seit wann gibt es künstliche intelligenz » Die Geschichte der KI erklärt

Seit wann gibt es künstliche Intelligenz? Diese Frage lässt sich nicht mit einem einzigen Jahr beantworten. Die Idee, Maschinen mit menschenähnlichen Fähigkeiten auszustatten, reicht deutlich weiter zurück als die heutigen KI-Systeme. Die eigentliche wissenschaftliche Geschichte der künstlichen Intelligenz begann jedoch vor allem Mitte des 20. Jahrhunderts.

Als wichtiger Meilenstein gilt das Jahr 1956. Damals wurde der Begriff „Artificial Intelligence“, also künstliche Intelligenz, im Rahmen der Dartmouth Conference geprägt und als eigenes Forschungsgebiet etabliert. Die Entwicklung begann allerdings schon früher: Mathematiker, Informatiker und Wissenschaftler beschäftigten sich bereits in den 1940er- und 1950er-Jahren mit der Frage, ob Maschinen denken, lernen und Probleme selbstständig lösen können.

Von frühen Rechenmaschinen über Expertensysteme bis hin zu Machine Learning, neuronalen Netzen und generativer KI hat sich künstliche Intelligenz seitdem grundlegend verändert. In diesem Artikel erklären wir die Geschichte der künstlichen Intelligenz, zeigen, seit wann es KI gibt, welche wichtigen Meilensteine die Entwicklung geprägt haben und wie aus frühen theoretischen Konzepten moderne KI-Systeme entstanden sind.

Seit wann gibt es künstliche Intelligenz?

Die moderne künstliche Intelligenz als wissenschaftliches Forschungsgebiet gibt es seit den 1950er-Jahren. Als offizieller Ausgangspunkt wird häufig das Jahr 1956 genannt.

In diesem Jahr fand am Dartmouth College in den USA ein Forschungsprojekt statt, das heute als Dartmouth Summer Research Project on Artificial Intelligence bekannt ist. Organisiert wurde es unter anderem von John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon. John McCarthy verwendete dabei den Begriff Artificial Intelligence.

Die zentrale Idee war revolutionär: Wissenschaftler wollten untersuchen, ob sich Aspekte menschlicher Intelligenz so genau beschreiben lassen, dass eine Maschine sie simulieren kann.

Dazu gehörten beispielsweise:

• logisches Denken

• Problemlösung

• Lernen

• Sprachverarbeitung

• Planung

• Mustererkennung

• Entscheidungsfindung

Damit begann die KI Geschichte im modernen wissenschaftlichen Sinn. Allerdings bedeutet das nicht, dass es vor 1956 keine Entwicklungen gab, die zur künstlichen Intelligenz führten. Im Gegenteil: Viele wichtige Grundlagen wurden bereits Jahrzehnte zuvor geschaffen.

Die Entwicklung der KI lässt sich grob in mehrere Phasen unterteilen:

Die heutige künstliche Intelligenz ist deshalb das Ergebnis einer jahrzehntelangen Entwicklung.

Die Vorstellung künstlicher oder maschineller Intelligenz ist wesentlich älter als moderne Computer. Schon lange bevor es elektronische Rechner gab, beschäftigten sich Menschen mit der Frage, ob Maschinen bestimmte menschliche Fähigkeiten nachbilden könnten.

Mechanische Automaten waren beispielsweise bereits im 18. und 19. Jahrhundert beliebte technische Konstruktionen. Sie konnten zwar keine moderne künstliche Intelligenz ausführen, zeigten aber, dass komplex wirkende menschliche Bewegungen und Verhaltensweisen zumindest teilweise mechanisch nachgebildet werden konnten.

Der entscheidende Schritt kam jedoch erst mit der Entwicklung moderner Mathematik, Logik und Computertechnik.

Ein besonders wichtiger Name in der frühen Geschichte der KI ist Alan Turing. Der britische Mathematiker und Informatiker beschäftigte sich intensiv mit der Frage, ob Maschinen bestimmte Formen intelligenten Verhaltens zeigen können. 1950 veröffentlichte Turing seinen berühmten Aufsatz „Computing Machinery and Intelligence“.

Darin stellte er unter anderem die Frage:

„Can machines think?“

Turing schlug vor, die Frage nicht ausschließlich philosophisch zu betrachten. Stattdessen entwickelte er ein Verfahren, mit dem untersucht werden sollte, ob ein Computer in einem Gespräch so auftreten kann, dass ein Mensch ihn nicht zuverlässig von einem anderen Menschen unterscheiden kann. Dieses Konzept wurde später als Turing-Test bekannt.

