Geschichte der künstlichen Intelligenz
Jede Aussage trägt ihren Beleg
Jede Tatsachenbehauptung hat eine Nummer, einen Belegstatus, eine Grenze (was genau belegt ist) und – wo nötig – eine Gegenprobe. Ein Klick auf eine Nummer öffnet Beleg, Quelle und Wortlaut.
- Jede Aussage hat eine Nummer, jede Nummer eine Quelle mit Adresse, Abrufdatum und – wo vorhanden – Archivkopie.
- Kernfakten brauchen eine Primärquelle oder zwei unabhängige Sekundärquellen.
- Widersprüche werden als „umstritten“ mit beiden Positionen gezeigt, Anekdoten ohne Beleg als „Legende“.
- Was sich nicht belegen ließ, steht in der Ausschlussliste.
- 1842–1936 Maschinen, die rechnen Lange vor dem ersten Computer fragten Babbage, Lovelace und Turing, was eine Maschine überhaupt kann.
- 1943–2014 Neuronen, Logik und ein Spiel Das künstliche Neuron und die Frage, woran man denkende Maschinen erkennt, prägen das Fach bis heute.
- 1955–1966 Ein Sommer in Dartmouth Ein Antrag, eine Sommerkonferenz und große Versprechen: So wird künstliche Intelligenz zum Forschungsfeld.
- 1958–1996 Das Perzeptron und das Buch Ein lernendes Modell nach dem Vorbild des Gehirns weckt große Hoffnungen – bis ein Buch seine Grenzen zeigt.
- 1964–1985 Der erste Winter Gutachten in den USA und in Großbritannien ziehen Bilanz – und die Geldgeber ziehen sich zurück.
- 1965–1992 Wissen statt Suche Statt allgemeiner Suchverfahren setzen Forscher auf das Wissen von Fachleuten – und die Industrie zieht mit.
- 1982–2011 Die Rückkehr der Netze Physiker und Informatiker holen die neuronalen Netze zurück – mit neuen Lernverfahren und viel Geduld.
- 1996–2016 Spiele als Prüfstein Schach, Quiz und Go: Öffentliche Duelle machen Fortschritte der KI sichtbar.
- 2009–2019 Der Durchbruch des Deep Learning Große Datensätze, Grafikprozessoren und tiefe Netze: 2012 kippt die Bilderkennung.
- 2014–2023 Maschinen, die erzeugen Neue Architekturen und immer größere Modelle machen aus Mustererkennern Text- und Bildgeneratoren.
- 2018–2026 Preise, Warnungen, Regeln Höchste Ehrungen für die Forschung, Warnungen vor den Risiken und die ersten umfassenden Gesetze.
Maschinen, die rechnen
1842–1936 · 3 Ereignisse in der Zeitleiste
Lange vor dem ersten Computer fragten Babbage, Lovelace und Turing, was eine Maschine überhaupt kann.
Sprechskript
- Moderation Die Geschichte der künstlichen Intelligenz beginnt lange vor dem ersten Computer. Sie beginnt mit Maschinen, die nie fertig wurden.
- Korrespondent Charles Babbage entwarf die ersten automatischen Rechenmaschinen. Gebaut hat er sie nicht. Nachgebaut wurde seine Difference Engine No. 2 erst viel später, je nach Zählung 1991 oder 2002.
- Moderation 1842 erschien in Genf eine Abhandlung über seine Analytical Engine. Ada Lovelace übersetzte sie und schrieb lange Anmerkungen dazu.
- Korrespondent Darin rechnete sie Schritt für Schritt vor, wie die Maschine die Bernoulli-Zahlen bestimmen könnte.
- Moderation Und sie zog eine klare Grenze. Die Maschine, schrieb Lovelace, erhebe keinen Anspruch, selbst etwas hervorzubringen. Sie tue nur, was man ihr zu befehlen wisse.
- Korrespondent Ihr Bild dafür: Die Maschine webe algebraische Muster, so wie der Jacquard-Webstuhl Blumen und Blätter webt.
- Moderation Den nächsten großen Schritt machte der Mathematiker Alan Turing, geboren 1912 in London.
- Korrespondent Sein Aufsatz über berechenbare Zahlen ging am 28. Mai 1936 ein. Turing zeigte darin, dass Hilberts Entscheidungsproblem keine Lösung haben kann.
- Moderation Im selben Text beschrieb er eine einzige, universelle Maschine. Sie kann jede berechenbare Folge berechnen.
- Korrespondent Eine Maschine aus Zahnrädern und ein mathematisches Modell. Beide führen zur selben Frage: Können Maschinen mehr als rechnen?
Charles Babbage (1791–1871) entwarf die ersten automatischen Rechenmaschinen, baute sie aber nicht fertig. Wann seine Difference Engine No. 2 nach Originalplänen fertig gebaut war, wird unterschiedlich datiert: Das Computer History Museum nennt 2002 in London, 153 Jahre nach dem Entwurf; Britannica nennt 1991 für die Maschine und 2000 für das Druckwerk.12
1842 erschien in Genf eine Abhandlung von L. F. Menabrea über Babbages geplante Analytical Engine. Ada Lovelace übersetzte sie und ergänzte ausführliche Anmerkungen. Darin führte sie Schritt für Schritt vor, wie die Maschine die Bernoulli-Zahlen berechnen könnte. Britannica wertet das als erstes Computerprogramm; eine zweite unabhängige Quelle für diese Wertung ist hier nicht gesichert.345
„Die Analytical Engine erhebt keinerlei Anspruch, irgendetwas selbst hervorzubringen. Sie kann alles tun, was wir ihr zu befehlen wissen.“
Originalwortlaut
„The Analytical Engine has no pretensions whatever to originate anything. It can do whatever we know how to order it to perform.“
Lovelace verglich die Maschine mit dem Jacquard-Webstuhl: Sie webe algebraische Muster, so wie der Webstuhl Blumen und Blätter webt.7
Alan Turing (1912–1954) legte das theoretische Fundament. Sein Aufsatz „On Computable Numbers, with an Application to the Entscheidungsproblem“ ging am 28. Mai 1936 ein. Darin zeigte er, dass Hilberts Entscheidungsproblem keine Lösung haben kann; Alonzo Church kam unabhängig zu einem gleichwertigen Begriff.8910
Im selben Aufsatz beschrieb Turing eine einzige, universelle Maschine, die jede berechenbare Folge berechnen kann – die Universelle Turingmaschine Gedachte Maschine, die jede berechenbare Folge berechnen kann; von Turing 1936 beschrieben..11
Kontroverse
Neuronen, Logik und ein Spiel
1943–2014 · 3 Ereignisse in der Zeitleiste
Das künstliche Neuron und die Frage, woran man denkende Maschinen erkennt, prägen das Fach bis heute.
Sprechskript
- Moderation Kann man ein Gehirn mit Logik beschreiben? Warren McCulloch und Walter Pitts sagten 1943: im Prinzip ja.
- Korrespondent Ihr Argument: Nervenzellen feuern nach dem Alles-oder-nichts-Prinzip. Also lassen sich neuronale Vorgänge mit Aussagenlogik beschreiben.
- Moderation Der Aufsatz gilt als Grundlagenwerk für künstliche neuronale Netze. Seine Neuronen waren allerdings stark vereinfacht.
- Korrespondent 1950 stellte Alan Turing die Frage direkt: Können Maschinen denken? Er hielt sie selbst für zu bedeutungslos, um sie zu diskutieren.
- Moderation Stattdessen schlug er ein Spiel vor. Drei Beteiligte: ein Mann, eine Frau und eine fragende Person in einem anderen Raum.
- Korrespondent Seine Prognose: Eine durchschnittliche fragende Person liege nach fünf Minuten höchstens zu 70 Prozent richtig.
- Moderation Daraus wurde später eine angebliche Regel: 30 Prozent getäuschte Juroren, und der Test gilt als bestanden. Diese Regel hat Turing nie aufgestellt.
- Korrespondent Im Juni 2014 überzeugte das Programm „Eugene Goostman“ bei einem Wettbewerb 10 von 30 Juroren. Es spielte einen 13-jährigen Jungen aus der Ukraine.
- Moderation Die Veranstalter erklärten den Test für bestanden. Fachleute wie Stevan Harnad und Murray Shanahan widersprachen deutlich.
- Korrespondent Turing selbst hatte 1950 schon an lernende Maschinen gedacht. Er wollte keinen fertigen Geist bauen, sondern einen kindlichen – und ihn dann erziehen.
1943 veröffentlichten Warren McCulloch und Walter Pitts den Aufsatz „A Logical Calculus of the Ideas Immanent in Nervous Activity“. Ihr Argument: Weil Nervenzellen nach dem Alles-oder-nichts-Prinzip feuern, lassen sich neuronale Vorgänge mit Aussagenlogik beschreiben.1314
Der Aufsatz gilt als Grundlagenwerk für künstliche neuronale Netze. Die beschriebenen Neuronen waren gegenüber biologischen allerdings stark vereinfacht.15
1950 eröffnete Alan Turing seinen Aufsatz „Computing Machinery and Intelligence“ mit der Frage „Can machines think?“. Er hielt sie selbst für zu bedeutungslos, um sie zu diskutieren, und ersetzte sie durch ein Imitationsspiel.161718
An dem Spiel sind drei Personen beteiligt: ein Mann, eine Frau und eine fragende Person, die in einem getrennten Raum sitzt.18
„Eine durchschnittliche fragende Person wird nach fünf Minuten Befragung höchstens eine Chance von 70 Prozent haben, richtig zuzuordnen.“
Originalwortlaut
„an average interrogator will not have more than 70 per cent chance of making the right identification after five minutes of questioning.“
Turing verband diese Prognose mit einer Frist von etwa 50 Jahren. Er diskutierte auch „Lady Lovelace's Objection“ und verwies auf lernende Maschinen: Statt eines erwachsenen Geistes solle man einen kindlichen simulieren und ihn dann „erziehen“.191220
Im Juni 2014 überzeugte das Programm „Eugene Goostman“, das einen 13-jährigen Jungen aus der Ukraine spielte, bei einem Wettbewerb in der Royal Society 10 von 30 Juroren in fünfminütigen Chats. Die Veranstalter aus Reading erklärten den Test für bestanden; Fachleute wie Stevan Harnad und Murray Shanahan widersprachen.2122
Oft heißt es, Turing habe eine Bestehensgrenze von 30 Prozent getäuschter Juroren festgelegt. Das ist eine Legende: Er formulierte eine Prognose, keine Regel.23
Die Stanford Encyclopedia of Philosophy urteilt, Turing wäre vom Stand am Ende des 20. Jahrhunderts enttäuscht gewesen: Die Programme im Loebner-Preis-Wettbewerb seien leicht zu entlarven gewesen.24
Kontroverse
Ein Sommer in Dartmouth
1955–1966 · 11 Ereignisse in der Zeitleiste
Ein Antrag, eine Sommerkonferenz und große Versprechen: So wird künstliche Intelligenz zum Forschungsfeld.
