Geschichte der künstlichen Intelligenz (History of artificial intelligence)

Die Geschichte der künstlichen Intelligenz (KI) hat ihren Ursprung in der Antike und ist geprägt von Mythen, Erzählungen und Legenden über künstliche Wesen, die von erfahrenen Handwerkern mit Intelligenz oder Bewusstsein ausgestattet wurden. Das kontinuierliche Studium der Logik und des formalen Denkens von der Antike bis zur Gegenwart gipfelte in der Entwicklung des programmierbaren Digitalcomputers in den 1940er Jahren, einem Gerät, das auf abstrakten mathematischen Prinzipien basiert. Diese Erfindung und ihre konzeptionellen Grundlagen motivierten Wissenschaftler, über die Schaffung eines elektronischen Gehirns nachzudenken.

Die Disziplin der KI-Forschung wurde offiziell während eines Workshops am Dartmouth College im Jahr 1956 gegründet. Während dieser Veranstaltung wurde das erste KI-Programm, Logic Theorist, von Allen Newell, einem zukünftigen Empfänger des Turing Award, und Herbert A. Simon, der später den Nobelpreis erhielt, mit Beiträgen von J. C. Shaw vorgestellt. Die Teilnehmer dieses bahnbrechenden Workshops wurden anschließend mehrere Jahrzehnte lang zu herausragenden Persönlichkeiten der KI-Forschung. Eine beträchtliche Anzahl dieser Pioniere erwartete die Entstehung intelligenter Maschinen auf menschlicher Ebene innerhalb einer einzigen Generation. Folglich stellte die US-Regierung beträchtliche Mittel in Höhe von mehreren Millionen Dollar bereit, um dieses ehrgeizige Ziel zu erreichen.

Später stellte sich heraus, dass die Forscher die Komplexität dieses Ziels erheblich unterschätzt hatten. Im Jahr 1974 veranlassten die Kritik von James Lighthill und der Druck des US-Kongresses sowohl die US-amerikanische als auch die britische Regierung, die Finanzierung der ungerichteten Forschung im Bereich der künstlichen Intelligenz einzustellen. Sieben Jahre später führte eine zukunftsweisende Initiative der japanischen Regierung zusammen mit der nachgewiesenen Wirksamkeit von Expertensystemen zu einer Wiederbelebung der Investitionen in KI. In den späten 1980er Jahren hatte sich der Sektor zu einer milliardenschweren Industrie entwickelt. Dennoch ließ der Enthusiasmus der Anleger in den 1990er Jahren nach, was zu Medienkritik am Bereich und seiner Vermeidung durch die Industrie führte – eine Zeit, die umgangssprachlich als „KI-Winter“ bezeichnet wird. Trotz dieser Rückschläge wurden Forschung und finanzielle Unterstützung fortgesetzt, oft unter alternativen Bezeichnungen.

In den frühen 2000er Jahren fand maschinelles Lernen umfangreiche Anwendung bei verschiedenen akademischen und industriellen Herausforderungen. Dieser Erfolg resultierte aus dem Zusammenspiel leistungsstarker Computerhardware, der Anhäufung riesiger Datensätze und der Implementierung strenger mathematischer Methoden. Kurz darauf entwickelte sich Deep Learning zu einer transformativen Technologie, die frühere Methoden übertraf. Die 2017 eingeführte Transformer-Architektur wurde anschließend unter anderem zur Entwicklung generativer KI-Anwendungen eingesetzt.

In den 2020er Jahren erlebten die Investitionen in künstliche Intelligenz einen deutlichen Anstieg. Diese jüngste Erweiterung, die durch die Weiterentwicklung der Transformer-Architektur beschleunigt wurde, erleichterte die schnelle Skalierung und öffentliche Bereitstellung großer Sprachmodelle (LLMs) wie ChatGPT. Diese Modelle weisen menschenähnliche Eigenschaften von Wissen, Aufmerksamkeit und Kreativität auf und wurden in zahlreiche Sektoren integriert, wodurch exponentielle Investitionen in KI vorangetrieben wurden. Gleichzeitig sind Befürchtungen hinsichtlich der potenziellen Gefahren und ethischen Auswirkungen hochentwickelter KI aufgetaucht, was zu einer breiten Diskussion über die zukünftige Entwicklung der KI und ihre gesellschaftlichen Konsequenzen geführt hat.

Vorgeschichten

Mythologie, Folklore, fiktive Erzählungen und spekulatives Denken

Mechanische Humanoide und künstliche Wesen spielen in der griechischen Mythologie eine herausragende Rolle, beispielhaft dargestellt durch die goldenen Roboter von Hephaistos, den bronzenen Riesen Talos und Pygmalions Galatea. Im Mittelalter kursierten Legenden über geheime mystische oder alchemistische Methoden, um der Materie Bewusstsein zu verleihen, darunter der Takwin von Jabir ibn Hayyan, der Homunkulus von Paracelsus, der Golem von Rabbi Judah Loew und der eherne Kopf von Roger Bacon. Im 19. Jahrhundert waren Konzepte von künstlichen Menschen und intelligenten Maschinen zu einem vorherrschenden Motiv in der Literatur geworden. Zu den bedeutenden Werken zählen Mary Shelleys Frankenstein (1818), Johann Wolfgang von Goethes Faust, Zweiter Teil (1832) und Karel Čapeks R.U.R. (Rossums Universal Robots) (1921). Die Erzählungen rund um diese Schöpfungen und ihr Schicksal beschäftigen sich oft mit vielen der gleichen Bestrebungen, Ängste und ethischen Dilemmata, die die zeitgenössische künstliche Intelligenz aufwirft. Darüber hinaus wurden KI-relevante Themen in spekulativen Essays untersucht, beispielsweise in Samuel Butlers „Darwin unter den Maschinen“ (1863).

Automaten

Hochrealistische humanoide Automaten wurden von Handwerkern zahlreicher Zivilisationen konstruiert, darunter Yan Shi, Held von Alexandria, Al-Jazari, Haroun al-Rashid, Jacques de Vaucanson, Leonardo Torres y Quevedo, Pierre Jaquet-Droz und Wolfgang von Kempelen. Die frühesten dokumentierten Automaten waren heilige Bildnisse aus dem alten Ägypten und Griechenland. Anhänger glaubten, dass diese Figuren von ihren Schöpfern mit echtem Intellekt und emotionalen Fähigkeiten ausgestattet worden seien. Hermes Trismegistus behauptete insbesondere, dass „der Mensch durch die Entdeckung der wahren Natur der Götter in der Lage war, sie zu reproduzieren.“

Formales Denken

Künstliche Intelligenz geht davon aus, dass menschliche Denkprozesse mechanisiert werden können. Bis zum ersten Jahrtausend v. Chr. hatten chinesische, indische und griechische Philosophen systematische Ansätze zum formalen Denken entwickelt. Formale Logik wurde von griechischen, islamischen und europäischen Philosophen entwickelt und anschließend verfeinert, darunter Persönlichkeiten wie Aristoteles, Euklid, Al-Khwarizmi, Duns Scotus und René Descartes.

Der spanische Philosoph Ramon Llull (1232–1315) konzipierte mehrere logische Maschinen, die darauf ausgelegt waren, Wissen durch logische Prozesse zu generieren. Er charakterisierte diese Maschinen als mechanische Konstrukte, die in der Lage sind, durch elementare logische Operationen grundlegende und unwiderlegbare Wahrheiten zu synthetisieren und so alles erdenkliche Wissen mechanisch zu erzeugen. Llulls Werk beeinflusste maßgeblich Gottfried Leibniz, der diese Konzepte weiterentwickelte.

Im 17. Jahrhundert untersuchten Leibniz, Thomas Hobbes und René Descartes die Möglichkeit, alles rationale Denken mit der Präzision von Algebra oder Geometrie zu systematisieren. Hobbes behauptete in Leviathan: „Denn Vernunft ... ist nichts anderes als Rechnen, also Addieren und Subtrahieren.“ Leibniz schlug eine universelle Argumentationssprache vor, die characteristica universalis, die das Argumentieren in bloße Berechnung umwandeln sollte, so dass „es zwischen zwei Philosophen nicht mehr nötig sein würde, zu streiten als zwischen zwei Buchhaltern. Denn es würde genügen, ihre Bleistifte in die Hand zu nehmen, auf ihre Schiefertafel zu gehen und sich gegenseitig zu sagen (mit einem Freund als Zeugen, wenn sie wollten): Lasst uns berechnen."

Booles The Laws of Thought (1854) und Freges Begriffsschrift (1879) legten den zeitgenössischen Rahmen der symbolischen mathematischen Logik fest. Russell und Whitehead erweiterten Freges Rahmenwerk und legten 1913 in den Principia Mathematica die Grundprinzipien der Arithmetik formal dar. Inspiriert durch ihren Erfolg veranlasste David Hilbert Mathematiker in den 1920er und 1930er Jahren, das gesamte mathematische Denken zu formalisieren. Als Reaktion darauf zeigten Gödels Unvollständigkeitsbeweis, Turings Maschine und Churchs Lambda-Kalkül gemeinsam die inhärenten Grenzen der formalen Mathematik.

Dennoch legte die Church-Turing-These innerhalb dieser festgelegten Grenzen nahe, dass ein mechanischer Apparat, der so einfache Symbole wie 0 und §23§ manipuliert, jeden erdenklichen Prozess mathematischen Denkens oder Problemlösens nachahmen könnte. Im Mittelpunkt stand dabei die Turing-Maschine, ein einfaches theoretisches Konstrukt, das die grundlegende Natur der Manipulation abstrakter Symbole auf den Punkt brachte. Dieses konzeptionelle Gerät und die ihm zugrunde liegenden Prinzipien motivierten Ingenieure und Mathematiker in den 1940er Jahren dazu, Maschinen zu konstruieren, die theoretisch in der Lage waren, jede Form formalen Denkens oder Problemlösens auszuführen.

Informatik

Im Laufe der Geschichte, seit der Antike, haben zahlreiche Personen Rechenmaschinen entworfen oder gebaut, darunter Gottfried Leibniz, Joseph Marie Jacquard, Charles Babbage, Percy Ludgate, Leonardo Torres Quevedo und Vannevar Bush. Ada Lovelace postulierte, dass Babbages Apparat „eine Denk- oder ... Denkmaschine“ darstelle, warnte jedoch: „Es ist wünschenswert, sich vor der Möglichkeit übertriebener Vorstellungen über die Kräfte“ der Maschine zu schützen.

Die ersten modernen Computer entstanden während des Zweiten Weltkriegs als Großmaschinen, veranschaulicht durch Konrad Zuses Z3, Tommy Flowers‘ Heath Robinson und Colossus, Atanasoff und Berrys ABC und ENIAC an der University of Pennsylvania. ENIAC stützte sich auf die theoretischen Grundlagen von Alan Turing und wurde von John von Neumann weiterentwickelt und wurde schließlich zum einflussreichsten.

Geburt der künstlichen Intelligenz (1941–1956)

Frühe Untersuchungen zu intelligenten Maschinen wurden durch eine Konvergenz von Konzepten vorangetrieben, die in den späten 1930er bis frühen 1950er Jahren an Bedeutung gewannen. Zeitgenössische neurologische Studien hatten gezeigt, dass das Gehirn ein elektrisches Netzwerk von Neuronen ist, die über Alles-oder-Nichts-Impulse funktionieren. Norbert Wieners Arbeiten zur Kybernetik erläuterten die Prinzipien der Kontrolle und Stabilität in elektrischen Netzwerken. Die Informationstheorie von Claude Shannon charakterisierte digitale Signale, insbesondere solche, die nach dem Alles-oder-Nichts-Prinzip funktionieren. Alan Turings Computertheorie demonstrierte die digitale Darstellbarkeit jedes Computerprozesses. Die synergistische Beziehung zwischen diesen verschiedenen Ideen implizierte das Potenzial für den Aufbau eines „elektronischen Gehirns“.

In den 1940er und 1950er Jahren initiierte eine vielfältige Gruppe von Wissenschaftlern aus Disziplinen wie Mathematik, Psychologie, Ingenieurwesen, Wirtschaftswissenschaften und Politikwissenschaften verschiedene Forschungsrichtungen, die sich als entscheidend für die spätere Entwicklung der künstlichen Intelligenz (KI) erwiesen. Alan Turing war ein Pionier bei der gründlichen Untersuchung des theoretischen Potenzials der „maschinellen Intelligenz“. Die akademische Disziplin „Forschung künstlicher Intelligenz“ wurde 1956 offiziell gegründet.

Der Turing-Test

Im Jahr 1950 verfasste Turing die wegweisende Arbeit „Computing Machinery and Intelligence“, in der er die Machbarkeit der Entwicklung von Maschinen untersuchte, die zum Denken fähig sind. In dieser Arbeit erkannte er die definitorischen Herausforderungen des „Denkens“ an und schlug anschließend seinen berühmten Turing-Test vor: Eine Maschine könnte als „denkend“ betrachtet werden, wenn sie in der Lage wäre, eine auf einem Fernschreiber basierende Konversation zu führen, die nicht von einer mit einem Menschen zu unterscheiden ist. Dieser vereinfachte Rahmen ermöglichte es Turing, überzeugend zu behaupten, dass eine „denkende Maschine“ zumindest plausibel sei, wobei der Artikel auf die vorherrschenden Einwände gegen dieses Konzept einging. Der Turing-Test stellte den ersten bedeutenden Vorschlag innerhalb der Philosophie der künstlichen Intelligenz dar.

Künstliche Neuronale Netze

Im Jahr 1943 führten Walter Pitts und Warren McCulloch eine Analyse idealisierter künstlicher Neuronennetzwerke durch und demonstrierten deren Fähigkeit, grundlegende logische Funktionen auszuführen. Sie waren die ersten, die das Konzept formulierten, das spätere Forscher als neuronales Netzwerk identifizierten. Ihre Veröffentlichung ließ sich von Turings Aufsatz „On Computable Numbers“ aus dem Jahr 1936 inspirieren, indem sie analoge boolesche „Neuronen“ mit zwei Zuständen verwendete, dieses Framework jedoch in einzigartiger Weise auf die neuronale Funktion anwendete. Marvin Minsky, damals ein 24-jähriger Doktorand, gehörte zu denen, die von Pitts und McCulloch beeinflusst wurden. 1951 arbeitete Minsky mit Dean Edmonds zusammen, um die SNARC zu konstruieren, die erste neuronale Netzmaschine. Minsky entwickelte sich später zu einem entscheidenden Anführer und Innovator auf dem Gebiet der künstlichen Intelligenz.

Kybernetische Robotik

In den 1950er Jahren wurden experimentelle Roboter entwickelt, darunter William Gray Walters „Schildkröten“ und das „Johns Hopkins Beast“. Diese Geräte arbeiteten ohne Computer, digitale Elektronik oder symbolisches Denken und verließen sich zu ihrer Steuerung ausschließlich auf analoge Schaltkreise.

Künstliche Intelligenz im Spiel

1951 entwickelten Christopher Strachey ein Dame-Programm und Dietrich Prinz ein Schachprogramm, beide verwendeten die Ferranti Mark 1-Maschine an der Universität Manchester. Das Dameprogramm von Arthur Samuel, das 1959 in seiner Arbeit „Some Studies in Machine Learning Using the Game of Checkers“ dokumentiert wurde, erreichte schließlich ein Leistungsniveau, das einen kompetenten Amateur herausfordern konnte. Samuels Programm stellt eine der frühesten Anwendungen dessen dar, was später als maschinelles Lernen bezeichnet wird. In der gesamten Geschichte der KI diente die Spiel-KI stets als Maßstab für die Bewertung des Fortschritts.

Symbolisches Denken und der Logiktheoretiker

Mit dem Aufkommen digitaler Computer Mitte der 1950er Jahre begriffen einige Wissenschaftler intuitiv, dass Maschinen, die zur numerischen Manipulation fähig sind, auch Symbole verarbeiten können und dass eine solche symbolische Manipulation die grundlegende Natur der menschlichen Wahrnehmung darstellen könnte. Diese Erkenntnis markierte eine neuartige Methodik zur Konstruktion intelligenter Maschinen.

Im Jahr 1955 entwickelten Allen Newell und der spätere Nobelpreisträger Herbert A. Simon, unterstützt von J. C. Shaw, den „Logic Theorist“. Dieses Programm bewies erfolgreich 38 der ersten 52 Theoreme, die in Russells und Whiteheads Principia Mathematica vorgestellt wurden, und fand darüber hinaus neuartige, elegantere Beweise für einige von ihnen. Simon behauptete, sie hätten „das ehrwürdige Geist-Körper-Problem gelöst und erklärt, wie ein aus Materie bestehendes System die Eigenschaften des Geistes haben kann“. Das von ihnen entwickelte symbolische Denkparadigma wurde bis Mitte der 1990er Jahre zum vorherrschenden Ansatz in der KI-Forschung und -Finanzierung und inspirierte gleichzeitig die kognitive Revolution.

