Wenn die elementare Einheit verschwindet
In einer Forschungsgruppe an der Uni saßen wir kürzlich über Carnaps Aufbau und der Frage, ob sich Bedeutung aus elementaren Bausteinen vollständig konstituieren lässt. Carnaps Programm von 1928 — jeder wissenschaftliche Begriff als logische Konstruktion aus phänomenalen Elementarerlebnissen — gilt seit Quine als gescheitert. Was im Seminar herauskam, ist trotzdem nicht abgehakt: Dieselbe Frage taucht in der Geschichte der KI in formaler, beweisbarer Form wieder auf, wird dort gelöst, ungelöst, neu gestellt — und ist heute, ohne dass viele das so benennen, der harte Kern jeder Suchmaschine.
Klassische Suche hatte eine elementare Einheit: das Keyword. Diskret, zählbar, optimierbar. Genau die Sorte Baustein, auf die Carnap sein Aufbau-Programm gegründet hatte, und auf der eine Generation von Rank-Trackern und Optimierungstools beruht. Die KI-Suche, in der wir uns aktuell bewegen — RAG, Query Fan-out, Einbettungen, Prompts statt Queries — operiert auf einer anderen Ebene. Sie ist nicht mehr atomar zerlegbar. Was wir jetzt erleben, ist die praktische Wiederkehr eines philosophischen Problems, das in den späten 50er Jahren schon einmal an seine Grenze gekommen war — beim ersten Versuch, Wahrnehmung in einer Maschine zu modellieren.
Dieser Artikel zeichnet die Linie nach: von Carnap zu Rosenblatts Perceptron, durch Quine und Minsky, über Backpropagation, bis zu der Frage, was dann eigentlich noch messbar ist, wenn die Welt nicht mehr aus Keywords besteht.
Inhalt dieser Seite
Carnaps Konstitutionsprogramm
Rudolf Carnap veröffentlicht 1928 Der logische Aufbau der Welt. Das Programm: Jeder wissenschaftliche Begriff soll aus einer minimalen Basis von Elementarerlebnissen — unmittelbaren phänomenalen Erfahrungen — durch rein logische Operationen rekonstruierbar sein. Carnap nennt diesen Apparat ein Konstitutionssystem. Im Inhaltsverzeichnis liest sich das so nüchtern wie ein Lehrbuch der Mathematik: Ziel der Untersuchung sei ein Konstitutionssystem der Begriffe, der methodische Weg eine „Wirklichkeitsanalyse mit Hilfe der Relationstheorie” (Aufbau, §3).
Das Vorbild ist Russells und Whiteheads Principia Mathematica. Dort wurde die gesamte Mathematik auf wenige logische Primitiva zurückgeführt. Carnap überträgt diese Methode auf die empirische Welt. Was die Principia für die Zahl tut, soll der Aufbau für jeden empirischen Gegenstand leisten — vom Sinnesdatum über das Wahrnehmungsobjekt bis hin zu komplexen sozialen Begriffen wie „Staat” oder „Kultur”.
Wie das technisch aussieht: Auf der untersten Stufe stehen die Elementarerlebnisse, ganzheitlich, noch nicht analysiert. Eine einzige Grundrelation — die Ähnlichkeitserinnerung — erlaubt es, aus diesem Strom Qualitätsklassen zu konstituieren. Aus Qualitätsklassen werden Sinnesfelder, aus Sinnesfeldern Wahrnehmungsobjekte. Höhere Stufen folgen demselben Muster. Carnap nennt das einen stufenmäßigen Aufbau seines Systems.
Der Ehrgeiz dahinter ist beachtlich. Carnap glaubt nicht, dass er das System im Aufbau tatsächlich vollständig durchführt. Er glaubt, dass es prinzipiell durchführbar wäre. Das ist die These: Jeder sinnvolle Begriff ist konstitutionsfähig. Was nicht konstituierbar ist — Metaphysik, theologische Spekulation, Wesensphilosophie — gehört nach dieser Auffassung gar nicht zur Wissenschaft.
Wer heute SEO macht, sollte diese Grundbewegung wiedererkennen. Eine klassische Suchmaschine arbeitet strukturell parallel. Dokumente werden in elementare Einheiten zerlegt — Tokens, in der Regel Wörter oder Phrasen. Jede Einheit erhält Eigenschaften: Vorkommenshäufigkeit, Position im Dokument, Hervorhebung durch HTML-Markup, Einbettung in Backlinks. Aus diesen elementaren Größen wird durch gewichtete Funktionen — TF-IDF, BM25, später PageRank — eine Relevanz für eine Suchanfrage konstruiert. Die Basis sind nicht Elementarerlebnisse, sondern Tokens. Die Konstitutionsmethode ist nicht Ähnlichkeitserinnerung, sondern Statistik. Die Architektur aber ist Carnapsch: Aus einfachen diskreten Bausteinen entsteht durch formale Operationen eine komplexe Bewertung.