Sprechskript
- Moderation Im Sommer 1956 begann in Dartmouth offiziell ein neues Forschungsfeld. Sein Name: künstliche Intelligenz.
- Korrespondent Der Antrag dazu ist auf den 31. August 1955 datiert. Unterzeichnet haben ihn John McCarthy, Marvin Minsky, Claude Shannon und der IBM-Forscher Rochester.
- Moderation Geplant war eine Studie über 2 Monate mit 10 Personen. Um Geld baten sie die Rockefeller Foundation.
- Korrespondent Die Grundannahme war kühn: Jedes Merkmal von Intelligenz lasse sich so genau beschreiben, dass eine Maschine es simulieren kann.
- Moderation Wann genau der Name entstand, ist nicht eindeutig. Schriftlich steht er im Antrag von 1955, die ACM verbindet ihn mit der Konferenz 1956.
- Korrespondent Allen Newell und Herbert Simon beschrieben 1956 die Logic Theory Machine. Sie suchte Beweise für logische Sätze und nutzte dabei Heuristiken.
- Moderation Der Optimismus war groß. Im November 1957 sagten Simon und Newell voraus, in zehn Jahren werde ein Computer Schachweltmeister.
- Korrespondent Tatsächlich dauerte es bis 1997, bis ein Computer einen amtierenden Weltmeister unter Turnierbedingungen besiegte.
- Moderation Andere Erfolge kamen schneller. Arthur Samuels Dame-Programm lernte 1959, besser zu spielen als sein Programmierer.
- Korrespondent 1966 stellte Joseph Weizenbaum ELIZA vor. Das Programm führte Gespräche im Stil einer Psychotherapeutin.
- Moderation Weizenbaum selbst warnte: Sobald man erkläre, wie das Programm funktioniert, zerfalle sein Zauber.
Am 31. August 1955 datierten John McCarthy, Marvin Minsky, Claude Shannon und der IBM-Forscher N. Rochester einen Antrag für ein Sommerprojekt über künstliche Intelligenz. Geplant war eine Studie über 2 Monate mit 10 Personen im Sommer 1956 am Dartmouth College. Um die Finanzierung baten sie die Rockefeller Foundation.252627
„Die Studie soll auf der Grundlage der Vermutung vorgehen, dass jeder Aspekt des Lernens oder jedes andere Merkmal von Intelligenz im Prinzip so genau beschrieben werden kann, dass man eine Maschine bauen kann, die ihn simuliert.“
Originalwortlaut
„The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it.“
Laut Stanford Encyclopedia of Philosophy begann das Fach damit 1956 offiziell. Zu den Teilnehmern zählten McCarthy, Shannon, Minsky, Arthur Samuel, Ray Solomonoff, Oliver Selfridge, Allen Newell und Herbert Simon. Zum 50. Jubiläum im Juli 2006 kamen fünf der ursprünglichen Teilnehmer zurück.2930
Wann der Begriff „artificial intelligence“ geprägt wurde, wird unterschiedlich datiert. Schriftlich steht er im Titel des Antrags von 1955; die ACM schreibt, McCarthy habe den Namen auf der Konferenz 1956 eingeführt.31
Allen Newell und Herbert Simon beschrieben 1956 bei RAND die „Logic Theory Machine“. Sie fand Beweise für Sätze der symbolischen Logik und setzte dabei stark auf Heuristiken. Laut Computer History Museum bewies der Logic Theorist schließlich 38 Sätze aus der „Principia Mathematica“; ein Primärbeleg für diese Zahl fehlt.3233
Die Erwartungen waren hoch. Am 14. November 1957 sagten Simon und Newell voraus, innerhalb von zehn Jahren werde ein Digitalcomputer Schachweltmeister. Tatsächlich besiegte ein Computer erst im Mai 1997 einen amtierenden Weltmeister.3435
Am MIT entstand die Programmiersprache LISP Programmiersprache („LISt Processor“), von der KI-Gruppe am MIT für die IBM 704 entwickelt.. McCarthys Beschreibung erschien im April 1960; das Computer History Museum datiert die Erfindung auf 1958.3637
Arthur Samuel zeigte 1959, dass ein Programm lernen kann, Dame besser zu spielen als sein eigener Programmierer – nach 8 bis 10 Stunden Spielzeit.38
1966 stellte Joseph Weizenbaum ELIZA vor, ein Gesprächsprogramm am MIT. Bekannt wurde das Skript, das eine Psychotherapeutin nachahmt.39
„Sobald seine Funktionsweise in einer Sprache erklärt ist, die einfach genug ist, um Verständnis zu wecken, zerfällt sein Zauber; es erweist sich als bloße Sammlung von Prozeduren, jede davon gut verständlich.“
Originalwortlaut
„once its inner workings are explained in language sufficiently plain to induice understanding, its magic crumbles away; it stands revealed as a mere collection of procedures, each quite comprehensible.“
Kontroverse
Das Perzeptron und das Buch
1958–1996 · 2 Ereignisse in der Zeitleiste
Ein lernendes Modell nach dem Vorbild des Gehirns weckt große Hoffnungen – bis ein Buch seine Grenzen zeigt.
Sprechskript
- Moderation Eine Maschine, die aus Erfahrung lernt: Das versprach 1958 ein Aufsatz in der Psychological Review über das Perzeptron.
- Korrespondent Frank Rosenblatt entwarf es als Modell für ein hypothetisches Nervensystem. Seinen Ansatz nannte er konnektionistisch.
- Moderation 1969 veröffentlichten Marvin Minsky und Seymour Papert ein Buch mit dem schlichten Titel „Perceptrons“.
- Korrespondent Sie zeigten, was das einfache Perzeptron nicht kann. Das bekannteste Beispiel ist die XOR-Funktion.
- Moderation Laut Stanford Encyclopedia of Philosophy schlossen viele daraus, auch Geldgeber: Neuronale Netze sind zu schwach.
- Korrespondent Dabei hatten Minsky und Papert, so die Enzyklopädie, nur sehr begrenzte Netze betrachtet.
- Moderation Das Nobelkomitee spricht von entmutigenden Ergebnissen Ende der 1960er-Jahre. Erst in den 1980er-Jahren kehrte das Interesse zurück.
- Korrespondent Der Soziologe Mikel Olazaran sieht das differenzierter. Die offizielle Deutung sei auch ein Erfolg der symbolischen KI gewesen.
- Moderation Eine Legende ist deshalb die Behauptung, dieses Buch allein habe den ersten KI-Winter ausgelöst.
- Korrespondent Die Förderung der maschinellen Übersetzung war schon nach dem ALPAC-Bericht 1966 eingebrochen. Und der britische Lighthill-Bericht kam erst 1973.
1958 veröffentlichte Frank Rosenblatt vom Cornell Aeronautical Laboratory in der „Psychological Review“ den Aufsatz „The Perceptron“. Er entwickelte seine Theorie für ein hypothetisches Nervensystem oder eine Maschine namens Perzeptron Frühes lernendes Netzmodell, von Frank Rosenblatt 1958 für ein hypothetisches Nervensystem entworfen. und nannte seinen Ansatz „konnektionistisch“.4142
1969 erschien bei MIT Press das Buch „Perceptrons“ von Marvin Minsky und Seymour Papert. Es zeigte, was Perzeptrons können und was nicht. Laut Stanford Encyclopedia of Philosophy kann das einfache Perzeptron nicht einmal die XOR-Funktion lernen – mit passender Repräsentation aber doch.4344
Die Wirkung des Buches wird unterschiedlich bewertet. Die SEP schreibt, es habe viele, ausdrücklich auch Geldgeber, glauben lassen, neuronale Netze seien zu schwach; dabei hätten Minsky und Papert nur sehr begrenzte Netze betrachtet.45
Die ACM dagegen würdigt, das Buch habe die Forschung an neuronal inspirierten Verfahren auf ein neues Niveau gehoben. Zwanzig Jahre später wurde es neu aufgelegt.46
Das Nobelkomitee beschreibt die Stimmung so: Ende der 1960er-Jahre ließen entmutigende theoretische Ergebnisse viele Forschende an neuronalen Netzen zweifeln. In den 1980er-Jahren kehrte das Interesse zurück.47
Der Soziologe Mikel Olazaran argumentierte 1996, die „offizielle“ Deutung, Minsky und Papert hätten die Netze widerlegt, sei aus der Durchsetzung der symbolischen KI entstanden. Auf Forschungsebene habe es große Deutungsspielräume gegeben.48
Verbreitet ist die Erzählung, „Perceptrons“ habe allein den KI-Winter Phase schwindenden Vertrauens und schwindender Förderung; als „AI Winter“ 1984 in einer Warnung belegt. ausgelöst. Das ist eine Legende: Die Kürzungen bei der maschinellen Übersetzung nach dem ALPAC-Bericht 1966 kamen früher, der Lighthill-Bericht folgte 1973.49
Kontroverse
Der erste Winter
1964–1985 · 5 Ereignisse in der Zeitleiste
Gutachten in den USA und in Großbritannien ziehen Bilanz – und die Geldgeber ziehen sich zurück.
Sprechskript
- Moderation Auf große Versprechen folgte die Ernüchterung. Am Anfang stand ein Gutachten über maschinelle Übersetzung.
- Korrespondent Der Ausschuss ALPAC wurde im April 1964 eingesetzt. Sein Bericht erschien im November 1966.
