1. Am Anfang wollte ich nur ein Kartenspiel gewinnen
Der ursprüngliche Plan war nicht akademisch: PP erhöhen, Ward entfernen, Storm ins Gesicht, gewinnen.
Dann lässt man eine KI tausende Partien simulieren, um Decks zu vergleichen, und plötzlich kommen Fragen: Ist das nur Glück? Reicht die durchschnittliche Winrate? Was, wenn ein Matchup katastrophal ist? Wie entscheidet man bei verdeckter gegnerischer Hand? Warum wurde eine neue Policy schwächer?
Plötzlich stehen Monte-Carlo-Verfahren, Bayes-Update, Nash-Gleichgewicht, dynamische Programmierung, POMDP, robuste Optimierung, Kausalinferenz und Kontrafaktisches im Raum.
Der Mensch muss das nicht alles im Kopf rechnen. Er entscheidet, was er wissen will; KI und Code übernehmen Wiederholung, Protokollierung, Statistik und Vergleich.
2. Stellen wir uns einen Beruf vor: „Kartenspiel-Lehrer“
Eine KI wie einen guten Menschen spielen zu lassen ähnelt der Ausbildung eines neuen Mitarbeiters.
Der „Praktikant“ muss Mulligan, Kartenhalten, Evolution-Ressourcen, gegnerische Antworten, Zwei- bis Drei-Zug-Planung, Lethal, Handlimit und Board-Slots lernen.
Zu viel für einen Kopf gleichzeitig, also wird der Job strukturiert: Win Condition bestimmen, Ressourcen bestimmen, die noch nicht ausgegeben werden dürfen, und prüfen, ob man nächsten Zug stirbt.
Dann übt die KI tausende Partien.
4.000 Übungsspiele sind kein Praktikum mehr. Das ist industrielle Ausbildung.
3. Menschlichen Rat wörtlich zu befolgen kann schlechter machen
Guides sagen: „Diese Karte halten“, „SEP sparen“, „früh rampen“, „Combo-Teil aufheben“.
Meist stimmt das, aber nur unter Bedingungen.
Halte sie – außer du stirbst, wenn du sie jetzt nicht spielst. Spare Evolution – außer du zerstörst damit jetzt den gegnerischen nächsten Zug. Rampe – außer der Boardverlust dich sofort tötet.
Menschen ergänzen solche Ausnahmen aus Erfahrung. Eine KI vielleicht nicht.
Mensch: „Normalerweise halten.“ KI: „Verstanden.“ KI: stirbt.
Anweisungen befolgen und den Zweck einer Anweisung verstehen sind zwei verschiedene Fähigkeiten.
4. Baumsuche: „dieser Zug, der nächste, und noch einer“
Nehmen wir drei Aktionen: A Gegner entfernen, B Leader angreifen, C Karte halten.
Jede Aktion eröffnet eine andere Zukunft. Der Gegner besitzt wiederum verschiedene Antworten. Diese Verzweigungen ergeben einen Baum.
Das Problem ist die Explosion der Äste. Zehn Kandidaten pro Schritt können nach vier Schritten ungefähr zehntausend Äste ergeben.
Darum benutzt man Tiefenlimits, Beam Search und Node Budgets.
Aber zu frühes Pruning kann einen Zug löschen, der jetzt schwach, in zwei Zügen aber optimal ist.
Suche bedeutet nicht nur „weiter voraus schauen“. Entscheidend ist, welche Zukunft weiterleben darf.
5. Die anderen Theorien lösen andere Probleme
Monte Carlo: viele Zukunftsverläufe simulieren und mitteln.
Bayes-Update: nach gegnerischen Aktionen die Wahrscheinlichkeit bestimmter Karten anpassen.
POMDP: entscheiden, wenn ein Teil des wahren Zustands verborgen ist.
Minimax: annehmen, dass der Gegner die stärkste Antwort wählt.
Nash-Gleichgewicht: Strategien betrachten, bei denen einseitiges Ändern nicht leicht mehr Nutzen bringt.
No-Regret Learning: langfristig das „hätte ich doch anders gewählt“ verkleinern.
Robuste Optimierung: stark sein, ohne in schlechten Matchups zusammenzubrechen.
CVaR: den schlechten Bereich der Resultate betrachten.
Paired A/B: gleiche Seeds, Decks und Reihenfolge; nur die Policy ändert sich.
Konfidenzintervall: abschätzen, wie viel Unterschied Zufallsrauschen sein kann.
Ablation: Komponenten einzeln entfernen.
Kontrafaktisch: vom gleichen Zustand eine andere Aktion testen.
Kausalinferenz: prüfen, ob das Verändern der vermuteten Ursache tatsächlich das Ergebnis verändert.
Die Namen klingen gefährlich. Im Alltag heißt das: oft testen, Vermutungen aktualisieren, schlechte Fälle ansehen, fair vergleichen und Verdächtige einzeln prüfen.
