Die Ursprünge: vom Traum der Automaten zum künstlichen Neuron

Den ersten wirklich wissenschaftlichen Meilenstein setzen zwei britische Persönlichkeiten des 19. Jahrhunderts. Charles Babbage entwirft die „Analytische Maschine“, einen programmierbaren mechanischen Rechner, der zu seinen Lebzeiten nie fertiggestellt wurde, aber bereits die konzeptionellen Zutaten des Computers enthält. Die Mathematikerin Ada Lovelace schreibt 1843, was häufig als der erste Algorithmus gilt, der für die Ausführung durch eine Maschine bestimmt war. Lovelace formuliert auch einen berühmten Einwand: Eine Maschine, so sagt sie sinngemäß, könne nur das tun, was man ihr befiehlt; etwas wirklich Originelles erschaffen könne sie nicht. Dieser „Einwand von Lovelace“ wird anderthalb Jahrhunderte lang diskutiert, und die scheinbare Kreativität der generativen KI des Jahres 2026 verleiht ihm neue Schärfe.

Turing erkennt, dass diese Frage falsch gestellt ist, denn wir können „denken“ nicht definieren. Er ersetzt sie daher durch einen konkreten Test, das Imitationsspiel, das unter dem Namen Turing-Test berühmt geworden ist: Wenn ein Mensch im schriftlichen Dialog mit einer Maschine, die er nicht sieht, diese nicht von einem anderen Menschen unterscheiden kann, dann muss man ihr redlicherweise eine Form von Intelligenz zugestehen. Turing verlagert die Debatte damit vom „Was heißt denken?“ (unlösbar) zum „Welches beobachtbare Verhalten würden wir als Beweis akzeptieren?“ (überprüfbar).

Die ersten Erfolge scheinen ihnen recht zu geben. Schon 1956 beweist das Programm Logic Theorist von Allen Newell und Herbert Simon logische Theoreme. 1958 baut der Psychologe Frank Rosenblatt das Perzeptron, eine vom biologischen Neuron inspirierte Maschine, die lernen kann, einfache Muster zu erkennen. Die Presse überschlägt sich: Man kündigt Maschinen an, die gehen, sprechen und ein Bewusstsein haben werden. Dieser überzogene Optimismus, der in der Geschichte der KI immer wiederkehrt, bereitet den Absturz vor.

Einige herausragende Erfolge: DENDRAL (1960er-Jahre) identifiziert chemische Strukturen; MYCIN (1970er-Jahre) diagnostiziert Blutinfektionen und empfiehlt Antibiotika, mitunter besser als junge Ärzte am Beginn ihrer Laufbahn. In den 1980er-Jahren investieren die Unternehmen massiv in diese Technologie.

Den Höhepunkt einer bestimmten Vorstellung vom Schlussfolgern durch rohe Rechengewalt markiert das Jahr 1997, als der IBM-Rechner Deep Blue den Schachweltmeister Garri Kasparow schlägt. Aber Vorsicht: Deep Blue „lernt“ nichts. Er durchsucht Millionen von Stellungen pro Sekunde anhand von Regeln, die Menschen geschrieben haben. Das ist eine ingenieurtechnische Glanzleistung, keine allgemeine Intelligenz: Dame könnte er nicht spielen, ohne vollständig neu programmiert zu werden.

Doch die Idee kommt zu früh: In den 1980er- und 1990er-Jahren fehlen schmerzlich die beiden unverzichtbaren Treibstoffe, nämlich die Daten (das Internet existiert noch nicht in großem Maßstab) und die Rechenleistung (die Computer sind zu langsam). Die Pioniere, etwa Geoffrey Hinton in Kanada, Yann LeCun (ein Franzose, der die Netze auf das Lesen von Bankschecks anwendet) oder Yoshua Bengio, beackern ein Feld, das erst Jahrzehnte später Früchte tragen wird. Sehr viel später wird man sie die „Paten des Deep Learning“ nennen.

Das Zusammentreffen dieser drei Elemente löst Anfang der 2010er-Jahre eine Explosion aus, von der das folgende Kapitel ausführlich erzählt.

---

Das Wichtigste (Kapitel 1)

• Die KI ist die Erbin eines jahrtausendealten Traums, der 1956 in Dartmouth zur Wissenschaft wurde.
• Zwei Denkschulen stehen einander gegenüber: die symbolische KI (explizite Regeln) und die konnektionistische KI (Lernen mit neuronalen Netzen).
• Der symbolische Ansatz dominierte bis in die 1980er-Jahre, mit Erfolgen (Expertensysteme, Deep Blue 1997), aber auch mit fatalen Grenzen: Fragilität und der Aufwand, Wissen von Hand zu kodieren.
• Die „KI-Winter“ erinnern daran, dass sich die Kluft zwischen Versprechen und Wirklichkeit immer rächt.
• Der Konnektionismus erlebt mit der Backpropagation (1986) seine Wiedergeburt, muss aber auf die Daten und die Rechenleistung der 2010er-Jahre warten, um sich durchzusetzen.

Im nächsten Kapitel werfen wir einen Blick unter die Haube dieses konnektionistischen Ansatzes: Wie „lernt“ eine Maschine ganz konkret aus Beispielen?

---