Das ist der erste, oft übersehene Bogen. Die Suchmaschine der 2000er-Jahre ist kein originär computerwissenschaftliches Konzept. Sie ist die ingenieurtechnische Form eines philosophischen Programms aus den späten Zwanzigern.
200+
5,0
zufriedene Kunden
Rosenblatt 1958 — Carnap in Schaltkreisen
Dreißig Jahre nach dem Aufbau veröffentlicht Frank Rosenblatt — Psychologe und Ingenieur am Cornell Aeronautical Laboratory — einen Aufsatz mit dem Titel „The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain”. Er erscheint 1958 in der Psychological Review. Das Perceptron ist das erste mathematisch präzise spezifizierte neuronale Netz.
Die Architektur ist denkbar einfach. Eine Schicht von Eingabeeinheiten repräsentiert sensorische Merkmale eines Reizes. Jeder Eingang ist mit einer Ausgabeeinheit über ein Gewicht verbunden. Die Ausgabeeinheit berechnet die gewichtete Summe der Eingänge. Liegt diese Summe über einer Schwelle, klassifiziert das Perceptron den Reiz als zur gesuchten Kategorie gehörig; andernfalls nicht. Gelernt wird durch iterative Anpassung der Gewichte: Bei einer Fehlklassifikation werden die Gewichte so verändert, dass der Fehler kleiner wird.
Das ist Carnap in Hardware. Beide Systeme starten von elementaren Einheiten — bei Carnap die phänomenalen Elementarerlebnisse, bei Rosenblatt die sensorischen Merkmale. Beide bauen aus diesen Einheiten durch formale Operationen komplexe Klassifikationen auf. Beide nehmen an, dass die Welt sich analytisch in diskrete Bausteine zerlegen und aus diesen wieder zusammensetzen lässt.
Rosenblatt zitiert Carnap nicht. Aber das intellektuelle Milieu der frühen amerikanischen KI-Forschung war vom logischen Empirismus durchdrungen. Marvin Minsky studierte in Princeton — dem institutionellen Sammelpunkt, an dem Einstein, von Neumann und Gödel die europäische Logiktradition in die USA gebracht hatten. Die McCulloch-Pitts-Neuronen von 1943, Vorläufer des Perceptrons, sind explizit in der logischen Notation der Principia Mathematica aufgebaut — derselben Notation, mit der Carnap zwanzig Jahre vorher operiert hatte. Die Fachsprache der frühen KI — „logische Neuronen”, „Informationsspeicherung”, „Organisation” — ist die Sprache der logischen Empiristen.
Rosenblatt ist sich des größeren Anspruchs bewusst. Sein Aufsatz endet mit einer programmatischen Formulierung, die in Tonfall und Reichweite dreißig Jahre früher in Carnaps Aufbau stehen könnte: Ziel sei es, Strukturen zu finden, die „common to all information handling systems, machines and men included” sind (Rosenblatt 1958, S. 408).
Carnap wollte zeigen, dass alle empirischen Begriffe eine gemeinsame logische Struktur haben. Rosenblatt wollte zeigen, dass alle informationsverarbeitenden Systeme eine gemeinsame physische Struktur haben. Das erste ist Philosophie, das zweite Ingenieurwissenschaft. Die metaphysische Annahme ist in beiden Fällen identisch: Es gibt eine einzige, von unten nach oben aufgebaute Architektur, die erklärt, wie Wissen entsteht.
Dieser Punkt erklärt, warum das gesamte Feld des Information Retrieval ab den 1960er Jahren in genau dieser Tradition gewachsen ist. Das Vector Space Model von Gerard Salton, TF-IDF, BM25, der frühe PageRank-Algorithmus — alles Perceptron-förmige Systeme. Elementare Merkmale (Terme, Links, On-Page-Signale) werden gewichtet, summiert, in ein Ranking überführt. Klassisches SEO — Keyword-Dichte, Ankertexte, Meta-Tags, Linkprofile — ist die Anwenderpraxis genau dieser Architektur. Man optimiert die elementaren Inputs, das System belohnt mit einem höheren gewichteten Output. Das funktionierte ungefähr sechzig Jahre. Dann passierte etwas anderes.
