EMoT: Bio‑inspirierte Hierarchie für KI‑Denken mit strategischer Ruhe und Gedächtnis

Die neueste Veröffentlichung auf arXiv präsentiert EMoT – eine bio‑inspirierte Architektur, die das Denken von großen Sprachmodellen (LLMs) neu strukturiert. Im Gegensatz zu herkömmlichen Prompting‑Paradigmen wie Chain‑of‑Thought (CoT) oder Tree‑of‑Thoughts (ToT), die lineare oder baumartige Pfade nutzen, organisiert EMoT die kognitive Verarbeitung in vier Ebenen: Mikro, Meso, Makro und Meta. Diese Hierarchie ermöglicht ein gezieltes Ein- und Ausschalten von Rechenknoten, was als „strategische Dormancy“ bezeichnet wird.

Ein weiteres Highlight ist die Integration eines Memory Palace, der fünf verschiedene Mnemonik‑Encoding‑Stile nutzt. Durch diese Kombination kann EMoT nicht nur komplexe, domänübergreifende Probleme bearbeiten, sondern auch die Ergebnisse stabiler und konsistenter liefern. In einer blind durchgeführten LLM‑as‑Judge‑Evaluation erreichte EMoT nahezu die gleiche Punktzahl wie CoT (4,20 vs. 4,33/5,0) und übertraf es bei der Cross‑Domain‑Synthesis (4,8 vs. 4,4).

Die Ablationsstudien zeigen, dass die strategische Dormancy entscheidend ist: Ohne sie fiel die Qualität von 4,2 auf 1,0. Auf einem 15‑Punkte‑Kurzantwort‑Benchmark zeigte EMoT jedoch deutlich schlechtere Ergebnisse als einfachere Baselines, was auf ein „Überdenken“ bei einfachen Aufgaben hindeutet. Die Autoren weisen zudem auf begrenzte Stichprobengrößen, mögliche Selbstpräferenz‑Biases im LLM‑as‑Judge‑Setup und einen etwa 33‑fachen Rechenaufwand hin.

EMoT stellt damit den ersten Versuch dar, hierarchische Topologie, strategische Ruhe und Mnemonik‑Encoding in einem einzigen Rahmen zu vereinen. Obwohl es noch ein Forschungsprototyp ist, eröffnet die Arbeit spannende Perspektiven für die Weiterentwicklung von KI‑Denksystemen.