Das Phantom „Rix Rasiermesser“ und das echte Rasiermesser der Spieltheorie

Von DerSchneider

Einleitung: Ein Begriff, der nicht existiert

Wer in der wissenschaftlichen Literatur nach einem spieltheoretischen Konzept namens „Rix Rasiermesser“ oder „Rix‘ Razor“ sucht, wird nicht fündig. Keine Fachzeitschrift, kein Lehrbuch, keine Konferenzpublikation verwendet diesen Terminus. Das ist kein Rechercheversäumnis, sondern ein Befund: Der Begriff existiert in der Spieltheorie nicht.

Was jedoch existiert – mit bemerkenswerter Klarheit – ist ein anderes „Rasiermesser“, das in der Spieltheorie tatsächlich eine Rolle spielt: Ockhams Rasiermesser. Und zwar nicht als metaphorische Floskel, sondern als konkretes Ergebnis einer spieltheoretischen Analyse aus dem Jahr 2003. Der folgende Artikel zeichnet nach, was dieses Rasiermesser ist, wie es in die Spieltheorie gelangte und warum die Verwechslung mit einem angeblichen „Rix Rasiermesser“ mehr über Begriffsbildung verrät als über Spieltheorie.

Was Ockhams Rasiermesser ist – und was nicht

Ein mittelalterliches Prinzip und seine präzise Formulierung

Ockhams Rasiermesser ist eines der bekanntesten Prinzipien der Wissenschaftsphilosophie. Die klassische lateinische Formulierung lautet: Entia non sunt multiplicanda praeter necessitatem – „Entitäten dürfen nicht über das Notwendige hinaus vermehrt werden“. Historisch ist diese Formulierung jedoch nicht von Wilhelm von Ockham selbst: Sie entstand erst etwa 300 Jahre nach seinem Tod, und der Name „Occam’s razor“ tauchte erstmals 1852 bei William Rowan Hamilton auf . Ockham selbst formulierte knapper: Numquam ponenda est pluralitas sine necessitate – „Vielfalt darf niemals ohne Notwendigkeit gesetzt werden“ .

Entscheidend für das Verständnis ist die Präzisierung, die Charles S. Peirce 1903 gab: „Bevor man eine komplizierte Hypothese ausprobiert, sollte man sich vergewissern, ob keine Vereinfachung dieser Hypothese die Tatsachen ebenso gut erklärt“ . Es geht also nicht um „Einfachheit“ als ästhetisches Kriterium, sondern um Sparsamkeit in der Anzahl der Annahmen – und zwar nur dann, wenn die Erklärungsleistung gleichwertig ist.

Die entscheidende Einschränkung

Ein häufiges Missverständnis lautet, Ockhams Rasiermesser besage, die einfachste Erklärung sei immer die richtige. Das ist falsch. Das Prinzip greift nur, wenn mehrere Erklärungen die gleichen Fakten gleich gut erklären. Die moderne Wissenschaftstheorie hat zudem gezeigt, dass „Einfachheit“ kein unabhängiges, objektives Kriterium ist; die Anwendung des Prinzips ist daher heuristisch, nicht algorithmisch . Karl Menger formulierte sogar ein Gegenstück: Entities must not be reduced to the point of inadequacy – Entitäten dürfen nicht bis zur Unangemessenheit reduziert werden . Das Rasiermesser ist also kein Freibrief für Reduktionismus, sondern eine Maxime zur Hypothesenauswahl unter Gleichwertigen.

Der Einzug in die Spieltheorie: Tuyls, Verbeeck und Maes (2003)

Das Problem: Statische Spieltheorie und dynamisches Lernen

Die klassische Spieltheorie ist statisch. Sie beschreibt Gleichgewichte, sagt aber wenig darüber, wie rationale Akteure diese Gleichgewichte erreichen. Die evolutionäre Spieltheorie behebt dieses Defizit durch die Replikator-Dynamik, die beschreibt, wie sich Strategien in einer Population über die Zeit verändern. Doch wie verhält sich diese populationsdynamische Beschreibung zu individualistischen Lernmodellen aus dem Reinforcement Learning?

Genau diese Frage untersuchten Karl Tuyls, Katja Verbeeck und Sam Maes in ihrer Arbeit On a Dynamical Analysis of Reinforcement Learning in Games: Emergence of Occam’s Razor, präsentiert auf der CEEMAS 2003 in Prag und publiziert in den Lecture Notes in Computer Science .

