Leben in einer pluralistischen Welt

Bis vor kurzem glaubte ich, das Größte der Zivilisation sei, dass sie Künstler, Dichter, Philosophen und Wissenschaftler hervorbringt. Doch heute sehe ich etwas Bedeutenderes. Der wahre Wert der Zivilisation liegt darin, dass sie die Lebensbedingungen komplexer und anspruchsvoller macht. Sie erfordert große, koordinierte intellektuelle Anstrengungen, um grundlegende Bedürfnisse zu erfüllen – nicht mehr nur einfache, unkoordinierte Lösungen. Denn komplexere und intensivere intellektuelle Anstrengungen bedeuten mehr als nur Versorgung. Sie versprechen ein erfüllteres und reicheres Leben. Komplexität bedeutet Leben in seiner vollsten Ausprägung. Das Leben ist ein Selbstzweck, und die entscheidende Frage lautet: Haben wir genug davon? - Oliver Wendell Holmes, 1900^[1]

Die Wissenschaft bestätigt diese Intuition: Selbst auf der elementarsten Ebene der Realität gibt es keine isolierten Einzelteile. Wie die Quantentheorie zeigt, werden Atome durch ihre Wechselwirkungen mit der Umwelt definiert. Die Wirklichkeit ist kein Sammelsurium von Dingen, sondern ein dynamisches Netzwerk von Prozessen. - Carlo Rovelli, 2022^[2]

Technologie folgt der Wissenschaft. Wenn wir ⿻ als Vision dessen verstehen wollen, was unsere Welt werden könnte, müssen wir zunächst ⿻ als Perspektive begreifen, wie die Welt bereits ist. Die technokratischen und libertären Perspektiven wurzeln in einer Wissenschaft, nämlich dem monistischen Atomismus, den wir im vorherigen Kapitel beschrieben haben: Dem Glauben, dass ein universeller Satz von Gesetzmäßigkeiten, der auf einer bestimmten Menge von Atomen operiert, der beste Weg ist, die Welt zu verstehen.

Die Technokratie hat eine lange Geschichte. Sie wird durch Wissenschaft und Rationalität gerechtfertigt. Die Idee des “wissenschaftlichen Managements” (auch bekannt als Taylorismus), die Anfang des 20. Jahrhunderts populär wurde, stützte sich darauf, soziale Systeme mit einfachen mathematischen Modellen zu vergleichen und Logik und Vernunft als Denkweisen zu etablieren. Der Hochmodernismus in der Architektur wurde ähnlich von der Schönheit der Geometrie inspiriert ^[3]. Auch der Libertarismus entlehnt stark Konzepte aus Physik und anderen Wissenschaften: Genau wie Teilchen “den Weg des geringsten Widerstands” nehmen und die evolutionäre Fitness maximieren, “maximieren” wirtschaftliche Akteure:innen ihren Nutzen. Aus monistisch-atomistischer Perspektive können alle Phänomene der Welt – von menschlichen Gesellschaften bis zur Bewegung der Sterne – letztendlich auf diese Gesetzmäßigkeiten reduziert werden.

Diese Ansätze haben große Erfolge hervorgebracht. Die Newton’sche Mechanik erklärte eine Vielzahl von Phänomenen und half, die Technologien der industriellen Revolution zu inspirieren. Der Darwinismus bildet die Grundlage der modernen Biologie. Die Wirtschaftswissenschaften waren innerhalb der Sozialwissenschaften am einflussreichsten für die öffentliche Politikgestaltung. Und die prophetische Church-Turing-Vision der „allgemeinen Berechenbarkeit“ trug dazu bei, die Idee des universell einsetzbaren Computers zu entwickeln, den wir heute so umfassend nutzen.

Das letzte Jahrhundert zeigte uns, wie viel Fortschritt möglich ist, wenn wir die Grenzen des monistischen Atomismus überwinden. Gödels Theorem erschütterte die Einheit und Vollständigkeit der Mathematik, und verschiedene nicht-euklidische Geometrien sind heute für die Wissenschaft von entscheidender Bedeutung^[4]. Symbiose, Ökologie und die erweiterte Evolutionssynthese untergruben das zentrale Paradigma der Biologie vom “Überleben des Stärkeren” und läuteten das Zeitalter der Umweltwissenschaften ein. Die Neurowissenschaften wurden um Netzwerke und emergente Fähigkeiten neu gedacht und brachten moderne neuronale Netze hervor. Allen diesen Entwicklungen ist eines gemeinsam: Sie konzentrieren sich auf Komplexität, Emergenz, mehrschichtige Organisation und multidirektionale Kausalität, anstatt ein paar universelle Gesetze auf eine einzelne atomare Entität anzuwenden.