- Moderation Das Urteil war hart: Es gebe keine absehbare Aussicht auf brauchbare maschinelle Übersetzung.
- Korrespondent Laut dem Historiker John Hutchins beendete der Bericht die große Förderung in den USA für rund zwanzig Jahre. Oft übersehen wird: Er empfahl maschinengestützte Übersetzung.
- Moderation In Großbritannien schrieb der Mathematiker James Lighthill im Juli 1972 eine Bilanz der KI-Forschung.
- Korrespondent Sein Befund: Nirgends hätten die Entdeckungen die versprochene große Wirkung gehabt.
- Moderation Als Grund nannte er die kombinatorische Explosion. Am deutlichsten sei das Scheitern bei der maschinellen Übersetzung.
- Korrespondent Die Folge war laut dem Chilton-Archiv ein massiver Vertrauensverlust, der fast ein Jahrzehnt anhielt.
- Moderation Den Ausdruck „AI Winter“ findet man in einer Podiumsdiskussion von 1984. Dort ist er eine Warnung: Die Erwartungen an KI seien zu hoch.
- Korrespondent Ausgemalt wurde auch, dass dann alle Beteiligten ihre Forschungsprojekte eilig umbenennen.
Im April 1964 wurde das Automatic Language Processing Advisory Committee eingesetzt, kurz ALPAC, unter Vorsitz von John R. Pierce. Sein Bericht erschien im November 1966.50
„Es gibt keine unmittelbare oder absehbare Aussicht auf brauchbare maschinelle Übersetzung.“
Originalwortlaut
„Further, there is no immediate or predictable prospect of useful machine translation.“
Stattdessen empfahl der Ausschuss maschinengestützte Übersetzung; sie brauche vor allem gute Ingenieursarbeit. Laut dem Historiker John Hutchins beendete der Bericht die umfangreiche Förderung maschineller Übersetzung in den USA für rund zwanzig Jahre – was er tatsächlich sagte, werde aber oft missverstanden.5253
Der britische Mathematiker Sir James Lighthill verfasste im Juli 1972 für den Science Research Council einen Überblick über die KI-Forschung. Der Rat beriet ihn im September 1972 und veröffentlichte ihn Anfang 1973 zusammen mit Gegenstimmen.5455
„Auf keinem Teilgebiet haben die bisherigen Entdeckungen die große Wirkung erzielt, die damals versprochen wurde.“
Originalwortlaut
„In no part of the field have the discoveries made so far produced the major impact that was then promised.“
Als allgemeine Ursache nannte Lighthill die „Kombinatorische Explosion Das rasante Anwachsen der Möglichkeiten, das Lighthill als Grund für enttäuschte KI-Versprechen nannte.“. Die bekannteste Enttäuschung sah er in der maschinellen Übersetzung, für die enorme Summen mit wenig brauchbarem Ergebnis ausgegeben worden seien.5758
Laut dem Chilton-Archiv löste der Bericht in Großbritannien einen massiven Vertrauensverlust in die KI aus, der fast ein Jahrzehnt anhielt.59
Der Ausdruck „AI Winter“ taucht im Bericht über eine Podiumsdiskussion der AAAI-Konferenz 1984 auf, erschienen im AI Magazine im Herbst 1985 – als befürchtetes Szenario. Ausgemalt wurde unter anderem, dass alle ihre Forschungsprojekte eilig umbenennen.6061
Kontroverse
Wissen statt Suche
1965–1992 · 6 Ereignisse in der Zeitleiste
Statt allgemeiner Suchverfahren setzen Forscher auf das Wissen von Fachleuten – und die Industrie zieht mit.
Sprechskript
- Moderation Wenn allgemeine Suche zu schwach ist, hilft vielleicht Fachwissen. Auf dieser Idee beruhen Expertensysteme.
- Korrespondent Den Anfang machte DENDRAL in Stanford, begonnen Mitte der 1960er-Jahre von Joshua Lederberg und Edward Feigenbaum.
- Moderation Feigenbaum gilt heute als Vater der Expertensysteme. Das Wort selbst setzte sich erst um 1975 durch.
- Korrespondent Ein bekanntes Beispiel ist MYCIN aus Stanford. Es sollte wie ein Infektiologe beraten und neben der Diagnose auch Therapien vorschlagen.
- Moderation In der Industrie arbeitete R1 bei Digital Equipment. Es stellte Rechner zusammen und hatte 1980 genau 772 Regeln.
- Korrespondent 1994 erhielt Feigenbaum den Turing Award, gemeinsam mit Raj Reddy. Gewürdigt wurde auch der praktische Nutzen großer KI-Systeme.
- Moderation Auch Japan setzte auf wissensbasierte Rechner. 1982 startete dort das Projekt der fünften Generation.
- Korrespondent In den USA gründeten Firmen daraufhin unter anderem die Microelectronics and Computer Technology Corporation.
- Moderation Das japanische Projekt endete 1992. Laut IPSJ kostete es rund 54 Milliarden Yen.
- Korrespondent Regelsysteme sind nachvollziehbar, aber teuer in der Pflege. Jede Regel muss ein Mensch formulieren.
Mitte der 1960er-Jahre begannen Joshua Lederberg und Edward Feigenbaum in Stanford mit DENDRAL. Es war das erste KI-Programm, das spezialisiertes Wissen über allgemeine Problemlösemethoden stellte.62
Expertensysteme sind laut ACM Programme, die mit speziell kodiertem Expertenwissen intelligent handeln; Feigenbaum gilt als ihr „Vater“. Die Begriffe „Expertensystem Programm, das mit speziell kodiertem Wissen von Fachleuten intelligent handelt.“ und „wissensbasiertes System“ kamen laut den MYCIN-Autoren erst um 1975 in allgemeinen Gebrauch.6364
MYCIN entstand in Stanford als computergestützter Berater nach dem Vorbild von Infektiologen; es sollte Therapie wie Diagnose vorschlagen. Die Arbeit daran dauerte fast ein Jahrzehnt. 1984 erschien mit „Rule-Based Expert Systems: The MYCIN Experiments“ eine kritische Rückschau.6566
In der Industrie arbeitete R1, in der ersten Phase XCON genannt. Das System konfigurierte 1980 VAX-11/780-Rechner von Digital Equipment, hatte 772 Regeln und wurde in der Fertigung regelmäßig eingesetzt.67
1994 erhielt Feigenbaum gemeinsam mit Raj Reddy den Turing Award – für den Bau großer KI-Systeme und den Nachweis ihres praktischen Nutzens.68
1982 startete Japans Handelsministerium MITI das Projekt „Computer der fünften Generation“ für wissensbasierte Informationsverarbeitung; Kern war das Institut ICOT. Laut Computer History Museum reagierte die US-Industrie unter anderem mit der Gründung der Microelectronics and Computer Technology Corporation.6970
Das Projekt endete 1992. Laut dem Museum der japanischen Informatikgesellschaft IPSJ flossen rund 54 Milliarden Yen über 11 Jahre hinein; das Computer History Museum spricht von Hunderten Millionen Dollar und einer Aufgabe des Projekts.71
Kontroverse
Die Rückkehr der Netze
1982–2011 · 7 Ereignisse in der Zeitleiste
Physiker und Informatiker holen die neuronalen Netze zurück – mit neuen Lernverfahren und viel Geduld.
Sprechskript
- Moderation Nach Jahren der Skepsis kehrten die neuronalen Netze zurück. Einen wichtigen Anstoß gab 1982 der Physiker John Hopfield.
- Korrespondent Sein Netz arbeitet wie ein assoziatives Gedächtnis: Es speichert Muster und kann sie wiederherstellen.
- Moderation Geoffrey Hinton entwickelte mit Terrence Sejnowski die Boltzmann-Maschine. Ob 1983 oder 1985, hängt von der Quelle ab.
- Korrespondent 1986 zeigten Hinton, David Rumelhart und Ronald Williams: Mit Backpropagation lernen Netze eigene innere Darstellungen.
- Moderation Dafür braucht es viele Beispiele mit der gewünschten Antwort. Sie überwachen gewissermaßen das Training.
- Korrespondent Wer das Verfahren erfunden hat, ist allerdings nicht eindeutig. Die ACM nennt auch Yann LeCun.
- Moderation LeCun baute Faltungsnetze für Handschrift. Ein System auf Basis seiner Arbeit von 1998 las mehrere Millionen Schecks am Tag.
- Korrespondent 1997 stellten Sepp Hochreiter und Jürgen Schmidhuber das LSTM vor, ein Netz, das sich über lange Folgen erinnern kann.
- Moderation Trotzdem blieb die Gemeinschaft klein. Anfang der 2000er-Jahre hielten nur wenige an den Netzen fest.
- Korrespondent 2006 zeigten Hinton und Kollegen, wie man tiefe Netze Schicht für Schicht trainiert.
1982 beschrieb der Physiker John Hopfield ein assoziatives Gedächtnis: Das Hopfield-Netz Neuronales Netz als assoziatives Gedächtnis, das Muster speichert und wiederherstellt. speichert Muster und kann sie wiederherstellen.72
Geoffrey Hinton entwickelte mit Terrence Sejnowski die Boltzmann-Maschine Eines der ersten neuronalen Netze, die innere Repräsentationen lernen konnten.. Die ACM datiert sie auf 1983, das Nobelkomitee nennt die Veröffentlichung 1985.73
1986 zeigte Hinton mit David Rumelhart und Ronald Williams, dass Backpropagation Lernverfahren, mit dem Netze aus Beispielen eigene innere Repräsentationen lernen; heute Standard. neuronale Netze eigene innere Repräsentationen lernen lässt. Das Verfahren braucht viele Beispiele mit gewünschten Ausgaben, die das Training „überwachen“; heute ist es Standard.7475
Wem die Erfindung zusteht, ist nicht eindeutig: Dieselbe ACM-Würdigung schreibt Yann LeCun eine frühe Version des Algorithmus zu.76
Künstliche „Neuronen“ ähneln echten nur lose. Sie beeinflussen einander über gewichtete Verbindungen; wer die Gewichte ändert, ändert, was das Netz berechnet.77
Ende der 1980er-Jahre trainierte LeCun als Erster ein Faltungsnetz Netzart für Bilder; LeCun trainierte als Erster ein solches Netz auf handgeschriebenen Ziffern. auf Bildern handgeschriebener Ziffern. 1998 beschrieb er mit Kollegen LeNet-5 mit 60.000 trainierbaren Parametern; ein darauf aufbauendes System las mehrere Millionen Schecks pro Tag.7879
1997 stellten Sepp Hochreiter und Jürgen Schmidhuber das Long Short-Term Memory vor, kurz LSTM Long Short-Term Memory: Netz, das Abstände von mehr als 1000 Zeitschritten überbrücken kann.. Es kann Zeitabstände von mehr als 1000 Schritten überbrücken.80
Anfang der 2000er-Jahre hielten laut ACM nur wenige an neuronalen Netzen fest, darunter LeCun, Hinton und Bengio; sie stießen zunächst auf Skepsis. 2006 beschrieben Hinton, Osindero und Teh ein Verfahren, das tiefe Netze Schicht für Schicht lernt.8182
Parallel kehrten probabilistische Methoden zurück. Judea Pearl erhielt 2011 den Turing Award für einen Kalkül probabilistischen und kausalen Schließens.83
Kontroverse
Spiele als Prüfstein
1996–2016 · 5 Ereignisse in der Zeitleiste
Schach, Quiz und Go: Öffentliche Duelle machen Fortschritte der KI sichtbar.
