Kann KI die Sprache der Pflanzen übersetzen?

Pflanzen kommunizieren – das ist keine Esoterik, sondern belegte Pflanzenphysiologie. Was aber, wenn wir ihre elektrischen Signale nicht nur messen, sondern mit KI „übersetzen“ könnten? Ein Bericht aus fünf Jahren Forschung und darüber, was das für den MINT-Unterricht bedeutet.

Ein Beitrag von Prof. Dr. Peter Gloor

„Betrachtet, ich bitte euch, dieses winzige Samenkorn, und ihr werdet die Natur so wunderbar, so reich an Geheimnissen finden, dass euch dieses Buch der Natur ein Leben lang genügen wird, ohne je ein Papierbuch aufzuschlagen.“ So schrieb Paracelsus im frühen 16. Jahrhundert, und der Satz klingt heute frischer denn je. Was der Basler Arzt und Naturphilosoph ahnte, lässt sich inzwischen messen: Pflanzen führen ein inneres Leben, das weit komplexer ist, als wir lange dachten. Die Frage ist nicht mehr, ob sie auf ihre Umgebung reagieren. Die Frage ist, wie wir ihre Signale lesen lernen.

Paracelsus und nach ihm die Rosenkreuzer des 17. Jahrhunderts glaubten an eine Signaturenlehre der Natur: die Überzeugung, dass alle Lebewesen in einer gemeinsamen Sprache kommunizieren, die der Mensch entschlüsseln kann, wenn er nur aufmerksam genug hinsieht. Das war damals Spekulation und Mystik. Heute ist es Pflanzenphysiologie, Sensorik und maschinelles Lernen. Der Weg von Paracelsus zum ESP32-Microcontroller ist kürzer, als man denkt, und für den Unterricht eröffnet er eine der faszinierendsten Brücken zwischen Natur, Technologie und der Frage, was Wahrnehmung eigentlich bedeutet.

Pflanzenmusik im Unterricht

Mit TreeMuse lässt sich die Sprache der Pflanzen auch in hörbare Musik übertragen. Mit einer kymatischen Box lassen sich die Schwingungen von Klängen und Tönen sichtbar machen.

Beides kann gratis ausgeliehen werden. Ergänzt wird das Equipment mit spannenden und sofort einsetzbaren Unterrichtsmaterialien.

Pflanzen sind keine Kulisse

Wenn eine Giraffe an einer Akazie frisst, produziert der Baum in Sekundenschnelle Bitterstoffe, die das Fressen unangenehm machen. Gleichzeitig sendet er Ethylen-Gas in die Umgebung, ein chemisches Warnsignal, das Nachbarbäume in einem Radius von bis zu 50 Metern erreicht und dort binnen fünf bis zehn Minuten ebenfalls die Tannin-Produktion anregt. Das geschieht ohne Nervensystem, ohne Gehirn, ohne zentrales Koordinationsorgan. Pflanzen verarbeiten Informationen und handeln danach. Seit Jagadish Chandra Bose dies 1926 in seinem Werk The Nervous Mechanism of Plants erstmals systematisch beschrieb, ist die Pflanzenphysiologie dabei, die weitreichenden Konsequenzen dieser Erkenntnis zu verstehen.

Arabidopsis-Pflanzen, denen man über Lautsprecher Kaugeräusche von Raupen vorspielte, erhöhten ihre Produktion von Senfölglykosiden um 30 Prozent – jenen Stoffen, die Raupen abschrecken. Wind und Insektengesang hingegen lösten keine vergleichbare Reaktion aus. Die Pflanze unterscheidet also nicht nur zwischen Reiz und Nicht-Reiz, sondern zwischen biologisch relevantem Reiz und Hintergrundrauschen. Auch das Wachstumsverhalten von Erbsenwurzeln, die sich gezielt Wassergeräuschen im Boden zuwenden, oder die Chamäleonswinde, die die Blattstruktur ihrer Unterlage imitiert – sogar wenn diese aus Kunststoff besteht – zeigen, dass Pflanzen hochsensible, informationsverarbeitende Organismen sind, die ihre Umgebung aktiv erkunden.