Die doppelte Kritik — Quine und Minsky/Papert
1951 erscheint Willard Van Orman Quines Aufsatz „Two Dogmas of Empiricism” in The Philosophical Review. Es ist ein direkter Angriff auf Carnaps Programm. Quine identifiziert zwei Dogmen des logischen Empirismus: die Trennung zwischen analytischen und synthetischen Sätzen — und den Reduktionismus, also den Glauben, dass jeder sinnvolle Satz auf unmittelbare Erfahrung zurückgeführt werden kann. Das zweite Dogma ist Carnaps Kernverpflichtung. Quine zerlegt es mit einem Argument, das in der analytischen Philosophie bis heute nachwirkt: Bedeutung ist holistisch. Einzelne Sätze haben keinen einzelnen empirischen Gehalt. Sie treten der Erfahrung „not individually but only as a corporate body” gegenüber (Quine 1951, §6).
Was das praktisch heißt: Wenn ein Experiment scheinbar eine Hypothese widerlegt, gibt es mehrere Möglichkeiten zu reagieren. Man kann die Hypothese revidieren. Man kann Hilfsannahmen anpassen. Man kann im Grenzfall sogar logische Prinzipien revidieren. Es gibt keinen empirischen Fakt darüber, welche Revision die „richtige” ist. Bedeutung verteilt sich über das System, sie sitzt nicht in einzelnen Aussagen. Damit ist Carnaps Programm in der Wurzel getroffen. Ist Bedeutung holistisch, kann man atomare Begriffe nicht stufenweise aus elementaren Erfahrungen konstituieren.
Achtzehn Jahre später, 1969, erscheint Perceptrons: An Introduction to Computational Geometry von Marvin Minsky und Seymour Papert. Das Buch ist mathematische Strenge. Minsky und Papert beweisen, dass ein einlagiges Perceptron die XOR-Funktion nicht berechnen kann. XOR — Exclusive OR — gibt 1 zurück, wenn genau einer der beiden Eingänge 1 ist, sonst 0. Geometrisch heißt das: Die XOR-Punkte sind im Eingaberaum nicht linear trennbar. Man kann keine Gerade ziehen, die die Klasse {(0,1), (1,0)} von der Klasse {(0,0), (1,1)} trennt. Da ein Perceptron mathematisch nichts anderes ist als ein linearer Klassifikator mit Schwellenwert, kann es XOR prinzipiell nicht lernen.
Das ist keine praktische Einschränkung. Es ist eine Limitation auf der Architekturebene. Die Verbindung zwischen Quine und Minsky/Papert wird selten explizit gezogen, drängt sich aber strukturell auf. Beide Argumente treffen denselben Punkt: dass komplexer Gehalt sich nicht durch lineare oder additive Verknüpfung aus elementaren Atomen aufbauen lässt. Quine zeigt: Bedeutung ist nicht linear aus atomaren Sätzen zusammensetzbar. Minsky und Papert zeigen: Komplexe Kategorien sind nicht linear aus atomaren Merkmalen trennbar.
Beide sind Limitationsbeweise. Keiner zeigt, dass das Programm absolut unmöglich ist. Beide zeigen, dass die einfache, elegante Version des Programms — Carnaps stufenmäßiger Aufbau, Rosenblatts einlagiges Perceptron — an einer prinzipiellen Wand steht.
Die Wirkung war in beiden Disziplinen drastisch. Nach Perceptrons (1969) brachen Forschungsmittel für neuronale Netze ein. Der erste AI Winter setzte ein. Der Konnektionismus blieb für anderthalb Jahrzehnte randständig. Nach Two Dogmas hat sich das Aufbau-Programm in seiner ursprünglichen, starken Form nie wieder erholt. Carnap selbst hat in späteren Arbeiten den strikten Reduktionismus aufgegeben.
Für die SEO-Geschichte ergibt sich daraus eine wenig beachtete Parallele. Solange Ranking-Systeme die Architektur eines einlagigen Perceptrons hatten — lineare gewichtete Aggregation elementarer Merkmale —, waren sie strukturell genauso limitiert wie das Original. Sie konnten Dokumente nach Oberflächenmerkmalen sortieren. Sie konnten nicht erfassen, worum es in einem Dokument geht. Genau deshalb funktionierte Keyword-Stuffing. Genau deshalb funktionierten Exact-Match-Domains. Die gesamte mechanische SEO-Optimierung der frühen 2000er Jahre war im Rückblick die exakte Anwenderpraxis einer linearen Architektur, die das XOR ihres eigentlichen Gegenstands — semantische Tiefe — prinzipiell nicht erfassen konnte. Modernes SEO arbeitet nicht mehr in dieser Logik.
