Grundlagen
Geschichte der künstlichen Intelligenz
Kurzantwort
Die Geschichte der KI beginnt 1950 mit Alan Turings Aufsatz über denkende Maschinen, ihren Namen bekam sie im Antrag für die Dartmouth-Konferenz von 195612. Auf frühe Erfolge wie das Perzeptron und ELIZA folgten Jahrzehnte mit Rückschlägen, bis Schachcomputer, Deep Learning und Go-Programme Durchbrüche brachten35689. Mit dem Transformer von 2017 und ChatGPT im November 2022 erreichte KI den Alltag1011.

Künstliche Intelligenz ist als Forschungsgebiet gut 70 Jahre alt, und ihre Geschichte verläuft in Wellen. Auf große Erwartungen in den 1950er Jahren folgten Ernüchterung und gekürzte Forschungsgelder, dann einzelne Erfolge, die weltweit Schlagzeilen machten136. Seit 2012 hat eine Technik den Takt übernommen, die eigentlich schon in den Anfängen angelegt war: lernende neuronale Netze38.
Die Stationen in einer Zeitleiste
- 1950 Turings Aufsatz
- 1956 Dartmouth
- 1997 Deep Blue
- 2016 AlphaGo
- 2022 ChatGPT
Die Zeitleiste endet mit dem Start von ChatGPT im Jahr 202211; die jüngeren KI-Entwicklungen bei Modellen, Preisen und Recht folgen so dicht aufeinander, dass wir sie Monat für Monat festhalten.
Turings Frage nach der denkenden Maschine
Im Oktober 1950 erschien in der Fachzeitschrift Mind der Aufsatz "Computing Machinery and Intelligence" des britischen Mathematikers Alan Turing1. Er beginnt mit der Frage, ob Maschinen denken können, und ersetzt sie gleich durch eine prüfbare Aufgabe, das Nachahmungsspiel1. Eine fragende Person unterhält sich schriftlich mit zwei verborgenen Gegenübern und soll herausfinden, wer wer ist. Turing fragte, ob eine Maschine in diesem Spiel so gut bestehen könnte wie ein Mensch1.
Aus dem Nachahmungsspiel wurde später der Turing-Test. Sein Reiz liegt darin, dass er Intelligenz am Verhalten misst und die Frage nach dem Inneren der Maschine beiseitelässt. Ob ein Programm, das sich wie ein Mensch unterhält, auch etwas versteht oder gar ein Bewusstsein hat, ist bis heute umstritten.
Dartmouth und der Name
Den Begriff "artificial intelligence" trägt ein Förderantrag vom 31.08.1955 im Titel. John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon schlugen darin ein Forschungsprojekt für den Sommer 1956 am Dartmouth College in Hanover, New Hampshire, vor: zwei Monate, zehn Teilnehmer2. Die Antragsteller vermuteten, dass sich jeder Aspekt des Lernens und jedes andere Merkmal von Intelligenz im Prinzip so genau beschreiben lasse, dass eine Maschine ihn simulieren könne2.
In den folgenden Jahren setzten viele Forschende darauf, Wissen und Schlussregeln von Hand in Programme zu schreiben. Der Gegenentwurf, Maschinen aus Beispielen lernen zu lassen, entstand fast zur selben Zeit.
Erste Programme: Perzeptron und ELIZA
Im Juli 1958 führte das Office of Naval Research der US-Marine das Perzeptron von Frank Rosenblatt vor3. Es lief auf einem IBM 704 und lernte nach 50 Versuchen, Lochkarten mit einer Markierung links von solchen mit einer Markierung rechts zu unterscheiden3. Das Perzeptron war ein einschichtiges neuronales Netz: Es traf eine Vorhersage und passte sich an, wenn sie falsch war3. Die New York Times meldete damals, die Marine habe den Keim eines Computers gezeigt, der lesen und klüger werden solle3.
Rosenblatt war Psychologe und arbeitete 1958 am Cornell Aeronautical Laboratory in Buffalo3. Er traute seiner Maschine viel zu und nannte sie die erste, die eine eigene Idee haben könne3. Mehrschichtige Netze zu trainieren, wusste er noch nicht; sein Lernverfahren steckt nach Einschätzung des Cornell-Informatikers Thorsten Joachims aber bis heute im Training tiefer Netze3. Rosenblatt starb 1971 bei einem Segelunfall in der Chesapeake Bay3.
Acht Jahre später, im Januar 1966, beschrieb Joseph Weizenbaum vom MIT sein Programm ELIZA in der Fachzeitschrift Communications of the ACM4. ELIZA lief auf dem Time-Sharing-System MAC an einem IBM 7094, Nutzer tippten ihre Sätze auf einer entfernten Schreibmaschine ein4. Das Programm suchte nach Schlüsselwörtern und baute daraus nach festen Regeln Antworten. Mit seinem bekanntesten Regelsatz antwortete es ungefähr wie eine Psychotherapeutin der Rogers-Schule, die Aussagen als Fragen zurückgibt4. Verstanden hat ELIZA dabei nichts, das Programm verknüpfte nur Muster. Es gilt als einer der ersten Chatbots.