Entscheidend für unsere Forschung ist die Frage nach der Übertragungsgeschwindigkeit. Chemische Signale wie Ethylen sind langsam; sie brauchen Minuten, vergleichbar mit Stresshormonen im Blut. Bioelektrische Impulse hingegen propagieren in Sekunden durch den gesamten Organismus, analog zu Herzschlag oder Hirnwellen beim Menschen. Diese elektrischen Aktionspotenziale sind vermutlich der interne Kommunikationsmechanismus, der die Produktion von Abwehrstoffen und chemischen Warnsignalen erst auslöst. Was wir an unseren Sensoren messen, ist ein Fenster in dieses jahrmillionenalte Frühwarnsystem.

Vom Herzschlag zur Pflanzenwelle

Seit über 20 Jahren forsche ich an sogenannten Honest Signals beim Menschen: biometrischen Daten, die verraten, was eine Person wirklich fühlt, unabhängig davon, was sie sagt. Herzratenvariabilität aus EKG-Sensoren, Bewegungsmuster aus Accelerometern, Hirnwellen aus EEG-Headsets, Aktivitätsdaten aus Smartwatches – das Grundprinzip lautet: messen, was du fühlst, nicht, was du sagst. In Experimenten an der Hochschule Luzern zeigten wir etwa, dass ein LSTM-Netzwerk (Long Short-Term Memory) Emotionen zuverlässig aus Hirnwellendaten klassifizieren kann und dass eine emotionale Stimme stärkere messbare Reaktionen auslöst als visuelle Reize allein.

Vor fünf Jahren stellten wir eine einfache, fast naive Frage: Funktioniert dasselbe Prinzip bei Pflanzen? Haben auch sie „Honest Signals“, körperliche Reaktionen, die unabhängig von menschlicher Interpretation Informationen über ihren Zustand tragen?

Der experimentelle Aufbau ist verblüffend einfach und erschwinglich. Ein ESP32-Mikrocontroller, erhältlich für rund 5 Euro, wird mit einem AD8232-Herzfrequenz-Sensor kombiniert, der ursprünglich für die Messung menschlicher EKG-Signale entwickelt wurde und etwa 4 Euro kostet. Eine einzelne EKG-Klebeelektrode wird direkt auf ein Blatt der Pflanze geklebt, und der Sensor misst die Größe der elektrischen Spannungsfluktuationen – das bioelektrische Feld der Pflanze – in Echtzeit. Die Daten werden per WLAN an einen Laptop übertragen und dort visualisiert und gespeichert. Gesamtkosten pro Sensor-Kit: unter 15 Euro. Das Grundprinzip – körperliche Signale als Fenster in innere Zustände – ist dasselbe, das wir in der Forschung mit Menschen verwenden, dort allerdings mit spezialisierten Geräten wie dem Polar H10, um kausale Zusammenhänge zwischen menschlichen Emotionen und Pflanzensignalen zu untersuchen.

Fünf Jahre Forschung – was die KI sieht

Was lässt sich klassifizieren, wenn ein maschinelles Lernmodell die so gewonnenen Pflanzensignale analysiert? Die Ergebnisse nach fünf Jahren Forschung überraschen in ihrer Eindeutigkeit. Beim Versuch, menschliche Emotionen – gemessen durch gleichzeitige Gesichtserkennung mit einem Facial-Emotion-Recognition-Modell – über die bioelektrischen Signale der Pflanze vorherzusagen, erreichten wir eine Genauigkeit von 73 Prozent. Bei der Unterscheidung einzelner Personen, die sich der Pflanze nähern, lag die Erkennungsrate bei 66 Prozent; die Pflanze „erkennt“ in gewissem Sinne Individuen. Die Erkennung von Licht an oder aus gelang mit 85 Prozent Genauigkeit, die Detektion einer Klangschale mit 77 Prozent.

Besonders aufschlussreich war ein Projekt an der Universität zu Köln, in dem Studierende ein XGBoost-Klassifikationsmodell darauf trainierten, anhand der Pflanzensignale zwischen drei verschiedenen Bedrohungsszenarien zu unterscheiden: Schafe, Hunde und Menschen in der Nähe der Pflanze. Das Modell erreichte eine Gesamtgenauigkeit von 83 Prozent, wobei der Recall für die Schaf-Kategorie im LSTM-Modell bei 92 Prozent lag. Die Pflanzen reagierten messbar und konsistent unterschiedlich auf unterschiedliche Bedrohungsprofile – ein Befund, der unmittelbar an die Grundlagenforschung zur pflanzlichen Wahrnehmung anknüpft.

