Die Red-Queen-Hypothese stammt ursprünglich aus der Evolutionsbiologie und beschreibt, wie Organismen in einem ständigen Wettrüsten mit ihren Konkurrenten, Parasiten oder Beutetieren stehen – Stillstand bedeutet relativen Rückschritt. Forscher am Department of Computer Science and Technology der Universität Cambridge übertragen dieses Prinzip nun auf KI-Systeme: Anstatt ein Modell gegen eine feste Zielfunktion zu trainieren, soll es sich durch kontinuierlichen Wettbewerb gegen andere, sich ebenfalls weiterentwickelnde KI-Agenten verbessern. Der entscheidende Unterschied zu klassischem Reinforcement Learning liegt darin, dass es keine statische Reward-Funktion gibt – die Trainingsumgebung selbst ist dynamisch und ko-evolutionär. Ähnliche Ansätze existieren in der Spieltheorie und bei Self-Play-Methoden (etwa in AlphaGo/AlphaZero), doch der Cambridge-Ansatz scheint dieses Prinzip grundlegender und breiter anwendbar formulieren zu wollen. Die Forschung ist am Accelerate Programme for Scientific Discovery der Universität angesiedelt, das interdisziplinäre KI-Anwendungen fördert. Der Volltext des Artikels war zum Zeitpunkt der Auswertung nur begrenzt zugänglich, weshalb konkrete experimentelle Ergebnisse oder beteiligte Forschernamen nicht verifizierbar sind.