Agentic Variation Operators

Manche Computerprogramme suchen eine gute Lösung, indem sie viele Kandidaten ausprobieren. Sie starten mit ein paar Versuchen, bewerten diese, behalten die besten und erzeugen daraus neue Varianten. Diese Erzeugung neuer Varianten übernimmt ein sogenannter Variationsoperator, also eine feste Regel zum Abwandeln einer Lösung. Klassisch arbeitet so eine Regel zufällig: Sie ändert eine Zahl, tauscht ein Zeichen, mischt zwei Kandidaten. Bei Agentic Variation Operators macht das stattdessen ein Sprachmodell, also ein KI-System, das Texte und Programmcode verstehen und schreiben kann. Es sieht die bisherigen Kandidaten samt ihren Bewertungen und schlägt begründet eine nächste Version vor.

Warum begründete Abwandlungen den Suchraum schrumpfen

Zufälliges Abwandeln ist erstaunlich mächtig, aber teuer. Wenn eine Lösung aus tausend Stellschrauben besteht, sind die meisten Zufallsänderungen schlicht Unsinn. Der Rechner muss sie trotzdem erst bauen und testen, bevor er das merkt. Bei Aufgaben, wo ein einziger Test Minuten oder Stunden dauert, ist das ein echtes Problem.

Ein Sprachmodell bringt Vorwissen mit. Es hat sehr viel Programmcode und sehr viele Fachtexte gesehen. Deshalb schlägt es eher Änderungen vor, die in der Praxis schon einmal funktioniert haben. Die Trefferquote pro Versuch steigt, und man kommt mit weniger Testläufen ans Ziel.

Wichtig ist dabei ein Missverständnis auszuräumen: Das Verfahren wird dadurch nicht garantiert besser. Ein Sprachmodell hat Vorlieben und wiederholt gern bekannte Muster. Genau die Zufälligkeit, die man wegoptimiert, sorgt in klassischen Verfahren für ungewöhnliche Ideen. Deshalb kombinieren viele Systeme beides: gezielte Vorschläge und ein Rest echter Zufall.

Vom Vorschlag zur Bewertung: der Kreislauf

Der Ablauf ist immer derselbe Kreis. Das System hält eine Sammlung bisheriger Lösungen, oft Population genannt. Aus dieser Sammlung wählt es ein oder zwei Kandidaten aus. Diese werden dem Sprachmodell übergeben, zusammen mit der Aufgabenbeschreibung und den erzielten Punktzahlen.

Das Modell antwortet mit einer neuen Version. Oft soll es dazuschreiben, warum es diese Änderung für sinnvoll hält. Diese Begründung ist kein Beiwerk. Sie zwingt das Modell zu einer nachvollziehbaren Strategie und lässt sich später von Menschen prüfen. Der neue Kandidat wird dann automatisch getestet, etwa indem der erzeugte Programmcode ausgeführt und gemessen wird.

Fällt die Bewertung gut aus, wandert der Kandidat in die Sammlung. Fällt sie schlecht aus, fliegt er raus oder dient als Negativbeispiel für den nächsten Durchlauf. Man kann sich das wie eine Werkstatt vorstellen, in der eine erfahrene Mechanikerin nach jedem Prüfstandslauf gezielt eine Schraube dreht. Ein Zufallsverfahren würde stattdessen würfeln, welche Schraube dran ist. Das Wort „agentic“ steht dabei dafür, dass die KI eigenständig Zwischenschritte plant, ausführt und aus dem Ergebnis Schlüsse zieht.

Wo diese Operatoren gerade eingesetzt werden

Am sichtbarsten ist der Ansatz beim automatischen Verbessern von Programmcode. Forschungssysteme großer Labore lassen ein Sprachmodell tausende Varianten eines Algorithmus erzeugen und messen jede davon. So wurden bereits Rechenverfahren gefunden, die schneller sind als die bisher bekannten Lösungen von Menschen.

Ein zweites Feld ist die Suche nach Modellarchitekturen und nach guten Anweisungstexten für KI-Systeme. Auch in Materialforschung und Chemie taucht die Idee auf, wenn Moleküle oder Rezepturen schrittweise variiert werden. Gemeinsam ist all diesen Fällen, dass es eine automatische, verlässliche Bewertung gibt. Ohne eine solche Messlatte funktioniert der Kreislauf nicht.

In Meldungen aus der Tech-Branche steht der Begriff selten wörtlich. Häufiger liest man von „evolutionärer Suche mit Sprachmodellen“ oder von KI, die sich selbst verbessert. Wer den Mechanismus dahinter kennt, erkennt schnell, wie viel davon Marketing ist. Am Ende entscheidet nicht die Cleverness der Vorschläge allein, sondern wie gut und wie günstig sich jeder Vorschlag überprüfen lässt.