⿻ betrachtet soziale Systeme auf ähnliche Weise. Ein Unternehmen spielt im Spiel des globalen Wettbewerbs, ist aber gleichzeitig selbst ein Spiel, das von Mitarbeitenden, Anteilseigner:innen, Management und Kund:innen gespielt wird. Wir haben allen Grund anzunehmen, dass die resultierenden Ergebnisse selten kohärent sind. Mehr noch: Viele Spiele überschneiden sich. Die Mitarbeitenden eines Unternehmens werden oft durch ihre anderen Beziehungen zur Außenwelt beeinflusst – sei es politisch, sozial, religiös oder ethnisch – und nicht nur durch das Unternehmen selbst. Auch Länder sind sowohl Spieler als auch Spiele, durchkreuzt von Unternehmen, Religionen und vielem mehr. Auch hier können wir Handlungen zwischen Ländern und Handlungen innerhalb eines Landes nicht sauber trennen. Die Entstehung dieses Buches selbst ist auf vielfältige Weise eine komplexe Mischung aus beidem.

⿻ ist reich an Analogien zur Wissenschaft des letzten Jahrhunderts. Indem wir die ⿻ dieser Einflüsse und Analogien herausarbeiten – ohne sie zu wörtlich oder zu universell zu verstehen – erahnen wir, wie wir auf einen Weg eingeladen werden, der über Inspiration und Rekombination hinausführt. Einerseits können Libertarismus und Technokratie als ideologische Karikaturen gesehen werden, andererseits lassen sie sich unter wissenschaftlichen Gesichtspunkten als allgegenwärtige Bedrohungen für Komplexität verstehen.

Im Wesentlichen kann jedes komplexe System – von Fluidströmungen über die Entwicklung von Ökosystemen bis zur Funktionsweise des Gehirns – sowohl “chaotische” Zustände (in denen die Aktivität im Wesentlichen zufällig ist) als auch “geordnete” Zustände (in denen Muster statisch und starr sind) aufweisen. Fast immer gibt es einen Parameter (wie Hitze oder Mutationsrate), der bestimmt, welcher Zustand entsteht, wobei Chaos bei hohen Werten und Ordnung bei niedrigen Werten auftritt. Wenn sich der Parameter sehr nahe am “kritischen Wert” des Übergangs zwischen diesen Zuständen befindet – an dem, was Komplexitätstheoretiker den “Chaospunkt” nennen – kann komplexes Verhalten entstehen. Es bilden sich unvorhersehbare, sich entwickelnde, lebensähnliche Strukturen, die weder chaotisch noch geordnet, sondern komplex sind^[5]. Dies entspricht sehr nahe der Idee eines “engen Korridors” zwischen zentralisierenden und antisozialen, technokratischen und libertären Bedrohungen, die wir zuvor beschrieben haben.

Entsprechend kann ⿻ auf Prozesse der Wissenschaft zurückgreifen, wie man diesen engen Korridor gezielt ansteuert und erweitert – was Komplexitätswissenschaftler:innen “selbstorganisierte Kritikalität” nennen. Dabei können wir auf die Weisheit vieler Wissenschaften zurückgreifen und sicherstellen, dass wir nicht übermäßig von einem einzigen Satz von Analogien vereinnahmt werden.

Mathematik

Das 19. Jahrhundert war geprägt vom Aufstieg des Formalismus: Es ging darum, mathematische Strukturen, die wir verwenden, präzise und rigoros sowohl zu definieren, als auch ihre Eigenschaften zu bestimmen, um Inkonsistenzen und Fehler zu vermeiden. Zu Beginn des 20. Jahrhunderts hofften Mathematiker, die Mathematik gleichsam “lösen" zu können – möglicherweise sogar mit einem präzisen Algorithmus, der die Wahrheit oder Falschheit welcher mathematischen Behauptungen auch immer feststellen könnte^[6]. Auf der anderen Seite war die Mathematik des 20. Jahrhunderts von einer Explosion an Komplexität und Ungewissheit gekennzeichnet.

• Gödels Theorem: Eine Reihe mathematischer Erkenntnisse aus dem frühen 20. Jahrhundert, allen voran Gödels Theorem, zeigte, dass es grundlegende und nicht weiter reduzierbare Aspekte in Kernbereichen der Mathematik gibt, die nicht vollständig gelöst werden können. Ebenso bewies Alonzo Church, dass bestimmte mathematische Probleme durch Rechenverfahren “unentscheidbar” sind^[7]. Dies zerstörte den Traum, die gesamte Mathematik auf Berechnungen grundlegender Axiome zu reduzieren.

• Computationale Komplexität: Selbst wenn Reduktionismus grundsätzlich oder theoretisch möglich ist, ist der Rechenaufwand, um höherstufige Phänomene aus ihren Komponenten vorherzusagen (seine computationale Komplexität), so groß, dass seine Durchführung praktisch kaum relevant erscheint. In manchen Fällen wird angenommen, dass die erforderlichen Berechnungen deutlich mehr Ressourcen verbrauchen würden, als durch die Erkenntnisse, die eine solche Reduktion ermöglichen würde, gewonnen werden könnten. In vielen realen Anwendungsfällen lässt sich die Situation oft als ein gut untersuchtes Rechenproblem beschreiben, bei dem der “optimale” Algorithmus eine Rechenzeit benötigt, die exponentiell mit der Problemgröße wächst – weshalb in der Praxis fast immer Faustregeln verwendet werden.

