Der Schwarm im Gehäuse: Wenn 20 Mikrocontroller eine kollektive Intelligenz formen

Von DerSchneider

Einleitung

Stellen Sie sich vor: 20 kleine, handelsübliche Entwicklungsboards, jeder ein Mikrocontroller mit ein paar Kilobyte RAM, lose miteinander verdrahtet in einem gemeinsamen Gehäuse. Doch statt einfacher Blinkprogramme entfaltet sich ein Verhalten, das an einen Ameisenstaat oder einen Vogelschwarm erinnert – dezentral, anpassungsfähig und überraschend intelligent. Was nach einer visionären Spielerei klingt, ist das Kernkonzept eines aufstrebenden Feldes der angewandten Informatik: der Schwarmintelligenz auf kostengünstiger Hardware.

In diesem Artikel beleuchte ich, wie aus vermeintlich stupiden Einheiten ein emergentes Gesamtsystem entstehen kann, welche historischen und technologischen Wurzeln diese Idee hat und warum gerade Bastler und Ingenieure heute mit Plattformen wie den LoLin-Boards einen entscheidenden Beitrag zu dieser Entwicklung leisten können.

Hauptteil

Von der zentralen KI zur emergenten Intelligenz

Seit dem KI-Hype um große Sprachmodelle wie ChatGPT herrscht oft der Eindruck, echte Intelligenz benötige riesige Rechenzentren, Milliarden Parameter und einen zentralen Planer. Diese Sichtweise blendet jedoch eine alternative Tradition der Künstlichen Intelligenz aus: die schwarmintelligente, dezentrale Herangehensweise.

Bereits in den 1990er Jahren zeigten Forscher wie Marco Dorigo mit seiner Ant-Colony-Optimierung (ACO), dass simple Agenten, die nur lokale Pheromonspuren verfolgen, globale Optimierungsprobleme wie den Handlungsreisenden ebenso gut lösen können wie hochkomplexe Superrechner – und das völlig ohne zentrale Steuerung. Ebenfalls wegweisend war die Arbeit von Eric Bonabeau („Swarm Intelligence: From Natural to Artificial Systems“, 1999). Die Grundidee: Kollektive Intelligenz entsteht emergend aus der Interaktion vieler einfacher Individuen, die nur lokales Wissen austauschen.

In der Praxis scheiterte dieses Paradigma lange an der Verfügbarkeit günstiger, vernetzbarer Recheneinheiten. Heute ändert sich das. Ein ESP8266 oder ESP32 (wie auf den LoLin-Boards) kostet weniger als fünf Euro, besitzt WLAN oder kann per Kabel (I2C, SPI) verbunden werden, und 20 solcher Boards lassen sich für unter 100 Euro realisieren. Das ist ein historischer Wendepunkt: Schwarmintelligenz wird zum Maker-Projekt.

Technische Umsetzung: Einfache Regeln, komplexes Verhalten

Das beschriebene Szenario – 20 kabelgebundene LoLin-Boards in einem Gehäuse – ist kein Selbstzweck. Die kabelgebundene Kommunikation (z. B. über I2C-Bus oder direkte GPIO-Verdrahtung) bietet gegenüber WLAN zwei entscheidende Vorteile: Zum einen die Latenzfreiheit – Entscheidungen fallen in Mikrosekunden statt Millisekunden. Zum anderen die Abhörsicherheit und Robustheit – kein Funkrauschen, keine Kollisionen.

Minimaler Algorithmus pro Agent

Jedes Board benötigt nur wenige Codezeilen. Ein funktionierendes Grundgerüst für einen „SwarmMind“-Agenten (in Arduino/C++-Pseudocode):

cpp

#include <Wire.h>
#define NACHBAR_ANZAHL 4
int eigeneHelligkeit = random(0,255);
int fehlerWert;

void loop() {
  // 1. Sensor lesen (z.B. Lichtstärke)
  int messwert = analogRead(LICHT_SENSOR);
  // 2. Zielvergleich (Fehler berechnen)
  fehlerWert = abs(ZIELWERT - messwert);
  // 3. Nachbarn abfragen (per I2C)
  for (int i=0; i<NACHBAR_ANZAHL; i++) {
    int nbFehler = wireRead(NachbarAdresse[i]);
    if (nbFehler < fehlerWert) {
      // 4. Bessere Nachbarn imitieren
      eigeneHelligkeit = wireRead(NachbarAdresse[i]+offset) * 0.9 + random(-10,10);
    }
  }
  // 5. Aktor setzen (LED/Display/Servo)
  analogWrite(LED_PIN, eigeneHelligkeit);
  // 6. Eigenen Zustand broadcasten
  wireWrite(MeineAdresse, eigeneHelligkeit, fehlerWert);
  delay(50);
}