Diese Zahlen sind kein Beweis dafür, dass Pflanzen „fühlen“ wie Menschen. Sie sind der Beweis, dass ihre bioelektrischen Signale strukturierte, klassifizierbare Information enthalten – Information, die mit modernen KI-Methoden auslesbar ist. Was Paracelsus als verborgene Sprache der Natur beschrieb, zeigt sich hier als elektromagnetisches Muster, das einem neuronalen Netz zugänglich ist.

Zum Weiterlesen und Mitmachen

Weitere Informationen finden Sie hier:

Die Software ist hier frei verfügbar:

Das begleitende Unterrichtsmaterial „Verborgene Signale: Von Paracelsus zu den Pflanzensensoren“ inkl. Aufgabenstellungen kann hier heruntergeladen werden:

Hier geht es zur Begleitwebsite, auf der alle Unterrichtsaktivitäten mit vielen Hintergrundinformationen, Schritt-für-Schritt-Anleitungen und Lösungen gesammelt zur Verfügung stehen:

Unterrichtsimpuls für Physik, Informatik, Biologie, Ethik

Das Thema eignet sich für den Unterricht auf mehreren Ebenen, die sich sinnvoll verzahnen lassen. In einer ersten Phase, die sich gut im Physik- oder Informatikunterricht verankern lässt, bauen Schüler:innen in Kleingruppen einen eigenen Pflanzensensor. Die Bauanleitung ist frei verfügbar unter www.biolingo.org, benötigt keine Vorkenntnisse in Elektronik und führt innerhalb einer Doppelstunde zu einem funktionierenden Messaufbau. Sobald die EKG-Klebeelektrode auf einem Blatt sitzt und der serielle Monitor des Laptops geöffnet ist, erscheint die Spannungskurve der Pflanze in Echtzeit auf dem Bildschirm. Das ist keine Simulation, sondern das echte elektrische Signal der Pflanze, das sich verändert, wenn man ein Blatt berührt, die Raumbeleuchtung wechselt oder in die Hände klatscht. Diese unmittelbare Sichtbarmachung des sonst Unsichtbaren ist didaktisch wertvoll, weil sie den abstrakten Begriff der elektrischen Spannung plötzlich an etwas Lebendigem erfahrbar macht.

In einer zweiten Phase, die sich im Informatikunterricht der Oberstufe anbietet, exportieren die Gruppen ihre aufgezeichneten Daten als CSV-Dateien und trainieren mit einem bereitgestellten Python-Notebook ein einfaches Klassifikationsmodell. Das Notebook führt Schritt für Schritt durch Datenladen, Feature-Extraktion und Modellauswertung, sodass keine umfangreichen Programmiervorkenntnisse nötig sind. Entscheidend ist die dritte Phase: die Diskussion der Ergebnisse. Wie hoch ist die Genauigkeit des eigenen Modells, und was bedeutet das? Was passiert, wenn man die Trainingsdaten einer anderen Gruppe verwendet? Wo könnte Bias entstehen, etwa durch die Pflanzensorte, die Tageszeit, die Platzierung der Elektrode? Und vor allem: Kann die KI sagen, ob die Pflanze etwas „fühlt“? Oder klassifiziert sie lediglich Muster in Spannungsdaten? Der Unterschied zwischen Klassifikation und Verstehen ist eine der zentralen Fragen der KI-Ethik, und sie lässt sich an diesem konkreten, selbst erzeugten Datensatz außerordentlich präzise diskutieren. Der Lehrplanbezug reicht von elektrischer Spannung und Sensoren in Physik über Ionenströme und das Reiz-Reaktions-Schema in Biologie bis zu maschinellem Lernen und Bias in Informatik und mündet fast zwangsläufig in eine philosophische Frage, die Paracelsus bereits stellte: Was ist Wahrnehmung, und wer oder was darf sie beanspruchen?