• Sensitivität, Chaos und unauflösbare Ungewissheit: Viele, selbst relativ einfache Systeme zeigen “chaotisches” Verhalten. Ein System ist chaotisch, wenn eine winzige Veränderung der Ausgangsbedingungen zu radikalen Verschiebungen seines Verhaltens führt, nachdem eine längere Zeit verstrichen ist. Das berühmteste Beispiel sind Wettersysteme, bei denen oft behauptet wird, dass der Flügelschlag eines Schmetterlings Wochen später einen Taifun auf der anderen Seite der Welt auslösen kann^[8]. Angesichts solcher chaotischen Effekte erfordern Vorhersageversuche durch die Reduktionsmethode unerreichbare Präzisionsgrade. Erschwerend kommt hinzu, dass es oft harte Grenzen gibt, wie viel Präzision überhaupt möglich ist – bekannt als “Unschärfeprinzip”. D. h. präzise Instrumente können die von ihnen gemessenen Systeme oft auf eine Art und Weise beeinflussen, die aufgrund der zuvor erwähnten Sensitivität zu bedeutenden Veränderungen führt.

• Fraktale: Viele mathematische Strukturen weisen ähnliche Muster in völlig unterschiedlichen Maßstäben auf. Ein prägnantes Beispiel hierfür ist die Mandelbrot-Menge, die entsteht, indem man eine komplexe Zahl wiederholt quadriert und einen konstanten Wert addiert. Diese Strukturen zeigen, warum die Zerlegung von Strukturen in atomare Komponenten deren inhärent mehrschichtige Struktur eher verdecken als erhellen kann.

• Relationalität in der Mathematik: In der Mathematik sind verschiedene Zweige oft miteinander verbunden, und Erkenntnisse aus einem Bereich lassen sich auf andere übertragen. Algebraische Strukturen sind in vielen mathematischen Bereichen allgegenwärtig und bieten eine Sprache, um Beziehungen zwischen mathematischen Objekten auszudrücken und zu erforschen. Die algebraische Geometrie verbindet diese Strukturen mit der Geometrie. Darüber hinaus basiert die Topologie auf dem Verständnis der Beziehungen zwischen Formen und ihren Eigenschaften. Die Mischung aus Vielfalt und Vernetzung ist vielleicht das charakteristischste Merkmal der modernen Mathematik.

Physik

Im Jahr 1897 verkündete Lord Kelvin berühmt-berüchtigt: “Es gibt in der Physik nichts Neues mehr zu entdecken.” Im Gegensatz dazu stellte sich das folgende Jahrhundert als das fruchtbarste und revolutionärste in der Geschichte dieses Zweigs der Wissenschaften heraus.

• Einsteins Relativitätstheorien haben die Einfachheit der euklidischen Geometrie und der Newtonschen Dynamik kollidierender Billardkugeln infrage gestellt, die bis dahin als Leitfaden für das Verständnis der physikalischen Welt auch bei großen Entfernungen und hohen Geschwindigkeiten galten. Wenn sich Objekte der Lichtgeschwindigkeit nähern, gelten völlig andere Gesetzmäßigkeiten.

• Quantenmechanik und Stringtheorie zeigten ebenso, dass die klassische Physik auf sehr kleinen Skalen unzureichend ist. Bells Theorem demonstrierte klar, dass Quantenphysik nicht einmal vollständig als Konsequenz der Wahrscheinlichkeitstheorie und verborgener Informationen beschrieben werden kann: Vielmehr kann ein Teilchen gleichzeitig in einer Kombination (oder “Superposition”) zweier Zustände existieren, die sich gegenseitig aufheben.

• Das “Heisenbergsche Unschärfeprinzip” setzt eine feste Obergrenze für die Präzision, mit der Geschwindigkeit und Position eines Teilchens überhaupt gemessen werden können.

• Das Dreikörperproblem, nun berühmt durch seine zentrale Rolle in Liu Cixins Science-Fiction Serie, zeigt, dass sogar die Wechselwirkung dreier Körper, selbst unter einfacher Newton’scher Physik, so chaotisch ist, dass ihr zukünftiges Verhalten nicht mit einfachen mathematischen Methoden vorhergesagt werden kann. Dennoch lösen wir regelmäßig Billionen-Körper-Probleme für den Alltagsgebrauch ausreichend gut, indem wir abstrakte Konzepte des 17. Jahrhunderts wie “Temperatur” und “Druck” verwenden.

Vielleicht war das auffälligste und am meisten konsistente Merkmal der Revolutionen in der Physik des 20. Jahrhunderts die Art und Weise, wie sie die Annahmen über eine feste und objektive Außenwelt erschütterten. Die Relativitätstheorie zeigte, wie Zeit, Raum, Beschleunigung und sogar Schwerkraft Funktionen der Beziehungen zwischen Objekten sind – und nicht absolute Merkmale einer zugrunde liegenden Realität. Die Quantenphysik ging noch weiter und demonstrierte, dass selbst diese relativen Beziehungen nicht fixiert sind, bis sie beobachtet werden, und somit grundsätzlich Interaktionen und keine Objekte sind^[9]. Daher besteht moderne Wissenschaft oft darin, verschiedene Disziplinen zu kombinieren, um unterschiedliche Aspekte der physischen Welt in verschiedenen Maßstäben zu verstehen.