Der Dartmouth Workshop

Der Dartmouth-Workshop im Jahr 1956 stellte einen entscheidenden Moment dar und etablierte künstliche Intelligenz (KI) offiziell als akademische Disziplin. Marvin Minsky und John McCarthy organisierten diese Veranstaltung und erhielten Unterstützung von den leitenden Wissenschaftlern Claude Shannon und Nathan Rochester von IBM. Im Konferenzvorschlag wurde die Absicht zum Ausdruck gebracht, die Behauptung zu bestätigen, dass „jeder Aspekt des Lernens oder jedes andere Merkmal der Intelligenz so präzise beschrieben werden kann, dass eine Maschine dazu gebracht werden kann, es zu simulieren“. John McCarthy führte in diesem Workshop den Begriff „Künstliche Intelligenz“ ein. Zu den wichtigsten Teilnehmern gehörten Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel, Allen Newell und Herbert A. Simon, die alle in den ersten Jahrzehnten der KI-Forschung bedeutende Programme entwickelten. Auf dem Workshop stellten Newell und Simon den „Logic Theorist“ vor. Dieses Ereignis wird weithin als die Entstehungsgeschichte der KI angesehen und gab dem Bereich seinen Namen, seine Mission, seinen ersten großen Erfolg und seine Gründungsfiguren.

Kognitive Revolution

Im Herbst 1956 stellten Newell und Simon den Logic Theorist auch auf einem Treffen der Special Interest Group in Information Theory am Massachusetts Institute of Technology (MIT) vor. Während desselben Treffens diskutierte Noam Chomsky seine generative Grammatik und George Miller stellte seine wegweisende Arbeit „Die magische Zahl Sieben, Plus oder Minus Zwei“ vor. Später meinte Miller: „Ich verließ das Symposium mit der eher intuitiven als rationalen Überzeugung, dass experimentelle Psychologie, theoretische Linguistik und die Computersimulation kognitiver Prozesse allesamt Teile eines größeren Ganzen waren.“

Dieses Treffen leitete die „kognitive Revolution“ ein, einen interdisziplinären Paradigmenwechsel, der Psychologie, Philosophie, Informatik und Neurowissenschaften umfasste. Es inspirierte die Entstehung mehrerer Teilgebiete, darunter symbolische künstliche Intelligenz, generative Linguistik, Kognitionswissenschaft, kognitive Psychologie, kognitive Neurowissenschaften und die philosophischen Schulen des Computationalismus und Funktionalismus. Alle diese Bereiche nutzten verwandte Methoden zur Modellierung des Geistes, und Entdeckungen in einem Bereich waren häufig für die anderen relevant.

Der kognitive Ansatz ermöglichte es Forschern, „mentale Objekte“ wie Gedanken, Pläne, Ziele, Fakten oder Erinnerungen zu untersuchen und sie oft anhand von Symbolen auf hoher Ebene innerhalb funktionaler Netzwerke zu analysieren. Diese internen Konstrukte wurden zuvor von früheren Paradigmen wie dem Behaviorismus als „nicht beobachtbar“ angesehen und daher ausgeschlossen. Anschließend wurden symbolische mentale Objekte mehrere Jahrzehnte lang zu einem Hauptschwerpunkt der KI-Forschung und -Finanzierung.

Frühe Erfolge (1956–1974)

Die in den Jahren nach dem Dartmouth Workshop entwickelten Programme wurden allgemein als „erstaunlich“ empfunden. Computer demonstrierten Fähigkeiten wie das Lösen algebraischer Textaufgaben, das Beweisen von Geometrietheoremen und das Erlernen der englischen Sprache. Damals glaubten nur wenige, dass solch ein „intelligentes“ Maschinenverhalten überhaupt machbar sei. Forscher äußerten privat und öffentlich großen Optimismus und prognostizierten den Bau einer vollständig intelligenten Maschine innerhalb von zwei Jahrzehnten. Regierungsbehörden, darunter die Defense Advanced Research Projects Agency (DARPA, damals bekannt als „ARPA“), finanzierten diesen Bereich maßgeblich. In den späten 1950er und frühen 1960er Jahren wurden an zahlreichen britischen und US-amerikanischen Universitäten Labore für künstliche Intelligenz eingerichtet.

Stanisław Lems philosophischer Aufsatz über „Intellektronik“ erschien 1964 in Lems Summa Technologiae.

Methoden

In den späten 1950er und 1960er Jahren gab es zahlreiche erfolgreiche Programme und neuartige Forschungsrichtungen. Zu den einflussreichsten gehörten:

Begründung, Planung und Problemlösung als Suche

Viele frühe KI-Programme nutzten einen gemeinsamen Grundalgorithmus. Um ein bestimmtes Ziel zu erreichen, beispielsweise ein Spiel zu gewinnen oder einen Satz zu beweisen, schritten diese Programme Schritt für Schritt voran, ähnlich wie beim Navigieren durch ein Labyrinth, und machten einen Rückzieher, sobald sie in eine Sackgasse stießen. Die größte Herausforderung ergab sich für viele Probleme aus der astronomischen Zahl möglicher Wege durch das „Labyrinth“, eine Situation, die als „kombinatorische Explosion“ bezeichnet wird. Die Forscher gingen dieses Problem an, indem sie Heuristiken einsetzten, um den Suchraum zu verkleinern und dadurch Pfade zu eliminieren, die wahrscheinlich nicht zu einer Lösung führen.

Newell und Simon versuchten, eine verallgemeinerte Version dieses Algorithmus in einem Programm namens „General Problem Solver“ zu kapseln. Gleichzeitig erzielten andere suchbasierte Programme beeindruckende Ergebnisse, einschließlich der Lösung von Geometrie- und Algebraproblemen, wie Herbert Gelernters Geometry Theorem Prover (1958) und der Symbolic Automatic Integrator (SAINT) zeigen, der 1961 von Minskys Schüler James Slagle entwickelt wurde. Darüber hinaus nutzten Systeme wie STRIPS, die in Stanford zur Steuerung des Shakey-Roboters entwickelt wurden, die Ziel- und Unterzielsuche, um Aktionen zu planen.

Natürliche Sprache

Ein Hauptziel der Forschung im Bereich der künstlichen Intelligenz besteht darin, Computern die Kommunikation in natürlichen Sprachen wie Englisch zu ermöglichen. Eine frühe Errungenschaft in diesem Bereich war Daniel Bobrows Programm STUDENT, das erfolgreich Algebra-Textaufgaben auf High-School-Niveau löste.

Ein semantisches Netzwerk modelliert Konzepte wie „Haus“ oder „Tür“ als Knoten und die Beziehungen zwischen diesen Konzepten, beispielsweise „has-a“, als Verknüpfungen, die die Knoten verbinden. Ross Quillian entwickelte das erste Programm für künstliche Intelligenz, das ein semantisches Netzwerk nutzte. Die einflussreichste, wenn auch umstrittenste Version dieses Ansatzes war Roger Schanks Konzeptuelle Abhängigkeitstheorie.

Joseph Weizenbaums ELIZA-Programm war in der Lage, Gespräche mit einer solchen Wahrhaftigkeit zu führen, dass Benutzer manchmal fälschlicherweise glaubten, sie würden mit einem Menschen und nicht mit einem Computerprogramm interagieren. Die Funktionalität von ELIZA basierte jedoch auf der Bereitstellung vorprogrammierter Antworten oder der Umformulierung von Benutzereingaben unter Verwendung eines begrenzten Satzes grammatikalischer Regeln. ELIZA gilt als bahnbrechender Chatbot.

Mikrowelten

In den späten 1960er Jahren plädierten Marvin Minsky und Seymour Papert, die dem MIT AI Laboratory angehörten, dafür, die Forschung im Bereich der künstlichen Intelligenz auf bewusst vereinfachte Szenarien, sogenannte Mikrowelten, auszurichten. Sie stellten fest, dass Grundprinzipien in etablierten Wissenschaften wie der Physik häufig am besten durch vereinfachte Modelle, einschließlich reibungsfreier Ebenen oder vollkommen starrer Körper, verstanden werden können. Ein wesentlicher Teil dieser Forschung konzentrierte sich auf eine „Blockwelt“, bestehend aus farbigen Blöcken unterschiedlicher Form und Größe, die auf einer ebenen Oberfläche angeordnet sind.

Dieses Forschungsparadigma förderte bahnbrechende Fortschritte in der maschinellen Bildverarbeitung, insbesondere durch Gerald Sussman, Adolfo Guzman, David Waltz (den Begründer der „Constraint Propagation“) und insbesondere Patrick Winston. Gleichzeitig konstruierten Minsky und Papert einen Roboterarm, der Blöcke stapeln kann, und verwirklichten so das Weltkonzept der Blöcke. Das SHRDLU-System von Terry Winograd demonstrierte die Fähigkeit, mithilfe natürlicher englischer Sätze über die Mikrowelt zu kommunizieren, Operationen zu planen und diese anschließend auszuführen.

Perceptrons und frühe neuronale Netze

In den 1960er-Jahren stellten Förderagenturen ihre Ressourcen vor allem Laboratorien zur Verfügung, die sich mit symbolischer Forschung im Bereich der künstlichen Intelligenz beschäftigten. Dennoch beschäftigte sich eine begrenzte Anzahl von Institutionen weiterhin mit neuronalen Netzen.

Das Perzeptron, ein einschichtiges neuronales Netzwerk, wurde 1958 von Frank Rosenblatt, einem ehemaligen Schulkameraden von Marvin Minsky an der Bronx High School of Science, eingeführt. Im Einklang mit dem vorherrschenden Optimismus unter KI-Forschern sah Rosenblatt das Potenzial des Perzeptrons voraus und sagte seine letztendliche Fähigkeit voraus, „zu lernen, Entscheidungen zu treffen und Sprachen zu übersetzen“. Seine Arbeit wurde hauptsächlich vom Office of Naval Research finanziell unterstützt.

Bernard Widrow und sein Schüler Ted Hoff entwickelten ADALINE (1960) und MADALINE (1962), Systeme mit bis zu 1000 verstellbaren Gewichten. Gleichzeitig konstruierte ein Team am Stanford Research Institute unter der Leitung von Charles A. Rosen und Alfred E. (Ted) Brain zwei neuronale Netzwerkmaschinen, MINOS I (1960) und MINOS II (1963), die hauptsächlich vom U.S. Army Signal Corps unterstützt wurden. MINOS II enthielt 6600 verstellbare Gewichte und wurde von einem SDS 910-Computer in einer Konfiguration namens MINOS III (1968) gesteuert. Dieses System demonstrierte die Fähigkeit, Symbole auf Armeekarten zu klassifizieren und handgedruckte Zeichen aus Fortran-Kodierungsblättern zu erkennen. In dieser Anfangsphase konzentrierte sich der Großteil der Forschung zu neuronalen Netzwerken auf die Entwicklung und Nutzung spezieller Hardware und verließ sich nicht auf Simulationen, die auf digitalen Computern ausgeführt wurden.

Trotzdem erhielt das MINOS-Projekt im Jahr 1966 keine Förderung mehr, was teilweise auf den Mangel an nachweisbaren Ergebnissen und teilweise auf die von symbolischer KI-Forschung dominierte Wettbewerbslandschaft zurückzuführen war. Ebenso war Rosenblatt in den 1960er Jahren nicht in der Lage, eine nachhaltige Finanzierung sicherzustellen. Mit der Veröffentlichung von Minskys und Paperts Buch Perceptrons kam es 1969 zu einem deutlichen Rückgang der Forschung. Diese Arbeit postulierte erhebliche Einschränkungen der Fähigkeiten von Perzeptronen und argumentierte, dass Rosenblatts frühere Vorhersagen erheblich überbewertet worden seien. Die Wirkung des Buches war tiefgreifend und führte dazu, dass die Finanzierung der Konnektionismusforschung ein Jahrzehnt lang nahezu eingestellt wurde. Folglich endete der Wettbewerb um staatliche Mittel mit der Überlegenheit symbolischer KI-Methoden gegenüber neuronalen Netzen.

Minsky, ein Mitarbeiter von SNARC, wurde später ein prominenter Kritiker der rein konnektionistischen KI. Widrow, der an ADALINE mitgearbeitet hatte, richtete seine Forschung auf die adaptive Signalverarbeitung aus. In ähnlicher Weise verlagerte die SRI-Gruppe, die für MINOS verantwortlich ist, ihren Fokus auf symbolische KI und Robotik.

Ein wesentliches Hindernis war die Unfähigkeit, mehrschichtige Netzwerke effektiv zu trainieren, obwohl Variationen der Backpropagation in anderen Bereichen eingesetzt wurden, ohne dass diese Forscher davon wussten. Die KI-Gemeinschaft erlangte in den 1980er Jahren Erkenntnisse über Backpropagation, die später zum großen Erfolg neuronaler Netze im 21. Jahrhundert führten und letztendlich Rosenblatts optimistische Prognosen erfüllten. Allerdings erlebte Rosenblatt diese Fortschritte nicht mehr, da er 1971 bei einem Bootsunfall ums Leben kam.

Optimistische Prognosen

Die erste Generation von KI-Forschern äußerte die folgenden Vorhersagen zu ihrer Arbeit:

• Im Jahr 1958 postulierten H. A. Simon und Allen Newell, dass „ein digitaler Computer innerhalb von zehn Jahren Schachweltmeister sein wird“ und dass „ein digitaler Computer innerhalb von zehn Jahren einen wichtigen neuen mathematischen Satz entdecken und beweisen wird.“
• Im Jahr 1965 behauptete H. A. Simon, dass „Maschinen innerhalb von zwanzig Jahren in der Lage sein werden, jede Arbeit zu verrichten, die ein Mensch verrichten kann.“
• Marvin Minsky prognostizierte 1967, dass „innerhalb einer Generation … das Problem der Schaffung ‚künstlicher Intelligenz‘ im Wesentlichen gelöst sein wird.“
• Im Jahr 1970 erklärte Marvin Minsky in der Zeitschrift Life: „In drei bis acht Jahren werden wir eine Maschine mit der allgemeinen Intelligenz eines durchschnittlichen Menschen haben.“

Finanzierung

Im Juni 1963 erhielt das Massachusetts Institute of Technology (MIT) einen Zuschuss in Höhe von 2,2 Millionen US-Dollar von der neu gegründeten Advanced Research Projects Agency (ARPA), die später als DARPA bezeichnet wurde. Diese Mittel wurden dem Projekt MAC zugewiesen, in das die fünf Jahre zuvor von Minsky und McCarthy gegründete „AI Group“ integriert wurde. Anschließend stellte DARPA bis in die 1970er Jahre einen jährlichen Betrag von 3 Millionen US-Dollar bereit. Darüber hinaus vergab die DARPA vergleichbare Zuschüsse an das Programm von Newell und Simon an der Carnegie Mellon University und an das AI Lab der Stanford University, das 1963 von John McCarthy gegründet wurde. Ein weiteres bedeutendes KI-Labor wurde 1965 von Donald Michie an der Universität Edinburgh gegründet. Diese vier Institutionen blieben viele Jahre lang die wichtigsten akademischen Zentren für KI-Forschung und -Finanzierung.

Die finanzielle Zuweisung ging mit minimalen Auflagen einher, wie J. C. R. Licklider, der damalige Direktor von ARPA vertritt den Grundsatz „Förderung von Menschen, nicht von Projekten!“ Diese Politik ermöglichte es Forschern, ihre intellektuellen Interessen frei zu verfolgen. Ein solches Umfeld am MIT förderte die Entstehung der Hacker-Kultur; Allerdings wurde diese „Hands-off“-Methodik nicht auf unbestimmte Zeit aufrechterhalten.

Der erste KI-Winter (1974–1980)

In den 1970er Jahren stieß die KI auf erhebliche Kritik und finanzielle Rückschläge. KI-Forscher hatten die inhärente Schwierigkeit der Probleme, die sie angehen wollten, unterschätzt. Ihr beträchtlicher Optimismus hatte die Erwartungen der Öffentlichkeit in ein unhaltbares Maß gesteigert, und als die erwarteten Ergebnisse nicht eintraten, wurden die für KI bereitgestellten Mittel erheblich gekürzt. Dieser ausbleibende Erfolg deutete darauf hin, dass die damals von den KI-Forschern eingesetzten Techniken nicht ausreichten, um ihre erklärten Ziele zu erreichen.

Dennoch haben diese Herausforderungen das allgemeine Wachstum und die Weiterentwicklung des Fachgebiets nicht behindert. Die Mittelkürzungen betrafen vor allem eine begrenzte Anzahl großer Labore und die Kritik wurde weitgehend zurückgewiesen. Das öffentliche Interesse an KI nahm weiter zu, die Zahl der Forscher nahm erheblich zu und neue Konzepte wurden in Bereichen wie logischer Programmierung, vernünftigem Denken und verschiedenen anderen Bereichen erforscht. Im Jahr 2023 behauptete der Historiker Thomas Haigh, dass dieser Zeitraum kein „Winter“ sei, während der KI-Forscher Nils Nilsson ihn als die „aufregendste“ Zeit für die Arbeit im Bereich KI bezeichnete.