Der erste KI-Winter
Ende der 1960er Jahre kippte die Stimmung. 1969 veröffentlichten Marvin Minsky und Seymour Papert das Buch "Perceptrons", das Rosenblatts Ansatz scharf kritisierte3. Laut der Cornell University trug die Kritik dazu bei, dass ein sogenannter KI-Winter anbrach, eine Zeit mit deutlich weniger staatlichem Geld für die Forschung3.
In Großbritannien legte der Mathematiker James Lighthill 1973 im Auftrag des Science Research Council einen Bericht über die KI-Forschung vor5. Er teilte das Feld in drei Bereiche und nannte die Fortschritte im verbindenden Bereich, dem Bau allgemeiner Roboter, besonders enttäuschend5. Bei der maschinellen Übersetzung seien enorme Summen mit sehr wenig nützlichem Ergebnis ausgegeben worden5. Als Grund für viele Fehlschläge nannte er die kombinatorische Explosion: Die Zahl der Möglichkeiten wächst bei vielen Aufgaben so schnell, dass schnellere Computer den Vorsprung sofort wieder auffressen5.
Maschinen gewinnen Spiele
Brettspiele taugen als Prüfstein, weil Regeln und Sieg eindeutig sind. Die Wurzeln von Deep Blue liegen an der Carnegie Mellon University, wo Feng-hsiung Hsu und Murray Campbell Schachrechner bauten; 1989 holte IBM Research beide ins Unternehmen6. Der Name spielt auf den Spitznamen Big Blue von IBM an6. Deep Blue verlor im Februar 1996 in Philadelphia gegen Weltmeister Garri Kasparow mit 2 zu 4, gewann allerdings die erste Partie6. Im Mai 1997 kam es in New York zur Revanche, und Deep Blue gewann den Wettkampf über sechs Partien mit 3,5 zu 2,56. Damit hatte erstmals ein Computer einen amtierenden Weltmeister unter regulären Turnierbedingungen geschlagen6. Seine Stärke war rohe Rechenleistung: 32 Prozessoren arbeiteten parallel und bewerteten 200 Millionen Stellungen pro Sekunde6. Für die Revanche verbesserte das Team die Endspieldatenbanken und die Bewertungsfunktion und holte sich Rat bei Großmeistern6. Kasparow sagte danach, der Computer sei viel stärker als erwartet6. Deep Blue kam anschließend ins Smithsonian6.
Im Februar 2011 trat IBM Watson in der US-Quizsendung Jeopardy gegen die beiden erfolgreichsten Kandidaten der Sendungsgeschichte an, Brad Rutter und Ken Jennings, und gewann7. Die Gewinnsumme von 77.147 US-Dollar ging an wohltätige Zwecke7. Watson musste Fragen in natürlicher Sprache verstehen, eine ganz andere Aufgabe als Schach.
Beim Brettspiel Go kam der Durchbruch fast zwei Jahrzehnte später. Im Oktober 2015 besiegte das Programm AlphaGo von DeepMind den dreifachen Europameister Fan Hui mit 5 zu 0, nach Angaben von Google DeepMind das erste Mal, dass ein KI-System einen Go-Profi schlug9. Im März 2016 gewann AlphaGo in Seoul gegen Lee Sedol mit 4 zu 1; mehr als 200 Millionen Menschen sahen zu9. Berühmt wurde Zug 37 der zweiten Partie, den ein Mensch laut DeepMind nur mit einer Wahrscheinlichkeit von eins zu 10.000 gespielt hätte9.

Deep Learning setzt sich durch
Zwischen Deep Blue und AlphaGo liegt ein Wechsel der Methode. AlphaGo verband tiefe neuronale Netze mit Suchverfahren: Ein Netz schlug den nächsten Zug vor, ein zweites schätzte, wer gewinnt, und trainiert wurde zuerst an Partien von Fachleuten, danach in Spielen gegen eigene Versionen9. Die Netze folgen dem Ansatz, den Rosenblatt mit dem Perzeptron begonnen hatte, nur mit vielen Schichten. Den Durchbruch brachte 2012 eine Arbeit von Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton8. Ihr Netz mit 60 Millionen Parametern und 500.000 Neuronen lernte an 1,3 Millionen Bildern aus 1.000 Kategorien, Objekte zu erkennen, und war nach Angaben der Autoren deutlich besser als die bis dahin besten Verfahren8. Rechnen ließen sie es auf Grafikprozessoren8.
Damit war ein Rezept für Deep Learning gefunden, das sich auf viele Aufgaben übertragen ließ: viele Daten, große Netze, schnelle Grafikkarten. Ältere Verfahren verschwanden dadurch nicht, bei Tabellendaten liegen sie oft weiter vorn, wie der Vergleich von maschinellem Lernen und Deep Learning zeigt.
Transformer und ChatGPT
Im Juni 2017 stellten Forschende um Ashish Vaswani den Transformer vor, eine Bauweise, die ganz auf den Attention-Mechanismus setzt und sich gut parallel trainieren lässt10. Ursprünglich für maschinelle Übersetzung gedacht, wurde sie zur Grundlage der großen Sprachmodelle.
Am 30.11.2022 stellte OpenAI ChatGPT vor, feinabgestimmt aus einem Modell der Reihe GPT-3.5 mit Rückmeldungen menschlicher Trainer11. Schon in der Ankündigung nannte OpenAI die Schwäche, dass ChatGPT manchmal plausibel klingende, aber falsche Antworten gibt11. Technisch setzt ChatGPT jede Antwort Token für Token aus Wahrscheinlichkeiten zusammen.
Alle hier genannten Systeme beherrschten eine eng umrissene Aufgabe, vom Unterscheiden zweier Lochkarten bis zum Go-Spiel. Auch ChatGPT zählt trotz seiner Vielseitigkeit nach gängiger Einteilung zur schwachen KI.
Was das für dich heißt
Die Geschichte zeigt, wie oft KI überschätzt wurde, und das hilft beim Einordnen heutiger Versprechen.
- Frag bei jeder Ankündigung, für welche Aufgabe ein System gut ist und woran das gemessen wurde.
- Unterscheide zwischen Vorführung und Alltagseinsatz, wie bei Deep Blue und Watson.
- Lies Prognosen mit Jahreszahl skeptisch: Auf die Erwartungen der 1950er Jahre folgte der Lighthill-Bericht von 1973.
Häufige Fragen
Wer hat die künstliche Intelligenz erfunden?
Eine einzelne Erfindung gibt es nicht. Alan Turing stellte die Grundfrage, John McCarthy und seine Mitantragsteller gaben dem Gebiet den Namen, und Frank Rosenblatt baute eines der ersten lernenden Systeme.
Was war der KI-Winter?
So heißen Phasen, in denen Erwartungen enttäuscht wurden und Forschungsgelder zurückgingen. Der erste folgte auf die Kritik an Rosenblatts Perzeptron und auf den Lighthill-Bericht in Großbritannien.
Welche Wendepunkte gelten als die wichtigsten?
Häufig genannt werden Turings Aufsatz, die Dartmouth-Konferenz, Deep Blue gegen Kasparow, die Bilderkennung mit tiefen Netzen, AlphaGo, der Transformer und der Start von ChatGPT. Die Zeitleiste auf dieser Seite nennt die Daten mit Quelle.
Hat ELIZA schon den Turing-Test bestanden?
Davon ist nichts bekannt. ELIZA arbeitete mit Schlüsselwörtern und festen Antwortmustern, ein Verständnis der Sätze hatte das Programm nicht.
Quellen
Stand:
- Mind, Oxford University Press: A. M. Turing: Computing Machinery and Intelligence, Band LIX, Nr. 236, S. 433 bis 460, Stand 10/1950, abgerufen am 22.11.2026. zurück
- Stanford University, John McCarthy: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, Stand 31.08.1955, abgerufen am 22.11.2026. zurück
- Cornell Chronicle: Professor's perceptron paved the way for AI, 60 years too soon, Stand 25.09.2019, abgerufen am 22.11.2026. zurück
- Communications of the ACM (Kopie UMBC): Joseph Weizenbaum: ELIZA, A Computer Program For the Study of Natural Language Communication Between Man and Machine, Stand 01/1966, abgerufen am 22.11.2026. zurück
- Science Research Council (Kopie Universität Edinburgh): James Lighthill: Artificial Intelligence, A General Survey, Stand 1973, abgerufen am 22.11.2026. zurück
- IBM: Deep Blue, abgerufen am 22.11.2026. zurück
- IBM: Watson, Jeopardy! champion, abgerufen am 22.11.2026. zurück
- NeurIPS Proceedings: Krizhevsky, Sutskever, Hinton: ImageNet Classification with Deep Convolutional Neural Networks, Stand 2012, abgerufen am 22.11.2026. zurück
- Google DeepMind: AlphaGo, abgerufen am 22.11.2026. zurück
- arXiv (Vaswani u. a.): Attention Is All You Need, Stand 12.06.2017, abgerufen am 22.11.2026. zurück
- OpenAI: Introducing ChatGPT, Stand 30.11.2022, abgerufen am 22.11.2026. zurück