Die Anwendungen dieses vielfältigen Reichtums und des ⿻-Verständnisses physischer Realität prägte und zeigte sich in den größten Errungenschaften und tiefsten Katastrophen des 20. Jahrhunderts. Große Mächte nutzten die Kraft des Atoms, um die Weltpolitik zu gestalten. Globale Unternehmen ermöglichten eine beispiellose Kommunikation und Informationsgewinnung, indem sie ihr Verständnis der Quantenphysik nutzten, um immer kleinere Elektronik in die Hände ihrer Kund:innen zu packen. Das Verbrennen von Holz und Kohle durch Millionen von Familien ist zur Ursache ökologischer Verwüstung, politischer Konflikte und weltumspannender sozialer Bewegungen geworden – gestützt auf Informationen, die von winzigen Sensoren gesammelt wurden, die auf der ganzen Welt verteilt sind.

Biologie

War die definierende Idee der Makrobiologie des 19. Jahrhunderts (bezogen auf fortgeschrittene Organismen und ihre Interaktionen) die “natürliche Selektion”, so war das Pendant des 20. Jahrhunderts das Konzept der “Ökosysteme”. Während die natürliche Selektion den “darwinistischen” Wettbewerb ums Überleben angesichts knapper Ressourcen betonte, rückt die Ökosystem-Perspektive – eng verbunden mit der Idee der “erweiterten Evolutionssynthese” – folgende Aspekte in den Mittelpunkt:

• Grenzen der Vorhersagbarkeit von Modellen: Wir haben kontinuierlich Grenzen in unserer Fähigkeit entdeckt, effektive Modelle des Tierverhaltens zu entwickeln, die auf reduktionistischen Konzepten wie Behaviorismus oder Neurowissenschaften basieren – eine Illustration der computationalen Komplexität.

• Ähnlichkeiten zwischen Organismen und Ökosystemen: Erstaunlicherweise verhalten sich manche Ökosysteme wie große, komplexe Lebewesen: Sie halten ein inneres Gleichgewicht aufrecht, reagieren empfindlich auf Veränderungen und entwickeln Strategien zum Überleben. Viele höherstufige Organismen sind daher kaum von solchen Ökosystemen zu unterscheiden: etwa das mehrzellige Leben als Kooperation einzelliger Organismen, oder “eusoziale” Organismen wie Ameisen, die aus einzelnen Insekten entstehen. Eine besondere Eigenschaft der Evolution dieser Organismen ist die Möglichkeit, dass Mutation and Selection auf all diesen Ebenen stattfinden können – eine Illustration mehrschichtiger Organisation^[10].

• Die Vielfalt artübergreifender Interaktionen, einschließlich traditioneller Konkurrenz- oder Räuber-Beute-Beziehungen, aber auch “mutualistische” Formen der Symbiose, bei der Organismen von Diensten anderer Organismen abhängen und diese gleichzeitig unterstützen – ein Paradebeispiel für Verflechtung und Relationalität^[11].

• Epigenetik: Wir haben entdeckt, dass die Genetik nur einen Teil dieser Verhaltensweisen codiert und dass “Epigenetik” sowie andere Umweltfaktoren wichtige Rollen bei der Evolution und Anpassung spielen – was die mehrschichtige und multidimensionale Kausalität verdeutlicht, die selbst der Molekularbiologie innewohnt.

Diese Verschiebung passierte nicht alleine in der rein wissenschaftlichen Theorie. Sie führte zu einigen der bedeutendsten Veränderungen im menschlichen Verhalten und in der Interaktion mit der Natur im 20. Jahrhundert. Insbesondere die Umweltbewegung und ihre Bemühungen zum Schutz von Ökosystemen, der Biodiversität, der Ozonschicht und des Klimas entstanden aus dieser Wissenschaft der “Ökologie” und stützen sich stark auf sie – so sehr, dass diese Bewegung oft mit diesem Begriff bezeichnet wird.

Neurowissenschaften

Die modernen Neurowissenschaften begannen Ende des 19. Jahrhunderts, als Camillo Golgi, Santiago Ramón y Cajal und ihre Mitarbeitenden Neuronen und deren elektrische Aktivierungen als fundamentale funktionale Einheit des Gehirns isolierten. Diese Analyse wurde durch die Arbeit von Alan Hodgkin und Andrew Huxley zu konkreten physiologischen Modellen verfeinert, die damit elektrische Theorien der neuronalen Kommunikation entwickelten und an Tieren ausprobierten. In jüngerer Zeit jedoch haben wir eine Reihe von Entdeckungen gesehen, die Chaos- und Komplexitätstheorie in den Mittelpunkt der Gehirnfunktion rücken:

• Verteilung von Gehirnfunktionen: Mathematische Modellierung, bildgebende Verfahren der Hirnforschung und Experimente zur Aktivierung einzelner Neuronen legen nahe, dass viele, wenn nicht die meisten Gehirnfunktionen über verschiedene Hirnregionen verteilt sind und aus Interaktionsmustern entstehen, anstatt primär durch physische Lokalisation bestimmt zu werden.