Dieser Code enthält bereits alle Elemente von Schwarmintelligenz:

• Lokale Wahrnehmung (eigener Sensor)
• Lokale Kommunikation (nur mit Nachbarn)
• Imitation erfolgreicher Nachbarn (einfache Heuristik)
• Exploration (zufälliges Rauschen)

Aus solch minimalistischen Regeln entstehen überraschend stabile, globale Muster. Ein berühmtes Beispiel ist der „Reynolds-Schwarm“ (Boids) von Craig Reynolds (1986), der mit nur drei Regeln (Kohäsion, Ausrichtung, Vermeidung) realistisches Vogelschwarmverhalten erzeugt – ohne jedes Board zu wissen, wo das Zentrum liegt.

Vergleich zentraler vs. dezentraler Steuerung

Historische Kontinuität: Von der Relaislogik zum ESP32-Schwarm

Es lohnt ein Blick in die Technikgeschichte. Bereits der deutsche Ingenieur Konrad Zuse spekulierte in seinem Buch „Rechnender Raum“ (1969) über ein Universum, das aus diskreten, miteinander wechselwirkenden Automaten besteht – eine Art zellularer Automat. Noch früher erforschte John von Neumann die Theorie selbstreproduzierender Automaten. Auch Norbert Wiener, der Begründer der Kybernetik, betonte die Bedeutung von Rückkopplungsschleifen und dezentraler Regelung.

Diese theoretischen Grundlagen blieben lange akademisch, weil die Hardware zu teuer war. Erst die Mikrocontroller-Revolution ab 2010 (Arduino, ESP8266) ermöglichte es, Dutzende Rechenkerne für wenige Euro zu verbauen. Heute stehen wir vor einer neuen Qualität: Edge-Schwärme – dezentrale intelligente Systeme, die direkt in der physischen Welt agieren, ohne Cloud-Anbindung.

Anwendungsszenarien: Was kann ein 20-Board-Schwarm leisten?

Das Potenzial reicht weit über blinkende LEDs hinaus:

• Adaptive Raumbeleuchtung
  Jedes Board hat einen Lichtsensor und eine LED. Ziel: Gleichmäßige Ausleuchtung bei minimalem Energieverbrauch. Der Schwarm findet selbstständig die optimale Helligkeitsverteilung, kompensiert Verschattungen und reagiert auf Tageslicht.
• Aktive Lärmunterdrückung in einem Areal
  Mit Mikrofonen und kleinen Lautsprechern erzeugt der Schwarm gegenphasige Schallwellen – ein „Schallschild“ für einen definierten Raum, ohne dass ein zentraler Controller die Phasen berechnen müsste.
• Dezentrale Lastverteilung in IoT-Netzwerken
  Simuliert auf den Boards: Jedes Board steht für einen Server. Die Helligkeit der LED gibt die CPU-Auslastung an. Der Schwarm verteilt Anfragen so, dass kein Knoten überlastet wird – eine analoge Schwarm-Intelligenz, ähnlich wie Ameisen Nahrung gleichmäßig verteilen.
• Physischer Problemlöser für Logistik
  Auf einer Platte mit positionscodierten Boards (z. B. Hall-Sensoren) sucht der Schwarm den kürzesten Weg von einem Start- zu einem Ziel-Board – wie Ameisen, die Pheromonspuren legen. Die Lösung wird durch Lichtwellen sichtbar.

Kontroversen und Herausforderungen: Ist das echte KI?