Silent Signals: Forschung zum Anfassen

Diese drei Fragen – was nimmt die Pflanze wahr, was deutet die KI, und was deutest du? – stehen im Zentrum der Ausstellung Silent Signals an der Phänomena Zürich, die seit März 2026 für Schulklassen und die Öffentlichkeit zugänglich ist. Vier interaktive Stationen zeigen Pflanzensignale in Echtzeit auf großen Monitoren, eingebettet in Hochbeete mit echten Pflanzen. An der Berührungswahrnehmungsstation berühren Besucher:innen ein Blatt und sehen sofort, wie sich die Spannungskurve verändert. An der Emotionswahrnehmungsstation erkennt eine Kamera den Gesichtsausdruck der Person vor dem Monitor, während gleichzeitig die bioelektrische Reaktion der Pflanze angezeigt wird und die Frage im Raum steht, ob und wie beide zusammenhängen. Die Licht- und die Klangstation zeigen, wie die Pflanze auf eine Lampe oder eine Klangschale reagiert, wobei das Modell in Echtzeit seine Klassifikation anzeigt und dabei auch seine Unsicherheit ausweist. Alle vier Stationen laufen auf einem einzigen Mac Mini M4 mit selbst entwickelten Flask-Applikationen und BioLingo v22 ESP32-Sensoren, die vollständig aus Open-Source-Hardware aufgebaut sind.

Citizen Science für Schulen

Das Projekt BioLingo, aus dem Silent Signals hervorgegangen ist, versteht sich als offene Forschungsplattform. Mehr als 20 Forschende aus neun Universitäten in sechs Ländern haben in den vergangenen fünf Jahren daran mitgewirkt, und die gesamte Software ist auf GitHub frei verfügbar. Studierende vom MIT über Köln bis Aarau haben ihre Ergebnisse in peer-reviewed Fachzeitschriften publiziert – ein Modell kollaborativer Wissenschaft, das sich bewusst an die Tradition der Citizen Science anlehnt.

Schulen können vollständig teilnehmen. Die Bauanleitungen für den Sensor sind offen, das Python-Repository ist dokumentiert, und Messdaten können zur gemeinsamen Auswertung beigetragen werden. Ein Sensor-Kit lässt sich im Physikunterricht zusammenlöten, im Informatikunterricht programmieren, im Biologieunterricht einsetzen und im Ethikunterricht hinterfragen – echte Forschungsdaten, eigene Hypothesen, und für motivierte Gruppen durchaus eine reale Publikationsmöglichkeit.

Das Buch der Natur neu lesen

Paracelsus forderte seine Zeitgenoss:innen auf, das Buch der Natur zu lesen, statt blind Autoritäten zu folgen. Fünf Jahrhunderte später tun wir genau das, nur dass wir inzwischen Sensoren, Mikrocontroller und neuronale Netze als Lesewerkzeuge zur Verfügung haben. Die Signale, die Pflanzen senden, waren immer da. Wir lernen erst jetzt, sie wahrzunehmen. Und was wir dabei lernen, betrifft nicht nur die Botanik: Es betrifft die Frage, was Wahrnehmung bedeutet, was KI kann und was sie nicht kann, und wie wir als Menschen in einem Ökosystem leben wollen, dessen Komplexität wir gerade erst zu ermessen beginnen. Das ist, im besten Sinne, lebendige Wissenschaft – nicht als fertiges Wissen, sondern als offene Frage.

Prof. Dr. Peter Gloor

Prof. Dr. Peter A. Gloor ist Research Affiliate am MIT System Design Management Program, Honorar-Professor an der Universität zu Köln und Chief Creative Officer bei GalaxyAdvisors AG (Aarau). Er forscht seit über 20 Jahren zu Collaborative Innovation Networks und Honest Signals und seit fünf Jahren zu bioelektrischen Pflanzensignalen.

Headerbild | © KI-generiert mit GPT2

Hat Ihnen dieser Artikel gefallen?

Ab sofort können Sie mit dem Digital-Abo alle Fachartikel aus dem MINT Zirkel am Bildschirm lesen, alle Zusatzmaterialien zu den Beiträgen nutzen, die Beiträge auch als Audioversion anhören und das Ausgabenarchiv bequem durchsuchen. Viermal im Jahr kommt eine neue Ausgabe – für Ihren Wissensvorsprung! Außerdem erhalten Sie im Abo unbegrenzten Zugriff auf sämtliche im MINT Zirkel veröffentlichten Downloads (Arbeitsblätter, Unterrichtsmaterial etc.) und sichern sich weitere exklusive Vorteile.

Beitrag teilen: