Eine Zeitreise durch 70 Jahre KI-Forschung – von Turings Vision über Rückschläge und Durchbrüche bis zu den Sprachmodellen von heute und den offenen Fragen, die sie aufwerfen.
Podcast auf toknow hörenWillkommen bei toknow. Schön, dass du dabei bist. Künstliche Intelligenz: kaum ein Begriff ist gerade so allgegenwärtig. Doch was steckt eigentlich dahinter? Die Antwort beginnt nicht bei ChatGPT, sondern vor über siebzig Jahren, bei einem britischen Mathematiker und einer verwegenen Frage: Können Maschinen denken? In diesem Podcast nehmen wir dich mit auf eine Zeitreise durch die Geschichte der KI, durch Höhenflüge, Rückschläge und Durchbrüche. Wir schauen uns folgende Themen an: Erstens, Alan Turing und das Imitationsspiel, der erste Maßstab für maschinelle Intelligenz. Zweitens, die Dartmouth-Konferenz von 1956, die Geburtsstunde der Künstlichen Intelligenz. Drittens, die goldenen Jahre und der erste KI-Winter, als große Versprechen an der Wirklichkeit scheiterten. Viertens, die Expertensysteme und der zweite Winter. Fünftens, Deep Blue, der Computer, der Schachweltmeister Garri Kasparow besiegte. Sechstens, der Siegeszug des maschinellen Lernens, von neuronalen Netzen bis zu AlphaGo. Siebtens, die Sprachmodelle der Gegenwart und die Transformer-Architektur. Achtens, die großen offenen Fragen: Verstehen Maschinen wirklich, und können wir sie kontrollieren? Und neuntens, ein Fazit mit Ausblick auf das, was noch kommt. Am Ende wirst du verstehen, warum die Geschichte der KI eine Geschichte von Erwartungen ist, von Euphorie und Enttäuschung. Also, lehne dich zurück. Wir reisen zurück ins Jahr 1950.
Stell dir vor, du sitzt vor zwei Bildschirmen und chattest mit zwei Gesprächspartnern. Einer davon ist ein Mensch, der andere eine Maschine. Wenn du nach dem Gespräch nicht sicher sagen kannst, wer wer ist – ist die Maschine dann intelligent? Genau diese Frage stellte der britische Mathematiker Alan Turing im Jahr 1950, in seinem Aufsatz Computing Machinery and Intelligence. Seine provokante Überlegung: Können Maschinen denken? Turing war damals längst eine Legende. Im Zweiten Weltkrieg hatte er mit seinem Team den deutschen Enigma-Code geknackt. Für die meisten Menschen waren Computer zu dieser Zeit nichts als riesige Rechenmaschinen, so groß wie ganze Räume. Doch Turing dachte weiter. Statt endlos darüber zu philosophieren, was Denken eigentlich bedeutet, schlug er ein Experiment vor: das Imitationsspiel. Ein Fragesteller kommuniziert schriftlich mit zwei unsichtbaren Partnern – einem Menschen und einer Maschine. Kann die Maschine ihn überzeugen, selbst menschlich zu sein, hat sie den Test bestanden. Das Geniale daran: Turing verwandelte eine unlösbare philosophische Frage in ein messbares Kriterium. Er sagte sogar voraus, dass Maschinen bis zum Jahr 2000 den Test bestehen würden. Sein Imitationsspiel wurde zum ersten Maßstab für künstliche Intelligenz, und die Debatte darüber begleitet uns bis heute.