Herausforderungen

In den frühen 1970er Jahren waren die Fähigkeiten von KI-Programmen deutlich eingeschränkt. Selbst die ausgefeiltesten Systeme konnten nur triviale Versionen der Probleme angehen, die sie lösen sollten, wodurch alle Programme praktisch zu „Spielzeugen“ wurden. KI-Forscher sahen sich mit mehreren Einschränkungen konfrontiert, von denen einige erst Jahrzehnte später überwunden wurden, während andere das Feld auch in den 2020er Jahren weiterhin behindern.

• Begrenzte Computerleistung stellte ein erhebliches Hindernis dar, da unzureichender Speicher und unzureichende Verarbeitungsgeschwindigkeit die Entwicklung wirklich praktischer Anwendungen behinderten. Beispielsweise war Ross Quillians erfolgreiche Arbeit in der Verarbeitung natürlicher Sprache aufgrund von Gedächtnisbeschränkungen auf einen Wortschatz von nur 20 Wörtern beschränkt. Im Jahr 1976 behauptete Hans Moravec, dass Computern millionenfach die nötige Leistung fehlte, um Intelligenz zu manifestieren. Er zog eine Analogie und behauptete, dass künstliche Intelligenz Rechenleistung benötige, ähnlich wie Flugzeuge Pferdestärken benötigen. Moravec postulierte, dass es unterhalb einer bestimmten Rechenschwelle nicht möglich sei, KI zu erreichen, aber mit zunehmender Leistung könnte es schließlich unkompliziert werden, und erklärte: „Mit genügend PS wird alles fliegen.“
• Das Konzept der Unlösbarkeit und der kombinatorischen Explosion entstand 1972, als Richard Karp, indem er Stephen Cooks Theorem von 1971 erweiterte, die Existenz zahlreicher Probleme demonstrierte, die nur innerhalb exponentieller Zeit lösbar sind. Das Erhalten optimaler Lösungen für diese Probleme erforderte, außer in trivialen Fällen, immense Rechenressourcen. Diese inhärente Einschränkung hatte erhebliche Auswirkungen auf alle symbolischen KI-Programme, die Suchbäume verwenden, was bedeutet, dass sich viele in der KI-Forschung entwickelte „Spielzeug“-Lösungen als nicht skalierbar für praktische, nützliche Systeme erweisen würden.
• Moravecs Paradoxon verdeutlicht eine besondere Diskrepanz in der frühen KI-Forschung: Während Computer bei „intelligenten“ Aufgaben wie dem Beweisen von Theoremen, dem Lösen von Geometrieproblemen und Schach beachtliche Erfolge erzielten, hatten sie große Probleme mit scheinbar „unintelligenten“ Aufgaben wie der Gesichtserkennung oder dem kollisionsfreien Navigieren in einem Raum. Die ersten Erfolge ließen die Forscher glauben, dass die grundlegenden Herausforderungen intelligenten Verhaltens weitgehend gelöst seien. In den 1980er Jahren wurde jedoch deutlich, dass das symbolische Denken für diese Wahrnehmungs- und Sensomotorikfunktionen völlig unzureichend war, was die inhärenten Grenzen des vorherrschenden Ansatzes offenbarte.
• Eine große Herausforderung war die Breite des allgemeingültigen Wissens, da entscheidende Anwendungen der künstlichen Intelligenz, einschließlich Computer Vision und Verarbeitung natürlicher Sprache, umfassende Informationen über die Welt erfordern. Ein KI-Programm muss über ein grundlegendes Verständnis seiner visuellen Eingaben oder seines Gesprächskontexts verfügen, ähnlich dem Allgemeinwissen eines Kindes. Forscher stellten schnell fest, dass es sich dabei um eine riesige Datenmenge handelte, die Milliarden atomarer Fakten umfasste. Im Jahr 1970 gab es weder die technische Kapazität, eine ausreichend große Datenbank aufzubauen, noch gab es eine klare Methodik für ein Programm, um eine so große Menge an Informationen zu erfassen.
• Herausforderungen ergaben sich auch bei der Darstellung von vernünftigem Denken durch formale Logik oder symbolische Systeme. Versuche, gewöhnliche Deduktionen zu formalisieren, führten häufig zu immer längeren Beschreibungen, die zahlreiche Ausnahmen, Klarstellungen und Unterscheidungen erforderlich machten. Im Gegensatz dazu beruht die menschliche Wahrnehmung alltäglicher Konzepte nicht auf starren Definitionen, sondern auf Hunderten ungenauer Annahmen, die mithilfe eines umfassenden Bestands an gesundem Menschenverstand adaptiv verfeinert werden. Gerald Sussman bemerkte treffend: „Die Verwendung einer präzisen Sprache zur Beschreibung im Wesentlichen ungenauer Konzepte macht sie nicht präziser.“

Die Finanzierung der KI-Forschung ist deutlich zurückgegangen.

Förderagenturen, darunter die britische Regierung, DARPA und der National Research Council (NRC), waren zunehmend unzufrieden mit den begrenzten Fortschritten in der KI-Forschung und stellten schließlich nahezu jegliche finanzielle Unterstützung für nicht gelenkte Projekte ein. Dieser Trend begann 1966 mit dem Bericht des Automatic Language Processing Advisory Committee (ALPAC), der maschinelle Übersetzungsbemühungen kritisch bewertete. Nach einer Ausgabe von 20 Millionen US-Dollar stellte das NRC jegliche Finanzierung solcher Initiativen ein. Im Jahr 1973 verurteilte der Lighthill-Bericht, der den Stand der KI-Forschung im Vereinigten Königreich bewertete, die Unfähigkeit der KI, ihre „großartigen Ziele“ zu erreichen, was zur Auflösung der KI-Forschungsprogramme im Land führte; Insbesondere wurde in dem Bericht das kombinatorische Explosionsproblem als Schlüsselfaktor für die Mängel der KI genannt. Die DARPA drückte ihre tiefe Enttäuschung über die am Speech Understanding Research-Programm der CMU beteiligten Forscher aus und entzog daraufhin einen jährlichen Zuschuss in Höhe von 3 Millionen US-Dollar.

Hans Moravec führte die Krise auf die allzu optimistischen Prognosen seiner Kollegen zurück und erklärte: „Viele Forscher waren in einem Netz zunehmender Übertreibungen gefangen.“ Gleichzeitig zwang der Mansfield Amendment von 1969 die DARPA dazu, „missionsorientierter direkter Forschung“ Vorrang vor „grundlegender ungerichteter Forschung“ einzuräumen. Infolgedessen stellte die DARPA die Finanzierung der in den 1960er Jahren vorherrschenden kreativen, explorativen Forschung ein und leitete die Ressourcen auf spezifische Projekte mit definierten Zielen um, wie etwa autonome Panzer und Gefechtsmanagementsysteme.

Große Laboratorien, darunter MIT, Stanford, CMU und Edinburgh, hatten zuvor von erheblichen staatlichen Mitteln profitiert. Der anschließende Entzug dieser Unterstützung wirkte sich unverhältnismäßig stark auf diese Institutionen aus und machte sie zu den am stärksten von den Haushaltskürzungen betroffenen Einrichtungen. Im Gegensatz dazu blieben Tausende von Forschern, die unabhängig von diesen Institutionen tätig waren, sowie Neueinsteiger auf diesem Gebiet weitgehend unberührt.

Philosophische und ethische Kritik

Verschiedene Philosophen äußerten erhebliche Vorbehalte gegenüber den Behauptungen der KI-Forscher. John Lucas, ein früher Kritiker, behauptete, Gödels Unvollständigkeitssatz zeige die Unfähigkeit eines formalen Systems, etwa eines Computerprogramms, die Wahrheit bestimmter Aussagen zu erkennen, eine Fähigkeit, die Menschen besitzen. Hubert Dreyfus verspottete die unerfüllten Versprechen der 1960er Jahre und stellte die grundlegenden Annahmen der KI in Frage, indem er postulierte, dass menschliches Denken in erster Linie verkörpertes, instinktives, unbewusstes „Know-how“ und nicht eine umfassende „Symbolverarbeitung“ beinhalte. 1980 stellte John Searle sein Chinese-Room-Argument vor, mit dem er veranschaulichen wollte, dass ein Programm die von ihm manipulierten Symbole nicht wirklich „verstehen“ kann (eine Eigenschaft, die als „Intentionalität“ bezeichnet wird). Searle behauptete, dass, wenn Symbolen für eine Maschine die intrinsische Bedeutung fehlt, die Maschine nicht genau als „denkend“ beschrieben werden kann.

KI-Forscher wiesen diese philosophische Kritik weitgehend zurück und priorisierten unmittelbarere und greifbarere Herausforderungen wie Widerspenstigkeit und den Erwerb von gesundem Menschenverstand. Die praktischen Implikationen von Konzepten wie „Know-how“ oder „Intentionalität“ für betriebliche Computerprogramme blieben für sie unklar. Marvin Minsky vom MIT erklärte bekanntlich, dass Dreyfus und Searle „Missverständnisse haben und ignoriert werden sollten“. Obwohl Dreyfus auch Mitglied der MIT-Fakultät war, erlebte er gesellschaftliche Ausgrenzung und bemerkte später, dass KI-Forscher „es nicht wagten, mit mir zu Mittag gegessen zu werden“. Joseph Weizenbaum, der Schöpfer von ELIZA, kritisierte zwar auch die Haltung von Dreyfus, verurteilte jedoch ausdrücklich das Verhalten seiner KI-Kollegen gegenüber Dreyfus als unprofessionell und kindisch und betonte, dass dies „nicht die Art sei, einen Menschen zu behandeln“.

Weizenbaum entwickelte tiefgreifende ethische Bedenken in Bezug auf KI, nachdem Kenneth Colby ein von ELIZA abgeleitetes „Computerprogramm zur Durchführung psychotherapeutischer Dialoge“ entwickelt hatte. Weizenbaum fand es beunruhigend, dass Colby ein nicht-empfindungsfähiges Programm als praktikables therapeutisches Instrument ansah. Diese Meinungsverschiedenheit eskalierte zu einer Fehde, die dadurch verschärft wurde, dass Colby Weizenbaums grundlegenden Beitrag zum Programm nicht anerkannte. Im Jahr 1976 veröffentlichte Weizenbaum Computer Power and Human Reason und behauptete, dass der unangemessene Einsatz künstlicher Intelligenz den Wert der menschlichen Existenz mindern könnte.

Logikforschung in Stanford, CMU und Edinburgh

Die Integration der Logik in die KI-Forschung begann 1958 mit John McCarthys Advice Taker-Vorschlag. Bis 1963 hatte J. Alan Robinson eine einfache Methode für computergestützte Schlussfolgerungen entwickelt, die Auflösungs- und Vereinheitlichungsalgorithmen nutzte. Dennoch erwiesen sich direkte Implementierungen, wie sie Ende der 1960er Jahre von McCarthy und seinen Schülern durchgeführt wurden, als höchst unlösbar und erforderten eine exorbitante Anzahl an Rechenschritten, um selbst grundlegende Theoreme zu validieren. In den 1970er Jahren entstand eine effektivere logische Methodik, die von Robert Kowalski an der Universität Edinburgh entwickelt wurde. Diese Innovation führte bald zu einer Zusammenarbeit mit den französischen Forschern Alain Colmerauer und Philippe Roussel, die zur Entwicklung von Prolog führte, einer erfolgreichen logischen Programmiersprache. Prolog verwendet eine bestimmte logische Teilmenge, die sogenannten Horn-Klauseln (eng verwandt mit „Regeln“ und „Produktionsregeln“), die nachvollziehbare Berechnungen erleichtert. Das Konzept der Regeln blieb auch in der Folge einflussreich und bildete die Grundlage für Edward Feigenbaums Expertensysteme und prägte die laufenden Forschungen von Allen Newell und Herbert A. Simon, die in Soar und ihren einheitlichen Erkenntnistheorien gipfelten.

Kritiker des logischen Ansatzes schlossen sich den Beobachtungen von Dreyfus an und stellten fest, dass die menschliche Problemlösung selten auf formaler Logik beruht. Diese Behauptung wurde durch Experimente von Psychologen wie Peter Wason, Eleanor Rosch, Amos Tversky und Daniel Kahneman untermauert. McCarthy entgegnete jedoch, dass menschliche kognitive Prozesse irrelevant seien, und argumentierte, dass das Ziel darin bestehe, Maschinen zu entwickeln, die in der Lage seien, Probleme zu lösen, und nicht Maschinen, die lediglich menschliches Denken nachahmen.

MITs Anti-Logic-Ansatz

Zu den Kritikern von McCarthys Methodik gehörten seine Kollegen am MIT. Marvin Minsky, Seymour Papert und Roger Schank konzentrierten sich auf Probleme wie „Story-Verstehen“ und „Objekterkennung“, bei denen Maschinen menschenähnliches Denken erforderten. Um alltägliche Konzepte wie „Stuhl“ oder „Restaurant“ zu nutzen, mussten diese Forscher dieselben unlogischen Annahmen berücksichtigen, die häufig von Menschen gemacht werden. Die Darstellung solch ungenauer Konzepte in einem logischen Rahmen erwies sich als Herausforderung. Folglich entschied sich das MIT für die Entwicklung von Programmen, die bestimmte Aufgaben durch iteratives Testen lösten, auf abstrakte Definitionen auf hoher Ebene oder allgemeine Erkenntnistheorien verzichteten und der praktischen Leistung Vorrang vor Argumenten aus ersten Prinzipien einräumten. Schank bezeichnete diese „Anti-Logik“-Methoden als „schäbig“ und stellte sie dem von McCarthy, Kowalski, Feigenbaum, Newell und Simon favorisierten „ordentlichen“ Paradigma gegenüber.

In einer wegweisenden Arbeit aus dem Jahr 1975 stellte Minsky fest, dass viele seiner Kollegen ein ähnliches Werkzeug verwendeten: einen Rahmen, der darauf ausgelegt war, vernünftige Annahmen über eine bestimmte Entität zu erfassen. Beispielsweise ruft der Begriff „Vogel“ sofort eine Konstellation von Fakten hervor, etwa die Annahme, dass er fliegt oder Würmer frisst, auch wenn diese nicht allgemein für alle Vögel gelten. Minsky schlug vor, dass diese Annahmen mit einer allgemeinen Kategorie verbunden seien und von Frames, die Unterkategorien und einzelne Instanzen darstellen, geerbt werden könnten, mit der Flexibilität, bei Bedarf überschrieben zu werden. Er nannte diese Strukturen Rahmen. Anschließend nutzte Schank eine Version von Frames, die er „Skripte“ nannte, um erfolgreich Fragen zu englischen Kurzgeschichten zu beantworten. Frames fanden schließlich weit verbreitete Anwendung in der Softwareentwicklung, wo sie als objektorientierte Programmierung bekannt wurden.

Logiker haben auf diese Herausforderung reagiert. Pat Hayes behauptete, dass „die meisten ‚Frames‘ nur eine neue Syntax für Teile der Logik erster Ordnung sind“, räumte jedoch ein, dass „es ein oder zwei scheinbar unbedeutende Details gibt, die jedoch viel Ärger bereiten, insbesondere Standardeinstellungen.“

Ray Reiter räumte ein, dass „konventionellen Logiken, wie etwa der Logik erster Ordnung, die Ausdruckskraft fehlt, um das für das Standardschlussfolgern erforderliche Wissen angemessen darzustellen.“ Er schlug vor, die Logik erster Ordnung durch eine geschlossene Weltannahme zu erweitern, die besagt, dass eine Schlussfolgerung standardmäßig gilt, wenn ihr Gegenteil nicht nachgewiesen werden kann. Reiter veranschaulichte, wie diese Annahme mit der vernünftigen Argumentation bei Frames übereinstimmt, und identifizierte ihr „prozedurales Äquivalent“ in Prologs Negation als Misserfolg. Er stellte weiter klar, dass die Annahme einer geschlossenen Welt, wie er sie formulierte, „keine Vorstellung erster Ordnung ist. (Es ist eine Meta-Vorstellung.)“ Allerdings demonstrierte Keith Clark später, dass Negation als endliches Versagen als implizite Argumentation mit Definitionen in der Logik erster Ordnung verstanden werden konnte, die eine eindeutige Namensannahme beinhaltete, bei der sich unterschiedliche Begriffe auf unterschiedliche Individuen beziehen.

In den späten 1970er und 1980er Jahren a Verschiedene Logiken und Erweiterungen der Logik erster Ordnung wurden entwickelt, um sowohl die Negation als Fehler in der Logikprogrammierung als auch das Standarddenken im weiteren Sinne anzugehen. Zusammenfassend werden diese verschiedenen logischen Systeme als nichtmonotone Logiken bezeichnet.