6. Wo endet Uni-Niveau und wo beginnt Forschungsgefühl?
Statistik, Monte Carlo, dynamische Programmierung, Spieltheorie, Bayes und Optimierung tauchen im Studium auf.
Forschungsähnlicher wird es durch den Ablauf: Regression sehen, mehrere Ursachenhypothesen bilden, erwartete Belege definieren, Traces hinzufügen, eine Komponente ändern, Kontrafaktisches testen, ungesehene Daten nutzen und die Methode ablehnen, wenn sie nicht besteht.
Das Studium gibt die Werkzeugkiste. Forschung fragt, wie man mit den Werkzeugen überzeugende Evidenz baut.
7. Geisteswissenschaft oder MINT? Echte Probleme mischen alles
Baumsuche, Algorithmen, Wahrscheinlichkeit und Reinforcement Learning sind klar technisch.
Spieltheorie, Nash, Pareto, Risiko und Entscheidung gehören auch zu Ökonomie und Operations Research.
Kausalinferenz findet man in Ökonomie, Medizin, Sozialwissenschaften und KI.
Echte Probleme respektieren Fakultätsgrenzen nicht.
Sogar ein Kartenspiel-Board kann zum interdisziplinären Labor werden.
8. Der Wert von Uni oder Berufsausbildung ist nicht, alles zu behalten
Jahre später Formeln zu vergessen ist normal.
Aber einmal von Monte Carlo, Bayes, Optimierung oder Spieltheorie gehört zu haben, erzeugt einen mentalen Index.
Bei einem neuen Problem kann man denken: „Das klingt bayesianisch“, „vielleicht ein Optimierungsproblem“, „wir sollten unter identischen Bedingungen vergleichen“.
Das ist viel besser, als nicht einmal zu wissen, wonach man suchen soll.
Bildung baut eine Landkarte von Werkzeugen. Berufsschulen funktionieren ähnlich: Grundlagen zuerst, Tiefe wenn die Praxis sie braucht.
9. KI macht „ich kenne die Grundlagen“ viel wertvoller
Früher konnte der Name einer Methode wenig helfen, wenn man Gleichungen, Implementierung und Statistik nicht selbst beherrschte.
Heute kann der Mensch die Richtung geben: „Passt Monte Carlo hier?“, „Ist das ein Hidden-Information-Problem?“, „Kann dieser Unterschied Zufall sein?“, „Mach eine Ablation.“
Die KI hilft bei Implementierung und Berechnung.
Grundwissen wird nicht nur zum Werkzeug, um alles selbst zu lösen, sondern zu einem Index, um der KI die richtige Denkarbeit zu geben.
10. Keine „Wissensallergie“ zu haben ist ein Vorteil
POMDP, PSRO, CVaR, Cluster Bootstrap.
Die Wörter wirken abweisend.
Aber wer zuerst fragt „Wofür ist das gut?“ statt „Das ist nichts für mich“, ist bereits im Thema.
POMDP: versteckte Information. PSRO: starke Antworten hinzufügen. CVaR: schlechte Ergebnisse betrachten. Cluster Bootstrap: Unsicherheit unter Beachtung zusammengehöriger Daten messen.
Man muss nicht alles verstehen, bevor man es berührt. Erst anfassen, dann mit KI vertiefen.
11. Wenn das Arbeitsgedächtnis voll ist, verschiebe das Gedächtnis nach außen
Ein Kartenspiel verlangt bereits Hand, Board, PP, Evolution, gegnerische Antworten, Ward, Heilung, Lethal und zukünftige Züge.
Forschung fügt Seeds, Hashes, Configs, Hypothesen, Intervalle und Experimenthistorie hinzu.
Alles im Kopf zu halten ist unnötig.
Bedingungen in Configs, Berechnungen im Code, Historie in Logs, große Vergleiche durch KI.
Der Mensch behält die Frage und das Gefühl „dieses Ergebnis sieht komisch aus“.
Das ist kein Schummeln. Es reserviert das Gehirn für Urteilskraft.
12. Fazit: Ich wollte nur Storm ins Gesicht und verstand plötzlich, wozu Bildung gut ist
Ein Kartenspiel verband Suche, Wahrscheinlichkeit, Statistik, Spieltheorie, Kausalität, Bildung und KI.
Man muss nicht jedes Gebiet beim ersten Lernen vollständig beherrschen.
Es gesehen zu haben, den Namen zu kennen und keine Angst davor zu haben, schafft Jahre später einen Einstieg.
KI senkt die Kosten von „davon habe ich gehört“ zu „ich kann es an einem echten Problem testen“.
Der Mensch stellt die Frage. Die Maschine rechnet. Das Ergebnis wirkt seltsam, der Mensch fragt erneut.
Und der ursprüngliche Plan bleibt simpel.
Ward entfernen. Evolven.
Storm ins Gesicht.
Ein unerwarteter Ort, an dem sich Bildung auszahlt.