Sechs Jahre nach Turings Aufsatz passiert etwas Entscheidendes. Im Sommer 1956 lädt der junge Mathematiker John McCarthy zu einem Workshop ans Dartmouth College ein, einen kleinen Campus im Grünen von New Hampshire. Über mehrere Wochen kommen rund zwanzig Wissenschaftler zusammen, die meisten jung und voller Tatendrang, darunter Claude Shannon, der Begründer der Informationstheorie, und der spätere KI-Pionier Marvin Minsky. Sie alle verbindet eine kühne Idee: Jeder Aspekt von Intelligenz lasse sich so präzise beschreiben, dass man eine Maschine bauen kann, die ihn simuliert. Für dieses Treffen braucht McCarthy einen Namen. Er wählt bewusst einen Begriff, der sich von allem Bisherigen abgrenzt, von der Kybernetik und der Automatentheorie: Artificial Intelligence, Künstliche Intelligenz. Damit, sagte er später, habe er die Flagge an den Mast genagelt. Die Erwartungen waren enorm. In der Einladung stand, ein einziger Sommer gemeinsamer Arbeit könne bedeutende Fortschritte bringen. Ein einziger Sommer! Allen Newell und Herbert Simon stellten dort den Logic Theorist vor, ein Programm, das mathematische Beweise führte — manche nennen es das erste KI-Programm überhaupt. Heute gilt die Konferenz als Geburtsstunde der Künstlichen Intelligenz als eigenem Forschungsgebiet. Aus einem Sommerworkshop wurde eine Bewegung: mit einem Namen, einer Vision und gewaltigem Selbstvertrauen. Wohin dieser Optimismus führte, erfährst du im nächsten Kapitel.
Stell dir vor, es sind die Sechzigerjahre, und die junge KI-Forschung feiert erste Triumphe. Programme wie der Logic Theorist beweisen mathematische Sätze, der General Problem Solver knackt Denkaufgaben – und dann kommt 1966 ELIZA, ein Chatbot von Joseph Weizenbaum, der einen Therapeuten imitiert. Das Verrückte: Obwohl ELIZA nur simple Muster wiedergibt, schreiben ihr Menschen echtes Verständnis zu. Weizenbaums Sekretärin soll ihn sogar gebeten haben, den Raum zu verlassen, damit sie allein mit dem Programm sprechen kann. Die Stimmung ist euphorisch. Forscher prophezeien, Maschinen würden bald alles können, was Menschen können. Doch dann folgt die Ernüchterung. Übersetzungsprogramme scheitern kläglich – aus "The spirit is willing, but the flesh is weak" wird nach dem Hin- und Herübersetzen angeblich: "Der Wodka ist gut, aber das Fleisch ist faul". Eine schöne Anekdote, aber sie trifft den Kern: Sprache ist viel komplexer als gedacht. 1969 zeigen Marvin Minsky und Seymour Papert zudem, dass einfache neuronale Netze fundamentale Grenzen haben. Und 1973 veröffentlicht James Lighthill in Großbritannien einen vernichtenden Bericht: Die Versprechen seien masslos übertrieben. Die Folge: Fördergelder versiegen, Programme werden gestrichen. Der erste KI-Winter beginnt – eine Eiszeit, die über ein Jahrzehnt dauern sollte.
Nach dem ersten KI-Winter kam in den achtziger Jahren eine neue Hoffnung auf: die Expertensysteme. Die Idee ist verblüffend einfach: Statt einer Maschine allgemeine Intelligenz beizubringen, sammelst du das Wissen echter Fachleute in tausenden Wenn-dann-Regeln. Sogenannte Wissensingenieure interviewten dafür monatelang Spezialisten und gossen deren Erfahrungen in Code. Das bekannteste Beispiel ist MYCIN von der Universität Stanford, ein System, das Blutinfektionen diagnostizieren und die passenden Antibiotika empfehlen sollte – in Tests oft besser als junge Ärzte. Die Wirtschaft wurde hellhörig. Firmen setzten Expertensysteme ein, um Computerkonfigurationen zu planen oder Kreditanträge zu prüfen, und sparten damit Millionen. Sogar Japan kündigte ein gigantisches staatliches KI-Programm an. Doch die Systeme hatten einen wunden Punkt: Sie waren spröde. Fehlte eine Regel, brachen sie komplett zusammen, und gesunden Menschenverstand kannten sie nicht. Die Pflege der Regelwerke fraß Unmengen Zeit und Geld. Als dann auch noch die teuren Spezialcomputer durch billige Standardrechner verdrängt wurden, kollabierte der Markt. Ende der achtziger Jahre versiegten erneut die Fördergelder, Firmen gingen pleite – der zweite KI-Winter war da. Die Lektion dieses Jahrzehnts: Intelligenz lässt sich nicht einfach in Regeln gießen. Doch während die Forschung wieder fror, reifte andernorts schon eine ganz andere Strategie heran – rohe Rechenkraft.
