Neuronale Netze sind unscharf, symbolische Systeme fragmentiert – doch seltene Autoencoder könnten beides verbinden. Während neuronale Netze durch massive Datenverarbeitung globale Muster lernen und dabei kontinuierliche, verschwommene Repräsentationen bilden, operieren symbolische Systeme mit diskreten, klaren Regeln, die jedoch oft unflexibel und unvollständig sind. Dieser Kontrast spiegelt sich in der Geschichte der menschlichen Vernunft wider: vom Code Hammurabis, der moralische Ordnung in starren Gesetzen kodifizierte, bis zum Common Law, das durch Fallrecht und Präzedenz kontextuelle Anpassung ermöglichte. Heute dominieren in der KI vor allem neuronale Ansätze – vor allem große Sprachmodelle –, die durch ihre Leistungsfähigkeit in Benchmarks überzeugen, aber oft undurchsichtig und anfällig für Halluzinationen sind. Symbolische Systeme hingegen bieten Transparenz und Verantwortbarkeit, sind aber schwer skalierbar, da sie auf menschlich konstruierten Ontologien basieren, die sich nicht für offene Domänen eignen. Die Lösung liegt in selteneren Autoencodern (Sparse Autoencoders, SAEs), die aus den versteckten Zuständen großer Modelle automatisch eine Art „Begriffslexikon“ extrahieren. Diese SAEs faktorisieren die neuronale Aktivität in eine große, sparsame Menge von Features, die oft menschlich interpretierbar sind und sich wie diskrete Konzepte verhalten – etwa „Gefahr“, „Verantwortung“ oder „Krankheit“. Sie fungieren nicht als eigenständige symbolische Engine, sondern als Brücke: Sie schaffen eine gemeinsame, datengestützte Konzeptgeometrie, in der unterschiedliche symbolische Artefakte – Wissensgraphen, Ontologien, Regelsysteme – auf eine gemeinsame Grundlage gebracht werden können. So lassen sich Symbole aus verschiedenen Quellen vergleichen, verknüpfen und sogar vereinheitlichen, wenn sie ähnliche SAE-Features aktivieren. Dies ermöglicht nicht nur die Erkennung von Verbindungen zwischen bisher getrennten Domänen, sondern auch die Identifikation von Lücken in bestehenden Modellen. Die Skalierbarkeit bleibt dabei gewahrt: Die SAE wird offline trainiert, und die symbolischen Systeme selbst bleiben klein und spezialisiert. Im Inference-Modus übernimmt das neuronale Netz die Hauptarbeit, während symbolische Komponenten nur dort eingreifen, wo Transparenz, Kontrolle oder Verantwortlichkeit gefragt sind. Die entscheidenden Voraussetzungen für eine funktionierende Brücke sind semantische Stabilität (ähnliche Bedeutungen erzeugen stabile Feature-Muster), teilweise Interpretierbarkeit (einige Features müssen menschlich verständlich sein) und Verhaltensrelevanz (die Features müssen tatsächlich die Ausgabe beeinflussen). Letzteres lässt sich durch Gegenfaktische Interventionen testen: Wenn man ein Feature manipuliert, sollte sich das Modellverhalten systematisch ändern – ein Indiz dafür, dass es kausal relevant ist. Von dieser Perspektive aus ist symbolische Kompression kein bloßes Regelsystem, sondern ein Prozess der Ausrichtung (Alignment): Sie projiziert die Welt auf menschlich relevante Dimensionen – wie „Gerechtigkeit“, „Sicherheit“ oder „Schutz von Minderheiten“ – und macht das Verhalten des Modells nachvollziehbar und verantwortbar. In einer Welt, in der KI-Systeme zunehmend Entscheidungen treffen, die gesellschaftliche Konsequenzen haben, ist dies entscheidend. Wie der chinesische Staatsmann Zichan vor 2500 Jahren das Strafrecht öffentlich machte, um Gerechtigkeit zu gewährleisten, braucht die KI heute eine „öffentliche Begriffsgeometrie“ – eine gemeinsame, nachvollziehbare Sprache der Intelligenz. SAEs bieten hier einen vielversprechenden Weg, um die Stärken von Neuronen und Symbolen zu vereinen, ohne die Skalierbarkeit zu opfern. Sie sind nicht die Lösung an sich, aber ein Schlüssel zur nächsten Generation verantwortungsvoller KI.