Geschichte der künstlichen Intelligenz

Seitenstatus: In Prüfung Diese Seite wartet auf die menschliche Prüfung und Freigabe.

KI-Navigation | Geschichte der künstlichen Intelligenz

Die Geschichte der künstlichen Intelligenz ist keine gerade Linie zu einer immer menschenähnlicheren Maschine. Sie besteht aus mehreren Forschungsrichtungen, wechselnden Leitbildern, großen Erfolgen, enttäuschten Erwartungen und neuen Anläufen. Mal sollten Maschinen vor allem logisch schließen, mal aus Beispielen lernen, mal Sprache verstehen oder ihre Umwelt wahrnehmen und in ihr handeln.

Was jeweils als „intelligent“ galt, veränderte sich mit den technischen Möglichkeiten. Sobald eine Leistung alltäglich wurde – Rechnen, Rechtschreibprüfung, Routenplanung oder automatische Übersetzung –, wurde sie oft kaum noch als KI wahrgenommen.

1940er und 1950er Jahre: Rechnen, Lernen und die Frage nach Intelligenz

Frühe Computer machten es erstmals praktisch vorstellbar, geistige Tätigkeiten in Rechenregeln zu übersetzen. 1950 fragte Alan Turing nicht, ob Maschinen im menschlichen Sinn „denken“, sondern schlug ein beobachtbares Gesprächsexperiment vor. Sein Aufsatz Computing Machinery and Intelligence prägte die Debatte, obwohl der später sogenannte Turing-Test weder Bewusstsein noch Wahrheit oder moralische Urteilskraft misst.

Im Förderantrag für ein Sommertreffen am Dartmouth College verwendeten John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon 1955 den Ausdruck „artificial intelligence“. Das Treffen fand 1956 statt und wurde zum symbolischen Gründungsmoment eines eigenständigen Forschungsfeldes. Die Autoren hofften, Lernen, Sprache, Abstraktion und Problemlösen so genau beschreiben zu können, dass Maschinen sie nachbilden.

1950er bis 1980er Jahre: Symbole, Regeln und Expertenwissen

Viele frühe Programme arbeiteten mit ausdrücklich formulierten Symbolen und Regeln. Sie bewiesen mathematische Sätze, lösten Suchprobleme oder spielten in begrenzten Welten. Später sollten Expertensysteme das Wissen von Fachleuten als Wenn-dann-Regeln verfügbar machen.

Diese Systeme konnten in klar eingegrenzten Aufgaben eindrucksvoll sein. Außerhalb ihrer vorgesehenen Fälle waren sie jedoch spröde. Alltagswissen ließ sich schwer vollständig aufschreiben; Ausnahmen und Veränderungen machten Regelwerke teuer. Überzogene Versprechen, begrenzte Rechnerleistung und ausbleibende praktische Erfolge führten wiederholt zu Förderkürzungen. Die sogenannten KI-Winter waren nicht das Ende der KI, sondern Phasen, in denen Erwartungen, Finanzierung und öffentliche Aufmerksamkeit stark zurückgingen.

Parallel blieben neuronale Netze, Mustererkennung, Robotik, Sprachverarbeitung und statistische Verfahren in Arbeit. Die späteren Erfolge entstanden daher nicht aus dem Nichts.

1990er bis 2010er Jahre: Daten und maschinelles Lernen

Mit mehr digitalisierten Daten und leistungsfähigeren Rechnern gewann maschinelles Lernen an Bedeutung. Systeme erhielten nicht mehr jede Regel einzeln, sondern passten ihre Parameter anhand von Beispielen an.

1997 gewann IBMs Deep Blue einen Wettkampf gegen Schachweltmeister Garri Kasparow. Das war ein wichtiger Meilenstein für spezialisierte Suche und Rechenleistung, aber kein allgemeines Verstehen.

2012 zeigte das später als AlexNet bekannte System bei der Bilderkennung, wie wirksam tiefe neuronale Netze mit großen Datensätzen und Grafikprozessoren trainiert werden konnten. 2016 verband AlphaGo neuronale Netze, Suche und verstärkendes Lernen und besiegte mit Lee Sedol einen der stärksten Go-Spieler der Welt. Beide Erfolge machten sichtbar, dass gelernte Muster und enorme Rechenleistung Aufgaben bewältigen konnten, die zuvor lange als besonders schwer galten.

Seit 2017: Transformer, generative KI und Agenten

Der 2017 veröffentlichte Aufsatz Attention Is All You Need stellte die Transformer-Architektur vor. Sie erleichterte es, Beziehungen innerhalb langer Datenfolgen parallel zu verarbeiten. Auf dieser Grundlage entstanden große Sprachmodelle, die mit sehr vielen Texten trainiert werden und Text fortsetzen, übersetzen, zusammenfassen oder erzeugen können.

