Wissenschaftler der EPFL relativieren die These zur weltanschaulichen Konvergenz künstlicher Intelligenz Eine aktuelle Studie des Eidgenössischen Technischen Hochschulinstituts Lausanne (EPFL) widerlegt die Annahme, dass leistungsstarke KI-Modelle mit zunehmender Reife eine einheitliche innere Weltrepräsentation entwickeln. Die Forscher um Maria Brbic, Fabian Gröger und Shuo Wen zeigen, dass scheinbare Übereinstimmungen zwischen verschiedenen Modellen maßgeblich auf mathematische Artefakte hochdimensionaler Räume zurückzuführen sind. Ursprünglich hatte ein Forschungsteam des Massachusetts Institute of Technology im Jahr 2024 die sogenannte Platonsche Repräsentationshypothese aufgestellt. Diese ging davon aus, dass Sprach-, Bild- und Audiomodelle aufgrund der gemeinsamen Realitätsgrundlage der Trainingsdaten unabhängig voneinander dieselben zugrundeliegenden Strukturmerkmale der Welt erlernen. Die Hypothese löste in der KI-Community große Erwartungen hinsichtlich einer natürlichen Harmonisierung von Systemen aus. Die EPFL-Studie, die auf dem Preprint-Server arXiv publiziert und im Juli 2026 auf dem International Conference on Machine Learning in Seoul vorgestellt wird, relativiert diese globale Ausrichtung. Die Autoren analysierten, wie Ähnlichkeiten zwischen KI-Repräsentationen gemessen werden, und stellten fest, dass die verwendeten Metriken in extrem hohen Dimensionen verfälschte Ergebnisse liefern. In hochdimensionalen Räumen konzentrieren sich Distanzen mathematisch bedingt derart, dass selbst völlig unabhängige, untrainierte Modelle scheinbar ähnliche Strukturmerkmale aufweisen. Die gemessenen Ähnlichkeiten spiegeln demnach eine statistische Grundlinie wider, nicht jedoch ein geteiltes, erlerntes Weltverständnis. Als Alternative zur Platonschen These formulieren die Forscher die Aristotelische Repräsentationshypothese. Demnach lernen KI-Systeme keine universalen, absoluten Geometrien, sondern stabilisieren lokale Beziehungsmuster. Begriffe und Konzepte bilden stabile Nachbarschaften, etwa clustern Fahrzeuge nahe anderer Fahrzeuge oder verwandte Objekte nah beieinander. Entscheidend sei nicht die globale Raumstruktur, sondern die konsistente lokale Verknüpfung von Begriffen. Dies entspricht einer eher relationellen und kontextuellen Wissensorganisation. Zur Absicherung dieser Erkenntnisse entwickeln die EPFL-Wissenschaftler ein neues Bewertungsframework, das systematische Verzerrungen durch hochdimensionale Metriken korrigiert. Die Validierung über Sprach-, Bild- und Videomodelle hinweg bestätigt konsistent lokale, nicht aber globale Konvergenz. Die Ergebnisse haben direkte Implikationen für die KI-Ausrichtung, die Entwicklung multimodaler Systeme und das Grundverständnis davon, wie neuronale Netze Wissen strukturieren. Die Forschung wurde von den ursprünglichen Verfassern der Platonschen Hypothese konstruktiv aufgenommen. Der wissenschaftliche Austausch unterstreicht den prozesshaften Charakter der Forschung. Künftige Studien sollen nun präzise klären, welche lokalen Strukturmerkmale tatsächlich konvergieren und wie sich diese Erkenntnis für die Entwicklung robusterer und besser ausgerichteter KI-Systeme nutzbar machen lässt.