• Das Hebbsche Modell der Verknüpfungen, bei dem diese durch wiederholtes gemeinsames “Feuern” (Anmerkung des Übersetzers: gemeint sind neuronale Impulse) verstärkt werden, ist vielleicht eine der elegantesten Illustrationen des Konzepts der “Relationalität” in der Wissenschaft – eine Illustration, die erstaunlich eng der Art und Weise ähnelt, wie wir uns typischerweise die Entwicklung menschlicher Beziehungen vorstellen.

• Erforschung künstlicher neuronaler Netze: Bereits Ende der 1950er Jahre begannen Forschende um Frank Rosenblatt mit der Entwicklung der ersten “künstlichen neuronalen Netzwerk”-Modelle des Gehirns. Neuronale Netze sind mittlerweile zur Grundlage der jüngsten Fortschritte in der “Künstlichen Intelligenz” geworden. Netzwerke mit Billionen von Knoten, deren Funktionsweise von Neuronen inspiriert ist – mit Aktivierung durch Überschreiten eines Schwellenwerts, der durch eine lineare Kombination von Eingaben bestimmt wird – bilden das Rückgrat der “Grundlagenmodelle” wie BERT und die GPT-Modelle.

Von der Wissenschaft zur Gesellschaft

⿻ ist wissenschaftlich betrachtet die Anwendung einer analogen Perspektive, um menschliche Gesellschaften zu verstehen, und technologisch der Versuch, formale Informations- und Governancesysteme zu entwickeln, die diese Strukturen abbilden und widerspiegeln – ähnlich wie physische Technologien, die auf der ⿻-Wissenschaft aufbauen. Die prägnanteste Formulierung dieser Vision findet sich vielleicht im Werk des führenden Vertreters der Netzwerksoziologie, Mark Granovetter^[12]. Es gibt kein grundlegendes individuelles “Atom” (Anmerkung des Übersetzers: gemeint ist eine abstrakte Einheit); die persönliche Identität entsteht fundamental aus sozialen Beziehungen und Verbindungen. Ebenso wenig gibt es ein fixes Kollektiv oder auch nur eine Menge von Kollektiven: Soziale Gruppen müssen sich ständig verschieben und neu konfigurieren. Dieses bidirektionale Gleichgewicht zwischen der Vielfalt der Menschen und den sozialen Gruppen, die sie schaffen, ist das Wesen der ⿻-Sozialwissenschaft.

Darüber hinaus existieren diese sozialen Gruppen auf verschiedenen sich überschneidenden und nicht-hierarchischen Ebenen. Familien, Vereine, Städte, Provinzen, religiöse Gruppen aller Größen, Unternehmen in jeder Dimension, demografische Identitäten (Geschlecht, sexuelle Identität, Ethnizität etc.), Bildungs- und akademische Ausbildungswege und viele mehr – alle koexistieren und durchdringen einander. Als Beispiel: Aus der Perspektive des globalen Katholizismus ist die USA ein wichtiges, aber trotzdem ein “Minderheiten”-Land, mit nur etwa 6% aller Katholiken weltweit. Umgekehrt könnte man Katholizismus aus US-amerikanischer Sicht genauso betrachten, wo etwa 23% der Amerikaner katholisch sind^[13].

Obwohl wir nicht den Raum haben, dies im Detail zu untersuchen, bietet eine reiche Literatur quantitative und sozialwissenschaftliche Belege für die Erklärungskraft der ⿻-Perspektive^[14]. Studien zur industriellen Dynamik, zur sozial- und verhaltenswissenschaftlichen Psychologie, zur wirtschaftlichen Entwicklung, zur organisatorischen Kohäsion und vielem mehr haben die zentrale Rolle sozialer Beziehungen aufgezeigt, die Vielfalt erschaffen und nutzbar machen^[15]. Stattdessen werden wir ein Beispiel herausgreifen, das vielleicht am überraschendsten ist und gleichzeitig am stärksten mit den zuvor diskutierten wissenschaftlichen Themen korrespondiert: die Entwicklung wissenschaftlicher Erkenntnis selbst.

