System 2 Thinking

System-2-Denken ist der langsame, anstrengende und bewusste Denkmodus in der Theorie der zwei Prozesse der menschlichen Kognition. Im Gegensatz dazu ist System 1 schnell, automatisch und intuitiv. Die Psychologen Keith Stanovich und Richard West benannten die beiden Systeme im Jahr 2000, und Daniel Kahneman, der 2002 den Alfred-Nobel-Gedächtnispreis für Wirtschaftswissenschaften erhielt, machte sie 2011 in seinem Buch Schnelles Denken, langsames Denken bekannt. Kahneman veranschaulicht die beiden Systeme anhand von Shane Fredericks Schläger-und-Ball-Aufgabe: Zusammen kosten ein Schläger und ein Ball 1,10 $, und der Schläger kostet 1,00 $ mehr als der Ball. System 1 antwortet, dass der Ball 10 Cent kostet. System 2 überprüft die Rechnung und kommt auf 5 Cent. In der künstlichen Intelligenz (AI) bezeichnet der Begriff Modelle und Systeme, die vor einer Antwort zusätzliche Rechenleistung für Schlussfolgerungen, Suche oder Überprüfung aufwenden.

System 1 und System 2 in der KI#

Ein einzelner Vorwärtsdurchlauf eines neuronalen Netzwerks verhält sich wie System 1: Ein Modell zur Bildklassifikation, ein Modell zur Objekterkennung oder eine einzelne Vorhersage des nächsten Tokens durch ein großes Sprachmodell (LLM) wendet auf jede Eingabe denselben festen Rechenaufwand an, unabhängig davon, ob sie leicht oder schwierig ist. Yoshua Bengio stellte die Unterscheidung in den Mittelpunkt seiner NeurIPS-Keynote von 2019 „Von System-1- zu System-2-Deep-Learning“. Er argumentierte, dass Deep Learning schnelle Wahrnehmung gemeistert habe, aber noch das Schlussfolgern, Planen und Verallgemeinern auf neue Situationen lernen müsse, die System 2 ermöglicht. System-2-Verfahren lassen den Rechenaufwand mit der Schwierigkeit steigen – durch Suche, schrittweises Schlussfolgern oder Überprüfen einer Antwort vor der Ausgabe.

Spielende KIs kombinierten die beiden Systeme schon früh. AlphaGo verband ein Richtliniennetzwerk, das vielversprechende Züge auf einen Blick vorschlägt, mit der Monte-Carlo-Baumsuche (MCTS), die vor der Auswahl verschiedene Varianten durchspielt. Thomas Anthony, Zheng Tian und David Barber trainierten 2017 in Schnelles und langsames Denken mit Deep Learning und Baumsuche das schnelle Netzwerk darauf, die langsame Suche nachzuahmen. So werden überlegte Ergebnisse mit der Zeit zur Intuition. Systeme, die beide Modi nutzen, leiten Eingaben häufig wie folgt weiter:

System-2-Techniken in Sprachmodellen#

Chain-of-Thought-Prompting fordert ein LLM auf, Zwischenschritte aufzuschreiben. Dadurch erhält es vor der Antwort mehr Tokens und somit mehr Rechenaufwand. Gedankenbäume, deren Beitrag von 2023 direkt auf die Theorie der zwei Prozesse verweist, durchsuchen verzweigte Gedankengänge und kehren von Sackgassen zurück. Beim Rechenrätsel Game of 24 stieg dadurch die Erfolgsquote von GPT-4 mit Chain-of-Thought-Prompting von 4 % auf 74 %. Reasoning-Modelle wie OpenAIs o1 und DeepSeek-R1 werden mit bestärkendem Lernen darauf trainiert, selbst ausführlich nachzudenken. Ein Prozess-Belohnungsmodell (PRM) kann bei der Suche jeden Schritt eines möglichen Lösungswegs überprüfen.

Viele Produkte bieten beide Betriebsarten an. Anthropics Claude 3.7 Sonnet, veröffentlicht im Februar 2025, ist ein Modell, das je nach Einstellung direkt antwortet oder längeres Nachdenken nutzt. GPT-5, veröffentlicht im August 2025, verwendet einen Router, der jede Anfrage entweder an ein schnelles Modell oder an ein Modell für tiefergehende Schlussfolgerungen weiterleitet – ähnlich wie im Diagramm oben.

Schnelle und langsame Systeme in Bildverarbeitung und Robotik#

Die Robotik verteilt die beiden Systeme auf getrennte Modelle, die mit unterschiedlichen Geschwindigkeiten laufen. Figures Helix, im Februar 2025 angekündigt, führt ein Bild-Sprach-Modell (VLM) mit 7 Milliarden Parametern mit 7 bis 9 Hz als System 2 aus. Dieses interpretiert die Szene und den gesprochenen Befehl. Eine Steuerungsrichtlinie mit 80 Millionen Parametern läuft mit 200 Hz als System 1 und wandelt die Ausgabe des VLM in kontinuierliche Oberkörperbewegungen bis hin zu einzelnen Fingern um.

Bildverarbeitungspipelines nutzen dieselbe Aufteilung, um Kosten zu senken. Die Vorlage YOLO to VLM Monitor in Ultralytics Platform Agents führt ein YOLO26-Nano-Modell für jedes Bild aus und ruft ein VLM nur dann auf, um die Szene zu beschreiben, wenn YOLO mindestens eine Person erkennt. Bilder ohne Personen erreichen so nie das langsamere und kostspieligere Modell.

Kosten und Grenzen#

Kahneman beschrieb System 2 als träge: Bewusstes Nachdenken ist anstrengend, deshalb greifen Menschen standardmäßig auf System 1 zurück und akzeptieren oft dessen Fehler. Bei KI entstehen Kosten durch Latenz und Rechenaufwand, da ein Reasoning-Modell Tausende verborgene Tokens erzeugen kann, bevor es eine Frage beantwortet, die ein schnelles Modell in einem Durchlauf bewältigt. Durch die Weiterleitung wird festgelegt, wie oft diese Kosten anfallen. Nachdenken garantiert außerdem keine vernünftigen Schlussfolgerungen. Die schriftlichen Schritte eines Modells können sich von der Berechnung unterscheiden, die seine Antwort hervorgebracht hat. Diese Diskrepanz wird im Bereich der erklärbaren KI (XAI) untersucht. Bei Verfahren für latentes Schlussfolgern findet das Nachdenken in verborgenen Zuständen statt, die überhaupt keine schriftliche Spur hinterlassen.