Die drei Lernmodelle

Die Autoren verglichen drei Lernmodelle, deren Dynamik mit der Replikator-Dynamik verwandt ist:

1. Cross-Modell. Das mathematisch einfachste Modell. Ein Agent wählt eine Strategie mit einer bestimmten Wahrscheinlichkeit, erhält einen Payoff und aktualisiert die Wahrscheinlichkeit der gewählten Strategie proportional zum erhaltenen Payoff. Die Aktualisierungsgleichung lautet: $p_{i} (n + 1) = U_{i j} + (1 - U_{i j}) p_{i} (n)$ pi(n+1)=Uij+(1−Uij)pi(n) für die gewählte Strategie und $p_{i^{'}} (n + 1) = (1 - U_{i j}) p_{i^{'}} (n)$ pi′(n+1)=(1−Uij)pi′(n) für alle anderen . Es gibt keine Gedächtnisparameter, keine Erwartungsbildung, keine zusätzlichen internen Zustände. Borgers und Sarin zeigten 1997, dass dieses Modell im kontinuierlichen Zeitlimit gegen die Replikator-Dynamik konvergiert .

2. Learning Automata. Ein Modell mit expliziten Belohnungs- und Bestrafungsparametern ( $a$ a und $b$ b). Die Aktualisierungsregeln enthalten zusätzliche Terme für Erfolg und Misserfolg: $p_{i} (n + 1) = p_{i} (n) + a (1 - β (n)) (1 - p_{i} (n)) - b β (n) p_{i} (n)$ pi(n+1)=pi(n)+a(1−β(n))(1−pi(n))−bβ(n)pi(n) . Dieses Modell hat mehr Freiheitsgrade als das Cross-Modell.

3. Q-Learning. Das klassische Reinforcement-Learning-Verfahren, das Zustands-Aktions-Werte (Q-Werte) schätzt. Tuyls et al. zeigten, wie sich die Q-Learning-Dynamik zur Replikator-Dynamik in Beziehung setzen lässt .

Das Ergebnis: Das einfachste Modell genügt

Das zentrale Ergebnis der Analyse: „Occam’s Razor applies in the framework of games, i.e. the simplest model (Cross) suffices for learning equilibria“ . Mit anderen Worten: Um zu erklären, wie Agenten in Spielen Gleichgewichte erlernen, reicht das einfachste der untersuchten Lernmodelle aus. Die komplexeren Modelle – Learning Automata und Q-Learning – führen hinsichtlich der Gleichgewichts-Konvergenz zu keinem Erkenntnisgewinn, der den Zuwachs an Komplexität rechtfertigen würde.

Die Autoren lieferten zudem eine experimentelle Verifikation für alle drei Modelle . Das Ergebnis ist präzise, begrenzt und überprüfbar – genau das, was ein wissenschaftliches Rasiermesser leisten soll.

Was das Ergebnis nicht besagt

Es ist wichtig zu betonen, was dieses Resultat nicht bedeutet. Es besagt nicht, dass Q-Learning oder Learning Automata generell überflüssig sind. Es besagt nicht, dass die Replikator-Dynamik „wahrer“ ist als Q-Learning. Es besagt lediglich, dass im Rahmen der untersuchten Spielsituationen und für die Frage der Gleichgewichts-Konvergenz das sparsamste Modell ausreicht. Wer Q-Learning einsetzt, um komplexere Phänomene zu untersuchen – etwa die Rolle von Exploration, die Dynamik in nicht-stationären Umgebungen oder die Auswirkung von Lernraten –, wird durch dieses Ergebnis nicht widerlegt.

Warum „Rix Rasiermesser“ nicht existiert – und was daraus folgt

Die Quellenlage

Keine der für diesen Artikel konsultierten Quellen – weder die Originalpublikation von Tuyls et al. noch die philosophischen Abhandlungen zu Ockhams Rasiermesser noch die bibliographischen Datenbanken – erwähnt einen Autor namens „Rix“ oder einen Begriff „Rix‘ Razor“ . Die naheliegendste Erklärung ist eine Verwechslung oder ein Tippfehler: Die Assoziation „Rasiermesser + Spieltheorie“ führt zu Ockham, nicht zu einem erfundenen Rix.

Die strukturelle Lehre

Die Episode ist lehrreich, weil sie zeigt, wie wissenschaftliche Begriffe entstehen und sich verbreiten – oder eben nicht. Ockhams Rasiermesser hat eine über 600-jährige Geschichte, eine klare (wenn auch historisch ungenaue) Zuschreibung und eine präzise formulierte Bedeutung. „Rix Rasiermesser“ hat nichts davon. Es ist ein Begriff ohne Referenz, ein Signifikant ohne Signifikat.