Der Boom (1980–1987)

In den 1980er Jahren fanden „Expertensysteme“, eine spezielle Art von Programmen für künstliche Intelligenz, breite Verbreitung bei Unternehmen auf der ganzen Welt und verlagerten den Schwerpunkt der Mainstream-KI-Forschung auf die Wissensrepräsentation. Die Regierungen stellten erhebliche Mittel zur Verfügung, beispielsweise durch Initiativen wie Japans Fifth Generation Computer Project und die U.S. Strategic Computing Initiative. Infolgedessen erlebte die KI-Branche ein erhebliches Wachstum, das „von einigen Millionen Dollar im Jahr 1980 auf Milliarden Dollar im Jahr 1988“ anstieg.

Weit verbreitete Einführung von Expertensystemen

Ein Expertensystem ist definiert als ein Rechenprogramm, das darauf ausgelegt ist, Anfragen zu beantworten oder Probleme innerhalb eines speziellen Wissensbereichs zu lösen, indem es logische Regeln verwendet, die aus Expertenwissen abgeleitet werden. Bahnbrechende Beispiele wurden von Edward Feigenbaum und seinen Schülern entwickelt. Dendral wurde 1965 ins Leben gerufen und war in der Lage, chemische Verbindungen anhand von Spektrometerwerten zu identifizieren, während MYCIN, das 1972 entwickelt wurde, infektiöse Blutkrankheiten diagnostizierte. Diese frühen Systeme demonstrierten effektiv die Realisierbarkeit des Expertensystemansatzes.

Expertensysteme waren auf enge Bereiche spezialisierten Wissens beschränkt und umgingen so die Herausforderung des gesunden Menschenverstandes. Ihre unkomplizierte Architektur erleichterte die Entwicklung und anschließende Änderung von Programmen nach der Bereitstellung. Letztendlich zeigten diese Systeme einen praktischen Nutzen, eine bedeutende Errungenschaft, die künstliche Intelligenz zuvor nicht erreicht hatte.

1980 entwickelte die Carnegie Mellon University (CMU) ein Expertensystem namens R1 für die Digital Equipment Corporation. Dieses System erzielte bemerkenswerte Erfolge und brachte dem Unternehmen bis 1986 jährliche Einsparungen von 40 Millionen US-Dollar ein. Infolgedessen begannen globale Konzerne mit der Entwicklung und Implementierung von Expertensystemen, was bis 1985 zu Ausgaben von über einer Milliarde US-Dollar für KI führte, vor allem in internen KI-Abteilungen. Es entstand eine unterstützende Branche, die Hardwarehersteller wie Symbolics und Lisp Machines sowie Softwareanbieter wie IntelliCorp und Aion umfasste.

Verbesserte staatliche Finanzierung

1981 stellte das japanische Ministerium für internationalen Handel und Industrie 850 Millionen US-Dollar für das Computerprojekt der fünften Generation bereit. Zu den Zielen des Projekts gehörten die Entwicklung von Programmen und der Bau von Maschinen, die in der Lage sind, Gespräche zu führen, Sprachen zu übersetzen, Bilder zu interpretieren und menschenähnliches Denken durchzuführen. Bemerkenswerterweise und zum Entsetzen einiger Forscher wurde Prolog ursprünglich als Hauptprogrammiersprache für diese Initiative ausgewählt.

Andere Nationen initiierten als Reaktion darauf ihre eigenen Forschungsprogramme. Das Vereinigte Königreich startete das 350 Millionen Pfund teure Alvey-Projekt. Gleichzeitig gründete ein Konsortium amerikanischer Unternehmen die Microelectronics and Computer Technology Corporation (MCC), um umfangreiche Projekte in den Bereichen künstliche Intelligenz und Informationstechnologie zu finanzieren. DARPA reagierte auch mit der Gründung der Strategic Computing Initiative, die zwischen 1984 und 1988 zu einer Verdreifachung ihrer KI-Investitionen führte.

Die Wissensrevolution

Die Wirksamkeit von Expertensystemen beruht auf ihrem eingebetteten Fachwissen. Dies stellte einen neuen Weg in der KI-Forschung dar, der in den 1970er Jahren an Bedeutung gewonnen hatte. Wie Pamela McCorduck bemerkte: „KI-Forscher begannen – widerwillig, denn sie verstieß gegen den wissenschaftlichen Kanon der Sparsamkeit – zu vermuten, dass Intelligenz sehr wohl auf der Fähigkeit basieren könnte, große Mengen unterschiedlichen Wissens auf unterschiedliche Weise zu nutzen.“ Sie bemerkte weiter: „Die große Lehre aus den 1970er Jahren war, dass intelligentes Verhalten sehr stark vom Umgang mit Wissen, manchmal recht detailliertem Wissen, über einen Bereich abhing, in dem eine bestimmte Aufgabe lag.“ Infolgedessen entwickelten sich wissensbasierte Systeme und Knowledge Engineering in den 1980er Jahren zu bedeutenden Bereichen der KI-Forschung. Die Erwartung bestand darin, dass umfangreiche Datenbanken das Problem des gesunden Menschenverstandes lösen und die notwendige Unterstützung für vernünftiges Denken liefern würden.

In den 1980er Jahren gingen bestimmte Forscher direkt auf das Problem des gesunden Menschenverstandes ein, indem sie umfangreiche Datenbanken erstellten, die die alltäglichen Fakten umfassen sollten, die einem durchschnittlichen Menschen bekannt sind. Douglas Lenat, der ein Datenbankprojekt namens Cyc initiierte, behauptete, dass es keine Abkürzungen gäbe; Die einzige Methode für Maschinen, menschliche Konzepte zu verstehen, war die manuelle, Konzept-für-Konzept-Anleitung.

Neue Richtungen in den 1980er Jahren

Obwohl in den 1980er Jahren praktische Anwendungen entwickelt und erhebliche Mittel für symbolische Wissensdarstellung und logisches Denken bereitgestellt wurden, erwiesen sich diese Methoden als unzureichend, um Herausforderungen in den Bereichen Wahrnehmung, Robotik, Lernen und gesunder Menschenverstand zu lösen. Infolgedessen stellte eine Minderheit von Wissenschaftlern und Ingenieuren die langfristige Eignung des symbolischen Paradigmas für diese Aufgaben in Frage, was zur Entwicklung alternativer Methoden wie „Konnektionismus“, „Soft“ Computing und Reinforcement Learning führte. Nils Nilsson kategorisierte diese neuen Ansätze als „subsymbolisch“.

Das Wiederaufleben neuronaler Netze: „Connectionism“

Im Jahr 1982 demonstrierte der Physiker John Hopfield, dass eine bestimmte Art von neuronalem Netzwerk, das heute als „Hopfield-Netz“ bekannt ist, die Fähigkeit besitzt, Informationen zu lernen und zu verarbeiten und innerhalb eines ausreichenden Zeitrahmens unter jeder festgelegten Bedingung nachweisbare Konvergenz zu zeigen. Dies stellte einen bedeutenden Fortschritt dar, da frühere Annahmen darauf hindeuteten, dass nichtlineare Netzwerke im Allgemeinen eine chaotische Entwicklung aufweisen würden. Geoffrey Hinton stellte später einen vergleichbaren Befund bezüglich eines Geräts namens „Boltzmann-Maschine“ fest. (Später wurden Hopfield und Hinton für ihre Beiträge mit dem Nobelpreis 2024 ausgezeichnet.) Darüber hinaus verbreiteten Hinton und David Rumelhart 1986 die „Backpropagation“, eine Methode zum Training neuronaler Netze. Diese drei entscheidenden Entwicklungen haben gemeinsam ein erneutes Interesse an der Erforschung künstlicher neuronaler Netze geweckt.

Neben mehreren analogen Modellen erlangten neuronale Netze nach der Veröffentlichung von Parallel Distributed Processing im Jahr 1986, einer zweibändigen Zusammenstellung von Artikeln, herausgegeben von Rumelhart und dem Psychologen James McClelland, erhebliche Bedeutung. Das aufstrebende Feld wurde als „Konnektionismus“ bezeichnet und löste einen umfassenden intellektuellen Diskurs zwischen Befürwortern der symbolischen KI und den „Konnektionisten“ aus. Hinton charakterisierte Symbole als den „leuchtenden Äther der KI“, was ein unpraktisches und trügerisches Paradigma der Intelligenz impliziert. Diese Behauptung stellte eine direkte Herausforderung an die Grundprinzipien dar, die die kognitive Revolution inspirierten.

Neuronale Netze begannen, die Fähigkeiten in speziellen Bereichen wie der Vorhersage der Proteinstruktur erheblich zu verbessern. Aufbauend auf den bahnbrechenden Beiträgen von Terry Sejnowski erreichten kaskadierende mehrschichtige Perzeptrone, darunter PhD und PsiPred, Genauigkeitsniveaus, die theoretischen Maxima bei der Vorhersage der Sekundärstruktur nahekamen.

Im Jahr 1990 setzte Yann LeCun von den Bell Labs Faltungs-Neuronale Netze zur Erkennung handgeschriebener Ziffern ein. Dieses System wurde in den 1990er Jahren umfassend eingesetzt und verarbeitete Postleitzahlen und persönliche Finanzinstrumente. Dies markierte den ersten nachweislich praktischen Einsatz neuronaler Netze.

Robotik und verkörperte Vernunft

Rodney Brooks, Hans Moravec und andere Forscher postulierten, dass echte Intelligenz in einer Maschine eine Verkörperung erfordert – sie erfordert die Fähigkeit, ihre Umgebung wahrzunehmen, sich fortzubewegen, sich selbst zu erhalten und mit ihr zu interagieren. Sensomotorische Fähigkeiten sind von grundlegender Bedeutung für fortgeschrittene kognitive Fähigkeiten, wie etwa das logische Denken. Diese Fähigkeiten können durch abstraktes symbolisches Denken nicht effektiv umgesetzt werden; Folglich sollte künstliche Intelligenz Herausforderungen im Zusammenhang mit Wahrnehmung, Mobilität, Manipulation und Überleben angehen, ohne auf symbolische Darstellungen zurückzugreifen. Diese Robotikforscher befürworteten einen „Bottom-up“-Ansatz zur Intelligenzkonstruktion.

Dieses Konzept wurde von David Marr vorweggenommen, der Ende der 1970er Jahre nach einer herausragenden Karriere in der theoretischen Neurowissenschaft ans MIT kam, um die Forschungsgruppe für Sehstudien zu leiten. Er lehnte alle symbolischen Methoden ab (sowohl McCarthys Logik als auch Minskys Rahmen) und behauptete, dass künstliche Intelligenz ein Verständnis der zugrunde liegenden physikalischen Mechanismen des Sehens erfordert, beginnend mit Grundprinzipien, bevor eine symbolische Verarbeitung in Angriff genommen wird. (Marrs Forschungsverlauf wurde 1980 durch Leukämie auf tragische Weise eingeschränkt.)

In seiner Arbeit „Elefanten spielen kein Schach“ aus dem Jahr 1990 stellte der Robotikforscher Brooks die Hypothese des physikalischen Symbolsystems direkt in Frage und argumentierte, dass Symbole nicht immer erforderlich seien, da „die Welt ihr eigenes bestes Modell ist. Sie ist immer genau auf dem neuesten Stand. Sie enthält immer jedes Detail, das es zu wissen gilt. Der Trick ist.“ um es angemessen und oft genug zu spüren.“

In den 1980er und 1990er Jahren bestritten zahlreiche Kognitionswissenschaftler auch das Symbolverarbeitungsparadigma der Kognition und behaupteten die unverzichtbare Rolle des physischen Körpers in kognitiven Prozessen, ein theoretischer Rahmen, der als „These des verkörperten Geistes“ bekannt ist.

Soft Computing und probabilistisches Denken

Soft Computing verwendet Methoden, die in der Lage sind, mit unvollständigen und ungenauen Daten zu arbeiten. Ziel dieser Methoden ist es nicht, exakte, logisch endgültige Lösungen zu liefern, sondern Ergebnisse zu liefern, die probabilistisch genau sind. Dies ermöglichte die Lösung von Herausforderungen, die für präzise symbolische Ansätze unlösbar waren. In Medienberichten wurde häufig behauptet, dass diese Instrumente über menschenähnliche kognitive Fähigkeiten verfügten.

Judea Pearls Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, eine einflussreiche Veröffentlichung aus dem Jahr 1988, integrierte Wahrscheinlichkeits- und Entscheidungstheorie in den Bereich der künstlichen Intelligenz. Die von Lofti Zadeh in den 1960er Jahren entwickelte Fuzzy-Logik fand in KI- und Robotikanwendungen zunehmende Verbreitung. Auch evolutionäre Berechnungen und künstliche neuronale Netze verarbeiten ungenaue Informationen und werden als „Soft“-Computing-Methoden kategorisiert. In den 1990er und frühen 2000er Jahren wurden zahlreiche weitere Soft-Computing-Methoden entwickelt und implementiert, darunter Bayesianische Netzwerke, Hidden-Markov-Modelle, Informationstheorie und stochastische Modellierung. Diese Instrumente wiederum stützten sich auf ausgefeilte mathematische Techniken wie die klassische Optimierung. In den 1990er und frühen 2000er Jahren bildeten diese Soft-Computing-Paradigmen den Schwerpunkt eines speziellen Teilgebiets der KI, das als „Computational Intelligence“ bekannt ist.

Verstärkendes Lernen

Bestärkendes Lernen bietet einem Agenten bei erfolgreicher Ausführung einer gewünschten Aktion positive Verstärkung und kann in Fällen suboptimaler Leistung negative Verstärkung (oder „Strafen“) verhängen. Dieses Konzept wurde in der ersten Hälfte des 20. Jahrhunderts von Psychologen wie Thorndike, Pavlov und Skinner entwickelt, die Tiermodelle verwendeten. In den 1950er Jahren erkannten Alan Turing und Arthur Samuel die Bedeutung des Reinforcement Learning innerhalb der künstlichen Intelligenz.

Ab 1972 leiteten Richard Sutton und Andrew Barto ein äußerst erfolgreiches und einflussreiches Forschungsprogramm. Ihre gemeinsamen Bemühungen haben das Studium des verstärkenden Lernens und der Entscheidungsfindung in den folgenden vier Jahrzehnten tiefgreifend verändert. 1988 konzipierte Sutton maschinelles Lernen im Rahmen der Entscheidungstheorie, insbesondere des Markov-Entscheidungsprozesses. Diese Formulierung verschaffte der Disziplin eine solide theoretische Grundlage und erleichterte den Zugang zu einem umfangreichen Spektrum theoretischer Erkenntnisse, die zuvor im Operations Research etabliert wurden.

Gleichzeitig im Jahr 1988 entwickelten Sutton und Barto den „Temporal Difference“ (TD)-Lernalgorithmus, der einen Agenten ausschließlich dann belohnt, wenn seine Vorhersagen eine Verbesserung zeigen. Dieser Algorithmus übertraf die Leistung früherer Methoden erheblich. Im Jahr 1992 implementierte Gerald Tesauro TD-Learning im TD-Gammon-Programm, das Backgammon-Kenntnisse auf menschlichem Niveau erreichte. Bemerkenswert ist, dass das Programm die Spielbeherrschung durch Selbstspiel und ohne Vorkenntnisse erlangte. Ein überzeugendes Beispiel interdisziplinärer Synergie ergab sich 1997, als Neurologen feststellten, dass das Dopamin-Belohnungssystem des Gehirns auch eine Variante des TD-Lernalgorithmus nutzt. Das TD-Lernen erlangte später im 21. Jahrhundert erheblichen Einfluss und wurde insbesondere sowohl in AlphaGo als auch in AlphaZero angewendet.

Der zweite KI-Winter (1990er)

In den 1980er Jahren folgte die Begeisterung der Wirtschaft für künstliche Intelligenz dem charakteristischen Verlauf einer Wirtschaftsblase: Sie erlebte einen rasanten Aufstieg, dem ein steiler Rückgang folgte. Das anschließende Scheitern zahlreicher Unternehmen führte im kommerziellen Bereich zu der weitverbreiteten Auffassung, dass die Technologie nicht realisierbar sei. Dieser Reputationsschaden der KI hielt bis ins 21. Jahrhundert an. Im akademischen Bereich herrschte kein Konsens über die genauen Ursachen dafür, dass KI nicht in der Lage war, das Streben nach Intelligenz auf menschlicher Ebene zu verwirklichen, eine Vision, die in den 1960er Jahren die weltweite Vorstellungskraft gefesselt hatte. Zusammengenommen trugen diese Elemente zur Fragmentierung der KI in unterschiedliche, konkurrierende Teilbereiche bei, die sich jeweils auf spezifische Probleme oder Methoden konzentrierten und gelegentlich neue Nomenklaturen übernahmen, um den gefährdeten Ruf der „künstlichen Intelligenz“ zu verschleiern.

In den folgenden zwei Jahrzehnten lieferte die KI stets funktionale Lösungen für bestimmte, umschriebene Probleme. Bis Ende der 1990er Jahre waren seine Anwendungen in der gesamten Technologiebranche allgegenwärtig, wenn auch oft ohne große öffentliche Sichtbarkeit. Dieser Erfolg lässt sich auf mehrere Faktoren zurückführen: erhöhte Rechenleistung, synergetische Zusammenarbeit mit anderen Disziplinen (einschließlich mathematischer Optimierung und Statistik) und die Einführung strengerer Standards der wissenschaftlichen Rechenschaftspflicht.