Mit öffentlich leicht zugänglichen Chat-Oberflächen erreichte generative KI ab 2022 ein Massenpublikum. Seitdem werden Sprachmodelle mit Bildern, Ton, Suche, Programmausführung und weiteren Werkzeugen verbunden. KI-Agenten können dadurch Aufgaben in mehrere Schritte zerlegen und begrenzte Handlungen ausführen.

Diese Entwicklung erweitert die Einsatzmöglichkeiten, hebt aber die Grundgrenzen nicht auf: Flüssige Sprache ist kein Beweis für Wahrheit, Verstehen oder Bewusstsein. Mehr Handlungsmöglichkeiten vergrößern zugleich den Bedarf an Zugriffsgrenzen, Protokollen und menschlicher Verantwortung.

Der deutsche Strang

Deutschland war an der KI-Geschichte nicht nur als Anwender beteiligt. Es entwickelte eine eigene Landschaft aus universitärer Grundlagenforschung, öffentlich geförderten Instituten und industrienaher Forschung.

1988 – DFKI: Das Deutsche Forschungszentrum für Künstliche Intelligenz wurde als gemeinnützige Public-Private Partnership gegründet. Es verbindet anwendungsorientierte Grundlagenforschung mit Unternehmen und öffentlicher Förderung.
1993 bis 2000 – Verbmobil: In einem großen Verbundprojekt wurde spontan gesprochene Sprache erkannt, analysiert, übersetzt und wieder ausgegeben. Verbmobil verband regelbasierte und statistische Sprachverarbeitung lange vor heutigen Sprachassistenten.
Anwendungsnahe Forschung: Das Fraunhofer IAIS arbeitet an maschinellem Lernen, generativer und vertrauenswürdiger KI für Unternehmen, Behörden und gesellschaftliche Anwendungen. Weitere Fraunhofer-Institute bearbeiten unter anderem Robotik, Produktion, Sicherheit und Mensch-Technik-Interaktion.
Grundlagen und intelligente Systeme: Das Max-Planck-Institut für Intelligente Systeme in Tübingen und Stuttgart forscht an maschinellem Lernen, Computer Vision, Robotik, sozialen Informationssystemen und Mensch-Maschine-Interaktion. Universitäten und Forschungsverbünde ergänzen diese Landschaft.
Unternehmen: Etablierte Firmen wie SAP, Bosch und Siemens integrieren KI in Unternehmenssoftware und industrielle Systeme. Neuere Unternehmen setzen eigene Schwerpunkte: DeepL, 2017 in Köln gegründet, auf Sprach-KI; Aleph Alpha in Heidelberg auf spezialisierte Sprachmodelle und europäische Datensouveränität.
Politischer Rahmen: 2018 beschloss die Bundesregierung eine nationale KI-Strategie. Sie verband Forschung und wirtschaftlichen Transfer mit Qualifizierung, gesellschaftlichem Dialog und dem Ziel einer verantwortungsvollen, gemeinwohlorientierten Nutzung.

Der deutsche Schwerpunkt lag häufig weniger auf großen Verbraucherplattformen als auf Forschung, Sprache, Industrie, Robotik und der Verbindung von Wissenschaft und Mittelstand. Darin liegen Stärken. Zugleich bleiben der Zugang zu Rechenleistung, Kapital und Daten, die Überführung von Forschung in verbreitete Produkte und die Abhängigkeit von wenigen internationalen Plattformen offene Aufgaben.

Was sich aus der Geschichte lernen lässt

Fortschritt verläuft in Wellen. Auf Durchbrüche folgen Phasen mühsamer Anwendung, Korrektur oder Ernüchterung.
Eine Demonstration ist noch keine allgemeine Intelligenz. Schach, Go, Übersetzung und Textproduktion sind unterschiedliche Leistungen.
Technik entsteht nicht allein im Labor. Daten, öffentliche Förderung, Unternehmen, Energie, Arbeit, Recht und gesellschaftliche Ziele bestimmen mit, welche Systeme gebaut werden.
Alte und neue Verfahren bestehen nebeneinander. Regeln, Statistik, neuronale Netze, Suche und menschliches Wissen werden häufig kombiniert.
Die Geschichte ist auch eine Geschichte der Versprechen. Darum müssen Behauptungen an überprüfbaren Aufgaben und Folgen gemessen werden.

KI-Geschichte zeigt weder einen zwangsläufigen Aufstieg zu einer denkenden Maschine noch eine bloße Folge von Moden. Sie zeigt, wie technische Fähigkeiten real wachsen – und wie ihre Bedeutung erst durch menschliche Entscheidungen, Institutionen und Grenzen entsteht.

Quellen und Weiterwege

<< Was ist künstliche Intelligenz? | KI-Navigation | Wie arbeiten KI-Agenten zusammen? >>
Zur KI-Übersicht →