Der Turing-Test ist bis heute ein wichtiger Begriff in der Diskussion über künstliche Intelligenz.

Eine wichtige Voraussetzung für die Entstehung künstlicher Intelligenz war die Entwicklung programmierbarer Computer. In den 1940er-Jahren entstanden zunehmend leistungsfähige elektronische Rechenmaschinen. Diese Computer konnten mathematische Operationen wesentlich schneller durchführen als Menschen. Allerdings waren die frühen Computer noch sehr weit von heutigen KI-Systemen entfernt.

Sie hatten:

• sehr wenig Speicher

• geringe Rechenleistung

• große technische Abmessungen

• hohe Betriebskosten

• keine modernen neuronalen Netze

• keine riesigen Trainingsdatensätze

Trotzdem bildeten sie die technische Grundlage für die spätere KI-Forschung.

Wenn jemand fragt:

„Seit wann gibt es künstliche Intelligenz?“

ist 1956 eines der wichtigsten Jahre als Antwort. Am Dartmouth College wurde ein Forschungsprojekt organisiert, bei dem Wissenschaftler untersuchen wollten, wie Maschinen Aspekte menschlicher Intelligenz nachbilden können.

John McCarthy verwendete dabei den Begriff:

Artificial Intelligence

Auf Deutsch bedeutet das:

künstliche Intelligenz.

Die Teilnehmer beschäftigten sich unter anderem mit:

• automatisierter Problemlösung

• mathematischer Logik

• maschinellem Lernen

• Sprachverarbeitung

• neuronalen Netzwerken

• Computersystemen mit intelligentem Verhalten

1956 wird deshalb häufig als Geburtsjahr der modernen KI-Forschung bezeichnet. Wichtig ist jedoch die Unterscheidung: Die Grundlagen entstanden bereits vorher und die Entwicklung setzte sich danach über Jahrzehnte fort.

Nach der Dartmouth Conference entstanden zahlreiche frühe KI-Programme. Ein bekanntes Beispiel ist der Logic Theorist, der von Allen Newell, Herbert A. Simon und Cliff Shaw entwickelt wurde. Das Programm konnte bestimmte mathematische Aussagen mithilfe automatisierter logischer Verfahren bearbeiten.

Ein weiteres wichtiges frühes System war der General Problem Solver.

Die Grundidee dieser frühen KI-Systeme war häufig:

Ein Computer bekommt Regeln und Informationen und versucht daraus selbstständig eine Lösung abzuleiten.

Das unterscheidet sich deutlich von vielen heutigen KI-Modellen. Moderne Systeme können beispielsweise aus riesigen Datenmengen statistische Muster lernen. Frühe KI arbeitete dagegen häufig mit explizit definierten Regeln.

In den 1960er-Jahren wuchs das Interesse an künstlicher Intelligenz stark. Forscher entwickelten Programme, die beispielsweise mathematische Probleme lösen, Spiele spielen oder einfache Sprache verarbeiten konnten. Ein bekanntes Beispiel ist ELIZA, ein von Joseph Weizenbaum entwickeltes Computerprogramm.

ELIZA konnte einfache Gespräche simulieren.

Obwohl das Programm technisch vergleichsweise simpel war, zeigte es bereits eine interessante Eigenschaft:

Menschen konnten den Eindruck gewinnen, mit einem verständnisvollen Gesprächspartner zu kommunizieren. Damit wurde früh deutlich, dass die menschliche Wahrnehmung von „Intelligenz“ nicht ausschließlich von der tatsächlichen technischen Komplexität eines Systems abhängt.

ELIZA gehört zu den historischen Vorläufern moderner Chatbots. Das Programm wurde in den 1960er-Jahren entwickelt und konnte bestimmte Gesprächsmuster erkennen und darauf reagieren. Es verfügte jedoch nicht über das Sprachverständnis moderner KI-Systeme.

Ein moderner KI-Chatbot kann dagegen beispielsweise:

• Texte zusammenfassen

• Fragen beantworten

• Texte schreiben

• programmieren

• Informationen strukturieren

• Übersetzungen erstellen

• Ideen entwickeln

• Bilder analysieren

• Dokumente verarbeiten

Der Unterschied zwischen frühen Chatbots und modernen Large Language Models ist deshalb enorm.

Die Entwicklung der künstlichen Intelligenz verlief keineswegs kontinuierlich. Nach frühen Erfolgen waren die Erwartungen teilweise extrem hoch. Forscher und Institutionen hofften, relativ schnell Maschinen entwickeln zu können, die sehr viele menschliche Fähigkeiten beherrschen.