Sprechskript
- Moderation Im Mai 1997 verlor ein amtierender Schachweltmeister erstmals unter Turnierbedingungen gegen einen Computer.
- Korrespondent Im Februar 1996 hatte Garri Kasparow noch gewonnen, mit 4:2 gegen IBMs Deep Blue.
- Moderation Bei der Revanche im Mai 1997 in New York siegte Deep Blue mit 3,5 zu 2,5 Punkten über Kasparow.
- Korrespondent Die Maschine bewertete 200 Millionen Stellungen pro Sekunde. IBM spricht selbst von roher Rechenkraft.
- Moderation Im Februar 2011 trat IBMs Watson in der Quizshow Jeopardy an und schlug die Rekordchampions Brad Rutter und Ken Jennings.
- Korrespondent Watson lief auf 90 Servern mit zusammen 2880 Prozessorkernen und war dabei nicht mit dem Internet verbunden.
- Moderation Go gilt als besonders schwer. DeepMind spricht von 10 hoch 170 möglichen Stellungen.
- Korrespondent Im Oktober 2015 schlug DeepMinds Programm AlphaGo den Europameister Fan Hui mit 5 zu 0.
- Moderation Im März 2016 folgte in Seoul ein 4 zu 1 gegen Lee Sedol. Laut DeepMind sahen über 200 Millionen Menschen zu.
- Korrespondent AlphaGo verband neuronale Netze mit Suche. Es lernte zuerst aus menschlichen Partien, dann im Spiel gegen sich selbst.
Im Februar 1996 trat IBMs Schachcomputer Deep Blue in Philadelphia gegen Weltmeister Garri Kasparow an. Deep Blue gewann die erste Partie, Kasparow das Match mit 4:2.84
Im Mai 1997 folgte in New York die Revanche: Deep Blue siegte mit 3,5:2,5 und besiegte als erstes Computersystem einen amtierenden Weltmeister unter Turnierbedingungen.35
Deep Blue bewertete mit 32 Prozessoren 200 Millionen Stellungen pro Sekunde. IBM selbst beschreibt seine Stärke als schiere Rechenkraft.85
Im Februar 2011 besiegte IBMs Watson in der Quizshow „Jeopardy!“ die Rekordchampions Brad Rutter und Ken Jennings. Watson bestand aus 90 Servern mit zusammen 2880 Prozessorkernen, antwortete ohne Internetverbindung und gewann 77.147 Dollar.8687
Go gilt als besonders schwer: DeepMind nennt 10 hoch 170 mögliche Brettstellungen. Im Oktober 2015 schlug AlphaGo den Europameister Fan Hui mit 5:0 – als erstes Programm, das einen Go-Profi auf dem vollen Brett besiegte.8889
Im März 2016 gewann AlphaGo in Seoul mit 4:1 gegen Lee Sedol; laut DeepMind sahen über 200 Millionen Menschen zu.90
AlphaGo verband tiefe neuronale Netze mit Suche: Ein „Policy“-Netz wählte Züge aus, ein „Value“-Netz bewertete Stellungen. Das System lernte zuerst aus menschlichen Partien und dann durch Spiel gegen sich selbst.91
Kontroverse
Der Durchbruch des Deep Learning
2009–2019 · 4 Ereignisse in der Zeitleiste
Große Datensätze, Grafikprozessoren und tiefe Netze: 2012 kippt die Bilderkennung.
Sprechskript
- Moderation 2012 halbierte ein tiefes neuronales Netz fast die Fehlerrate in einem wichtigen Wettbewerb der Bilderkennung.
- Korrespondent Die Grundlage war die Bilddatenbank ImageNet, 2009 vorgestellt, mit damals 3,2 Millionen Bildern.
- Moderation Im jährlichen Wettbewerb dazu lag der Top-5-Fehler des Siegers 2010 noch bei 28,2 Prozent.
- Korrespondent 2012 erreichte das Team um Geoffrey Hinton 16,4 Prozent. Der Zweitplatzierte kam auf 26,2 Prozent.
- Moderation Ihr Netz, AlexNet, hatte 60 Millionen Parameter und wurde auf zwei Grafikkarten trainiert.
- Korrespondent 2015 lag der Fehler nur noch bei 3,57 Prozent, erreicht mit residualen Netzen aus bis zu 152 Schichten.
- Moderation Zum Vergleich: Ein geschulter Mensch kam in einer Stichprobe auf geschätzt 5,1 Prozent.
- Korrespondent Dieser Vergleich beruht allerdings auf dem Schätzwert einer einzelnen Person. Er gilt für eine Testaufgabe, nicht für das Sehen insgesamt.
- Moderation Deep Learning heißt so, weil diese Netze aus vielen Schichten bestehen, also tief sind.
- Korrespondent Dahinter steht auch Rechenkraft. Seit Anfang der 2010er-Jahre verdoppelte sich der Trainingsaufwand etwa alle 6 Monate.
- Moderation Richard Sutton zog 2019 eine bittere Lehre: Allgemeine, rechenintensive Methoden setzen sich am Ende durch.
2009 stellten Jia Deng, Li Fei-Fei und Kollegen aus Princeton die Bilddatenbank ImageNet vor, damals mit 3,2 Millionen Bildern in 5247 Kategorien.92
Im Wettbewerb von 2010 lag der Top-5-Fehler des Siegers NEC bei 28,2 Prozent, 2011 beim Sieger XRCE bei 25,8 Prozent.9394
2012 kam der Sprung: Das Team SuperVision um Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton erreichte 16,4 Prozent, mit zusätzlichen Trainingsdaten 15,3 Prozent; der Zweitplatzierte lag bei 26,2 Prozent. Laut ACM halbierten Hinton und seine Studenten damit fast die Fehlerrate.9596
Ihr Netz, AlexNet, hatte 60 Millionen Parameter Die lernbaren Gewichte eines Netzes – von 60.000 bei LeNet-5 bis 540 Milliarden bei PaLM. und 650.000 Neuronen. Das Training dauerte fünf bis sechs Tage auf zwei Grafikkarten vom Typ GTX 580.97
Danach fiel der Fehler weiter: 2013 auf 11,7 Prozent (Clarifai), 2014 auf 6,7 Prozent (GoogLeNet) und 2015 auf 3,57 Prozent mit residualen Netzen aus bis zu 152 Schichten (ResNet). Ein geschulter menschlicher Annotator war in einer Stichprobe von 1500 Bildern auf geschätzt 5,1 Prozent gekommen.9899100101
Laut ACM trieben leistungsfähige Grafikprozessoren und riesige Datensätze den Fortschritt. Der Begriff „Deep Learning Lernen mit tiefen Netzen aus vielen Schichten.“ bezieht sich auf tiefe Netze aus vielen Schichten.96102
Eine Studie von 2022 schätzt: Vor 2010 verdoppelte sich der Rechenaufwand für das Training etwa alle 20 Monate, seit Anfang der 2010er-Jahre etwa alle 6 Monate.103
„Die größte Lehre, die sich aus 70 Jahren KI-Forschung ziehen lässt, ist, dass allgemeine Methoden, die Rechenleistung nutzen, am Ende die wirksamsten sind – und zwar mit großem Abstand.“
Originalwortlaut
„The biggest lesson that can be read from 70 years of AI research is that general methods that leverage computation are ultimately the most effective, and by a large margin.“
Kontroverse
Maschinen, die erzeugen
2014–2023 · 13 Ereignisse in der Zeitleiste
Neue Architekturen und immer größere Modelle machen aus Mustererkennern Text- und Bildgeneratoren.
Sprechskript
- Moderation Am 30. November 2022 stellte OpenAI ChatGPT vor. Die Grundlagen dafür sind allerdings älter.
- Korrespondent 2014 kamen die GANs: Ein Generator erzeugt Daten, ein Diskriminator prüft, ob sie echt sind.
- Moderation 2017 folgte der Transformer. Diese Architektur beruht allein auf Aufmerksamkeitsmechanismen.
- Korrespondent 2018 zeigte OpenAI mit GPT: Ein Sprachmodell lernt erst aus viel unbeschriftetem Text und wird dann für Aufgaben verfeinert.
- Moderation Dann wuchsen die Modelle rasant. GPT-2 hatte 1,5 Milliarden Parameter, GPT-3 im Jahr 2020 schon 175 Milliarden.
- Korrespondent Forschende fanden dafür eine empirische Regel: Der Fehler sinkt nach einem Potenzgesetz mit Modellgröße, Daten und Rechenaufwand.
- Moderation 2022 trainierte Google das Sprachmodell PaLM mit 540 Milliarden Parametern, auf 6144 Spezialchips.
- Korrespondent Auch Bilder erzeugten Maschinen jetzt in hoher Qualität, mit sogenannten Diffusionsmodellen.
- Moderation ChatGPT wurde mit menschlichem Feedback trainiert. Schon zum Start räumte OpenAI ein: Das System schreibe manchmal plausibel klingende, aber falsche Antworten.
- Korrespondent Laut Analysten hatte ChatGPT nach zwei Monaten 100 Millionen Nutzer. Das ist eine Schätzung, keine offizielle Zahl.
- Moderation Zum Nachfolger GPT-4 nennt OpenAI keine Modellgröße, keine Hardware und keine Trainingsdaten.
- Korrespondent Und die alte Frage bleibt: Verstehen solche Systeme, was sie sagen? John Searle bestritt das schon 1980 für jede reine Symbolverarbeitung.
2014 stellten Ian Goodfellow und Kollegen Generative Adversarial Networks vor: Ein Generator erzeugt Daten, ein Diskriminator schätzt, ob ein Beispiel echt oder erzeugt ist. 2015 beschrieben Sohl-Dickstein und Kollegen die Idee der Diffusionsmodelle: Struktur in Daten schrittweise zerstören und einen umgekehrten Prozess lernen, der sie wiederherstellt.105106
2017 stellten Forschende von Google den Transformer Netzarchitektur, die allein auf Aufmerksamkeitsmechanismen beruht, ohne Rekurrenz und Faltung. vor, eine Architektur, die allein auf Aufmerksamkeitsmechanismen beruht und auf Rekurrenz und Faltung verzichtet. Bei Englisch-Französisch erreichte er einen BLEU-Wert von 41,8 nach 3,5 Tagen Training auf acht GPUs; die große Variante hatte 213 Millionen Parameter Die lernbaren Gewichte eines Netzes – von 60.000 bei LeNet-5 bis 540 Milliarden bei PaLM..107108
2018 zeigte OpenAI mit GPT, dass generatives Vortraining eines Sprachmodells auf unbeschriftetem Text und anschließendes Feintuning große Gewinne bringt. Im selben Jahr stellte Google BERT vor, mit 110 Millionen Parametern in der Basis- und 340 Millionen in der großen Version.109110
Sprachmodelle verarbeiten Text in Tokens; GPT-2 nutzte dafür Byte Pair Encoding, einen Mittelweg zwischen Zeichen und Wörtern. GPT-2 hatte 2019 in der größten Version 1,5 Milliarden Parameter, GPT-3 im Jahr 2020 schon 175 Milliarden; es wurde mit 300 Milliarden Tokens trainiert.111112113
Kaplan und Kollegen berichteten 2020, dass der Fehler von Sprachmodellen einem Potenzgesetz in Modellgröße, Datenmenge und Rechenaufwand folgt – über mehr als sieben Größenordnungen. 2022 trainierte Google PaLM mit 540 Milliarden Parametern auf 6144 TPU-v4-Chips.115114
Auch bei Bildern ging es voran: 2020 zeigten Ho, Jain und Abbeel hochwertige Bildsynthese mit Diffusionsmodellen. Latent-Diffusion-Modelle verlegten das Verfahren danach in einen komprimierten „latenten Raum“, um mit begrenzter Rechenleistung zu trainieren; die überarbeitete Fassung erschien 2022.116117
Am 30. November 2022 stellte OpenAI ChatGPT vor, ein Modell für Dialoge, trainiert mit Verstärkungslernen aus menschlichem Feedback (RLHF Reinforcement Learning from Human Feedback: Training mit menschlichen Rückmeldungen, etwa bei ChatGPT.). OpenAI räumte zum Start ein, ChatGPT schreibe manchmal plausibel klingende, aber falsche oder unsinnige Antworten.118119
Laut Analysten erreichte ChatGPT zwei Monate nach dem Start 100 Millionen Nutzer. Die Zahl beruht auf Schätzungen der Datenfirma Similarweb; eine offizielle Nutzerzahl für diesen Zeitpunkt ist nicht gesichert.120
Der Technische Bericht zu GPT-4 von 2023 enthält ausdrücklich keine Angaben zu Architektur, Modellgröße, Hardware, Rechenaufwand und Trainingsdaten.121
Ob solche Systeme verstehen, was sie schreiben, ist umstritten. Der Philosoph John Searle hatte 1980 argumentiert: Wer nur Symbole nach Regeln verarbeitet, versteht deshalb noch kein Chinesisch.122
Kontroverse
Preise, Warnungen, Regeln
2018–2026 · 11 Ereignisse in der Zeitleiste
Höchste Ehrungen für die Forschung, Warnungen vor den Risiken und die ersten umfassenden Gesetze.
Sprechskript
- Moderation Im Oktober 2024 erhielten John Hopfield und Geoffrey Hinton den Physik-Nobelpreis. Gewürdigt wurden die Grundlagen des maschinellen Lernens mit neuronalen Netzen.
- Korrespondent Einen Tag später folgte der Chemie-Nobelpreis für Demis Hassabis und John Jumper. Ihr Modell AlphaFold2 sagt Proteinstrukturen voraus.
- Moderation Schon für 2018 hatte die ACM Bengio, Hinton und LeCun mit dem Turing Award geehrt.
- Korrespondent Zugleich wuchsen die Sorgen. Im März 2023 forderte ein offener Brief eine Pause von mindestens 6 Monaten für Systeme, die stärker sind als GPT-4.
- Moderation Im November 2023 warnten Staaten in Bletchley Park vor ernsthaftem, sogar katastrophalem Schaden.
- Korrespondent Die Europäische Union setzt auf Regeln. Der AI Act trat am 1. August 2024 in Kraft.
- Moderation Er teilt KI-Systeme in vier Risikostufen ein. Social Scoring ist verboten, die meisten einfachen Anwendungen bleiben ohne Pflichten.
- Korrespondent Erste Verbote gelten seit Februar 2025, der Großteil der Regeln seit dem 2. August 2026.
- Moderation Für Hochrisiko-Systeme wurden Fristen allerdings verschoben, teils bis August 2028.
- Korrespondent Und was ist überhaupt KI? Oft heißt es, Larry Tesler habe gesagt, KI sei alles, was noch nicht gemacht wurde. Er selbst stellte richtig: Intelligenz sei, was Maschinen noch nicht gemacht haben.
- Moderation Die Geschichte der KI ist eine Folge von Versprechen, Rückschlägen und Neuanfängen. Was Maschinen wirklich verstehen, bleibt eine offene Frage.
Die ACM verlieh den Turing Award 2018 an Yoshua Bengio, Geoffrey Hinton und Yann LeCun für Durchbrüche, die tiefe neuronale Netze zu einem zentralen Teil der Informatik gemacht haben.123
Am 8. Oktober 2024 erhielten John Hopfield und Geoffrey Hinton den Physik-Nobelpreis für grundlegende Entdeckungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen. Am 9. Oktober 2024 ging eine Hälfte des Chemie-Nobelpreises an Demis Hassabis und John Jumper von Google DeepMind für Proteinstrukturvorhersage. Ihr 2020 vorgestelltes Modell AlphaFold2 sagte die Struktur von praktisch allen 200 Millionen bekannten Proteinen voraus.124125
In einem offenen Brief des Future of Life Institute vom 22. März 2023 forderten Unterzeichner eine Pause von mindestens 6 Monaten beim Training von Systemen, die stärker als GPT-4 sind. Auf dem AI Safety Summit in Bletchley Park am 1. und 2. November 2023 warnten Staaten in einer gemeinsamen Erklärung vor ernsthaftem, sogar katastrophalem Schaden durch fortgeschrittene KI.126127
Die EU-Kommission schlug den AI Act im April 2021 vor; Parlament und Rat einigten sich im Dezember 2023; am 1. August 2024 trat er in Kraft. Er ordnet KI-Systeme nach vier Risikostufen: „Social Scoring“ ist verboten, für die meisten Systeme mit minimalem Risiko gelten keine Pflichten.128129
Verbote und Pflichten zur KI-Kompetenz gelten seit dem 2. Februar 2025, Regeln für Allzweck-KI-Modelle seit dem 2. August 2025; der Großteil wurde am 2. August 2026 anwendbar. Nach einer politischen Einigung am 7. Mai 2026 wurden Fristen für Hochrisiko-Systeme verschoben: auf den 2. Dezember 2027 und den 2. August 2028.130131
Was KI ist, bleibt eine Definitionsfrage. Die Encyclopædia Britannica beschreibt sie als Fähigkeit eines Computers oder computergesteuerten Roboters, Aufgaben zu erfüllen, die man gewöhnlich intelligenten Wesen zuschreibt.132
Oft zitiert wird der Satz „Künstliche Intelligenz ist alles, was noch nicht gemacht wurde“. Larry Tesler stellte richtig, er habe gesagt: „Intelligenz ist das, was Maschinen noch nicht gemacht haben.“133
Kontroverse
70 Ereignisse, 11 Epochen
Farbige Bänder zeigen die Epochen der Kapitel. Punkte öffnen das Ereignis mit Belegen.
Alle Ereignisse als Liste (70)
- 1842
Abhandlung über die Analytical Engine
In Genf erscheint Menabreas Abhandlung über Babbages Analytical Engine; Ada Lovelace übersetzt und kommentiert sie.
Belege
- 1842 erschien in Genf eine Abhandlung von L. F. Menabrea über Babbages Analytical Engine; Ada Lovelace übersetzte sie und ergänzte ausführliche Anmerkungen.3
- 28. Mai 1936
Turings „On Computable Numbers“
Turings Aufsatz geht ein; er zeigt, dass Hilberts Entscheidungsproblem keine Lösung haben kann.
Belege
- Alan Turings Aufsatz „On Computable Numbers, with an Application to the Entscheidungsproblem“ ging am 28. Mai 1936 ein und wurde am 12. November 1936 vorgetragen.8
- Turing zeigte 1936, dass Hilberts Entscheidungsproblem keine Lösung haben kann; Alonzo Church kam unabhängig zu einem gleichwertigen Begriff.9
- 1943
Das logische Neuron
McCulloch und Pitts beschreiben neuronale Vorgänge mit Aussagenlogik.
Belege
- Warren McCulloch und Walter Pitts veröffentlichten 1943 „A Logical Calculus of the Ideas Immanent in Nervous Activity“ im Bulletin of Mathematical Biophysics.13
- McCulloch und Pitts argumentierten: Weil Nervenzellen nach dem Alles-oder-nichts-Prinzip feuern, lassen sich neuronale Vorgänge mit Aussagenlogik beschreiben.14
- 1950
Das Imitationsspiel
Turing ersetzt die Frage „Can machines think?“ durch ein Imitationsspiel.
- um 1955
Beginn am Logic Theorist
Laut Computer History Museum beginnen Newell, Simon und Shaw 1955 mit dem Logic Theorist.
Belege
- Laut Computer History Museum begannen Newell, Simon und J. C. Shaw 1955 mit dem Logic Theorist, der schließlich 38 Sätze aus Whiteheads und Russells „Principia Mathematica“ bewies.33
- 31. August 1955
Der Dartmouth-Antrag
McCarthy, Minsky, Rochester und Shannon datieren ihren Antrag für ein Sommerprojekt über künstliche Intelligenz.
Belege
- Am 31. August 1955 datierten John McCarthy (Dartmouth), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) und Claude Shannon (Bell Labs) ihren Antrag für ein Sommerprojekt über künstliche Intelligenz.25
- Wann der Begriff „artificial intelligence“ geprägt wurde, wird unterschiedlich datiert: Schriftlich steht er im Antrag von 1955; die ACM schreibt, McCarthy habe den Namen auf der Konferenz 1956 eingeführt.31
- 1956
Sommerkonferenz in Dartmouth
Laut SEP beginnt das Fach 1956 offiziell mit der Konferenz am Dartmouth College.
Belege
- Der Antrag sah eine Studie über 2 Monate mit 10 Personen im Sommer 1956 am Dartmouth College vor.26
- Laut Stanford Encyclopedia of Philosophy begann das Fach offiziell 1956 mit der Dartmouth-Konferenz; zu den Teilnehmern zählten McCarthy, Shannon, Minsky, Samuel, Solomonoff, Selfridge, Newell und Simon.29
- 1956
Die Logic Theory Machine
Newell und Simon beschreiben bei RAND ein Programm, das logische Beweise mit Heuristiken sucht.
Belege
- Allen Newell und Herbert Simon beschrieben 1956 bei RAND die „Logic Theory Machine“, ein System, das Beweise für Sätze der symbolischen Logik findet und dabei stark auf Heuristiken setzt.32
- 14. November 1957
Die Schach-Prognose
Simon und Newell sagen voraus, in zehn Jahren werde ein Computer Schachweltmeister.
Belege
- Simon und Newell sagten am 14. November 1957 voraus, innerhalb von zehn Jahren werde ein Digitalcomputer Schachweltmeister, sofern die Regeln ihn nicht ausschließen; der Vortrag erschien 1958 in „Operations Research“.34
- 1958
Das Perzeptron
Frank Rosenblatt veröffentlicht „The Perceptron“ in der Psychological Review.
Belege
- Frank Rosenblatt vom Cornell Aeronautical Laboratory veröffentlichte 1958 in der „Psychological Review“ den Aufsatz „The Perceptron“.41
- 1958
LISP laut CHM erfunden
Das Computer History Museum datiert die Erfindung von LISP durch McCarthy auf 1958.
Belege
- Das Computer History Museum datiert die Erfindung von LISP durch McCarthy auf 1958; McCarthys eigener Text nennt einen Vorschlag vom November 1958, für den das System gebraucht wurde.37
- 1959
Samuels lernendes Dame-Programm
Arthur Samuel zeigt, dass ein Programm besser Dame spielen lernt als sein Programmierer.
Belege
- Arthur Samuel zeigte 1959, dass ein Computer lernen kann, Dame besser zu spielen als sein Programmierer – nach 8 bis 10 Stunden Spielzeit.38
- April 1960
LISP-Aufsatz
McCarthy beschreibt LISP, entwickelt für die IBM 704.
Belege
- John McCarthy beschrieb im April 1960 die Programmiersprache LISP („LISt Processor“), die die KI-Gruppe am MIT für den Rechner IBM 704 entwickelt hatte.36
- April 1964
ALPAC eingesetzt
Der Ausschuss ALPAC wird unter Vorsitz von John R. Pierce eingesetzt.
Belege
- Das Automatic Language Processing Advisory Committee (ALPAC) wurde im April 1964 unter Vorsitz von John R. Pierce eingesetzt; sein Bericht erschien im November 1966.50
- um 1965
DENDRAL
Das Computer History Museum führt DENDRAL unter 1965 als erstes Expertensystem.
Belege
- DENDRAL, begonnen Mitte der 1960er-Jahre von Joshua Lederberg und Edward Feigenbaum in Stanford, war das erste KI-Programm, das spezialisiertes Wissen über allgemeine Problemlösemethoden stellte; das Computer History Museum führt es unter 1965 als erstes „Expertensystem“.62
- 1966
ELIZA
Joseph Weizenbaum stellt das Gesprächsprogramm ELIZA vor.
Belege
- Joseph Weizenbaum stellte 1966 ELIZA vor, ein Gesprächsprogramm auf dem Time-Sharing-System MAC am MIT, geschrieben in MAD-SLIP für die IBM 7094; bekannt wurde das Skript, das eine Psychotherapeutin nachahmt.39
- November 1966
ALPAC-Bericht
Der Bericht sieht keine absehbare Aussicht auf brauchbare maschinelle Übersetzung.
- 1969
„Perceptrons“
Minsky und Papert zeigen die Grenzen einfacher Perzeptrons.
- Juli 1972
Lighthill-Bericht verfasst
Sir James Lighthill schreibt für den Science Research Council eine Bilanz der KI-Forschung.
Belege
- Der britische Mathematiker Sir James Lighthill verfasste im Juli 1972 für den Science Research Council einen Überblick über die KI-Forschung; der Rat beriet ihn im September 1972 und beschloss, ihn mit Gegenstimmen zu veröffentlichen.54
- 1973
Lighthill-Bericht veröffentlicht
Der Bericht erscheint Anfang 1973 zusammen mit Gegenstimmen.
Belege
- Der Lighthill-Bericht erschien Anfang 1973.55
- 1975
Turing Award für Newell und Simon
Allen Newell und Herbert Simon erhalten gemeinsam den Turing Award.
Belege
- Allen Newell (19. März 1927 – 19. Juli 1992) und Herbert Simon (15. Juni 1916 – 9. Februar 2001) erhielten 1975 gemeinsam den Turing Award; ihre frühen Arbeiten entstanden mit J. C. Shaw bei RAND, darunter der Logic Theorist.134
- 1980
R1/XCON bei DEC
Das Expertensystem R1 konfiguriert mit 772 Regeln VAX-Rechner.
Belege
- Das Expertensystem R1 (in der ersten Phase XCON genannt) konfigurierte 1980 VAX-11/780-Rechner von Digital Equipment; es hatte 772 Regeln und wurde bei DEC regelmäßig in der Fertigung eingesetzt.67
- 1980
Das Chinesische Zimmer
John Searle veröffentlicht sein Gedankenexperiment gegen Verstehen durch bloße Symbolverarbeitung.
Belege
- Der Philosoph John Searle (1932–2025) veröffentlichte 1980 das Gedankenexperiment vom Chinesischen Zimmer: Wer nur Symbole nach Regeln verarbeitet, versteht deshalb noch kein Chinesisch.122
- 1982
Das Hopfield-Netz
John Hopfield beschreibt ein Netz, das Muster speichert und wiederherstellt.
Belege
- Der Physiker John Hopfield beschrieb 1982 ein assoziatives Gedächtnis: Das Hopfield-Netz speichert Muster und kann sie wiederherstellen.72
- 1982
Projekt der fünften Generation
Japans MITI startet das Projekt „Computer der fünften Generation“.
Belege
- Japans Handelsministerium MITI startete 1982 das Projekt „Computer der fünften Generation“ für wissensbasierte Informationsverarbeitung; Kern war das Institut ICOT.69
- 1983
Boltzmann-Maschine (laut ACM)
Laut ACM erfinden Hinton und Sejnowski 1983 die Boltzmann-Maschine; das Nobelkomitee nennt 1985.
Belege
- Die Boltzmann-Maschine von Geoffrey Hinton wird unterschiedlich datiert: Laut ACM erfand er sie 1983 mit Terrence Sejnowski, laut Nobelkomitee wurde die Methode 1985 veröffentlicht. Die ACM nennt sie eines der ersten neuronalen Netze, die innere Repräsentationen lernen konnten.73
- 1984
„AI Winter“ als Warnung
Auf der AAAI-Konferenz 1984 warnt ein Podium vor einem „AI Winter“.
Belege
- Der Ausdruck „AI Winter“ taucht im Bericht über eine Podiumsdiskussion der AAAI-Konferenz 1984 auf, die in AI Magazine (Herbst 1985) erschien – dort als befürchtetes Szenario.60
- 1984
Das MYCIN-Buch
Buchanan und Shortliffe veröffentlichen „Rule-Based Expert Systems“.
Belege
- Buchanan und Shortliffe veröffentlichten 1984 „Rule-Based Expert Systems: The MYCIN Experiments“ als kritische Rückschau.66
- 1986
Backpropagation
Hinton, Rumelhart und Williams zeigen, dass Netze mit Backpropagation innere Repräsentationen lernen.
Belege
- Laut ACM zeigte Hinton 1986 mit David Rumelhart und Ronald Williams, dass Backpropagation neuronale Netze eigene innere Repräsentationen lernen lässt; das Verfahren ist heute Standard.74
- 1992
Ende der fünften Generation
Japans Projekt endet nach rund 54 Milliarden Yen und 11 Jahren.
Belege
- Das Projekt endete 1992; laut IPSJ flossen rund 54 Milliarden Yen über 11 Jahre hinein, das CHM spricht von Hunderten Millionen Dollar und einem Abbruch.71
- 1994
Turing Award für Feigenbaum
Feigenbaum erhält mit Raj Reddy den Turing Award.
Belege
- Edward Feigenbaum erhielt 1994 den Turing Award (gemeinsam mit Raj Reddy) für den Bau großer KI-Systeme und den Nachweis ihres praktischen Nutzens.68
- Februar 1996
Kasparow schlägt Deep Blue
Kasparow gewinnt in Philadelphia mit 4:2, verliert aber die erste Partie.
Belege
- Im Februar 1996 gewann IBMs Deep Blue in Philadelphia die erste Partie gegen Weltmeister Garri Kasparow; Kasparow gewann das Match mit 4:2.84
- 1997
LSTM
Hochreiter und Schmidhuber stellen das Long Short-Term Memory vor.
Belege
- Sepp Hochreiter und Jürgen Schmidhuber stellten 1997 das Long Short-Term Memory (LSTM) vor, das Zeitabstände von mehr als 1000 Schritten überbrücken kann.80
- 11. Mai 1997
Deep Blue siegt
Deep Blue besiegt Kasparow mit 3,5:2,5.
Belege
- Im Mai 1997 besiegte Deep Blue Kasparow in New York mit 3,5:2,5 – als erstes Computersystem einen amtierenden Weltmeister unter Turnierbedingungen; das CHM nennt den 11. Mai.35
- 1998
LeNet-5
LeCun und Kollegen beschreiben ein Faltungsnetz mit 60.000 Parametern, das Schecks liest.
Belege
- LeCun und Kollegen beschrieben 1998 das Faltungsnetz LeNet-5 mit 60.000 trainierbaren Parametern; ein darauf aufbauendes System las kommerziell mehrere Millionen Schecks pro Tag.79
- 2002
Babbages Maschine nachgebaut
Das Computer History Museum nennt 2002 als Fertigstellung der Difference Engine No. 2 in London; Britannica datiert den Bau auf 1991.
Belege
- Wann Babbages Difference Engine No. 2 nach Originalplänen fertig gebaut war, wird unterschiedlich datiert: Das Computer History Museum nennt 2002 in London, 153 Jahre nach dem Entwurf; Britannica nennt 1991 für die Maschine und 2000 für das Druckwerk.2
- 2006
Tiefe Netze Schicht für Schicht
Hinton, Osindero und Teh beschreiben ein schnelles Lernverfahren für tiefe Netze.
Belege
- Hinton, Osindero und Teh beschrieben 2006 einen schnellen Algorithmus, der tiefe Netze Schicht für Schicht lernt.82
- Juli 2006
AI@50
Zum 50. Jubiläum kommen fünf Teilnehmer der Dartmouth-Konferenz zurück.
Belege
- Zum 50. Jubiläum trafen sich im Juli 2006 in Dartmouth fünf der ursprünglichen Teilnehmer: McCarthy, Minsky, More, Selfridge und Solomonoff.30
- 2009
ImageNet
Deng, Fei-Fei und Kollegen stellen ImageNet mit 3,2 Millionen Bildern vor.
Belege
- Jia Deng, Li Fei-Fei und Kollegen aus Princeton stellten 2009 ImageNet vor: damals 3,2 Millionen Bilder in 5247 Kategorien.92
- 2011
Turing Award für Judea Pearl
Pearl wird für probabilistisches und kausales Schließen ausgezeichnet.
Belege
- Auch probabilistische Methoden kehrten zurück: Judea Pearl erhielt 2011 den Turing Award für einen Kalkül probabilistischen und kausalen Schließens.83
- Februar 2011
Watson gewinnt „Jeopardy!“
IBMs Watson schlägt Brad Rutter und Ken Jennings.
Belege
- Im Februar 2011 besiegte IBMs Watson in der Quizshow „Jeopardy!“ die Rekordchampions Brad Rutter und Ken Jennings.86
- 2012
SuperVision / AlexNet
Ein tiefes Faltungsnetz senkt den Top-5-Fehler im ImageNet-Wettbewerb auf 16,4 Prozent.
Belege
- ILSVRC 2012: Das Team SuperVision (Krizhevsky, Sutskever, Hinton) erreichte 16,4 Prozent Top-5-Fehler, mit zusätzlichen Trainingsdaten 15,3 Prozent; der Zweite lag bei 26,2 Prozent.95
- 2014
GANs
Goodfellow und Kollegen stellen Generative Adversarial Networks vor.
Belege
- Ian Goodfellow und Kollegen stellten 2014 Generative Adversarial Networks (GANs) vor: Ein Generator erzeugt Daten, ein Diskriminator schätzt, ob ein Beispiel echt oder erzeugt ist.105
- Juni 2014
„Eugene Goostman“
Ein Programm überzeugt 10 von 30 Juroren; ob der Turing-Test bestanden ist, bleibt umstritten.
Belege
- Im Juni 2014 überzeugte das Programm „Eugene Goostman“, das einen 13-jährigen Jungen aus der Ukraine spielte, bei einem Wettbewerb in der Royal Society 10 von 30 Juroren in je fünfminütigen Chats.21
- Ob „Eugene Goostman“ den Turing-Test bestanden hat, ist umstritten: Die Veranstalter aus Reading erklärten ihn für bestanden, Fachleute wie Stevan Harnad und Murray Shanahan widersprachen.22
- 2015
Idee der Diffusionsmodelle
Sohl-Dickstein und Kollegen beschreiben das Prinzip der Diffusionsmodelle.
Belege
- Sohl-Dickstein und Kollegen beschrieben 2015 die Idee der Diffusionsmodelle: Struktur in Daten schrittweise zerstören und einen umgekehrten Prozess lernen, der sie wiederherstellt.106
- 2015
ResNet
Residuale Netze mit bis zu 152 Schichten erreichen 3,57 Prozent Fehler.
Belege
- ILSVRC 2015: Ein Ensemble residualer Netze mit bis zu 152 Schichten (ResNet) erreichte 3,57 Prozent Fehler und siegte.100
- Oktober 2015
AlphaGo schlägt Fan Hui
AlphaGo besiegt den Europameister mit 5:0.
Belege
- Im Oktober 2015 schlug AlphaGo den Europameister Fan Hui mit 5:0 – als erstes Programm, das einen Go-Profi auf dem vollen Brett besiegte; das hatte man erst in einem Jahrzehnt erwartet.89
- März 2016
AlphaGo schlägt Lee Sedol
AlphaGo gewinnt in Seoul mit 4:1.
Belege
- Im März 2016 gewann AlphaGo in Seoul mit 4:1 gegen Lee Sedol; laut DeepMind sahen über 200 Millionen Menschen zu.90
- 2017
Der Transformer
Google-Forschende stellen eine Architektur vor, die allein auf Aufmerksamkeit beruht.
Belege
- Forschende von Google stellten 2017 den Transformer vor, eine Architektur, die allein auf Aufmerksamkeitsmechanismen beruht und auf Rekurrenz und Faltung verzichtet.107
- 2018
GPT
OpenAI zeigt die Stärke von generativem Vortraining auf Text.
Belege
- OpenAI zeigte 2018 mit GPT, dass generatives Vortraining eines Sprachmodells auf unbeschriftetem Text und anschließendes Feintuning große Gewinne bringt.109
- 2018
BERT
Google stellt BERT mit bis zu 340 Millionen Parametern vor.
Belege
- Google stellte 2018 BERT vor; die Basisversion hatte 110 Millionen, die große Version 340 Millionen Parameter.110
- 2018
Turing Award 2018
Bengio, Hinton und LeCun werden für Deep Learning ausgezeichnet.
Belege
- Die ACM verlieh den Turing Award 2018 an Yoshua Bengio, Geoffrey Hinton und Yann LeCun für Durchbrüche, die tiefe neuronale Netze zu einem zentralen Teil der Informatik gemacht haben.123
- 2019
GPT-2
GPT-2 hat in der größten Version 1,5 Milliarden Parameter.
Belege
- OpenAIs GPT-2 (2019) hatte in der größten Version 1,5 Milliarden Parameter.112
- 2019
„The Bitter Lesson“
Richard Sutton: Allgemeine, rechenintensive Methoden setzen sich durch.
Belege
- Richard Sutton schrieb 2019 in „The Bitter Lesson“, die wichtigste Lehre aus 70 Jahren KI-Forschung sei, dass allgemeine, rechenintensive Methoden am Ende am wirksamsten seien.104
- 2020
Skalierungsgesetze
Kaplan und Kollegen finden Potenzgesetze für Modellgröße, Daten und Rechenaufwand.
Belege
- Kaplan und Kollegen berichteten 2020, dass der Fehler von Sprachmodellen einem Potenzgesetz in Modellgröße, Datenmenge und Rechenaufwand folgt – über mehr als sieben Größenordnungen.115
- 2020
GPT-3
GPT-3 hat 175 Milliarden Parameter.
Belege
- GPT-3 (2020) hatte 175 Milliarden Parameter, zehnmal mehr als jedes frühere nicht spärliche Sprachmodell, und wurde mit 300 Milliarden Tokens trainiert.113
- 2020
DDPM
Ho, Jain und Abbeel zeigen hochwertige Bildsynthese mit Diffusionsmodellen.
Belege
- Ho, Jain und Abbeel zeigten 2020 hochwertige Bildsynthese mit Diffusionsmodellen (DDPM).116
- April 2021
Vorschlag für den AI Act
Die EU-Kommission schlägt den AI Act vor.
Belege
- Die EU-Kommission schlug den AI Act im April 2021 vor; Parlament und Rat einigten sich im Dezember 2023; am 1. August 2024 trat er in Kraft.128
- 2022
PaLM
Google trainiert PaLM mit 540 Milliarden Parametern.
Belege
- Google trainierte 2022 PaLM mit 540 Milliarden Parametern auf 6144 TPU-v4-Chips.114
- 30. November 2022
ChatGPT
OpenAI stellt ChatGPT vor.
Belege
- OpenAI stellte am 30. November 2022 ChatGPT vor, ein Modell für Dialoge, trainiert mit Verstärkungslernen aus menschlichem Feedback (RLHF).118
- 2023
GPT-4-Bericht ohne Größenangabe
Der Technische Bericht zu GPT-4 nennt keine Modellgröße und keine Trainingsdaten.
Belege
- Der Technische Bericht zu GPT-4 (2023) enthält ausdrücklich keine Angaben zu Architektur, Modellgröße, Hardware, Rechenaufwand und Trainingsdaten.121
- 22. März 2023
Aufruf zur Pause
Ein offener Brief fordert eine Trainingspause von mindestens 6 Monaten.
