Die Künstliche Intelligenz wirkt wie eine Erscheinung der Gegenwart. Tatsächlich ist sie über siebzig Jahre alt und hat in dieser Zeit mehrere Höhen und tiefe Täler durchlaufen. Ihre Geschichte ist kein steter Aufstieg, sondern ein Wechsel aus euphorischen Aufbrüchen und ernüchternden Rückschlägen. Wer diesen Verlauf kennt, entwickelt ein gesundes Augenmaß für die heutige Begeisterung – und erkennt, worin der aktuelle Durchbruch sich von früheren unterscheidet. Dieser Artikel zeichnet den Bogen von den ersten Ideen bis zur Gegenwart.
Der Anfang: eine Frage und ein Name (1950–1956)
Am Beginn steht eine Frage. 1950 veröffentlichte der britische Mathematiker Alan Turing den Aufsatz „Computing Machinery and Intelligence", der mit den Worten beginnt: „Ich schlage vor, die Frage zu betrachten: Können Maschinen denken?" Turing hielt diese Frage für zu vage und ersetzte sie durch ein prüfbares Gedankenexperiment, den späteren Turing-Test: Kann eine Maschine sich in einem Gespräch so verhalten, dass ein Mensch sie nicht von einem Menschen unterscheiden kann?
Sechs Jahre später bekam das Feld seinen Namen. Im Sommer 1956 versammelte der Mathematiker John McCarthy am Dartmouth College Kollegen zu einem mehrwöchigen Forschungsseminar. Der Antrag von 1955, den McCarthy gemeinsam mit Marvin Minsky, Nathaniel Rochester und Claude Shannon verfasste, prägte den Begriff „Artificial Intelligence" und formulierte die kühne Leithypothese, jeder Aspekt von Intelligenz lasse sich im Prinzip so genau beschreiben, dass eine Maschine ihn nachbilden könne. Dieses Treffen gilt bis heute als Gründungsereignis der KI-Forschung.
Frühe Euphorie und der erste Winter (1956–1980)
Die ersten beiden Jahrzehnte waren von großem Optimismus getragen. Es entstanden Programme, die logische Sätze bewiesen, einfache Sprache verarbeiteten und Spiele beherrschten. Manche Pioniere sagten voraus, dass Maschinen binnen einer Generation alles könnten, was ein Mensch könne. Diese Versprechen ließen sich nicht einlösen. Die Rechner waren zu schwach, die Probleme der realen Welt zu vielgestaltig, und viele Verfahren wuchsen mit der Aufgabengröße ins Unbeherrschbare.
Als die Ergebnisse hinter den Erwartungen zurückblieben, versiegte die Förderung. In den 1970er-Jahren begann eine Phase, die später als „KI-Winter" bezeichnet wurde – eine Zeit gekürzter Mittel und gedämpfter Hoffnungen. Es war die erste harte Lektion des Feldes: Die Kluft zwischen einer eindrucksvollen Demonstration und einem verlässlichen System ist groß.
Expertensysteme und der zweite Winter (1980–1993)
In den 1980er-Jahren erlebte die KI eine kommerzielle Blüte durch Expertensysteme. Diese Programme bündelten das Wissen von Fachleuten in umfangreichen Regelwerken und berieten etwa bei technischen Konfigurationen oder medizinischen Diagnosen. Unternehmen investierten erheblich, eine ganze Branche entstand.
Doch auch dieser Ansatz stieß an Grenzen. Die Regelwerke wurden mit wachsender Größe schwer wartbar, sie konnten nicht dazulernen und scheiterten an allem, was außerhalb ihres eng gefassten Wissens lag. Als die spezialisierte Hardware zudem von günstigeren Standardrechnern verdrängt wurde, brach der Markt ein. Es folgte ein zweiter KI-Winter, der bis in die frühen 1990er-Jahre reichte. Die zentrale Einsicht dieser Jahre bereitete den späteren Wandel vor: Systeme, die nur festgeschriebenes Wissen anwenden, kommen an eine Decke; wirklich robust wird KI erst, wenn sie aus Daten lernt.
Die stille Reifung: vom Symbol zum Lernen (1993–2011)
Auf den zweiten Winter folgte kein lauter Neuanfang, sondern eine stille, gründliche Reifung. Der Schwerpunkt verschob sich von handgeschriebenen Regeln hin zum maschinellen Lernen, das Muster aus Daten ableitet. Statistische Verfahren setzten sich durch, und die Rechenleistung wuchs stetig.