Diese Erwartungen erfüllten sich jedoch nicht. Die technischen Möglichkeiten waren begrenzt und viele KI-Probleme erwiesen sich als deutlich schwieriger als erwartet. Als Folge ging die Finanzierung teilweise zurück.

Diese Phasen werden als KI-Winter bezeichnet. Ein KI-Winter beschreibt eine Zeit, in der das Interesse an künstlicher Intelligenz, die Finanzierung von KI-Forschung und die öffentliche Aufmerksamkeit deutlich zurückgehen.

Eine wichtige Entwicklungsrichtung waren sogenannte Expertensysteme. Diese Systeme versuchten, Wissen von menschlichen Experten in computerverarbeitbare Regeln zu übertragen.

Ein Expertensystem konnte beispielsweise Regeln enthalten wie:

Wenn A und B zutreffen, dann könnte C die richtige Schlussfolgerung sein. Damit konnten bestimmte Fachbereiche automatisiert unterstützt werden. Expertensysteme wurden unter anderem für medizinische Diagnostik, technische Fehleranalyse und andere spezialisierte Aufgaben untersucht.

Sie hatten jedoch eine entscheidende Schwäche:

Das Wissen musste häufig von Menschen bereitgestellt und gepflegt werden. Wenn eine neue Situation nicht durch die vorhandenen Regeln abgedeckt wurde, konnte das System schnell an seine Grenzen stoßen.

Mit der Zeit entwickelte sich ein anderer Ansatz:

Machine Learning – maschinelles Lernen. Statt einem Computer jede einzelne Regel vorzugeben, versucht Machine Learning, aus Beispieldaten Muster zu erkennen.

Vereinfacht dargestellt:

klassische Programmierung:

Daten + Regeln → Ergebnis

Machine Learning:

Daten + Beispiele → gelerntes Modell Das war ein entscheidender Wandel. Maschinen konnten dadurch Aufgaben übernehmen, bei denen es schwierig war, alle notwendigen Regeln von Hand zu programmieren.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Ein Machine-Learning-System erhält Trainingsdaten und versucht daraus statistische Zusammenhänge zu lernen.

Ein Beispiel:

Ein System soll Katzen auf Bildern erkennen. Statt sämtliche möglichen Regeln für eine Katze festzulegen, bekommt das Modell viele Bilder und Informationen darüber, welche Bilder Katzen zeigen. Während des Trainings lernt das Modell bestimmte Muster.

Anschließend kann es bei einem neuen Bild eine Wahrscheinlichkeit dafür berechnen, ob darauf eine Katze zu sehen ist.

Eine weitere wichtige Entwicklung waren künstliche neuronale Netze. Sie sind grob vom Aufbau biologischer Nervensysteme inspiriert. Ein neuronales Netzwerk besteht vereinfacht aus miteinander verbundenen Verarbeitungseinheiten.

Typischerweise unterscheidet man:

• Eingabeschicht

• versteckte Schichten

• Ausgabeschicht

Mit zunehmender Rechenleistung konnten immer komplexere neuronale Netze trainiert werden. Diese Entwicklung wurde später zu einem entscheidenden Faktor für den Durchbruch des Deep Learning.

Deep Learning bezeichnet Methoden des maschinellen Lernens, die häufig auf neuronalen Netzen mit vielen Verarbeitungsschichten basieren. Ab den 2010er-Jahren erzielten Deep-Learning-Systeme große Fortschritte.

Besonders sichtbar wurde das bei:

• Bilderkennung

• Spracherkennung

• Übersetzung

• Computerspielen

• Empfehlungssystemen

• autonomem Fahren

• Textverarbeitung

Ein wichtiger Grund für diese Entwicklung war das Zusammenspiel mehrerer Faktoren:

mehr Daten + bessere Hardware + leistungsfähigere Algorithmen

Vor allem GPUs ermöglichten es, bestimmte Berechnungen wesentlich effizienter durchzuführen.

Das Jahr 2012 gilt als wichtiger Meilenstein für moderne neuronale Netze. Das Deep-Learning-Modell AlexNet erzielte bei einem großen Bildklassifikationswettbewerb einen deutlichen Erfolg. Damit wurde das Potenzial tiefer neuronaler Netze für die Bildverarbeitung besonders sichtbar.

Die Entwicklung beschleunigte sich anschließend stark. Unternehmen und Forschungseinrichtungen investierten zunehmend in neuronale Netze und Machine Learning.

Ein weiterer historisch bedeutender Moment war AlphaGo. Das von DeepMind entwickelte System trat 2016 gegen den professionellen Go-Spieler Lee Sedol an. AlphaGo gewann die Begegnung mit 4:1.

Go galt lange als besonders schwierige Herausforderung für Computer, weil das Spiel eine enorme Zahl möglicher Spielzüge besitzt. Der Erfolg zeigte, dass moderne KI-Systeme auch bei hochkomplexen Entscheidungsproblemen bemerkenswerte Leistungen erreichen können.

Eine weitere entscheidende Entwicklung für moderne generative KI war die Einführung der Transformer-Architektur.

2017 veröffentlichten Google-Forscher die vielbeachtete Arbeit:

„Attention Is All You Need“

Darin wurde die Transformer-Architektur vorgestellt. Transformer wurden später zu einer zentralen technischen Grundlage vieler moderner Sprachmodelle. Sie ermöglichen es KI-Systemen, große Mengen an Text effizient zu verarbeiten und Beziehungen zwischen verschiedenen Teilen eines Textes zu berücksichtigen.

Mit der Entwicklung großer Sprachmodelle veränderte sich die öffentliche Wahrnehmung von künstlicher Intelligenz erneut. Large Language Models, kurz LLMs, werden mit sehr großen Mengen an Textdaten trainiert.

Sie können anschließend beispielsweise:

• Texte generieren

• Fragen beantworten

• Inhalte zusammenfassen

• Programmcode erzeugen

• Texte übersetzen

• Ideen entwickeln

• Informationen strukturieren

Damit wurde künstliche Intelligenz für viele Menschen direkt im Alltag verfügbar.

ChatGPT wurde Ende 2022 öffentlich verfügbar und sorgte für eine enorme Aufmerksamkeit rund um generative KI. Damit begann nicht die Geschichte der künstlichen Intelligenz. Vielmehr war ChatGPT das Ergebnis einer Entwicklung, die sich über viele Jahrzehnte erstreckte.

Die Entwicklung lässt sich vereinfacht so darstellen:

1940er → Computer

↓

1950er → Grundlagen der KI

↓

1956 → Artificial Intelligence als Forschungsgebiet

↓

1960er → frühe KI-Programme und Chatbots

↓

1970er/1980er → Expertensysteme

↓

1990er → Machine Learning

↓

2000er → große Datenmengen und leistungsfähigere Hardware

↓

2010er → Deep Learning

↓

2017 → Transformer

↓ 2020er → generative KI und Large Language Models

Viele Menschen fragen sich, warum künstliche Intelligenz plötzlich überall auftaucht, obwohl es KI-Forschung bereits seit den 1950er-Jahren gibt. Der Grund ist das Zusammenspiel mehrerer technologischer Entwicklungen.

1. Mehr Rechenleistung

Moderne Computer und insbesondere GPUs können enorme Mengen an Berechnungen durchführen. Das ermöglicht das Training wesentlich größerer Modelle.

2. Mehr Daten

Das Internet hat eine riesige Menge digitaler Daten hervorgebracht.

Dazu gehören:

• Texte

• Bilder

• Videos

• Audio

• Webseiten

• wissenschaftliche Dokumente

• Programmcodes

Diese Daten können für das Training von Machine-Learning-Modellen verwendet werden.

3. Bessere Algorithmen

Die Methoden des maschinellen Lernens haben sich erheblich weiterentwickelt. Insbesondere Deep Learning und Transformer-Modelle ermöglichten neue Anwendungen.

4. Cloud Computing

Cloud-Plattformen ermöglichen den Zugriff auf große Rechenkapazitäten, ohne dass jedes Unternehmen eigene Supercomputer betreiben muss.

5. Größere Modelle

Moderne KI-Modelle verfügen über deutlich mehr Parameter als frühere Systeme. Dadurch können sie komplexere statistische Zusammenhänge modellieren.

Wer die Geschichte der künstlichen Intelligenz schnell verstehen möchte, kann sich folgende Entwicklung merken:

1943 – frühe neuronale Modelle

Wissenschaftler entwickelten erste mathematische Modelle künstlicher Neuronen.

1950 – Alan Turing

Turing veröffentlichte seine Arbeit über Maschinen und Intelligenz und entwickelte die Idee des später bekannten Turing-Tests.

1956 – Dartmouth Conference

Der Begriff Artificial Intelligence wird zum zentralen Begriff eines neuen Forschungsfeldes.

1960er – frühe KI-Programme

Programme wie ELIZA zeigen erste Möglichkeiten der maschinellen Sprachinteraktion.

1970er/1980er – Expertensysteme

Regelbasierte Systeme werden für spezialisierte Anwendungen entwickelt.

1990er – Machine Learning

Statistische Lernverfahren gewinnen zunehmend an Bedeutung.