200+
5,0
zufriedene Kunden
Backpropagation — gelöst oder verschoben?
1986 erscheint in Nature der Aufsatz „Learning representations by back-propagating errors” von David Rumelhart, Geoffrey Hinton und Ronald Williams. Er zeigt, dass mehrschichtige Netze — Multi-Layer Perceptrons mit verborgenen Schichten — mithilfe des Backpropagation-Algorithmus auch nicht-linear separable Funktionen lernen können. XOR ist gelöst. Das Argument von Minsky und Papert ist technisch ausgehebelt.
Wie das funktioniert: Backpropagation erlaubt es, das Fehlersignal an der Ausgabe zurück durch das Netz zu propagieren und Gewichte auf jeder Schicht zu aktualisieren. Die verborgenen Schichten lernen Zwischenmerkmale, die den Eingaberaum so transformieren, dass die Ausgabe wieder linear separierbar ist. Im XOR-Fall könnte etwa die erste verborgene Schicht „OR” und „NAND” lernen, die Ausgabeschicht verknüpft beides zu „OR UND NAND” = XOR. Jeder einzelne Schritt bleibt linear, die Komposition wird nicht-linear.
George Cybenko zeigt 1989: Zwei Schichten mit nichtlinearer Aktivierung reichen prinzipiell aus, um jede stetige Funktion beliebig genau zu approximieren (Universal Approximation Theorem). Die theoretische Grenze des Perceptron-Modells ist damit verschoben — und das gesamte Feld des Konnektionismus läuft ab Mitte der 80er Jahre wieder an. Die heutigen großen Sprachmodelle, von GPT bis Gemini, sind direkte Erben dieser Linie.
Bleibt die philosophische Frage, die in Tech-Diskussionen selten gestellt wird: Wurde das Problem gelöst — oder ingenieurtechnisch umgangen?
Technisch gesehen: gelöst. Man kann XOR berechnen, ebenso wie jede andere Funktion.
Strukturell und epistemisch ist die Lage komplizierter. Die verborgenen Schichten sind nicht interpretierbar. In menschlich lesbaren Begriffen weiß niemand, was die Zwischenmerkmale „bedeuten”. Sie sind keine Elementarerlebnisse im Carnapschen Sinn. Sie sind emergent, verteilt, opak.
Einbettungsräume — im englischen Fachjargon Embedding Spaces — zeigen das paradigmatisch. Ein moderner Transformer repräsentiert jedes Wort, jeden Token als Vektor in einem 768-, 1.536- oder 4.096-dimensionalen Raum. Die einzelnen Dimensionen entsprechen keinen Begriffen, die man benennen könnte. Räumliche Nähe zweier Vektoren bedeutet „semantisch verwandt” — diese Geometrie wird vom Modell während des Trainings ausgebildet und ist im Detail nicht von Hand gestaltet.
Das ist Carnaps Programm in verschobener Form. Die Konstitution komplexer Bedeutung aus elementaren Einheiten ist operationalisiert. Aber die elementaren Einheiten (hochdimensionale Vektoren) sind ihrerseits nicht mehr elementar im Sinne von „interpretierbar”. Wir haben ein funktionierendes Konstitutionssystem, dessen Grundgegenstände jetzt Black Boxes sind.
Quine wird an dieser Stelle besonders relevant. Wenn Bedeutung holistisch ist, lässt sich der Holismus nicht dadurch auflösen, dass man die elementaren Einheiten zahlreicher und höherdimensional macht. Er lässt sich nur in eine Form bringen, in der er sich rechnen lässt. Einbettungen sind genau das. Jeder einzelne Vektor für sich ist bedeutungslos — er ist ein Punkt im Raum. Bedeutung trägt der gesamte Raum, weil jede Position durch Kookkurrenzen mit allen anderen Tokens im Trainingscorpus bestimmt ist. Das ist mathematisch genau das, was Quine 1951 als „corporate body” beschrieben hatte. Die KI hat den Holismus nicht widerlegt. Sie hat ihn implementiert.
Vom Keyword zum Prompt — die architektonische Verschiebung
Die begriffliche Differenz zwischen Query und Prompt haben wir an anderer Stelle ausgearbeitet — operativ, als Unterscheidung zwischen Retrieval (Query gegen einen Index) und Generierung (Prompt durch ein Sprachmodell), mit der Frage als Unterform des Prompts. Was uns hier interessiert, ist die strukturelle Konsequenz, die aus der bisherigen Argumentation folgt.
Bis ungefähr 2019 war die elementare Einheit der Suche das Keyword. Diskret, zählbar, optimierbar. Eine Anfrage hatte einen wohldefinierten Wortlaut, der gegen einen Index abgeglichen wurde. Klassische SEO-Werkzeuge wie Ahrefs, SE Ranking oder Sistrix bauen auf dieser Annahme auf: Man trackt die Position einer Domain für ein bestimmtes Keyword, beobachtet die Veränderung, optimiert die Seite für genau diese Anfrage. Diese Architektur war perceptron-förmig im klassischen Sinn. Inputs (Keywords, On-Page-Signale, Backlinks) wurden gewichtet aggregiert. Ranking war die Ausgabe. SEO bestand darin, an den richtigen Inputs zu drehen.
Seit dem RankBrain-Update von 2015, intensiviert durch BERT (2019) und MUM (2021), arbeitet Google nicht mehr so. Die Anfrage wird zunächst in einen Einbettungsvektor übersetzt. Dieser Vektor wird gegen Dokumentvektoren in einem semantischen Raum abgeglichen. Die Trefferliste ergibt sich aus Nähe im Vektorraum statt aus exakter Wortübereinstimmung. Genau dort hat Carnaps Konstitutionsproblem die Suchmaschine erreicht — als technische Wirklichkeit, nicht mehr als philosophische Frage.
In der KI-Suche, wie sie heute durch ChatGPT, Perplexity, Claude und Google AI Mode betrieben wird, hat sich die Verschiebung noch einmal radikalisiert. Ein Prompt ist kein elementarer Baustein. Er ist eine kontextuelle, oft mehrsätzige Beschreibung einer Aufgabe oder Frage, häufig eingebettet in eine vorausgegangene Konversation. Dieselbe Suchintention kann auf hundert verschiedene Weisen formuliert sein und löst jeweils andere Pfade durch das Modell aus — Query Fan-out, RAG-Retrieval, Tool-Aufrufe, Reasoning-Schritte. Wie sich daraus eine neue Realität für die Sichtbarkeit in Suchergebnissen ergibt — der Billboard-Effekt, sinkende Tool-Rankings bei steigenden Anfragen — haben wir an anderer Stelle ausgearbeitet.
Damit kollabiert das klassische SEO-Tracking auf der Messungsebene. Eine Domain kann für eine konkrete Keyword-Phrase in Google auf Platz drei stehen — und gleichzeitig in der ChatGPT- oder Perplexity-Antwort auf eine semantisch identische Frage überhaupt nicht erscheinen. Wie sich diese Lücke methodisch schließen lässt, haben wir in einem Praxisartikel zum GEO-Tracking ausgearbeitet — der Kern ist eine zweistufige Messlogik aus Query-Ankern und Prompt-Varianten. An dieser Stelle interessiert die theoretische Pointe: Werkzeuge wie Rankscale oder der AI Result Tracker in SE Ranking messen, was unter Perceptron-Logik nicht messbar war — Markennennungen in KI-Antworten, Zitierungen in LLM-Ausgaben, Share of Voice in einer wachsenden Zahl generativer Engines. Es sind Tracking-Begriffe für eine post-elementare Welt.
Methodisch verschiebt sich damit, was SEO, GEO und AEO eigentlich heißen. Die alte Praxis war Input-Optimierung: das richtige Keyword in den richtigen Tag. Die neue Praxis ist Domänenbildung. Inhalte müssen so dicht, kohärent und in sich verwiesen sein, dass sie unabhängig vom genauen Wortlaut einer Anfrage als relevant erkannt werden — weil sie im semantischen Raum „in der Nähe” der gesuchten Bedeutung liegen. Konzepte wie Information Gain, topische Autorität, Entitäten-Abdeckung, semantische Tiefe sind keine SEO-Marketingbegriffe. Sie sind der Versuch, das alte Konstitutionsproblem operationalisierbar zu machen — diesmal als holistische Konstruktion.