KI Winter

Die Bezeichnung „KI-Winter“ entstand bei Forschern, die die Mittelkürzungen von 1974 erlebt hatten, aus der Befürchtung heraus, dass die aufkeimende Begeisterung für Expertensysteme übertrieben sei und unweigerlich zu einer anschließenden Ernüchterung geführt habe. Ihre Bedenken erwiesen sich als vorausschauend: In den späten 1980er und frühen 1990er Jahren erlebte die künstliche Intelligenz eine Reihe von finanziellen Rückschlägen.

Der erste Vorbote dieser Verschiebung war der abrupte Zusammenbruch des spezialisierten KI-Hardwaremarktes im Jahr 1987. Die Verarbeitungsgeschwindigkeit und Leistung der von Apple und IBM hergestellten Desktop-Computer hatte nach und nach zugenommen und übertraf 1987 die Fähigkeiten der teureren Lisp-Maschinen von Symbolics und anderen Herstellern. Infolgedessen war die Die Gründe für den Kauf dedizierter KI-Hardware sind deutlich zurückgegangen. Dieses Ereignis führte zum sofortigen Zusammenbruch einer Branche im Wert von einer halben Milliarde Dollar.

Letztendlich wiesen die bahnbrechenden erfolgreichen Expertensysteme, darunter R1, unerschwingliche Wartungskosten auf. Diese Systeme stellten Herausforderungen bei der Aktualisierung dar, es mangelte ihnen an Lernfähigkeiten und sie zeigten „Brüchigkeit“, was bedeutete, dass sie anfällig für erhebliche Fehler waren, wenn sie mit atypischen Eingaben konfrontiert wurden. Während Expertensysteme nützlich waren, war ihre Anwendbarkeit auf eine begrenzte Anzahl spezialisierter Kontexte beschränkt.

In den späten 1980er Jahren reduzierte die Strategic Computing Initiative die Mittel für KI drastisch. Die neue Führung innerhalb der DARPA kam zu dem Schluss, dass KI nicht das kommende technologische Paradigma darstellte, und verteilte daher Ressourcen auf Projekte, von denen angenommen wurde, dass sie eher zu unmittelbaren Ergebnissen führen würden.

Bis 1991 blieben die ehrgeizigen Ziele, die 1981 für Japans Projekt der fünften Generation festgelegt wurden, unerfüllt. Bestimmte Ziele, etwa die Fähigkeit, „ein lockeres Gespräch zu führen“, würden erst in weiteren drei Jahrzehnten erreicht. Wie bei anderen KI-Bemühungen übertrafen die anfänglichen Erwartungen die tatsächlichen Fähigkeiten erheblich.

Bis Ende 1993 hatten mehr als 300 KI-Unternehmen ihre Geschäftstätigkeit eingestellt, Insolvenz angemeldet oder sich einer Übernahme unterzogen und damit die erste kommerzielle Phase der KI abgeschlossen. Im Jahr 1994 postulierte HP Newquist in The Brain Makers, dass „die unmittelbare Zukunft der künstlichen Intelligenz – in ihrer kommerziellen Form – teilweise auf dem anhaltenden Erfolg neuronaler Netze zu beruhen scheint.“

KI hinter den Kulissen

Algorithmen, die ursprünglich von Forschern der künstlichen Intelligenz (KI) entwickelt wurden, wurden in den 1990er Jahren in umfassendere Systeme integriert. KI hat zahlreiche komplexe Herausforderungen erfolgreich gemeistert und Lösungen hervorgebracht, die sich im gesamten Technologiesektor als wertvoll erwiesen haben, darunter Anwendungen in den Bereichen Data Mining, Industrierobotik, Logistik, Spracherkennung, Bankensoftware, medizinische Diagnose und Googles Suchmaschine.

Trotz dieser Fortschritte erhielt der Bereich KI für seine Beiträge in den 1990er und frühen 2000er Jahren nur minimale Anerkennung. Viele bedeutende KI-Innovationen wurden später zu Standardkomponenten innerhalb der Informatik umklassifiziert. Nick Bostrom erklärt dieses Phänomen mit den Worten: „Viele hochmoderne KI sind in allgemeine Anwendungen eingedrungen, oft ohne dass sie KI genannt werden, denn sobald etwas nützlich genug und verbreitet genug ist, wird es nicht mehr als KI bezeichnet.“

In den 1990er Jahren haben zahlreiche KI-Forscher ihre Arbeit absichtlich mit alternativen Terminologien bezeichnet, wie etwa Informatik, wissensbasierte Systeme, „kognitive Systeme“ oder rechnerische Intelligenz. Diese Praxis wurde teilweise durch die Wahrnehmung vorangetrieben, dass sich ihr Bereich grundlegend von der traditionellen KI unterscheidet, aber auch durch den strategischen Vorteil, den diese neuen Labels bei der Sicherung der Finanzierung boten. Im kommerziellen Bereich warfen die unerfüllten Verpflichtungen des „KI-Winters“ bis in die 2000er Jahre weiterhin einen Schatten auf die KI-Forschung, wie die New York Times im Jahr 2005 dokumentierte: „Informatiker und Softwareentwickler mieden den Begriff künstliche Intelligenz aus Angst, als wildäugige Träumer angesehen zu werden.“

Verbesserte mathematische Genauigkeit, kollaborative Bemühungen und spezialisierter Fokus

KI-Forscher übernahmen und entwickelten zunehmend fortschrittliche mathematische Werkzeuge und übertrafen damit frühere Integrationsniveaus. Die meisten neu entstehenden KI-Forschungsverläufe basierten im Wesentlichen auf mathematischen Modellen, die künstliche neuronale Netze, probabilistisches Denken, Soft Computing und verstärkendes Lernen umfassten. In den 1990er und 2000er Jahren wurden zahlreiche andere hochentwickelte mathematische Methoden für KI-Anwendungen angepasst, insbesondere in den Bereichen maschinelles Lernen, Wahrnehmung und Mobilität.

Es entstand ein breiter Konsens hinsichtlich der Überschneidung zwischen Problemen, die KI-Lösungen erfordern, und solchen, die bereits von Forschern in Disziplinen wie Statistik, Mathematik, Elektrotechnik, Wirtschaftswissenschaften und Operations Research untersucht werden. Dieser gemeinsame mathematische Rahmen ermöglichte eine verbesserte Zusammenarbeit mit etablierteren und erfolgreicheren Bereichen, was zur Erzielung messbarer und überprüfbarer Ergebnisse führte und so die KI in eine strengere wissenschaftliche Disziplin verwandelte. Ein weiterer entscheidender Faktor für die Erfolge der 1990er Jahre war die Konzentration der KI-Forscher auf spezifische Probleme, die für überprüfbare Lösungen zugänglich sind, ein Ansatz, der später als schmale KI bezeichnet wurde. Diese Strategie brachte praktische Werkzeuge für die sofortige Anwendung hervor, anstatt spekulative Zukunftsvorhersagen zu fördern.

Intelligente Agenten

Das Paradigma der „intelligenten Agenten“ erlangte in den 1990er Jahren breite Akzeptanz. Während sich frühere Forscher für modulare „Teile und herrsche“-Methoden in der KI eingesetzt hatten, verwirklichte sich die zeitgenössische Formulierung des intelligenten Agenten durch die Integration von Konzepten aus der Entscheidungstheorie und der Ökonomie in die KI-Forschung durch Persönlichkeiten wie Judea Pearl, Allen Newell und Leslie P. Kaelbling. Das Paradigma des intelligenten Agenten wurde vollständig auf der Synthese der wirtschaftlichen Definition eines rationalen Agenten mit dem Informatikkonzept eines Objekts oder Moduls etabliert.

Ein intelligenter Agent wird als ein System konzeptualisiert, das in der Lage ist, seine Umgebung wahrzunehmen und Aktionen auszuführen, die seine Erfolgswahrscheinlichkeit optimieren sollen. Nach dieser Definition gelten sowohl rudimentäre Programme, die sich mit spezifischen Problemen befassen, als auch komplexe Einheiten wie Menschen oder menschliche Organisationen (z. B. Unternehmen) als „intelligente Agenten“. Das Paradigma der intelligenten Agenten definiert die KI-Forschung neu als „die Untersuchung intelligenter Agenten“ und stellt eine umfassendere Verallgemeinerung früherer KI-Definitionen dar. Dieser Rahmen geht über das ausschließliche Studium der menschlichen Intelligenz hinaus und umfasst alle Formen der Intelligenz. Darüber hinaus ermöglichte dieses Paradigma den Forschern, isolierte Probleme zu untersuchen und in methodischen Ansätzen voneinander abzuweichen, während sie gleichzeitig den Anspruch aufrechterhielten, dass ihre individuellen Beiträge letztendlich zu einer Agentenarchitektur zusammenwachsen könnten, die in der Lage ist, allgemeine Intelligenz zu erreichen.

Meilensteine und Moores Gesetz

Am 11. Mai 1997 erreichte Deep Blue einen historischen Meilenstein, indem es als erstes Computerschachsystem den amtierenden Schachweltmeister Garry Kasparov besiegte. Anschließend, im Jahr 2005, schloss ein an der Stanford University entwickelter Roboter die DARPA Grand Challenge erfolgreich ab und legte autonom 131 Meilen durch eine unbekannte Wüstenlandschaft zurück. Zwei Jahre später sicherte sich ein Team der Carnegie Mellon University (CMU) den Sieg bei der DARPA Urban Challenge, indem es 55 Meilen durch eine städtische Umgebung navigierte und dabei Verkehrsgefahren geschickt bewältigte und die Verkehrsregeln einhielt.

Diese Erfolge waren in erster Linie auf die sorgfältige Anwendung von technischem Fachwissen und die in den 1990er Jahren beobachteten erheblichen Fortschritte bei Computergeschwindigkeit und -kapazität zurückzuführen und nicht auf ein neuartiges revolutionäres Paradigma. Beispielsweise übertraf die Rechengeschwindigkeit von Deep Blue die des Ferranti Mark 1, den Christopher Strachey 1951 zum Schachspielen programmierte, um den Faktor 10 Millionen. Dieses exponentielle Wachstum wird durch das Mooresche Gesetz quantifiziert, das eine Verdoppelung der Computergeschwindigkeit und der Speicherkapazität etwa alle zwei Jahre voraussetzt und dadurch die grundlegende Beschränkung der „rohen Computerleistung“ schrittweise abschwächt.

Der Einfluss künstlicher Intelligenz auf Kunst und Literatur

Experimente mit elektronischer Literatur, darunter The Impermanence Agent (1998–2002) und digitale Kunstinstallationen wie Agent Ruby, integrierten künstliche Intelligenz, um „die Voreingenommenheit offenzulegen, die mit Formen der Technologie einhergeht, die Objektivität vortäuschen“, in ihren künstlerischen und literarischen Ausdrucksformen.

Big Data, Deep Learning und künstliche allgemeine Intelligenz (2005–2017)

In den ersten Jahrzehnten des 21. Jahrhunderts ermöglichte die Konvergenz umfassender Datenverfügbarkeit („Big Data“), immer erschwinglicherer und leistungsfähigerer Computersysteme und ausgefeilter Methoden des maschinellen Lernens erfolgreiche Anwendungen in verschiedenen Wirtschaftssektoren. Eine entscheidende Entwicklung erfolgte etwa im Jahr 2012 mit dem Aufkommen von Deep Learning, das die Leistung des maschinellen Lernens in verschiedenen Bereichen, einschließlich Bild- und Videoverarbeitung, Textanalyse und Spracherkennung, deutlich verbesserte. Gleichzeitig stiegen die Investitionen in die KI mit deren wachsenden Fähigkeiten und führten bis 2016 zu einem Marktwert von über 8 Milliarden US-Dollar für KI-bezogene Produkte, Hardware und Software. Die New York Times bezeichnete daraufhin das aufkeimende Interesse an KI als „Raserei“.

Im Jahr 2002 äußerten Ben Goertzel und seine Mitarbeiter ihre Besorgnis darüber, dass die Forschung im Bereich der künstlichen Intelligenz weitgehend von ihrem grundlegenden Ziel, der Entwicklung vielseitiger, vollständig intelligenter Systeme, abgewichen sei Maschinen und plädiert stattdessen für ein gezielteres Streben nach künstlicher allgemeiner Intelligenz (AGI). Bis Mitte der 2010er Jahre wurden zahlreiche Organisationen, darunter OpenAI und Googles DeepMind, mit dem ausdrücklichen Ziel gegründet, AGI voranzutreiben. Gleichzeitig führten neue Perspektiven zur Superintelligenz zu Bedenken hinsichtlich des Potenzials von KI als existenzielle Bedrohung. Infolgedessen entwickelten sich die Risiken und unvorhergesehenen Auswirkungen der KI-Technologie nach 2016 zu einem wichtigen Bereich akademischer Forschung.

Die Rolle von Big Data und fortschrittlichen Computersystemen

Die Wirksamkeit des maschinellen Lernens in den 2000er Jahren hing von der Zugänglichkeit umfangreicher Trainingsdaten und verbesserten Rechengeschwindigkeiten ab. Russell und Norvig stellten fest, dass „die Leistungsverbesserung, die durch die Vergrößerung des Datensatzes um zwei oder drei Größenordnungen erzielt wird, jede Verbesserung überwiegt, die durch Optimierung des Algorithmus erzielt werden kann.“ Geoffrey Hinton erläuterte diesen historischen Kontext weiter und stellte fest, dass in den 1980er und 1990er Jahren „unsere beschrifteten Datensätze tausende Male zu klein waren. [Und] unsere Computer waren millionenfach zu langsam“, eine Einschränkung, die bis 2010 überwunden worden war.

In den 2000er Jahren stammten die wirkungsvollsten Daten für maschinelles Lernen und KI aus sorgfältig kuratierten und beschrifteten Datensätzen. Im Jahr 2007 stellten Forscher der UMass Amherst „Labeled Faces in the Wild“ vor, eine kommentierte Bildsammlung von Gesichtern, die jahrzehntelang zu einer grundlegenden Ressource für das Training und die Bewertung von Gesichtserkennungssystemen wurde. Anschließend leitete Fei-Fei Li die Entwicklung von ImageNet, einer umfassenden Datenbank mit drei Millionen Bildern, die von Freiwilligen über Amazon Mechanical Turk kommentiert wurden. ImageNet wurde 2009 eingeführt und diente sowohl als wertvolles Schulungsmaterial als auch als entscheidender Maßstab für nachfolgende Generationen von Bildverarbeitungssystemen. Im Jahr 2013 veröffentlichte Google word2vec als Open-Source-Tool, das umfangreiche aus dem Internet extrahierte Textdaten und Wörterinbettungstechniken nutzte, um numerische Vektoren zu generieren, die einzelne Wörter darstellen. Die Fähigkeit von word2vec, semantische Beziehungen genau zu erfassen, beispielsweise durch Vektoradditionen, die Äquivalenzen wie „China + Fluss = Jangtse“ oder „London − England + Frankreich = Paris“ ergeben, erregte große Aufmerksamkeit. Diese spezielle Datenbank erwies sich Ende der 2010er Jahre als unverzichtbar für die Weiterentwicklung großer Sprachmodelle.

Die exponentielle Verbreitung des Internets ermöglichte maschinellen Lernprogrammen einen beispiellosen Zugriff auf Milliarden von Text- und Bildseiten, die für die Datenextraktion geeignet sind. Gleichzeitig wurden spezifische Herausforderungen durch entsprechende Daten in umfangreichen privaten Datenbanken angegangen. Das McKinsey Global Institute berichtete, dass „bis 2009 fast alle Sektoren der US-Wirtschaft über mindestens 200 Terabyte an gespeicherten Daten verfügten“. Diese enorme Ansammlung von Informationen wurde in den 2000er Jahren als Big Data bezeichnet.

Im Februar 2011 errang IBMs Frage-Antwort-System Watson während eines Schaukampfs der Sendung einen bemerkenswerten Sieg über die beiden führenden Jeopardy!-Champions, Brad Rutter und Ken Jennings. Watsons hochentwickeltes Fachwissen hing im Wesentlichen von den umfangreichen Informationsressourcen ab, die im Internet verfügbar waren.

Deep Learning

Im Jahr 2012 erreichte AlexNet, ein von Alex Krizhevsky entwickeltes Deep-Learning-Modell, den ersten Platz bei der ImageNet Large Scale Visual Recognition Challenge und zeigte eine deutlich bessere Leistung mit weniger Fehlern als der Zweitplatzierte. Krizhevskys Arbeit wurde in Zusammenarbeit mit Geoffrey Hinton an der University of Toronto durchgeführt. Dieses Ereignis stellte einen entscheidenden Wendepunkt im maschinellen Lernen dar, da in den folgenden Jahren zahlreiche andere Bilderkennungsansätze durch Deep Learning ersetzt wurden.

Deep Learning nutzt grundsätzlich ein mehrschichtiges Perzeptron. Obwohl dieser architektonische Entwurf seit den 1960er Jahren anerkannt ist, erfordert seine praktische Anwendung erhebliche Rechenleistung und umfangreiche Trainingsdaten. Bevor diese Voraussetzungen erfüllt waren, war zur Verbesserung der Leistung von Bildverarbeitungssystemen die mühsame Erstellung handgefertigter Ad-hoc-Funktionen erforderlich, deren Implementierung von Natur aus komplex war. Deep Learning hingegen stellte eine einfachere und allgemeinere Methodik dar.

In den folgenden Jahren wurde Deep Learning erfolgreich auf eine Vielzahl von Problemen angewendet, darunter Bereiche wie Spracherkennung, maschinelle Übersetzung, medizinische Diagnose und Spiele. In jeder Anwendung wurden durchweg erhebliche Leistungssteigerungen erzielt. Dieser Erfolg löste einen deutlichen Anstieg sowohl der Investitionen als auch des Interesses an künstlicher Intelligenz aus.

Das Ausrichtungsproblem

In den 2000er Jahren gewannen erneut Diskussionen über die Zukunft der künstlichen Intelligenz an Bedeutung, wobei mehrere populäre Bücher das Potenzial superintelligenter Maschinen und ihre gesellschaftlichen Auswirkungen untersuchten. Während einige Perspektiven, wie zum Beispiel „The Singularity is Near“ von Ray Kurzweil, optimistisch waren, warnten andere, darunter die von Nick Bostrom und Eliezer Yudkowsky, davor, dass eine ausreichend leistungsstarke KI eine existenzielle Bedrohung für die Menschheit darstellen könnte. Dieses Thema erregte in der Folge große mediale Aufmerksamkeit und zog Kommentare von zahlreichen führenden Intellektuellen und Politikern nach sich.

Programme für künstliche Intelligenz im 21. Jahrhundert werden im Wesentlichen durch ihre Ziele definiert, also durch die spezifischen Maßnahmen, die sie optimieren sollen. Nick Bostrom argumentierte in seinem einflussreichen Buch Superintelligence aus dem Jahr 2014, dass unzureichende Sorgfalt bei der Definition dieser Ziele dazu führen könnte, dass Maschinen der Menschheit bei der Verfolgung eines Ziels Schaden zufügen. Stuart J. Russell lieferte ein anschauliches Beispiel eines intelligenten Roboters, der seinen Besitzer eliminiert, um zu verhindern, dass er vom Stromnetz getrennt wird, und begründete dies damit: „Man kann den Kaffee nicht holen, wenn man tot ist.“ Dieses spezielle Problem wird technisch als „instrumentelle Konvergenz“ bezeichnet. Die vorgeschlagene Lösung besteht darin, die Zielfunktion der Maschine an den Zielen ihres Besitzers und der gesamten Menschheit auszurichten. Daher wurde die Herausforderung, die Risiken und unbeabsichtigten Folgen der KI zu mindern, offiziell als „Wertausrichtungsproblem“ oder KI-Ausrichtung bekannt.

Gleichzeitig zeigten maschinelle Lernsysteme beunruhigende unbeabsichtigte Folgen. Cathy O'Neil erläuterte ausführlich, wie statistische Algorithmen zum Wirtschaftscrash 2008 beigetragen haben. Julia Angwin von ProPublica behauptete, dass das von der Strafjustiz verwendete COMPAS-System bei bestimmten Beurteilungen rassistische Voreingenommenheit aufweise. Darüber hinaus wiesen andere Studien darauf hin, dass viele maschinelle Lernsysteme verschiedene Formen rassistischer Voreingenommenheit zeigten, und es wurden zahlreiche weitere Beispiele für gefährliche Folgen dieser Systeme dokumentiert.

Im Jahr 2016 haben die Wahl von Donald Trump und die Kontroverse um das COMPAS-System mehrere kritische Mängel in der modernen technologischen Infrastruktur deutlich gemacht, darunter die Verbreitung von Fehlinformationen, Algorithmen für soziale Medien, die das Engagement maximieren sollen, der Missbrauch personenbezogener Daten und Fragen zur Vertrauenswürdigkeit von Vorhersagemodellen. Infolgedessen gewannen Fragen der Gerechtigkeit und unbeabsichtigter Konsequenzen auf KI-Konferenzen erheblich an Bedeutung, was zu einem erheblichen Anstieg der Veröffentlichungen, der Zuweisung zweckgebundener Mittel und einer Neuorientierung des beruflichen Fokus zahlreicher Forscher auf diese Anliegen führte. Das Problem der Werteausrichtung entwickelte sich später zu einem ernstzunehmenden Forschungsgebiet.

Künstliche allgemeine Intelligenzforschung

In den frühen 2000er Jahren wuchs unter Forschern die Besorgnis darüber, dass sich die Mainstream-Künstliche Intelligenz (KI) zu sehr auf „messbare Leistung in bestimmten Anwendungen“ konzentriert hatte, ein Bereich, der oft als „enge KI“ bezeichnet wird. Dieser Fokus wurde als Abkehr vom grundlegenden Ziel der KI wahrgenommen: der Entwicklung vielseitiger, umfassend intelligenter Maschinen. Nils Nilsson äußerte bereits 1995 früh Kritik, wobei prominente KI-Persönlichkeiten wie John McCarthy, Marvin Minsky und Patrick Winston zwischen 2007 und 2009 analoge Perspektiven veröffentlichten. Minsky leistete einen weiteren Beitrag, indem er 2004 ein Symposium über „KI auf menschlicher Ebene“ organisierte. Anschließend prägte Ben Goertzel den Begriff „künstliche allgemeine Intelligenz“ (AGI) für dieses entstehende Teilgebiet, gründete eine eigene Zeitschrift und initiierte Konferenzen ab 2008. Der AGI-Bereich erlebte eine schnelle Expansion, angetrieben durch die anhaltenden Fortschritte bei künstlichen neuronalen Netzen und die Erwartung, dass diese Entwicklungen der Schlüssel zur Erreichung von AGI seien.

In den 2010er Jahren wurden zahlreiche konkurrierende Unternehmen gegründet, darunter Unternehmen, Labore und Stiftungen, die sich alle der Weiterentwicklung der künstlichen allgemeinen Intelligenz (AGI) widmeten. DeepMind beispielsweise wurde 2010 von drei britischen Wissenschaftlern – Demis Hassabis, Shane Legg und Mustafa Suleyman – mitgegründet und erhielt zunächst Kapital von Peter Thiel, gefolgt von Investitionen von Elon Musk. Sowohl die Gründer als auch ihre Geldgeber äußerten tiefe Besorgnis über die Sicherheit der KI und die potenziellen existenziellen Risiken, die von fortschrittlicher KI ausgehen. Die Gründer von DeepMind pflegten eine direkte Verbindung zu Yudkowsky, und Musk war eine bemerkenswerte Persönlichkeit, die diese Bedenken aktiv zum Ausdruck brachte. Hassabis brachte eine doppelte Perspektive zum Ausdruck und drückte sowohl seine Besorgnis über die inhärenten Gefahren von AGI als auch seinen Optimismus hinsichtlich seines transformativen Potenzials aus und strebte danach, „die KI zu lösen und dann alles andere zu lösen“. Im Jahr 2023 stellte die The New York Times fest: „Im Mittelpunkt dieser Wettbewerbslandschaft steht ein tiefgreifendes Paradoxon: Personen, die die größte Sorge um die KI zum Ausdruck bringen, gehören gleichzeitig zu den Entschlossensten bei ihrer Erschaffung und der Suche nach finanziellen Vorteilen. Sie rationalisieren ihre ehrgeizigen Bestrebungen mit der festen Überzeugung, dass nur sie die Fähigkeit besitzen, die Erde vor den potenziellen Gefahren der KI zu schützen.“

Im Jahr 2012 hat Geoffrey Hinton, eine prominente Persönlichkeit, die dies getan hat Er leitete seit den 1980er Jahren die Forschung zu neuronalen Netzen und erhielt von Baidu das Angebot, ihn und sein gesamtes Forschungsteam für eine beträchtliche finanzielle Summe zu rekrutieren. Anschließend organisierte Hinton eine Auktion, die im Rahmen einer KI-Konferenz in Lake Tahoe zum Verkauf des Fachwissens seines Teams an Google für 44 Millionen US-Dollar führte. Hassabis beobachtete diese Entwicklung und verkaufte DeepMind im Jahr 2014 an Google mit der Auflage, dass das Unternehmen keine militärischen Aufträge annehmen und unter der Aufsicht eines unabhängigen Ethikgremiums operieren würde.

Larry Page, ein Mitbegründer von Google, vertrat einen optimistischen Ausblick auf die Zukunft der KI, im Gegensatz zu den vorsichtigeren Ansichten von Musk und Hassabis. Bei Musks Geburtstagsfeier im Jahr 2015 kam es zwischen Musk und Page zu erheblichen Meinungsverschiedenheiten über die Risiken von AGI. Trotz einer jahrzehntelangen Freundschaft brach ihre Kommunikation kurz darauf ab. Musk nahm an der einzigen Sitzung des Ethikausschusses von DeepMind teil, bei der deutlich wurde, dass Google wenig Interesse daran zeigte, die potenziellen Schäden von AGI aktiv zu mindern. Unzufrieden mit seinem begrenzten Einfluss gründete Musk 2015 OpenAI, ernannte Sam Altman zu seinem Leiter und rekrutierte führende Wissenschaftler. Ursprünglich als gemeinnützige Organisation strukturiert, zielte OpenAI darauf ab, „frei von den wirtschaftlichen Anreizen zu operieren, die Google und andere Unternehmen antreiben“. Musks erneute Frustration führte dazu, dass er das Unternehmen im Jahr 2018 verließ. Anschließend suchte OpenAI nachhaltige finanzielle Unterstützung von Microsoft, und Altman strukturierte das Unternehmen in Zusammenarbeit mit OpenAI in ein gewinnorientiertes Unternehmen um und sicherte sich eine Finanzierung in Höhe von über 1 Milliarde US-Dollar.

Im Jahr 2021 verließ Dario Amodei zusammen mit vierzehn anderen Wissenschaftlern OpenAI mit der Begründung, dass die Organisation finanzielle Gewinne über Sicherheitsprotokolle stelle. Anschließend gründeten sie Anthropic, das sich schnell eine Finanzierung in Höhe von 6 Milliarden US-Dollar von Microsoft und Google sicherte.

Große Sprachmodelle und der KI-Boom (2017–heute)

Der heutige Aufschwung der künstlichen Intelligenz, der oft als „KI-Boom“ bezeichnet wird, begann mit der grundlegenden Entwicklung zentraler Architekturen und Algorithmen, insbesondere der Transformer-Architektur im Jahr 2017. Diese Innovation ermöglichte die umfassende Skalierung und anschließende Erstellung großer Sprachmodelle (LLMs), die menschenähnliche Eigenschaften beim Wissenserwerb, der Aufmerksamkeitsverarbeitung und der kreativen Erzeugung aufweisen. Im Jahr 2020 wurde eine neue Ära in der KI eingeläutet, die durch die öffentliche Einführung von GPT-3, einem erheblich skalierten großen Sprachmodell und Vorläufer von ChatGPT, gekennzeichnet war.

Transformer-Architektur und große Sprachmodelle

Im Jahr 2017 stellten Google-Forscher die Transformer-Architektur in einem Artikel mit dem Titel „Attention Is All You Need“ vor. Diese Architektur nutzt einen Selbstaufmerksamkeitsmechanismus und fand anschließend breite Anwendung in großen Sprachmodellen. Große Sprachmodelle, die auf dem Transformator basieren, wurden von anderen Organisationen weiterentwickelt: OpenAI veröffentlichte GPT-3 im Jahr 2020, gefolgt von der Veröffentlichung von Gato durch DeepMind im Jahr 2022. Dabei handelt es sich um Basismodelle, die auf umfangreichen Mengen unbeschrifteter Daten trainiert werden und an eine Vielzahl nachgelagerter Aufgaben angepasst werden können. Solche Modelle zeigen die Fähigkeit, ein breites Themenspektrum zu diskutieren und allgemeines Wissen zu vermitteln, was zu Fragen hinsichtlich ihrer möglichen Einstufung als Beispiele künstlicher allgemeiner Intelligenz geführt hat.

Im Jahr 2023 bewertete Microsoft Research das Modell anhand zahlreicher Aufgaben und kam zu dem Schluss, dass „es vernünftigerweise als frühe (aber noch unvollständige) Version eines Systems künstlicher allgemeiner Intelligenz (AGI) angesehen werden kann.“

Im Jahr 2024 kündigte OpenAI OpenAI o3 an, ein vom Unternehmen entwickeltes fortschrittliches Argumentationsmodell. Beim Benchmark Abstraction and Reasoning Corpus for Artificial General Intelligence (ARC-AGI), der 2019 von François Chollet erstellt wurde, erreichte das Modell im halbprivaten Test eine inoffizielle Punktzahl von 87,5 % und übertraf damit die typische menschliche Leistung von 84 %. Dieser Benchmark gilt als notwendiges, wenn auch nicht ausreichendes Kriterium für AGI. In Bezug auf den Benchmark sagte Chollet: „Sie werden wissen, dass AGI da ist, wenn die Aufgabe, Aufgaben zu erstellen, die für normale Menschen einfach, für KI aber schwierig sind, einfach unmöglich wird.“

Investition in KI

Die Investitionen in künstliche Intelligenz verzeichneten nach 2020 ein exponentielles Wachstum, wobei die Risikokapitalfinanzierung für generative KI-Unternehmen deutlich anstieg. Die gesamten KI-Investitionen stiegen von 18 Milliarden US-Dollar im Jahr 2014 auf 119 Milliarden US-Dollar im Jahr 2021, wobei generative KI bis 2023 etwa 30 % der Gesamtinvestitionen ausmachen wird. Laut Kennzahlen von 2017 bis 2021 übertrafen die Vereinigten Staaten andere Nationen weltweit in Bezug auf Risikokapitalfinanzierung, Anzahl der Startups und erteilte KI-Patente. Die kommerzielle KI-Landschaft wurde überwiegend von amerikanischen Big-Tech-Unternehmen geprägt, deren Investitionen in diesem Sektor die Investitionen von in den USA ansässigen Risikokapitalgebern übertrafen. Der Wert von OpenAI erreichte Anfang 2024 86 Milliarden US-Dollar, während die Marktkapitalisierung von NVIDIA bis Mitte 2024 3,3 Billionen US-Dollar überstieg. Damit ist das Unternehmen gemessen an der Marktkapitalisierung das weltweit größte Unternehmen, angetrieben durch einen erheblichen Anstieg der Nachfrage nach KI-fähigen GPUs.

Öffentliche Einführung von KI

15.ai wurde im März 2020 von einem anonymen MIT-Forscher ins Leben gerufen und stellte ein frühes Beispiel generativer KI dar, das in der Anfangsphase der KI-Expansion großes öffentliches Interesse erregte. Diese kostenlose Webanwendung demonstrierte die Fähigkeit, Charakterstimmen mithilfe neuronaler Netze mit minimalen Trainingsdaten zu reproduzieren, wobei lediglich 15 Sekunden Audioeingabe für die Sprachwiedergabe erforderlich waren – eine Fähigkeit, die anschließend von OpenAI im Jahr 2024 validiert wurde. Der Dienst erreichte Anfang 2021 auf allen Social-Media-Plattformen eine weit verbreitete Viralität und ermöglichte es Benutzern, Sprache für Charaktere aus beliebten Medien-Franchises zu synthetisieren, und wurde insbesondere für seinen grundlegenden Beitrag zur Popularisierung der KI-Sprachsynthese für kreative Inhalte und Memes ausgezeichnet.

ChatGPT wurde am 30. November 2022 eingeführt und markiert damit einen entscheidenden Zeitpunkt in der öffentlichen Akzeptanz künstlicher Intelligenz. Innerhalb weniger Tage nach seiner Veröffentlichung erreichte es eine schnelle Viralität, verzeichnete in zwei Monaten über 100 Millionen Nutzer und etablierte sich als die am schnellsten wachsende Verbrauchersoftwareanwendung in der Geschichte. Die Fähigkeit des Chatbots zur menschenähnlichen Gesprächsinteraktion, Codegenerierung und kreativen Inhaltsproduktion erregte öffentliches Interesse und ermöglichte eine schnelle Integration in verschiedenen Sektoren, darunter Bildung, Wirtschaft und Forschung. Der Erfolg von ChatGPT löste beispiellose Reaktionen bei großen Technologieunternehmen aus – Google gab eine „Code Red“-Warnung heraus und führte umgehend Gemini (früher bekannt als Google Bard) ein, während Microsoft die Technologie in Bing Chat integrierte.

Die schnelle Einführung dieser KI-Technologien löste eine erhebliche Diskussion über ihre Auswirkungen aus. Namhafte KI-Forscher und Branchenführer brachten ein Spektrum an Perspektiven zum Ausdruck, das sowohl optimistische Aussichten als auch Befürchtungen hinsichtlich des rasanten Entwicklungsverlaufs umfasste. Im März 2023 unterzeichneten über 20.000 Unterzeichner, darunter der Informatiker Yoshua Bengio, Elon Musk und Apple-Mitbegründer Steve Wozniak, einen offenen Brief, in dem sie sich für ein Moratorium für die fortgeschrittene KI-Entwicklung aussprachen und dabei „erhebliche Risiken für die Gesellschaft und die Menschheit“ hervorhoben. Im Gegensatz dazu vertraten andere prominente Forscher wie Jürgen Schmidhuber eine optimistischere Perspektive und postulierten, dass das vorrangige Ziel der KI-Forschung darin besteht, die Langlebigkeit, das Wohlbefinden und die Bequemlichkeit der Menschen zu verbessern.

Bis Mitte 2024 begann der Finanzsektor jedoch mit einer strengeren Untersuchung von KI-Unternehmen und stellte dabei insbesondere ihre Fähigkeit in Frage, Kapitalrenditen im Verhältnis zu ihren hohen Marktbewertungen zu erzielen. Einige prominente Anleger äußerten Befürchtungen hinsichtlich einer möglichen Divergenz zwischen den Markterwartungen und den zugrunde liegenden Geschäftsgrundlagen. Jeremy Grantham, Mitbegründer von GMO LLC, warnte die Anleger, „sehr vorsichtig zu sein“ und stellte Ähnlichkeiten mit früheren technologiegetriebenen marktspekulativen Episoden fest. In ähnlicher Weise verglich Jeffrey Gundlach, CEO von DoubleLine Capital, den KI-Aufschwung ausdrücklich mit der Dotcom-Blase Ende der 1990er Jahre und deutete an, dass der Eifer der Anleger die greifbaren kurzfristigen Fähigkeiten und Ertragsaussichten übersteigen könnte. Die beträchtliche Marktkapitalisierung von KI-zentrierten Unternehmen, von denen viele noch keine tragfähigen Rentabilitätsparadigmen etabliert hatten, verschärfte diese Bedenken noch.

Im März 2024 stellte Anthropic die Claude 3-Suite großer Sprachmodelle vor, die Claude 3 Haiku, Sonnet und Opus umfasst. Die Modelle zeigten erhebliche Leistungsverbesserungen bei mehreren Bewertungsmetriken, wobei Claude 3 Opus die prominenten Modelle von OpenAI und Google deutlich übertraf. Im Juni 2024 veröffentlichte Anthropic Claude 3.5 Sonnet, das im Vergleich zum umfangreicheren Claude 3 Opus eine verbesserte Leistung aufwies, insbesondere in Bereichen wie Softwareentwicklung, komplexe sequentielle Prozesse und visuelle Dateninterpretation.

Nobelpreise 2024

Im Jahr 2024 verlieh die Königlich Schwedische Akademie der Wissenschaften Nobelpreise für bahnbrechende Fortschritte in der künstlichen Intelligenz. Zu den Preisträgern gehörten:

• In der Physik: John Hopfield für seine Forschung zu physikinformierten Hopfield-Netzwerken und Geoffrey Hinton für seine grundlegenden Beiträge zu Boltzmann-Maschinen und dem Bereich des Deep Learning.
• In der Chemie: David Baker, Demis Hassabis und John Jumper für ihre bahnbrechende Arbeit bei der Vorhersage der Proteinfaltung.

Fortlaufende Fortschritte und Forschung im Bereich KI

Im Januar 2025 stellte OpenAI ChatGPT-Gov vor, ein neuartiges KI-System, das speziell für den sicheren Einsatz durch US-Regierungsbehörden entwickelt wurde. OpenAI gab an, dass Behörden ChatGPT-Gov entweder in einer Microsoft Azure-Cloud oder einer Azure Government-Cloud bereitstellen könnten, indem sie „Microsofts Azure OpenAI Service“ nutzen. In der offiziellen Erklärung von OpenAI heißt es: „Das selbsthostende ChatGPT Gov ermöglicht es Behörden, ihre eigenen Sicherheits-, Datenschutz- und Compliance-Anforderungen, wie z. B. strenge Cybersicherheits-Frameworks (IL5, CJIS, ITAR, FedRAMP High), einfacher zu verwalten. Darüber hinaus glauben wir, dass diese Infrastruktur die interne Autorisierung der OpenAI-Tools für den Umgang mit nicht öffentlichen sensiblen Daten beschleunigen wird.“

Nationale Richtlinien

Die Länder haben Ressourcen für Richtlinien und finanzielle Unterstützung für den Einsatz autonomer Robotersysteme bereitgestellt, mit dem Ziel, Arbeitskräftedefizite abzumildern und die betriebliche Effizienz zu steigern und gleichzeitig regulatorische Rahmenbedingungen zu schaffen, um ethische und sichere Entwicklungspraktiken sicherzustellen.

China

Im Jahr 2025 stellte China etwa 730 Milliarden Yuan (entspricht etwa 100 Milliarden US-Dollar) für die Weiterentwicklung von KI und Robotik in den Bereichen intelligente Fertigung und Gesundheitswesen bereit. Der „14. Fünfjahresplan“ (2021–2025) legte den Schwerpunkt auf Servicerobotik und nutzt KI-Systeme, um Roboter in die Lage zu versetzen, komplizierte Funktionen auszuführen, einschließlich chirurgischer Assistenz und automatisierter Fabrikmontage. Ein Teil dieser Mittel floss auch in Verteidigungsanwendungen, insbesondere in autonome Drohnentechnologien. Ab September 2025 führte China eine Kennzeichnungspflicht für KI-generierte Inhalte ein, um so die Transparenz und das Vertrauen der Öffentlichkeit in diese technologischen Fortschritte zu stärken.

Vereinigte Staaten

Im Januar 2025 wurde Stargate LLC als Gemeinschaftsunternehmen von OpenAI, SoftBank, Oracle und MGX gegründet, das anschließend seine Absicht erklärte, bis 2029 500 Milliarden US-Dollar in die Infrastruktur für künstliche Intelligenz in den Vereinigten Staaten zu investieren. Die Initiative wurde am 21. Januar 2025 von US-Präsident Donald Trump offiziell angekündigt, gleichzeitig mit der Ernennung von SoftBank-CEO Masayoshi Son zum Vorsitzenden.

Die Regierung der Vereinigten Staaten hat rund 2 Milliarden US-Dollar für die Integration von künstlicher Intelligenz und Robotik in die Fertigungs- und Logistikbranche bereitgestellt. Die Regierungen der Bundesstaaten erhöhten diese Bundesinvestitionen durch die Bereitstellung zusätzlicher Mittel für Serviceroboter, beispielsweise durch deren Einsatz in Lagerhäusern zur Bestandsverwaltung über verbale Befehle und in Altenpflegeeinrichtungen, um auf Hilfeanfragen der Bewohner einzugehen. Ein Teil dieser Mittel wurde auch für Verteidigungsanwendungen bereitgestellt, darunter tödliche autonome Waffen und militärische Robotik. Darüber hinaus wurde im Januar 2025 mit der Executive Order 14179 ein „KI-Aktionsplan“ eingeführt, der die Innovation und Umsetzung dieser Technologien vorantreiben soll und in dem ausdrücklich die Ziele „Weltherrschaft“ und „Sieg“ genannt werden.

• Kontroversen um künstliche Intelligenz
• Geschichte der Wissensrepräsentation und des Denkens
• Überblick über künstliche Intelligenz
• Zeitleiste der künstlichen Intelligenz
• Notizen