2010er – Deep Learning

Tiefe neuronale Netze erzielen große Fortschritte bei Bild-, Sprach- und Mustererkennung.

2016 – AlphaGo

DeepMind demonstriert die Leistungsfähigkeit moderner KI beim komplexen Brettspiel Go.

2017 – Transformer

Die Transformer-Architektur bildet eine wichtige Grundlage für die spätere Entwicklung moderner Sprachmodelle.

2020er – generative KI

KI-Systeme können Texte, Bilder, Audio, Video und Softwarecode generieren.

Die grundlegenden Ideen hinter generativer künstlicher Intelligenz existieren bereits seit mehreren Jahrzehnten. Die heute bekannte Form generativer KI entwickelte sich jedoch insbesondere durch Fortschritte bei neuronalen Netzen, Deep Learning und Transformer-Modellen.

Generative KI kann neue Inhalte erzeugen, beispielsweise:

• Texte

• Bilder

• Musik

• Stimmen

• Videos

• Programmcode

Damit unterscheidet sie sich von klassischen KI-Systemen, die beispielsweise hauptsächlich klassifizieren, erkennen oder vorhersagen. Ein Bildklassifikationsmodell kann beispielsweise bestimmen, ob ein Bild einen Hund zeigt. Ein generatives Modell kann dagegen ein neues Bild erzeugen, das einen Hund darstellt.

Ja. Die moderne KI-Forschung begann Jahrzehnte vor dem öffentlichen Internet. Als das Internet in den 1990er- und 2000er-Jahren immer stärker genutzt wurde, entstanden allerdings enorme neue Datenmengen.

Diese Daten spielten später eine wichtige Rolle für die Entwicklung moderner Machine-Learning-Systeme. Das Internet hat die künstliche Intelligenz also nicht erfunden, aber die digitale Datenbasis für viele heutige Anwendungen erheblich erweitert.

Die Frage nach der „ersten KI“ ist schwierig zu beantworten, weil es darauf ankommt, welche Definition von künstlicher Intelligenz verwendet wird. Es gab bereits vor 1956 Programme, die Aufgaben ausführten, die man als intelligent bezeichnen könnte. Dazu gehörten beispielsweise Systeme zur logischen Problemlösung.

Wenn man dagegen nach dem Beginn der KI als eigenständigem Forschungsgebiet fragt, wird häufig das Jahr 1956 genannt.

Deshalb sollte man zwischen folgenden Punkten unterscheiden:

Erste theoretische Grundlagen: vor 1956 Frühe KI-Programme: 1950er-Jahre Etablierung des Forschungsgebiets: 1956

Moderne Machine-Learning-KI: vor allem ab den 1990er- und 2000er-Jahren Moderner Deep-Learning-Boom: insbesondere ab den 2010er-Jahren Generative KI im Massenmarkt: vor allem ab den 2020er-Jahren

Wenn man 1956 als Startpunkt der modernen KI-Forschung verwendet, ist künstliche Intelligenz im Jahr 2026 rund 70 Jahre alt. Die Grundlagen reichen allerdings noch weiter zurück. Damit ist künstliche Intelligenz wesentlich älter, als die aktuelle Popularität von Chatbots und generativen KI-Tools vermuten lässt.

Die heutige KI ist das Ergebnis von ungefähr sieben Jahrzehnten Forschung und Entwicklung.

Künstliche Intelligenz befindet sich weiterhin in einer dynamischen Entwicklungsphase. Moderne Systeme werden zunehmend multimodal. Das bedeutet, dass sie unterschiedliche Datentypen verarbeiten können.

Dazu gehören beispielsweise:

• Text

• Bilder

• Audio

• Video

• Sprache

• Programmcodes

• strukturierte Daten

Gleichzeitig wird daran gearbeitet, KI-Systeme zuverlässiger, effizienter und besser kontrollierbar zu machen. Auch Themen wie Datenschutz, Urheberrecht, Sicherheit, Transparenz und Regulierung spielen eine immer größere Rolle.

Wie sich künstliche Intelligenz langfristig entwickeln wird, lässt sich nicht sicher vorhersagen.

Bereits heute gibt es jedoch Entwicklungen in Bereichen wie:

• KI-Agenten

• multimodale KI

• Robotik

• automatisierte Softwareentwicklung

• KI-gestützte Forschung

• personalisierte Assistenzsysteme

• autonome Systeme

• wissenschaftliche Simulationen

Dabei ist wichtig: Fortschritte bei einzelnen Anwendungen bedeuten nicht automatisch, dass Maschinen über eine allgemeine menschliche Intelligenz verfügen. Die Fähigkeiten moderner KI sind je nach Aufgabe sehr unterschiedlich.