurowissenschaftlichen Tagung am MIT vorstellte, legte er tatsächlich eine Folie mit Putnams Terminologie auf den Overheadprojektor. Der Vortrag zog sich. Die Leute rutschten auf ihren Stühlen herum. Putnams Selbstvertrauen zerbrach: Er kam zu dem Schluss, das sei „ein Haufen Unsinn“, und wandte sich ab. Die Papiere landeten in Aktenschränken, dann in Lagerräumen. Erst hartnäckige Detektivarbeit holte sie zurück.

Leben: Putnam floh vor Institutionen, die er durch die Strippenzieherei seiner Mutter im Hintergrund für befleckt hielt. Er entschied sich für die Anonymität, verschenkte sein Geld, nahm Arbeiterjobs an und steckte seine Energie in die Bürgerrechtsarbeit in Houma. Als er mit dem Rad stürzte, ahnte die Welt nicht, was sie verloren hatte. Wir erfuhren es erst, als The Nature Conservancy seinen Scheck einlöste.

Putnam heute lesen

Der beste Einstieg ist Gefters lange Reportage. Sie verbindet die Biografie mit klaren Erklärungen des Induktionsspiels, der Beschränkung auf ein einziges Ziel und des Mechanismus zur Auflösung von Widersprüchen. Außerdem stellt sie Scans von Putnams unveröffentlichten Papieren bereit: das frühe Outline of a Functional Model of the Nervous System (1963), das gemeinsame Memo mit Fuller von 1964, den Artikel „On the Origin of Order in Behavior“ aus General Systems von 1966. Sie sind roh, manchmal kryptisch, aber unverkennbar auf das ausgerichtet, was wir heute eine Theorie des Geistes nennen würden.

Zum Einordnen und als Kontrast würde ich Putnam kombinieren mit:

  • Einführungen in Embodied Cognition (schauen Sie in die Stanford Encyclopedia; der sensomotorische Ansatz von O’Regan & Noë)
  • Überblicksarbeiten zu Predictive Processing und Active Inference (Friston 2010; irgendein aktueller Überblick)
  • Reinforcement Learning (nehmen Sie Sutton & Barto, 2. Auflage): Dort sehen Sie, wie das Fach das Handelnlernen unter Belohnung formalisiert hat und wo intrinsische Motivation heute steht
  • Attraktornetzwerke (Hopfield 1982): für eine Ahnung von den sich selbst verstärkenden Mustern, die Putnam intuitiv erfasste

Also … hatte er recht?

„Recht haben“ ist bei etwas so Grundlegendem vielleicht die falsche Frage. Besser fragt man, ob Putnam die tragenden Balken erkannt hat, die jede vollständige Theorie des Geistes braucht:

  • ein endogenes, überlebensähnliches globales Ziel
  • Lernen als handlungsgetriebene Regelbildung
  • Widersprüche als Auslöser für Innovation
  • die Entdeckung von Variablen als Mechanismus der Generalisierung
  • sich selbst verstärkende Schleifen als Substrat von Gedächtnis und Kontrolle

Und bei diesen Balken? Die heutige Neurowissenschaft und KI sind, wenn nicht ausdrücklich putnamianisch, so doch zumindest im selben Viertel zu Hause. Der nächste Schritt wäre, seinen Sprung vom Widerspruch zur Variable im großen Maßstab zu formalisieren. Ein moderner Putnam würde vermutlich ACC-ähnliche Konfliktsignale in ein Structure-Learning-Modul einspeisen, das Ganze in einen RL-Agenten mit intrinsischer Motivation packen und ihn dann in einen Roboter setzen, der durch Tun lernt. Den Erfolg würde er nicht an Benchmarks messen, sondern daran, wie gut sich der Roboter zusammenhält, während er eigene Teilziele erfindet.

Wenn das danach klingt, wohin wir uns bewegen (homöostatische Agenten, explorative Policies, das Lernen von Weltmodellen), nun ja, genau darum geht es. Das Fach marschiert von verschiedenen Ausgangspunkten auf Putnams Gebirge zu. Jetzt, wo wir ihn endlich lesen können, sehen wir den Weg, den er zu bahnen versuchte.

Epilog: zwei Spitzen, die sich fast berühren

Setzen Sie sich in Princeton in Moores Oval with Points. Schauen Sie nach oben. Die beiden Bronzespitzen strecken sich nach innen, einander nah, ohne sich je ganz zu treffen. Diese Form macht aus einem Beinahe-Konflikt etwas Schönes: den Moment, bevor sich ein Zusammenstoß in eine neue Form auflöst. Putnam glaubte, dass der Geist genau dort lebt, im Gleichgewicht auf der Kante zwischen Regeln, die nicht ganz zusammenpassen, auf der Suche nach der Variable, die beide wahr macht.

Er hat nie erlebt, dass seine Theorie so auf die Welt traf, wie er es sich erhofft hatte. Aber die Spitzen sind einander jetzt nah, vermutlich näher, als er es sich hätte vorstellen können. Unsere Maschinen lernen zu handeln, unsere Modelle vorherzusagen, unsere Roboter die Variablen zu finden, auf die es ankommt. Wenn wir in den nächsten Jahren Agenten bauen, die wirklich durch Widerspruch lernen, könnten wir endlich durch dieses Oval hindurchtreten und auf der anderen Seite herauskommen, bei der Logik des Geistes, die er uns die ganze Zeit geben wollte. Das Netz ist sichtbar. Die Fische warten.

Quellen und weiterführende Literatur

Aus dem Englischen übersetzt: zum Originalbeitrag

Gestalten Sie die Zukunft Ihres Unternehmens mit KI

Tauchen Sie ein in unsere spannenden Workshops und rüsten Sie Ihr Team mit den Werkzeugen und dem Wissen aus, um im Zeitalter der KI führend zu sein.

Kontaktieren Sie uns
Scroll to top