Alexander Mordvintsev von Google Research in Zürich hat mit Neural Cellular Automata (NCAs) eine bahnbrechende Methode entwickelt, um komplexe Muster automatisch zu generieren – nicht durch vorgegebene Regeln, sondern durch das Lernen der Regeln aus einem gewünschten Zielbild. Sein Ansatz stellt eine Umkehrung des klassischen „Game of Life“ dar: Statt von einfachen Regeln auszugehen und zu beobachten, was entsteht, startet er mit einem Zielbild – etwa ein Schmetterling – und lässt ein neuronales Netzwerk herausfinden, welche lokalen Regeln zwischen Nachbarn die gewünschte Selbstorganisation erzeugen. Dabei entstehen Muster, die nicht nur entstehen, sondern auch regenerieren: Wenn ein Teil zerstört wird, formt sich das Muster von selbst wieder. Ein Schmetterling, dessen Flügel verloren gehen, wächst sie nach einem „Rückwärtssalto“ neu – ein Phänomen, das spontan und ohne explizite Programmierung auftritt. Dieser Effekt beruht auf der Kombination aus kontinuierlichen Zellzuständen, zufälligen Aktualisierungsintervallen und verborgenen Variablen, die die Zellen beeinflussen, ohne sichtbar zu sein. Die Zellen kommunizieren nur mit ihren Nachbarn, was die Architektur extrem dezentral und energieeffizient macht. Mordvintsevs Arbeit ist Teil einer längeren Tradition, die sich mit Selbstorganisation in Natur und Technik beschäftigt. Er wurde durch seine frühen Experimente mit Simulationen von Planeten, Gasen und Ameisen inspiriert, später durch das „Deep Dream“-Projekt, das neuronale Netzwerke zur Verstärkung von Mustern nutzte. Sein Zusammenarbeit mit Biologen wie Michael Levin aus Tufts University führte zu einem tiefen Verständnis der morphogenetischen Prozesse – wie Zellen sich selbst zu Organismen zusammenfinden. NCAs zeigen, dass robuste, selbstheilende Systeme nicht nur in der Natur vorkommen, sondern auch künstlich konstruiert werden können. Forscher wie Sebastian Risi und Ben Hartl zeigten, dass Störungen und Zufälligkeit im System zu natürlicher Robustheit führen – ein Prinzip, das auch in der Evolution wirksam ist. Ein NCA mit Speicher kann zwischen direktem Speichern und Lernen von allgemeinen Fähigkeiten wählen; bei Rauschen bevorzugt es das Lernen, was die Flexibilität erhöht. Die Anwendungen reichen von der Entwicklung von Roboter-Schwärmen, die sich wie ein lebendiges Organismus verhalten, bis hin zu neuen Ansätzen im maschinellen Lernen. NCAs lösen Aufgaben aus dem Abstraction and Reasoning Corpus – klassische Intelligenztests – besser als neuronale Netze, weil sie nicht einfach Muster memorisieren, sondern Prozesse entwickeln müssen. Sie sind daher ein vielversprechendes Modell für allgemeine Intelligenz. Auch in der Robotik eröffnen sich neue Wege: Hartl, Levin und Zöttl trainierten virtuelle Roboter, die sich wie Triton-Schwimmer bewegen, was auf eine zukünftige Entwicklung hinweist, bei der Roboter-Schwärme nicht nur kooperieren, sondern zu einem einzigen, dynamischen Organismus verschmelzen. Industrielle Experten sehen in NCAs eine mögliche Zukunft der effizienten, dezentralen Computing-Architekturen. Blaise Agüera y Arcas von Google betont die Energieeffizienz solcher Systeme, die keine langreichweitigen Verbindungen benötigen. Melanie Mitchell und andere warnen jedoch vor einer zu engen Analogie zur Biologie: Während NCAs ein Ziel verfolgen, läuft die Evolution ohne Ziel – sie ist nicht zielgerichtet, sondern selektiv. Trotzdem ist Mordvintsevs Arbeit ein Meilenstein in der Vereinigung von Biologie, Informatik und Robotik. Er reaktiviert die ursprüngliche Vision von John von Neumann, dass Lebensprozesse und Rechnen untrennbar miteinander verbunden sind. Die Selbstorganisation, die früher als Metapher diente, wird nun zu einem praktischen Werkzeug – nicht nur zur Simulation, sondern zur Programmierung von Intelligenz, Robustheit und Regeneration.