3 Geschichte der KI – Von den Anfängen bis heute

Die Entwicklung der Künstlichen Intelligenz reicht bis in die frühen 1950er Jahre zurück. Die Geschichte der KI ist geprägt von mehreren Phasen des Optimismus, gefolgt von Perioden der Ernüchterung, den sogenannten “KI-Wintern”.

3.1 Die Anfänge (1950er - 1970er)

Die KI-Forschung begann offiziell mit dem Dartmouth Workshop 1956, bei dem Forscher wie John McCarthy, Marvin Minsky und Allen Newell grundlegende Ideen zur maschinellen Intelligenz formulierten. Zu den ersten Meilensteinen gehören:

• Turing-Test (1950): Alan Turing formulierte ein Kriterium zur Bestimmung der Maschinenintelligenz.
• Erste symbolische KI-Systeme: Entwicklung von regelbasierten Programmen, darunter “Logic Theorist” und “General Problem Solver”.
• Expertensysteme: Aufkommen erster wissensbasierter Systeme, die Fachwissen simulieren konnten.

3.2 Der erste KI-Winter (1970er - 1980er)

Nach ersten Erfolgen zeigte sich, dass viele KI-Ansätze nur in begrenzten Umgebungen funktionierten. Fehlende Rechenkapazität und unzureichende Trainingsdaten führten zu einer Phase der Ernüchterung. Die Forschungsfinanzierung ging zurück, und viele KI-Projekte wurden eingestellt.

3.3 Wiederaufleben durch maschinelles Lernen (1980er - 1990er)

In den 1980er Jahren führten Fortschritte in der Computertechnik und neue Lernverfahren zu einem Wiederaufschwung der KI:

• Neuronale Netze: Wiederentdeckung des Perzeptrons und Entwicklung des Backpropagation-Algorithmus.
• Expertensysteme in der Industrie: Breiter Einsatz regelbasierter Systeme in Unternehmen.
• Entwicklung neuer Algorithmen: Fortschritte in der logischen Inferenz und probabilistischen Methoden.

3.4 Zweiter KI-Winter (1990er)

Erneut zeigte sich, dass viele Systeme ihre Versprechen nicht erfüllen konnten. Regelbasierte Expertensysteme stießen an ihre Grenzen, und die Finanzierung für KI-Projekte wurde erneut reduziert.

3.5 Moderne KI (2000er - heute)

Der heutige Erfolg der KI ist maßgeblich durch Deep Learning und den Zugang zu großen Datenmengen geprägt:

• Durchbruch von Deep Learning (2010er): Neuronale Netze werden dank leistungsfähiger Hardware wieder relevant.
• Big Data und Cloud Computing: Große Mengen an Trainingsdaten ermöglichen hochleistungsfähige Modelle.
• Transformer-Modelle (ab 2017): Revolution durch Self-Attention-Mechanismen für NLP und generative Modelle.