Notizen

Referenzen

Zitierte Werke

• Taylor DB, Metz C, Miller K (8. Oktober 2024). „Nobelpreis für Physik für bahnbrechende KI-Forschung von zwei Wissenschaftlern verliehen.“ New York Times.The University of Manchester (2008). „The Ferranti Mark 1." Digital 60. Abgerufen am 31. Januar 2026.IBM. „Tiefblau.“ IBM 100. Abgerufen am 31. Januar 2026.Bonner A (2007), The Art and Logic of Ramón Llull: A User's Guide, Brill, ISBN 978-9004163256Bonner A (1985). „Llulls Einfluss: Die Geschichte des Lullismus.“ In Doctor Illuminatus: A Ramon Llull Reader. Princeton University Press.Brooks R (2002), Flesh and Machines, Pantheon BooksBubeck S, Chandrasekaran V, Eldan R, Gehrke J, Horvitz E, Kamar E, Lee P, Lee YT, Li Y, Lundberg S, Nori H, Palangi H, Ribeiro MT, Zhang Y (22. März 2023).„Funken künstlicher allgemeiner Intelligenz: Frühe Experimente mit GPT-4.“ arXiv:2303.12712 [cs.CL].Carreras y Artau T (2018) [1939], Historia de la filosofía española: Filosofía cristiana de los siglos XIII al XV (auf Spanisch), Bd. 1, Madrid: Forgotten Books, ISBN 9781390433708Butler EM (1979) [1948]. Der Mythos vom Magus. London: Cambridge University Press. ISBN 0-521-22564-7. OCLC 5063114.Clark S (21. Dezember 2023). „The Era of AI: 2023's Landmark Year". CMSWire.com. Abgerufen am 28. Januar 2024.Copeland J (1999). „Eine kurze Geschichte der Informatik.“ AlanTuring.net.Cave S, Dihal K (2019). „Hoffnungen und Ängste für intelligente Maschinen in Fiktion und Realität.“ Nature Machine Intelligence. §34§ (2): 74–78. doi:10.1038/s42256-019-0020-9. ISSN 2522-5839. S2CID 150700981.Cave S, Dihal K, Dillon S (2020).KI-Erzählungen: Eine Geschichte fantasievollen Denkens über intelligente Maschinen. Oxford University Press. ISBN 978-0-19-884666-6. Abgerufen am 2. Mai 2023.Christian B (2020). The Alignment Problem: Machine Learning and Human Values. W. W. Norton & Company. ISBN 978-0-393-86833-3. OCLC 1233266753.Clark K (1977). „Negation als Scheitern.“ In Logik und Datenbanken. Boston, MA: Springer US. S. 293–322. doi:10.1007/978-1-4684-3384-5_11. ISBN 978-1-4684-3386-9.Gates B (21. Dezember 2023). „Dieses Jahr signalisierte den Beginn einer neuen Ära.“ com. Abgerufen am 28. Januar 2024.Goethe JW (1890). Faust; eine Tragödie. Übersetzt im Originaltext ... von Bayard Taylor. Autorisierte Ausgabe, veröffentlicht nach besonderer Vereinbarung mit Frau Bayard Taylor. Mit einer biografischen Einleitung. London: Ward, Lock.Hart PE, Nilsson NJ, Perrault R, Mitchell T, Kulikowski CA, Leake DB (15. März 2003). „In Memoriam: Charles Rosen, Norman Nielsen und Saul Amarel.“ AI Magazine. 24 (1): 6. doi:10.1609/aimag.v24i1.1683.ISSN 2371-9621.Hayes P (1981). „The Logic of Frames." In Kaufmann M (Hrsg.), Readings in Artificial Intelligence. S. 451–458."GOLEM", The Jewish Encyclopedia, abgerufen am 15. März 2020Hollander LM (1991) [1964]. Heimskringla; Geschichte der Könige von Norwegen. Austin: Veröffentlicht für die American-Scandinavian Foundation von der University of Texas Press. ISBN 0-292-73061-6. OCLC 638953.Kressel M (1. Oktober 2015). „36 Tage des jüdischen Mythos: Tag 24, Der Golem von Prag 2015“ . Matthew Kressel. Abgerufen am 15. März 2020.LeCun Y, Bengio Y, Hinton G (2015). "Deep learning" (PDF). Nature. 521 (7553): 436–444. Bibcode:2015Natur.521..436L. doi:10.1038/nature14539. PMID 26017442. S2CID 3074096.Lee A (23. Januar 2024). „UT bezeichnet 2024 als ‚Jahr der KI‘“ . UT-Nachrichten.Abgerufen am 28. Januar 2024.Linden SJ (2003). The alchemy read: from Hermes Trismegistus to Isaac Newton. New York: Cambridge University Press. S. Kap. 18. ISBN 0-521-79234-7. OCLC 51210362.Lohr S (17. Oktober 2016), „IBM Is Counting on His Bet on Watson, and Paying Big Money for It", New York TimesMarkoff J (16. Februar 2011). „Über 'Jeopardy!' Watson Win ist alles andere als trivial". The New York Times.Marr B (20. März 2023). „Beyond The Hype: Was Sie im Jahr 2023 wirklich über KI wissen müssen“ . Forbes. Abgerufen am 27. Januar 2024.McCarthy J (1988). „Review of The Question of Artificial Intelligence". Annals of the History of Computing. 10 (3): 224–229.McCarthy J (1996). „10. Rezension von Die Frage der künstlichen Intelligenz“. Verteidigung der KI-Forschung: Eine Sammlung von Aufsätzen und Rezensionen. CSLI.McCulloch WS, Pitts W (1. Dezember 1943).„Eine logische Berechnung der Ideen, die der Nervenaktivität immanent sind“. Bulletin der Mathematischen Biophysik. 5 (4): 115–133. Bibcode:1943BMaB....5..115M. doi:10.1007/BF02478259. ISSN 1522-9602."Big Data: Die nächste Grenze für Innovation, Wettbewerb und Produktivität". McKinsey.com. 1. Mai 2011.Metz C, Weise K, Grant N, Isaac M (3. Dezember 2023). „Ego, Angst und Geld: Wie die KI-Sicherung angezündet wurde“ . The New York Times.Miller G (2003). „Die kognitive Revolution: eine historische Perspektive" (PDF). Trends in Cognitive Sciences. 7 (3): 141–144. doi:10.1016/s1364-6613(03)00029-9. PMID 12639696.Moravec H (18. Mai 2000). Roboter: bloße Maschine zum transzendenten Geist. Oxford University Press. ISBN 9780195136302.Morford M (2007). Klassische Mythologie. Oxford: Oxford University Press. S. 184. ISBN 978-0-19-085164-4. OCLC 1102437035.Murgia M (23. Juli 2023). „Transformers: die Google-Wissenschaftler, die eine KI-Revolution vorangetrieben haben“ . com.Abgerufen am 10. Dezember 2023.O'Neill C (6. September 2016). Weapons of Math Destruction: Wie Big Data die Ungleichheit erhöht und die Demokratie bedroht. Crown. ISBN 978-0553418811.Nielson DL (1. Januar 2005). „Kapitel 4: Das Leben und die Zeiten eines erfolgreichen SRI-Labors: Künstliche Intelligenz und Robotik“ (PDF). A HERITAGE OF INNOVATION SRI's First Half Century (1. Aufl.). SRI International. ISBN 978-0-9745208-0-3.Nilsson NJ (1984). „The SRI Artificial Intelligence Center: A Brief History" (PDF). Artificial Intelligence Center, SRI International. Archiviert vom Original (PDF) am 10. August 2022.Olazaran Rodriguez JM (1991). Eine historische Soziologie der neuronalen Netzwerkforschung (PDF) (These). Universität Edinburgh. Archiviert vom Original (PDF) am 11. November 2022.Piccinini G (1. August 2004). „Die erste computergestützte Theorie von Geist und Gehirn: Ein genauer Blick auf McCullochs und Pitts‘ „Logischer Kalkül von Ideen, die der Nervenaktivität immanent sind“. Synthese. 141 (2): 175–215. doi:10.1023/B:SYNT.0000043018.52445.3e ISSN 1573-0964.S2CID 10442035.Porterfield A (2006). The Protestant Experience in America. Amerikanische religiöse Erfahrung. Greenwood Press. S. 136. ISBN 978-0-313-32801-5. Abgerufen am 15. Mai 2023.Reiter R (1978). „Zur standardmäßigen Argumentation.“ American Journal of Computational Linguistics: 29–37.Rhodios A (2007). The Argonautika: Expanded Edition. University of California Press, S. 355. ISBN 978-0-520-93439-9. OCLC 811491744.Rose A (April 1946). „Der Blitz schlägt in die Mathematik ein.“ Populärwissenschaft: 83–86.Rosen CA, Nilsson NJ, Adams MB (8. Januar 1965). „A Research and Development Program in Applications of Intelligent Automata to Reconnaissance – Phase I. (Proposal for Research SRI No. ESU 65–1)“ (PDF). Stanford Research Institute.Rosenblatt F (1962). Prinzipien der Neurodynamik: Perzeptrone und die Theorie der Gehirnmechanismen, vol. 55.Washington DC: Spartan Books.Russell SJ (2020) title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rft.genre=book&rft.btitle=Human+co mpatible%3A+Künstliche+Intelligenz+und+das+Problem+der+Kontrolle&rft.pub=Penguin+Random+House&rft.date=2020&rft_ id=info%3Aoclcnum%2F1113410915&rft.isbn=9780525558637&rft.aulast=Russell&rft.aufirst=Stuart+J.&rft_id=http s%3A%2F%2Fcom%2Fbooks%2F566677%2Fhuman-kompatible-by-stuart-russell%2F&rfr_id=info%3Asid%2Fen.
• Schmidhuber J (2022). „Annotated History of Modern AI and Deep Learning.“Schultz W, Dayan P, Montague PR (14. März 1997). „Ein neuronales Substrat für Vorhersage und Belohnung.“ Wissenschaft. 275 (5306): 1593–1599. doi:10.1126/science.275.5306.1593. PMID 9054347.Sejnowski TJ (23. Oktober 2018). The Deep Learning Revolution (1. Aufl.). Cambridge, Massachusetts; London, England: The MIT Press, S. 93–94. ISBN 978-0-262-03803-4."Sanhedrin 65b.".Widrow B, Lehr M (September 1990). „30 Jahre adaptive neuronale Netze: Perceptron, Madaline und Backpropagation.“ Proceedings of the IEEE. 78 (9): 1415–1442. Bibcode:1990IEEEP..78.1415W doi:10.1109/5.58323.S2CID 195704643.Berlinski D (2000). The Advent of the Algorithm. Harcourt Books. ISBN 978-0-15-601391-8. OCLC 46890682.Brooks RA (1990). „Elefanten spielen kein Schach“ (PDF). Robotik und autonome Systeme. 6 (1–2): 3–15. doi:10.1016/S0921-8890(05)80025-9.Buchanan BG (Winter 2005). „Eine (sehr) kurze Geschichte der künstlichen Intelligenz" (PDF). AI Magazine, S. 53–60.Butler S (13. Juni 1863). „Darwin unter den Maschinen.“ The Press, Christchurch, Neuseeland.Byrne JG (8. Dezember 2012).„Die John Gabriel Byrne Computer Science Collection“ (PDF)."AI Set to Exceed Human Brain Power." 26. Juli 2006.Colby KM, Watt JB, Gilbert JP (1966). „Eine Computermethode der Psychotherapie: Vorläufige Kommunikation.“ The Journal of Nervous and Mental Disease, vol. 142, Nr. 2, S. 148–152. doi:10.1097/00005053-196602000-00005. PMID 5936301. S2CID 36947398.Colby KM (September 1974). Ten Criticisms of Parry (PDF). Stanford Artificial Intelligence Laboratory, BERICHT NR. STAN-CS-74-457.Couturat L (1901). La Logique de Leibniz.Copeland J (2000). Micro-World AI.Copeland J (2004). Das Wesentliche Turing: Die Ideen, die das Computerzeitalter hervorbrachten. Oxford: Clarendon Press. ISBN 0-19-825079-7.Cordeschi R (2002). Die Entdeckung des Künstlichen.Dordrecht: Kluwer.Crevier D (1993). AI: The Tumultuous Search for Artificial Intelligence. New York, NY: BasicBooks. ISBN 0-465-02997-3.Darrach B (20. November 1970). „Treffen Sie Shaky, den ersten elektronischen Menschen.“ Life Magazine, S. 58–68.Doyle J (1983). „Was ist rationale Psychologie?“ Auf dem Weg zu einer modernen Geistesphilosophie. title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.jtitle=AI+Magazine&rft.atitle=What+is+rational+psychology%3F+Toward+a+ moderne+mentale+philosophie&rft.volume=4&rft.issue=3&rft.pages=50-53&rft.date=1983&rft.aulast=Doyle&rft.aufirst=J.&rfr_id=info%3Asid%2Fen.
• Dreyfus, H. (1972). What Computers Can't Do. New York: MIT Press. ISBN 978-0-06-090613-9. OCLC 5056816Dreyfus, H., & Dreyfus, S. (1986). Geist über Maschine: Die Kraft der menschlichen Intuition und Expertise im Zeitalter des Computers. Oxford, Großbritannien: Blackwell. ISBN 978-0-02-908060-3. Zugriff am 22. August 2020.The Economist. (2007, 7. Juni). „Are You Talking to Me?". The Economist. Zugriff am 16. Oktober 2008Feigenbaum, E.A., & McCorduck, P. (1983). Die fünfte Generation: Künstliche Intelligenz und Japans Computerherausforderung für die Welt. Michael Joseph. ISBN 978-0-7181-2401-4Haigh, T. (2023, Dezember). „There Was No 'First AI Winter'". Mitteilungen der ACM, 66(12), 35–39. doi:10.1145/3625833. ISSN 0001-0782.Haugeland, J. (1985). Künstliche Intelligenz: Die eigentliche Idee. Cambridge, Mass.: MIT Press. ISBN 978-0-262-08153-5.Hawkins, J., & Blakeslee, S. (2004). On Intelligence. New York, NY: Owl Books. ISBN 978-0-8050-7853-4. OCLC 61273290Hebb, D. (2002). The Organization of Behavior (Originalwerk veröffentlicht 1949). New York: Wiley. ISBN 978-0-8058-4300-2. OCLC 48871099Hewitt, C., Bishop, P. & Steiger, R. (1973). A Universal Modular Actor Formalism for Artificial Intelligence (PDF). IJCAI. Archiviert von der Originalquelle am 29. Dezember 2009Hobbes, T. (1651). LeviathanHofstadter, D. (1999). Gödel, Escher, Bach: An Eternal Golden Braid (Originalwerk veröffentlicht 1979). Basic Books. ISBN 978-0-465-02656-2.OCLC 225590743Howe, J. (1994, November). Artificial Intelligence at Edinburgh University: A Perspective. Zugriff am 30. August 2007Kahneman, D., Slovic, D. & Tversky, A. (1982). „Urteil unter Unsicherheit: Heuristiken und Vorurteile“. Wissenschaft, 185(4157), 1124–1131. New York: Cambridge University Press. Bibcode:1974Sci...185.1124T. doi:10.1126/science.185.4157.1124. ISBN 978-0-521-28414-1. PMID 17835457. S2CID 143452957.Kaplan, A. & Haenlein, M. (2018). „Siri, Siri in meiner Hand, wer ist die Schönste im Land?“ Über die Interpretationen, Illustrationen und Implikationen künstlicher Intelligenz. title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.jtitle=Business+Horizons&rft.atitle=Siri% 2C+Siri+in+my+Hand%2C+who%27s+the+Fairest+in+the+Land%3F+On+the+Interpretations%2C+Illustrations+and+Implications+of+Artificial+Intelligence&rft.volume=6 2&rft.pages=15-25&rft.date=2018&rft_id=info%3Adoi%2F10.1016%2Fj.bushor.2018.08.004&rft_id=https%3A%2F%2Fapi.semanticsscholar.org%2FCorpusID%3A 158433736%23id-name%3DS2CID&rft.aulast=Kaplan&rft.aufirst=Andreas&rft.au=Haenlein%2C+Michael𝔯_id=info%3Asid%2Fen..
• Kurzweil, R. (2005). The Singularity Is Near. Viking Press. ISBN 978-0-14-303788-0. OCLC 71826177Lakoff, G. (1987).Frauen, Feuer und gefährliche Dinge: Was Kategorien über den Geist verraten. University of Chicago Press. ISBN 978-0-226-46804-4Lakoff, G. & Johnson, M. (1999). Philosophie im Fleisch: Der verkörperte Geist und seine Herausforderung für das westliche Denken. Grundlegende Bücher. ISBN 978-0-465-05674-3.Lenat, D., & Guha, RV (1989). Aufbau großer wissensbasierter Systeme. Addison-Wesley. ISBN 978-0-201-51752-1. OCLC 19981533Levitt, G. M. (2000). The Turk, Chess Automaton. Jefferson, N.C.: McFarland. ISBN 978-0-7864-0778-1Lighthill, P. S. (1973). „Künstliche Intelligenz: Eine allgemeine Umfrage“. In Künstliche Intelligenz: Ein Papiersymposium. Wissenschaftlicher ForschungsratLucas, J. (1961). „Minds, Machines and Gödel". Philosophie, 36(XXXVI), 112–127. doi:10.1017/S0031819100057983. S2CID 55408480Luger, G., & Stubblefield, W. (2004). Künstliche Intelligenz: Strukturen und Strategien zur Lösung komplexer Probleme (5. Auflage). Benjamin/Cummings. ISBN 978-0-8053-4780-7.Zugriff am 17. Dezember 2019.Maker, M. H. (2006). AI@50: AI Past, Present, Future. Dartmouth College. Archiviert von der Originalquelle am 8. Oktober 2008. Zugriff am 16. Oktober 2008Markoff, J. (2005, 14. Oktober). „Hinter der künstlichen Intelligenz steht ein Geschwader kluger, echter Menschen“ . Die New York Times. Zugriff am 16. Oktober 2008McCarthy, J., Minsky, M., Rochester, N. & Shannon, C. (1955, 31. August). Ein Vorschlag für das Dartmouth Summer Research Project on Artificial Intelligence. Archiviert vom Original am 30. September 2008 und abgerufen am 16. Oktober, 2008.McCarthy, J., & Hayes, PJ (1969). Einige philosophische Probleme aus der Sicht der künstlichen Intelligenz. In B. J. Meltzer & D. Mitchie (Hrsg.), Machine Intelligence 4 (S. 463–502). Edinburgh University Press. Abgerufen am 16. Oktober, 2008.McCarthy, J. (1974). Überprüfung des Lighthill-Berichts.McCorduck, P. (2004). Maschinen, die denken (2. Aufl.). Natick, MA: A. K. Peters, Ltd. ISBN 978-1-56881-205-2.OCLC 52197627.McCullough, W. S., & Pitts, W. (1943). Ein logischer Kalkül der Ideen, die der Nervenaktivität immanent sind. Bulletin of Mathematical Biophysics, 5(4), 115–127. Bibcode: 1943BMaB....5..115M. doi:10.1007/BF02478259.Menabrea, L. F., & Lovelace, A. (1843). Skizze der von Charles Babbage erfundenen Analytical Engine. Wissenschaftliche Memoiren, 3. Abgerufen am 29. August, 2008. Mit Anmerkungen zu den Memoiren des Übersetzers.Minsky, M. (1967). Berechnung: Endliche und unendliche Maschinen. Englewood Cliffs, N.J.: Prentice-Hall.Minsky, M., & Papert, S. (1969). Perzeptrone: Eine Einführung in die Computergeometrie. Die MIT-Presse. ISBN 978-0-262-63111-2. OCLC 16924756.Minsky, M. (1974). A Framework for Representing Knowledge. Archiviert vom Original am 7. Januar 2021 und abgerufen am 16. Oktober, 2008.Minsky, M. (1986). Die Gesellschaft des Geistes. Simon und Schuster. ISBN 978-0-671-65713-0. OCLC 223353010.Minsky, M. (2001). Es ist 2001.Wo ist HAL?. Dr. Dobbs Technetcast. Abgerufen am 8. August, 2009.Moor, J. (Hrsg.). (2003). The Turing Test: The Elusive Standard of Artificial Intelligence. Dordrecht: Kluwer Academic Publishers. ISBN 978-1-4020-1205-1.Moravec, H. (1976). Die Rolle roher Macht in der Intelligenz. Archiviert vom Original am 3. März 2016 und abgerufen am 16. Oktober, 2008.Moravec, H. (1988). Mind Children. Harvard University Press. ISBN 978-0-674-57618-6. OCLC 245755104.Mulvihill, M. (2012, 17. Oktober). 1907: Wurde der erste tragbare Computer in Irland entworfen? Geniales Irland.Needham, J. (1986). Wissenschaft und Zivilisation in China: Band 2. Taipei: Caves Books Ltd.Newell, A., & Simon, HA (1995). GPS: Ein Programm, das menschliches Denken simuliert. In E. Feigenbaum & J. Feldman (Hrsg.), Computers and Thought (Nachdruck der Ausgabe von 1963). New York: McGraw-Hill. ISBN 978-0-262-56092-4. OCLC 246968117.Newquist, H. P. (1994). The Brain Makers: Genius, Ego, And Greed in the Quest For Machines that Think. New York: Macmillan/SAMS. ISBN 978-0-9885937-1-8.OCLC 313139906.NRC (National Research Council). (1999). Entwicklungen in der künstlichen Intelligenz. In Funding a Revolution: Government Support for Computing Research. National Academy Press. ISBN 978-0-309-06278-7. OCLC 246584055.Nick, M. (2005). Al Jazari: Der geniale muslimische Mechaniker des 13. Jahrhunderts. Al Shindagah. Abgerufen am 16. Oktober, 2008.Nilsson, N. (2009, 30. Oktober). The Quest for Artificial Intelligence. Cambridge University Press. ISBN 978-0-52-112293-1.O'Connor, K. M. (1994). Die alchemistische Erschaffung des Lebens (Takwin) und andere Konzepte der Genesis im mittelalterlichen Islam (Doktorarbeit, University of Pennsylvania). S. 1–435. Abgerufen am 10. Januar, 2007.Olsen, S. (2004, 10. Mai). Newsmaker: Googles Mann hinter dem Vorhang. CNET. Abgerufen am 17. Oktober, 2008.Olsen, S. (2006, 18. August). Ausspionieren einer intelligenten Suchmaschine. CNET. Abgerufen am 17. Oktober, 2008.Pearl, J. (1988).Probabilistisches Denken in intelligenten Systemen: Netzwerke plausibler Schlussfolgerungen. San Mateo, Kalifornien: Morgan Kaufmann. ISBN 978-1-55860-479-7. OCLC 249625842.Poole, D., Mackworth, A. & Goebel, R. (1998). Computational Intelligence: A Logical Approach. Oxford University Press. ISBN 978-0-19-510270-3.Pollack, A. (1984, 11. Oktober). „Technologie, Fuzzy-Logik für Computer.“ The New York Times.Pollack, A. (1989, 2. April). „Fuzzy Computer Theory: How to Mimic the Mind?" The New York Times.Quevedo, L. T. (1914). „Zeitschrift der Akademie der Exakten Wissenschaften.“ Essays über Automatisierung – ihre Definition. Theoretical Extension of its Applications, vol. 12, S. 391–418.Quevedo, L. T. (1915). „General Review of Pure and Applied Sciences". Essays on Automation – Its Definition. Theoretical Scope of its Applications, Bd. 2, S. 601–611.Randall, B. (1982). „Von der Analysemaschine zum elektronischen Digitalcomputer: Die Beiträge von Ludgate, Torres und Bush.“ IEEE Annals of the History of Computing, 4 (4): 327. Bibcode:1982IAHC....4d.327R.doi:10.1109/MAHC.1982.10042.Russell, S. J., & Norvig, P. (2003). Künstliche Intelligenz: Ein moderner Ansatz (2. Aufl.). Upper Saddle River, New Jersey: Prentice Hall. ISBN 0-13-790395-2.Russell, S. J., & Norvig, P. (2021). Künstliche Intelligenz: Ein moderner Ansatz (4. Aufl.). Hoboken: Pearson. ISBN 978-0-13-461099-3. LCCN 20190474.Samuel, A. L. (1959, Juli). „Einige Studien zum maschinellen Lernen unter Verwendung des Damespiels.“ IBM Journal of Research and Development, 3 (3): 210–219. CiteSeerX 10.1.1.368.2254. doi:10.1147/rd.33.0210. S2CID 2126705.Saygin, A. P., Cicekli, I., & Akman, V. (2000). „Turing-Test: 50 Jahre später“ (PDF). Geister und Maschinen, 10 (4): 463–518. doi:10.1023/A:1011288000451. hdl:11693/24987. S2CID 990084.Searle, J. (1980). „Minds, Brains and Programs.“ Behavioral and Brain Sciences, 3 (3): 417–457.doi:10.1017/S0140525X00005756.Simon, H. A. & Newell, A. (1958). „Heuristic Problem Solving: The Next Advance in Operations Research.“ Operations Research, 6: 1–10. doi:10.1287/opre.6.1.1.Simon, H. A. (1965). Die Form der Automatisierung für Männer und Management. New York: Harper & Zeile.Skillings, J. (2006). Newsmaker: Maschinen dazu bringen, wie wir zu denken. CNET..Tascarella, P. (2006, 14. August). „Roboterfirmen haben Schwierigkeiten beim Fundraising, bei Risikokapital scheuen sie sich.“ Pittsburgh Business Times..Turing, A. (1936–1937). „On Computable Numbers, with an Application to the Entscheidungsproblem.“ Proceedings of the London Mathematical Society, 2, 42 (42): 230–265. doi:10.1112/plms/s2-42.1.230. S2CID 73712.Turing, A. (1950, Oktober). „Computermaschinen und Intelligenz.“ Geist, 59 (236): 433–460. doi:10.1093/mind/LIX.236.433. ISSN 1460-2113. JSTOR 2251299.S2CID 14636783.Turkle, S. (1984). Das zweite Selbst: Computer und der menschliche Geist. Simon und Schuster. ISBN 978-0-671-46848-4. OCLC 895659909.Wason, P. C., & Shapiro, D. (1966). "Argumentation." In B. M. Foss (Hrsg.), New Horizons in Psychology. Harmondsworth: Pinguin...Weizenbaum, J. (1976). Computer Power and Human Reason. W.H. Freeman & Company. ISBN 978-0-14-022535-8. OCLC 10952283.Quelle: TORIma Akademie Archive