Die strengen Definitionen dessen, was „Intelligenz“ ausmacht, sind umstritten. Kritiker argumentieren, dass Schwarmverhalten nur simulierte oder eingeschränkte Intelligenz sei – schließlich könne kein einzelnes Board ein abstraktes Problem lösen. Befürworter verweisen auf emergente Phänomene: Das Gesamtsystem zeigt Problemlöseverhalten, das keinem einzelnen Individuum zuzuschreiben ist. Das ist nicht weniger „echt“ als ein neuronales Netz.

Eine berechtigte Kontroverse betrifft die Reproduzierbarkeit. Schwärme sind deterministisch-chaotisch: Kleine Änderungen der Anfangswerte (z. B. die Reihenfolge des Bootens) können zu völlig anderen Ergebnissen führen. Das macht Debugging schwierig. Im Gegensatz dazu ist zentrale KI deterministisch (gleicher Input → gleicher Output).

Praktische Herausforderungen sind außerdem:

• Kommunikationsoverhead bei kabelgebundenen Systemen mit mehr als 20 Knoten (I2C-Bus-Länge, Adresskonflikte)
• Stromversorgung – 20 ESPs können im aktiven Modus bis zu 4 Ampere benötigen
• Thermomanagement – in einem geschlossenen Gehäuse muss für ausreichende Kühlung gesorgt werden

Zukunftsperspektive: Vom Bastelprojekt zum industriellen Edge-Schwarm

Die beschriebene Architektur ist kein Spielzeug. In der Industrie 4.0 zeichnet sich ein Trend zu dezentralen, vernetzten Sensoren und Aktoren ab – oft als „Fog Computing“ oder „Edge Swarms“ bezeichnet. Anstatt alle Daten in eine Cloud zu schicken (teuer, latenzbehaftet, datenschutzkritisch), sollen die Geräte am Ort des Geschehens selbstständig Entscheidungen treffen.

Genau hier setzen Projekte wie der „SwarmMind“ an. Wer heute lernt, 20 ESP32 zu einem Schwarm zu verbinden, erwirbt Kompetenzen, die in fünf Jahren in der Automatisierungstechnik, Robotik oder Gebäudeautomation gefragt sein werden.

Parallel entwickeln sich Frameworks wie ESP-NOW (Peer-to-Peer ohne WLAN-Router) oder LwM2M (Lightweight Machine to Machine) für genau solche Anwendungen. Auch aus der Forschung – etwa dem Projekt „SwarmOS“ des European Research Council – kommen nutzbare Protokolle.

Fazit und Ausblick

Die Kombination aus 20 kabelgebundenen LoLin-Boards mit einfachen Schwarmalgorithmen eröffnet einen Weg zu robuster, dezentraler und ressourcenschonender Intelligenz. Sie ist historisch tief verwurzelt – von Zuses Relaisrechnern über Reynold’s Boids bis zur modernen ESP-Familie. Sie ist technisch machbar, lehrreich und dabei bezahlbar. Und sie stellt die richtigen Fragen: Braucht Intelligenz wirklich ein Zentrum? Oder entsteht sie nicht gerade da, wo viele Einfaches gemeinsam tun?

Das große Bild: Wir stehen am Beginn einer Ära, in der Schwärme von Mikrocontrollern unsere Umgebung unsichtbar, aber intelligent gestalten werden – von der selbstorganisierenden Fabrik bis zum Fitnesstracker, der mit anderen Trackern kommuniziert. Das Bastelprojekt von heute ist der Prototyp von morgen.

Bauen Sie Ihren Schwarm. Es wird funken.

Quellen

Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press.

Dorigo, M., & Stützle, T. (2004). Ant Colony Optimization. MIT Press.

Reynolds, C. W. (1987). „Flocks, herds and schools: A distributed behavioral model“. Computer Graphics (SIGGRAPH ’87), 21(4), S. 25–34.

Zuse, K. (1969). Rechnender Raum. Friedrich Vieweg & Sohn. (Digitalisiert als Schriften zur Informatik, Band 1).

Von Neumann, J. (1966). Theory of Self-Reproducing Automata. University of Illinois Press.

ESP-NOW Dokumentation: Espressif Systems (2024). „ESP-NOW User Guide“. Online (abgerufen März 2026).

Europäischer Forschungsrat (ERC). (2022). SwarmOS – Operating System for Swarms. Projekt-ID 101097869.