Ein wachsendes interdisziplinäres akademisches Feld der “Metawissenschaften” untersucht die Entstehung wissenschaftlicher Erkenntnisse als komplexes System aus Netzwerken von Wissenschaftler:innen und Ideen^[16]. Es kartiert die Entstehung und Ausbreitung wissenschaftlicher Felder, die Quellen wissenschaftlicher Durchbrüche und des allgemeinen Fortschritts, die Strategien, welche Wissenschaftler:innen bei ihrer Forschung wählen, sowie den Einfluss sozialer Strukturen auf den wissenschaftlichen Fortschritt. Unter anderem stellen sie fest, dass wissenschaftliche Forschung bevorzugt Themen behandelt, die häufig innerhalb des eigenen Feldes diskutiert wurden, und durch soziale und institutionelle Verbindungen zwischen Wissenschaftler:innen begrenzt wird – was die Effizienz des Erkenntnisprozesses, durch den wissenschaftliches Wissen erzeugt wird, verringert^[17]. Darüber hinaus entdecken sie, dass eine dezentralisierte wissenschaftliche Gemeinschaft – bestehend aus weitgehend unabhängigen, nicht überlappenden Teams, die verschiedene Methoden nutzen und auf ein breites Spektrum früherer Publikationen zurückgreifen – tendenziell zuverlässigere wissenschaftliche Erkenntnisse hervorbringt. Im Gegensatz dazu neigen zentralisierte Gemeinschaften mit wiederholten Kollaborationen und Beschränkung auf einen begrenzten Ansatz früherer Studien dazu, weniger zuverlässige Ergebnisse zu generieren^{[18] [19]}. Wissenschaftliche Studien belegen einen engen Zusammenhang zwischen der Struktur von Forschungsteams und ihren Erkenntnissen: Je nach Teamgröße und Hierarchie entstehen entweder bahnbrechende, risikoreiche Innovationen oder konventionelle wissenschaftliche Arbeiten. Dabei wird deutlich, dass Teamforschung die individuelle Wissenschaft mehr und mehr verdrängt^[20]. Obwohl die größten Innovationen tendenziell aus einer starken Verankerung in bestehenden Disziplinen entstehen, die in ungewöhnlichen und überraschenden Kombinationen eingebettet sind^{[21] [22] [23]}, verdeutlichen die Studien, dass die meisten Anreizsysteme in der Wissenschaft (basierend beispielsweise auf Publikationsqualität und Zitationshäufigkeit) Fehlanreize schaffen, die die wissenschaftliche Kreativität einschränken. Diese Erkenntnisse haben zur Entwicklung neuer Metriken in wissenschaftlichen Gemeinschaften geführt, die Innovationen belohnen und diese Verzerrungen ausgleichen können – und so ein stärkeres ⿻-Anreizsystem schaffen^[24].

Wissenschaftspolitische Forschung, die ⿻ in der Wissenschaft direkt berücksichtigt und fördert, zeigt Vorteile sowohl für die Stringenz bestehenden Wissens als auch für die Entdeckung neuer Erkenntnisse. Wenn verschiedene Gemeinschaften und ihre Ansätze zusammenarbeiten, um bestehende Behauptungen zu validieren, stellen diese unabhängigen Perspektiven sicher, dass ihre Ergebnisse robuster gegenüber Widerlegung und Überarbeitung sind. Mehr noch: Bei der Entwicklung analytischer Modelle, die die Vielfalt wissenschaftlicher Methoden nach ⿻-Prinzipien simulieren, übertreffen die Ergebnisse die Erkenntnisse traditioneller Forschung bei weitem^[25].

Selbst im Verständnis der wissenschaftlichen Praxis ist daher eine ⿻-Perspektive, die in vielen sich überschneidenden Ebenen sozialer Organisation verankert ist, entscheidend. Wissenschaftliche Erkenntnisse über die treibenden Kräfte hinter der Entstehung disruptiver, innovativer Kenntnisse wurden in anderen Gemeinschaften kreativer Zusammenarbeit – wie bei Patenten und Software-Projekten auf GitHub – repliziert. Dies zeigt, dass ein ⿻-Blickwinkel die Entwicklung von Wissenschaft und Technologie jeglicher Prägung unterstützen kann.

Eine zukünftige ⿻?

Die Annahmen der technokratischen und libertären Zukunftsvisionen weichen von diesen ⿻-Grundlagen stark ab.

In der technokratischen Vision, die wir im vorherigen Kapitel diskutiert haben, soll die “Schmudeligkeit” bestehender Verwaltungssysteme durch ein groß angelegtes, einheitliches, rationales, wissenschaftliches, künstlich intelligentes Planungssystem ersetzt werden. Jenseits lokaler Kontexte und sozialer Vielfalt wird dieser monopolistische Akteur als Instanz vorgestellt, die “unvoreingenommene” Antworten auf wirtschaftliche und soziale Probleme gibt – und dabei soziale Brüche und Unterschiede überwindet. Tatsächlich versucht diese Akteur aber bestenfalls, die soziale Vielfalt und Heterogenität zu übertünchen oder schlimmstenfalls auszulöschen – jene Diversität also, die die ⿻-Sozialwissenschaft gerade als definierend für ihre Untersuchungsgegenstände, Beschäftigungsfelder und Werte betrachtet.

Im Zentrum der libertären Vision wird die Souveränität des atomistischen Individuums (oder in manchen Versionen einer homogenen und stark gleichgeschalteten Gruppe von Individuen) angestrebt. Soziale Beziehungen werden am besten in Begriffen von “Kund:innen”, “erfolgreicher Exit” und anderen kapitalistischen Dynamiken verstanden. Demokratie und andere Methoden des Umgangs mit Vielfalt werden als Fehlfunktionen von Systemen betrachtet, die nicht ausreichend Gestaltungsmöglichkeiten und Freiheit zulassen.

Aber dies können nicht die einzigen Entwicklungsmöglichkeiten nach vorn sein. Die ⿻-Wissenschaft hat uns die Kraft gezeigt, ein ⿻-Verständnis der Welt zu nutzen, mit der physische Technologien entwickelt werden können. Wir müssen uns fragen, wie eine Gesellschaft und Informationstechnologie aussehen kann, die auf ein derartiges Verständnis menschlicher Gesellschaften aufgebaut ist. Glücklicherweise hat das 20. Jahrhundert die systematische Entwicklung einer solchen Vision gesehen – von den philosophischen und sozialwissenschaftlichen Grundlagen bis hin zu den ersten technologischen Ausdrucksformen.