Ein weithin beachtetes Ereignis fiel in diese Phase: 1997 besiegte der IBM-Schachcomputer Deep Blue den amtierenden Weltmeister Garri Kasparow in einem Wettkampf. Der Sieg war ein Meilenstein, beruhte aber weniger auf „Denken" als auf enormer Rechenkraft und maßgeschneiderter Suche. Parallel legten grundlegende Arbeiten an neuronalen Netzen den Grundstein für das, was kommen sollte – lange bevor die Öffentlichkeit davon Notiz nahm.
Der Durchbruch: Deep Learning ab 2012
Der eigentliche Wendepunkt kam 2012. In einem großen Bilderkennungswettbewerb trat das tiefe neuronale Netz AlexNet an, entwickelt von Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton an der Universität Toronto. Es gewann mit deutlichem Abstand und senkte die Fehlerrate weit unter die der klassisch entworfenen Konkurrenz. Der Erfolg ruhte auf dem Zusammentreffen dreier Entwicklungen: großen markierten Datensätzen wie ImageNet, der Rechenkraft von Grafikprozessoren und verbesserten Trainingsmethoden.
AlexNet gilt heute als Auslöser des Deep-Learning-Booms. Der Informatiker Yann LeCun bezeichnete den Sieg als „unmissverständlichen Wendepunkt in der Geschichte der Bildverarbeitung". Von hier an verlief die Entwicklung rasant: Immer tiefere Netze verbesserten Bild-, Sprach- und Übersetzungssysteme in Sprüngen, die zuvor undenkbar schienen. Dass Geoffrey Hinton 2024 den Physik-Nobelpreis für seine Arbeiten an neuronalen Netzen erhielt, unterstreicht das Gewicht dieser Wende im Rückblick.
Die Ära der großen Modelle (2017 bis heute)
Ein zweiter grundlegender Schritt folgte 2017 mit der Veröffentlichung der sogenannten Transformer-Architektur durch ein Forschungsteam von Google, im Aufsatz „Attention Is All You Need". Sie erlaubte es, Sprache mit bislang unerreichter Wirksamkeit zu verarbeiten, und wurde zur Grundlage der großen Sprachmodelle. In den folgenden Jahren wuchsen diese Modelle in Größe und Fähigkeit dramatisch. Mit dem breiten Zugang zu solchen Systemen ab Ende 2022 erreichte die KI schließlich die breite Öffentlichkeit und den Arbeitsalltag.
Dieser jüngste Aufbruch unterscheidet sich in einem Punkt von allen früheren: Er ist nicht nur ein Laborerfolg, sondern hat unmittelbar nutzbare Werkzeuge hervorgebracht, die Millionen Menschen und Unternehmen einsetzen. Zugleich mahnt die Geschichte zur Nüchternheit. Zwei KI-Winter erinnern daran, dass überzogene Versprechen sich rächen und dass zwischen einer beeindruckenden Fähigkeit und einem verlässlichen Produktivsystem stets noch Arbeit liegt.
Fazit
Die Geschichte der KI ist eine Geschichte des Wechsels: von Turings Frage über die Namensgebung in Dartmouth, durch zwei Winter der Ernüchterung, hin zum Durchbruch des Deep Learning und zur Ära der großen Modelle. Ihre wichtigste Lehre ist die Verbindung von Ambition und Bodenhaftung – große Ziele, aber ein wacher Blick für das, was heute wirklich trägt.
Genau diese Haltung prägt die Arbeit von ULTRA Intelligence: Wir setzen KI dort ein, wo sie in der Gegenwart belastbaren Nutzen schafft, statt Versprechen zu machen, die erst die Zukunft einlösen könnte.
Quellen
- Alan M. Turing, „Computing Machinery and Intelligence" (1950), zusammengefasst bei Wikipedia: https://en.wikipedia.org/wiki/Turing_test
- Dartmouth Summer Research Project on Artificial Intelligence (1956): https://en.wikipedia.org/wiki/Dartmouth_workshop
- A Proposal for the Dartmouth Summer Research Project (1955), McCarthy et al.: http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
- AlexNet (Durchbruch 2012, Zitat LeCun, Rolle von Daten/GPU/Methoden), Wikipedia: https://en.wikipedia.org/wiki/AlexNet
- History of artificial intelligence (KI-Winter, Expertensysteme, Deep Blue), Wikipedia: https://en.wikipedia.org/wiki/History_of_artificial_intelligence
Weiterlesen