Stell dir vor: New York, Mai neunzehnhundertsiebenundneunzig. Garri Kasparow, der beste Schachspieler der Welt, vielleicht der beste aller Zeiten, sitzt am Brett. Gegenüber nur ein Bildschirm, dahinter ein schwarzer IBM-Schrank namens Deep Blue. Ein Jahr zuvor, in Philadelphia, hatte Kasparow das erste Match noch gewonnen. Doch jetzt ist der Rechner massiv aufgerüstet: Zweihundert Millionen Schachstellungen kann er pro Sekunde durchrechnen. Das Rematch wird ein Weltereignis, das du dir wie einen Boxkampf vorstellen musst. Nach der ersten Partie führt Kasparow. Doch in der zweiten spielt die Maschine einen Zug, so ruhig und so menschlich, dass Kasparow zutiefst irritiert aufgibt. In der sechsten und letzten Partie bricht der Weltmeister nach nur neunzehn Zügen zusammen. Deep Blue siegt mit dreieinhalb zu zweieinhalb Punkten. Zum ersten Mal besiegt ein Computer einen amtierenden Schachweltmeister im Match. Die Schlagzeilen feiern den Triumph der Maschine. Doch was ist da wirklich passiert? Deep Blue hat nicht gedacht und nichts von Schach verstanden. Er hat einfach nur gewaltig gerechnet. Ingenieure und Großmeister hatten menschliches Wissen in Bewertungsregeln gegossen, und zwischen den Partien programmierte IBM das System sogar nach. Abseits des Schachbretts konnte Deep Blue schlicht nichts. Und genau da liegt die Pointe: Reine Rechenkraft reichte für Schach, aber nicht für die Welt da draußen. Der nächste große Sprung der KI musste woanders herkommen, vom Lernen.
Nach Deep Blue hätte man denken können, der Weg sei klar: mehr Rechenpower, mehr von Hand gebautes Wissen. Aber genau da passierte ein Umdenken, das alles verändern sollte. Statt Maschinen jede Regel einzuprogrammieren, ließ man sie plötzlich aus Daten lernen. Die Idee dahinter war gar nicht neu. Künstliche neuronale Netze, grob inspiriert vom menschlichen Gehirn, gab es schon seit den fünfziger Jahren. Nur fehlten ihnen zwei Dinge: genug Daten und genug Rechenleistung. Beides kam dann fast gleichzeitig. Das Internet lieferte riesige Mengen an Bildern, Texten und Videos – Big Data. Und Grafikkarten, eigentlich für Videospiele gebaut, erwiesen sich als perfekt für die Mathematik hinter neuronalen Netzen. Der Durchbruch kam 2012 beim ImageNet-Wettbewerb, bei dem Systeme Millionen von Bildern richtig einordnen sollten. Ein tiefes neuronales Netz namens AlexNet ließ die gesamte Konkurrenz weit hinter sich. Deep Learning war geboren. Nur vier Jahre später schlug AlphaGo von DeepMind den Go-Weltmeister Lee Sedol – in einem Spiel, das als unantastbar für Maschinen galt. Zug 37 in der zweiten Partie: ein Zug, den kein Mensch je gespielt hätte – und der trotzdem genial war. Und genau aus solchen Netzen entstand bald etwas, das du heute wahrscheinlich fast täglich nutzt.
Stell dir vor, du gibst einer Maschine genau eine einzige Aufgabe: Sag das nächste Wort in einem Satz voraus. Klingt banal, oder? Aber genau dieses simple Prinzip steckt hinter den Sprachmodellen, die Künstliche Intelligenz endgültig in unseren Alltag gebracht haben. Der entscheidende Moment kam 2017, als Forscher bei Google in einer Arbeit mit dem bezeichnenden Titel "Attention is all you need" die Transformer-Architektur vorstellten. Der Trick dahinter: Das Modell musste einen Text nicht mehr mühsam Wort für Wort durcharbeiten, sondern konnte jedes Wort gleichzeitig mit allen anderen in Beziehung setzen – und bewerten, welche Wörter fürs Verstehen gerade wichtig sind. Damit ließ sich Sprache in einem bisher unvorstellbaren Maßstab verarbeiten. Firmen wie OpenAI nutzten das, um immer größere Modelle mit gigantischen Textmengen aus dem Internet zu trainieren. Als im November 2022 ChatGPT an den Start ging, zählte das System innerhalb von zwei Monaten hundert Millionen Nutzer – schneller als jede Technologie zuvor. Plötzlich schrieb die KI Aufsätze, erklärte Quantenphysik, programmierte Software. Das Faszinierende: Wer das nächste Wort wirklich gut vorhersagen will, muss Grammatik beherrschen, Fakten kennen, Zusammenhänge erfassen. Aus einer simplen Statistikaufgabe erwuchs etwas, das verblüffend mächtig wirkt. Ob dahinter echtes Verstehen steckt oder nur ein brillantes Echo – genau darum geht es im nächsten Kapitel.
Jetzt wird es philosophisch. Die große Frage nach allem, was wir gehört haben, lautet: Verstehen diese Maschinen eigentlich wirklich, was sie da von sich geben? Die einen sagen: Nein. Sprachmodelle seien nur stochastische Papageien – sie wiederholen Muster aus ihren Trainingsdaten, statistisch geschickt, aber ohne jedes Begreifen. Die anderen widersprechen: Wer so treffend argumentiert, übersetzt und Probleme löst, muss doch irgendeine Form von Verständnis entwickelt haben. Was beide Seiten eint: Niemand kann heute genau sagen, was im Inneren dieser Modelle vor sich geht. Sie sind Blackboxes: Wir sehen, was reingeht und was rauskommt – aber der Weg dazwischen bleibt rätselhaft. Daraus entstehen praktische Probleme. Sprachmodelle halluzinieren – das heißt, sie erfinden Fakten, Quellen, sogar ganze Gerichtsurteile, im selben selbstbewussten Tonfall wie die Wahrheit. Wenn du ein solches System nutzt, prüfe also nach, was es dir erzählt. Und dann ist da die Alignment-Frage: Wie stellen wir sicher, dass immer leistungsfähigere Systeme wirklich das tun, was wir von ihnen wollen? Manche Forschende sehen darin eines der größten Risiken unserer Zeit – andere halten das für Science-Fiction. Fest steht: Wir haben Maschinen gebaut, von denen Turing nur träumen konnte – und trotzdem steht seine Frage, ob Maschinen denken können, genauso offen im Raum wie im Jahr 1950.
Siebzig Jahre Künstliche Intelligenz – was nehmen wir mit aus dieser Reise? Erstens: Die Geschichte der KI ist eine Geschichte von Wellen. Auf große Versprechen folgten immer wieder Ernüchterung und lange Winter, doch jede Krise legte den Grundstein für den nächsten Aufbruch. Zweitens: Der entscheidende Durchbruch kam nicht durch klüger programmierte Regeln, sondern durch Daten und Rechenleistung. Als die Forschung aufhörte, Maschinen Wissen einzutrichtern, und ihnen stattdessen das Lernen beibrachte, änderte sich alles – von ImageNet bis AlphaGo. Drittens: Manchmal reicht ein verblüffend einfaches Prinzip. Sprachmodelle wie GPT tun im Kern nichts anderes, als das nächste Wort vorherzusagen – und erzeugen damit Texte, die uns bis heute staunen lassen. Viertens: Turings alte Frage ist weiterhin offen. Wir wissen schlicht nicht, ob Maschinen wirklich verstehen oder nur überaus überzeugend imitieren. Und der Blick nach vorn? KI wird weiter in Medizin, Wissenschaft und Alltag einziehen – die Fragen zu Kontrolle und Verantwortung werden eher größer als kleiner. Genau daraus folgt das Wichtigste: Die Zukunft der KI liegt nicht allein in den Laboren der Tech-Konzerne. Sie wird von uns allen gestaltet, durch die Fragen, die wir stellen, und durch die Regeln, die wir als Gesellschaft setzen. Das war toknow. Ich hoffe, du nimmst heute etwas Neues mit. Bis zum nächsten Mal — bleib neugierig.