Zusammenfassend:

⿻ bietet uns eine realitätsnahe Zukunftsperspektive von Wissenschaft und Gesellschaft.

Das 20. Jahrhundert war geprägt von zwei dominanten, aber letztlich reduktionistischen Weltbildern: dem Libertarismus und der Technokratie. Beide versuchten, komplexe soziale und wissenschaftliche Realitäten auf vereinfachte Modelle zu reduzieren – sei es durch die Vorstellung atomisierter Individuen oder durch den Traum einer allwissenden, rational planenden Intelligenz.

Die Wissenschaft selbst hat uns jedoch eine andere Realität vor Augen geführt: Die Welt ist nicht linear, sondern vernetzt. Von der Quantenphysik über die Neurowissenschaften bis zur Ökologie zeigten die Forschungen des 20. Jahrhunderts, dass Systeme durch ihre Beziehungen, Wechselwirkungen und Überlappungen definiert werden – nicht durch isolierte Einzelelemente.

⿻ ist mehr als eine theoretische Perspektive. Es ist ein Ansatz, der Vielfalt nicht als Störfaktor, sondern als Quelle von Kreativität und Fortschritt begreift. In der Wissenschaft bedeutet dies: Interdisziplinarität, offene Kommunikation und die Bereitschaft, Grenzen zu überschreiten. In der Gesellschaft heißt das: Anerkennung der Komplexität menschlicher Identitäten und sozialer Beziehungen.

Die Herausforderung liegt darin, diese Erkenntnisse in Technologie und gesellschaftliche Strukturen zu übersetzen. Wenn wir weiterhin an starren, eindimensionalen Modellen festhalten, drohen uns:

• Technologische Systeme, die menschliche Vielfalt ignorieren;
• Politische Prozesse, die Unterschiede unterdrücken statt zu nutzen;
• Eine Erosion demokratischer Prinzipien;
• Wachsende gesellschaftliche Polarisierung.

⿻ bietet einen Ausweg. Es schlägt vor, Technologie und Gesellschaftsstrukturen so zu gestalten, dass sie Diversität nicht nur tolerieren, sondern aktiv fördern. Dies bedeutet:

• Flexible, anpassungsfähige Governancesysteme;
• Technologien, die Zusammenarbeit über Grenzen hinweg ermöglichen;
• Bildungssysteme, die Perspektivenwechsel und kritisches Denken schulen;
• Politische Modelle, die Komplexität als Chance begreifen.

Die Reise, die wir hier skizzieren, ist keine utopische Vision, sondern eine praktische Notwendigkeit. In einer Welt, die von Klimawandel, globalen Krisen und technologischen Umwälzungen geprägt ist, braucht es Ansätze, die Unterschiede nicht als Bedrohung, sondern als Ressource verstehen.

⿻ ist mehr als ein wissenschaftliches Konzept. Es ist eine Einladung, die Welt in ihrer ganzen Komplexität, ihrer Schönheit und ihrem Potenzial zu erkennen.

---

1. Harper’s Magazine. “Holmes – Life as Art,” May 2, 2009. https://harpers.org/2009/05/holmes-life-as-art/. ↩︎

2. Carlo Rovelli, “The Big Idea: Why Relationships Are the Key to Existence.” The Guardian, September 5, 2022, sec. Books. https://www.theguardian.com/books/2022/sep/05/the-big-idea-why-relationships-are-the-key-to-existence. ↩︎

3. James C. Scott, Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed (New Haven, CT: Yale University Press, 1999). ↩︎

4. Cris Moore and John Kaag, “The Uncertainty Principle”, The American Scholar March 2, 2020 https://theamericanscholar.org/the-uncertainty-principle/. ↩︎

5. M. Mitchell Waldrop, Complexity: The Emerging Science at the Edge of Order and Chaos (New York: Open Road Media, 2019). ↩︎

6. Alfred North Whitehead und Bertrand Russell, Principia Mathematica (Cambridge, UK: Cambridge University Press, 1910). Deutsche Ausgabe: Principia Mathematica. Vorwort und Einleitungen (Frankfurt am Main: Suhrkamp, 2008). ↩︎

7. Alonzo Church, “A note on the Entscheidungsproblem”, The Journal of Symbolic Logic 1, no. 1: 40-41. ↩︎

8. James Gleick, Chaos: Making a New Science (New York: Penguin, 2018). ↩︎

9. Carlo Rovelli, “Relational Quantum Mechanics”, International Journal of Theoretical Physics 35, 1996: 1637-1678. ↩︎

10. David Sloan Wilson and Edward O. Wilson, “Rethinking the Theoretical Foundation of Sociobiology” Quarterly Review of Biology 82, no. 4, 2007: 327-348. ↩︎

11. Diese Entdeckungen haben sich kontinuierlich und tiefgreifend mit ⿻ sozialem Denken verwoben, vom „Mutualismus“, der von frühen anarchistischen Denkern wie Pierre-Joseph Proudhon nahezu synonym verwendet wurde, bis hin zu einem der Autoren dieses Buches, der seinen zweiten Artikel über biologischen Mutualismus veröffentlichte und diese Ideen dann zu den Theorien weiterentwickelte, auf die wir in unserem Kapitel über Soziale Märkte zurückkommen werden. Pierre-Joseph Proudhon, System of Economic Contradictions (1846). E. Glen Weyl et al., „Economic Contract Theory Tests Models of Mutualism“, Proceedings of the National Academy of Sciences 107, no. 36 (2010): 15712-15716. ↩︎