Für die Spieltheorie ist das relevant, weil die Disziplin von präzisen Begriffen lebt. Nash-Gleichgewicht, Replikator-Dynamik, Pareto-Optimum – diese Termini haben definierte Bedeutungen und überprüfbare Anwendungen. Ein Begriff wie „Rix Rasiermesser“, der weder definiert noch belegt ist, hat in diesem begrifflichen Ökosystem keinen Platz.

Tabelle: Begriffsabgrenzung

Begriff	Existiert in der Spieltheorie?	Tatsächliche Bedeutung	Belegte Anwendung
„Rix Rasiermesser“ / Rix‘ Razor	Nein	Keine Quelle, kein definiertes Konzept	Keine
Ockhams Rasiermesser / Occam’s Razor	Ja, als methodologisches Prinzip	Sparsamkeit bei erklärenden Annahmen, nur bei gleichwertiger Erklärungsleistung	Tuyls et al. 2003: Einfachstes Lernmodell (Cross) genügt für Gleichgewichtslernen
Cross-Modell	Ja (als Lernmodell)	Aktualisiert Strategiewahrscheinlichkeiten proportional zum Payoff, ohne Gedächtnis- oder Erwartungsparameter	Konvergiert im Zeitlimit gegen Replikator-Dynamik
Replikator-Dynamik	Ja	Beschreibt Strategieentwicklung in Populationen	Standardkonzept der evolutionären Spieltheorie
Q-Learning	Ja (als RL-Verfahren)	Verstärkungslernen mit Zustands-Aktions-Werten	Wird mit Replikator-Dynamik in Beziehung gesetzt

Fazit: Das echte Rasiermesser schneidet präzise

Die Suche nach einem „Rix Rasiermesser“ in der Spieltheorie führt zu einem Nullergebnis. Die Suche nach Ockhams Rasiermesser in der Spieltheorie führt zu einer konkreten, überprüfbaren Forschungsarbeit aus dem Jahr 2003, die zeigt: Das sparsamste Lernmodell reicht aus, um Gleichgewichtslernen in Spielen zu erklären.

Das ist die eigentliche Pointe: Ockhams Rasiermesser schneidet in der Spieltheorie nicht als philosophische Metapher, sondern als mathematisches Resultat. Es sagt nicht „sei einfach“, sondern es zeigt, dass Einfachheit in einem bestimmten formalen Rahmen tatsächlich hinreichend ist. Und es sagt nichts über „Rix“ – weil es keinen Rix gibt, der etwas zu sagen hätte.

Wer also auf den Begriff „Rix Rasiermesser“ stößt, sollte misstrauisch werden. In der Wissenschaftsgeschichte gibt es viele Rasiermesser – Ockhams, Hanlons, Hitchens‘ –, aber keines davon trägt den Namen Rix. Und in der Spieltheorie gibt es genau eines, das eine belegte Rolle spielt: das von Ockham, und zwar in der präzisen Form, die Tuyls, Verbeeck und Maes ihm 2003 gegeben haben.

Quellen

Künne, W.: Ockhams Rasiermesser. In: Brill, Abhandlung zur Philosophie. (Enthält Peirce-Zitat von 1903 und Russell-Zitat von 1913)
Tuyls, K., Verbeeck, K., & Maes, S. (2003): On a Dynamical Analysis of Reinforcement Learning in Games: Emergence of Occam’s Razor. In: Multi-Agent Systems and Applications III (CEEMAS 2003), Lecture Notes in Computer Science, Vol. 2691, Springer, S. 335–344. DOI: 10.1007/3-540-45023-8_32
Tuyls, K., Verbeeck, K., & Maes, S. (2003): Volltext der Abhandlung, Universität Maastricht. (Enthält die Aktualisierungsgleichungen des Cross-Modells und des Learning-Automata-Modells)
Borgers, T., & Sarin, R. (1997): Learning Through Reinforcement and Replicator Dynamics. Journal of Economic Theory. (Nachgewiesen in: Sarin, R. (1994): Stochastic dynamics in games: Learning and evolution, Dissertation, UC San Diego)
Wikipedia: Ockhams Rasiermesser. (Enthält die Diskussion der wissenschaftstheoretischen Rechtfertigungsproblematik und der Duhem-Quine-These)
Eichhorn, W.: Ockhams Rasiermesser und Karl Mengers Gegenstück. Sitzungsberichte der Leibniz-Sozietät 108 (2010), S. 127–130. (Enthält die historischen Angaben zu Hamilton 1852 und Mengers Gegenprinzip)

neustes