Wer Googles eigene Richtlinien aufmerksam liest — die Helpful-Content-Updates seit 2022, die E-E-A-T-Kriterien, die Spam-Richtlinien — bemerkt einen Tonfall, der näher an Quine steht als an Carnap. Qualität ist nicht checklistenförmig reduzierbar. Sie ergibt sich aus einem Gesamtgefüge aus Signalen, Erfahrung, Autorenschaft, Konsistenz — einem corporate body, der nur als Ganzes geprüft werden kann.
200+
5,0
zufriedene Kunden
Wo das Problem heute liegt
Es liegt nahe, am Ende dieses Bogens die Frage zu stellen, ob Carnap nun gewonnen oder verloren hat. Sie ist falsch gestellt. Was tatsächlich passiert ist, lässt sich präziser beschreiben: Das Konstitutionsproblem hat die Disziplin gewechselt. Es ist von der Philosophie ins Ingenieurwesen gewandert. Die Antwort ist dort eine andere, aber es ist dieselbe Frage.
In einem strengen philosophischen Sinn hat Carnap verloren. Quines Holismus-Argument von 1951 ist nicht widerlegt worden. Es ist unauflöslich Teil jeder ernsthaften Bedeutungstheorie geworden. Bedeutung ist nicht atomar zerlegbar — weder phänomenal noch lexikalisch.
In einem operativen Sinn hat Carnap gewonnen. Die Maschinen, die heute Bedeutung verarbeiten — LLMs, multimodale Modelle, generative Suchsysteme — arbeiten mit einer Art Konstitutionssystem, das Carnap als Realisierung seines Programms wiedererkannt hätte. Es gibt eine Basis (Tokens, in höhere Dimensionen eingebettet). Es gibt Operationen (Aufmerksamkeit, Transformation, Residual-Verbindungen). Es gibt einen stufenmäßigen Aufbau höherer Repräsentationen aus niedrigeren. Das ist der Aufbau in Gewichten und Tensoren.
Was zwischen Philosophie und Ingenieurwesen verloren oder gewonnen wird, ist eine Frage des Anspruchs. Carnap wollte ein transparentes, prüfbares, philosophisch durchgängiges System. Die heutigen Modelle leisten die Konstruktion, aber sie sind nicht transparent, nicht prüfbar in Carnaps Sinn und nicht philosophisch durchgängig. Das Problem hat sich verschoben: von der Frage „Lässt sich Bedeutung konstituieren?” zur Frage „Was bedeutet es, dass eine Maschine etwas konstituiert hat, ohne dass wir verstehen, wie?”
Für die Praxis, in der wir bei JSH Marketing täglich operieren, sind das keine akademischen Überlegungen. Sie bilden den Hintergrund, vor dem heutige GEO-Arbeit Sinn macht. Wenn Google öffentlich erklärt, dass mechanische llms.txt-Dateien und KI-generierte Massenartikel das Ranking nicht beeinflussen werden, dann sagt das System: Wir sind nicht mehr perceptron-förmig. Lineare Inputs steuern uns nicht. Was uns steuert, ist die semantische Konsistenz und Originalität einer Domäne, eingebettet in einen hochdimensionalen Raum, in dem Oberflächentricks keine eindeutige Position mehr haben.
Das ist keine Vermutung. Es ist die direkte Konsequenz aus der Architektur, die wir hier nachgezeichnet haben. Wer heute Content für KI-Suchsysteme schreibt, optimiert nicht auf Keywords. Er konstituiert eine semantische Domäne. Information Gain, eigenständige Perspektive, dokumentierte Erfahrung — das sind die Größen, die im neuen System einen Beitrag zur Position eines Dokuments im semantischen Raum leisten. Der Rest ist Carnap unter einem anderen Namen.
Quellen
Rudolf Carnap: Der logische Aufbau der Welt. Berlin: Weltkreis, 1928 (zitiert nach der Felix-Meiner-Ausgabe, Hamburg 1961).
Frank Rosenblatt: The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review 65 (6), 1958, S. 386–408.
W. V. O. Quine: Two Dogmas of Empiricism. The Philosophical Review 60 (1), 1951, S. 20–43 (zitiert nach der Fassung in From a Logical Point of View, Cambridge MA: Harvard University Press, 1953).
Marvin Minsky, Seymour Papert: Perceptrons: An Introduction to Computational Geometry. Cambridge MA: MIT Press, 1969.
David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams: Learning Representations by Back-Propagating Errors. Nature 323, 1986, S. 533–536.
George Cybenko: Approximation by Superpositions of a Sigmoidal Function. Mathematics of Control, Signals, and Systems 2 (4), 1989, S. 303–314.