12. Mark Granovetter, “Economic Action and Social Structure: The Problem of Embeddedness”, American Journal of Sociology 91, no. 3 (1985): 481-510. ↩︎

13. Pew Research Center, “The Global Catholic Population”, February 13, 2013 https://www.pewresearch.org/religion/2013/02/13/the-global-catholic-population/. ↩︎

14. In der Assemblage-Theorie, wie sie von Manuel DeLanda formuliert wurde, werden Entitäten als komplexe Strukturen verstanden, die aus der symbiotischen Beziehung zwischen heterogenen Komponenten entstehen – und nicht auf ihre individuellen Teile reduziert werden können. Die zentrale These besagt, dass Menschen nicht ausschließlich für sich selbst handeln, sondern menschliches Handeln komplexe sozio-materielle Interdependenzen erfordert. DeLandas Perspektive verlagert den Fokus von den inhärenten Qualitäten von Entitäten hin zu dynamischen Prozessen und Interaktionen, die emergente Eigenschaften innerhalb von Beziehungsnetzwerken hervorbringen. Sein Buch „A New Philosophy of Society: Assemblage Theory and Social Complexity“ (2006) ist ein guter Ausgangspunkt für diese Theorie. ↩︎

15. Scott Page, The Difference: How the Power of Diversity Creates Better Groups, Firms, Schools, and Societies, (Princeton: Princeton University Press, 2007); César Hidalgo, Why Information Grows: The Evolution of Order, from Atoms to Economies, (New York: Basic Books, 2015); Daron Acemoglu, and Joshua Linn, “Market Size in Innovation: Theory and Evidence from the Pharmaceutical Industry,” Library Union Catalog of Bavaria, (Berlin and Brandenburg: B3Kat Repository, October 1, 2003), https://doi.org/10.3386/w10038; Mark Granovetter, “The Strength of Weak Ties,” American Journal of Sociology 78, no. 6 (May 1973): 1360–80; Brian Uzzi, “Social Structure and Competition in Interfirm Networks: The Paradox of Embeddedness,” Administrative Science Quarterly 42, no. 1 (March 1997): 35–67. https://doi.org/10.2307/2393808; Jonathan Michie, and Ronald S. Burt, “Structural Holes: The Social Structure of Competition,” The Economic Journal 104, no. 424 (May 1994): 685. https://doi.org/10.2307/2234645; McPherson, Miller, Lynn Smith-Lovin, and James M Cook. “Birds of a Feather: Homophily in Social Networks.” Annual Review of Sociology 27, no. 1 (August 2001): 415–44. ↩︎

16. Santo Fortunato, Carl T. Bergstrom, Katy Borner, James A. Evans, Dirk Helbing, Stasa Milojevič, Filippo Radicchi, Robeta Sinatra, Brian Uzzi, Alessandro Vespignani, Ludo Waltman, Dashun Wang and Alberto-László Barbási, “Science of Science” Nature 359, no. 6379 (2018): eaao0185. ↩︎

17. Andrey Rzhetsky, Jacob Foster, Ian Foster, and James Evans, “Choosing Experiments to Accelerate Collective Discovery,” Proceedings of the National Academy of Sciences 112, no. 47 (November 9, 2015): 14569–74. https://doi.org/10.1073/pnas.1509757112. ↩︎

18. Valentin Danchev, Andrey Rzhetsky, and James A Evans, “Centralized Scientific Communities Are Less Likely to Generate Replicable Results.” ELife 8 (July 2, 2019), https://doi.org/10.7554/elife.43094. ↩︎

19. Alexander Belikov, Andrey Rzhetsky, and James Evans, “Prediction of robust scientific facts from literature,” Nature Machine Intelligence 4.5 (2022): 445-454. ↩︎

20. Lingfei Wu, Dashun Wang, and James Evans, “Large teams develop and small teams disrupt science and technology,” Nature 566.7744 (2019): 378-382. ↩︎

21. Yiling Lin, James Evans, and Lingfei Wu, “New directions in science emerge from disconnection and discord,” Journal of Informetrics 16.1 (2022): 101234. ↩︎

22. Feng Shi, and James Evans, “Surprising combinations of research contents and contexts are related to impact and emerge with scientific outsiders from distant disciplines,” Nature Communications 14.1 (2023): 1641. ↩︎

23. Jacob Foster, Andrey Rzhetsky, and James A. Evans, “Tradition and Innovation in Scientists’ Research Strategies,” American Sociological Review 80.5 (2015): 875-908. ↩︎

24. Aaron Clauset, Daniel Larremore, and Roberta Sinatra, “Data-driven predictions in the science of science,” Science 355.6324 (2017): 477-480. ↩︎

25. Jamshid Sourati, and James Evans, “Accelerating science with human-aware artificial intelligence,” Nature Human Behaviour 7.10 (2023): 1682-1696. ↩︎