Belege
- In einem offenen Brief des Future of Life Institute vom 22. März 2023 forderten Unterzeichner eine Pause von mindestens 6 Monaten beim Training von Systemen, die stärker als GPT-4 sind.126
- 1. November 2023
Bletchley-Erklärung
Staaten warnen auf dem AI Safety Summit vor katastrophalem Schaden durch fortgeschrittene KI.
Belege
- Auf dem AI Safety Summit in Bletchley Park (1.–2. November 2023) unterzeichneten Staaten eine Erklärung, die vor ernsthaftem, sogar katastrophalem Schaden durch fortgeschrittene KI warnt.127
- Dezember 2023
Einigung zum AI Act
Parlament und Rat einigen sich auf den AI Act.
Belege
- Die EU-Kommission schlug den AI Act im April 2021 vor; Parlament und Rat einigten sich im Dezember 2023; am 1. August 2024 trat er in Kraft.128
- 1. August 2024
AI Act in Kraft
Der AI Act tritt in Kraft.
Belege
- Die EU-Kommission schlug den AI Act im April 2021 vor; Parlament und Rat einigten sich im Dezember 2023; am 1. August 2024 trat er in Kraft.128
- 8. Oktober 2024
Physik-Nobelpreis
Hopfield und Hinton erhalten den Physik-Nobelpreis.
Belege
- Am 8. Oktober 2024 erhielten John Hopfield und Geoffrey Hinton den Physik-Nobelpreis für grundlegende Entdeckungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen.124
- 9. Oktober 2024
Chemie-Nobelpreis
Hassabis und Jumper erhalten eine Hälfte des Chemie-Nobelpreises für Proteinstrukturvorhersage.
Belege
- Am 9. Oktober 2024 ging eine Hälfte des Chemie-Nobelpreises an Demis Hassabis und John Jumper (Google DeepMind) für Proteinstrukturvorhersage; ihr 2020 vorgestelltes KI-Modell AlphaFold2 sagte die Struktur von praktisch allen 200 Millionen bekannten Proteinen voraus.125
- 2. Februar 2025
Erste Verbote gelten
Verbote und Pflichten zur KI-Kompetenz aus dem AI Act gelten.
Belege
- Verbote und Pflichten zur KI-Kompetenz gelten seit dem 2. Februar 2025, Regeln für Allzweck-KI-Modelle seit dem 2. August 2025; der Großteil wurde am 2. August 2026 anwendbar.130
- 7. Mai 2026
Einigung über Fristverschiebung
Politische Einigung, Fristen für Hochrisiko-Systeme zu verschieben.
Belege
- Nach dem Vorschlag eines „digitalen Omnibus“ vom 19. November 2025 und einer politischen Einigung am 7. Mai 2026 wurden Fristen für Hochrisiko-Systeme verschoben: auf den 2. Dezember 2027 (sensible Einsatzbereiche) und den 2. August 2028 (regulierte Produkte).131
- 2. August 2026
AI Act weitgehend anwendbar
Der Großteil des AI Act wird anwendbar.
Belege
- Verbote und Pflichten zur KI-Kompetenz gelten seit dem 2. Februar 2025, Regeln für Allzweck-KI-Modelle seit dem 2. August 2025; der Großteil wurde am 2. August 2026 anwendbar.130
Alle 137 Aussagen mit Grenze und Gegenprobe
Filtern nach Status, Kapitel und Thema. Der Filterzustand steht in der Adresse und lässt sich teilen.
Wer die Geschichte geprägt hat
Begriffe
Im Text sind Fachbegriffe gepunktet unterstrichen: Fokus oder Mauszeiger zeigt die Erklärung, Esc schließt sie.
78 Quellen, nummeriert
Mit Abrufdatum und – wo vorhanden – Archivkopie. Export für Literaturverwaltungen als BibTeX oder CSL-JSON.
- [1] Computer History Museum: The Babbage Engine computerhistory.org zitiert in [1] [2]
- [2] Britannica Editors: Charles Babbage britannica.com zitiert in [1] [2] [5]
- [3] L. F. Menabrea; übersetzt und kommentiert von Ada Augusta, Countess of Lovelace: Sketch of the Analytical Engine (Menabrea, Genf 1842) with notes upon the Memoir by the Translator fourmilab.ch zitiert in [3] [4] [6] [7]
- [4] A. M. Turing: Computing Machinery and Intelligence courses.cs.umbc.edu Archivkopie zitiert in [3] [6] [12] [16] [17] [18] [19] [20] [23]
- [5] A. M. Turing: On Computable Numbers, with an Application to the Entscheidungsproblem cs.virginia.edu Archivkopie zitiert in [8] [9] [11]
- [6] Andrew Hodges: Alan Turing plato.stanford.edu zitiert in [10] [11] [16]
- [7] B. J. Copeland: Alan Turing britannica.com zitiert in [10]
- [8] Warren S. McCulloch, Walter Pitts: A Logical Calculus of the Ideas Immanent in Nervous Activity cs.cmu.edu Archivkopie zitiert in [13] [14]
- [9] Computer History Museum: Timeline of Computer History: AI & Robotics computerhistory.org zitiert in [13] [15] [30] [31] [33] [35] [37] [39] [62] [69] [70] [71] [84] [85] [86]
- [10] Ian Sample, Alex Hern: Scientists dispute whether computer 'Eugene Goostman' passed Turing test theguardian.com zitiert in [21] [22] [23]
- [11] Imperial College London: DoC professor disputes whether computer 'Eugene' passed Turing test imperial.ac.uk zitiert in [21] [22] [23]
- [12] Graham Oppy, David Dowe: The Turing Test plato.stanford.edu zitiert in [24]
- [13] J. McCarthy, M. L. Minsky, N. Rochester, C. E. Shannon: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence jmc.stanford.edu Archivkopie zitiert in [25] [26] [27] [28] [29] [31]
- [14] Selmer Bringsjord, Naveen Sundar Govindarajulu: Artificial Intelligence plato.stanford.edu zitiert in [29] [30] [43] [44] [45] [83]
- [15] ACM: John McCarthy – A.M. Turing Award Laureate amturing.acm.org zitiert in [31] [136]
- [16] Allen Newell, Herbert A. Simon: The Logic Theory Machine (RAND P-868, Katalogeintrag) rand.org zitiert in [32]
- [17] Herbert A. Simon, Allen Newell: Heuristic Problem Solving: The Next Advance in Operations Research iiif.library.cmu.edu zitiert in [34]
- [18] IBM: Deep Blue ibm.com zitiert in [35] [84] [85]
- [19] John McCarthy: Recursive Functions of Symbolic Expressions and Their Computation by Machine, Part I www-formal.stanford.edu Archivkopie zitiert in [36] [37]
- [20] A. L. Samuel: Some Studies in Machine Learning Using the Game of Checkers cs.virginia.edu zitiert in [38]
- [21] Joseph Weizenbaum: ELIZA – A Computer Program For the Study of Natural Language Communication Between Man and Machine courses.cs.umbc.edu zitiert in [39] [40]
- [22] F. Rosenblatt: The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain ling.upenn.edu Archivkopie zitiert in [41] [42]
- [23] ACM: Marvin Minsky – A.M. Turing Award Laureate amturing.acm.org zitiert in [43] [46] [135]
- [24] Royal Swedish Academy of Sciences: Popular information: The Nobel Prize in Physics 2024 nobelprize.org zitiert in [47] [72] [73]
- [25] Mikel Olazaran: A Sociological Study of the Official History of the Perceptrons Controversy (Abstract) journals.sagepub.com zitiert in [48] [49]
- [26] John Hutchins: ALPAC: the (in)famous report mt-archive.net zitiert in [49] [50] [53]
- [27] Chilton Computing: Lighthill Report: Overview chilton-computing.org.uk zitiert in [49] [55] [59]
- [28] Automatic Language Processing Advisory Committee: Language and Machines: Computers in Translation and Linguistics (ALPAC-Bericht) mt-archive.net zitiert in [50] [51] [52]
- [29] Sir James Lighthill: Artificial Intelligence: A General Survey (Lighthill-Bericht, Teil I) chilton-computing.org.uk Archivkopie zitiert in [54] [56] [57] [58]
- [30] Science Research Council: Lighthill Report: Preface chilton-computing.org.uk zitiert in [54] [55]
- [31] Drew McDermott u. a.: The Dark Ages of AI: A Panel Discussion at AAAI-84 (PDF) ojs.aaai.org zitiert in [60] [61]
- [32] Drew McDermott u. a.: The Dark Ages of AI: A Panel Discussion at AAAI-84 (Artikelseite) ojs.aaai.org zitiert in [60]
- [33] Bruce G. Buchanan, Edward H. Shortliffe: The Context of the MYCIN Experiments (Kapitel 1) shortliffe.net zitiert in [62] [64] [65]
- [34] ACM: Edward A ("Ed") Feigenbaum – A.M. Turing Award Laureate amturing.acm.org zitiert in [63] [68] [137]
- [35] Bruce G. Buchanan, Edward H. Shortliffe (Hrsg.): Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project (Online-Ausgabe) shortliffe.net zitiert in [65] [66]
- [36] John McDermott: R1: An Expert in the Computer Systems Domain cdn.aaai.org zitiert in [67]
- [37] IPSJ Computer Museum: Fifth Generation Computer Project museum.ipsj.or.jp zitiert in [69] [71]
- [38] ACM: 2018 ACM A.M. Turing Award: Bengio, Hinton, LeCun awards.acm.org zitiert in [73] [74] [76] [77] [78] [81] [96] [102] [123]
- [39] Cameron Buckner, James Garson: Connectionism plato.stanford.edu zitiert in [74] [75]
- [40] Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner: Gradient-Based Learning Applied to Document Recognition vision.stanford.edu zitiert in [79]
- [41] Sepp Hochreiter, Jürgen Schmidhuber: Long Short-Term Memory bioinf.jku.at Archivkopie zitiert in [80]
- [42] Geoffrey E. Hinton, Simon Osindero, Yee-Whye Teh: A fast learning algorithm for deep belief nets cs.toronto.edu zitiert in [82]
- [43] ACM: Judea Pearl – A.M. Turing Award Laureate amturing.acm.org zitiert in [83] [137]
- [44] IBM: Watson, 'Jeopardy!' champion ibm.com zitiert in [86] [87]
- [45] Google DeepMind: AlphaGo deepmind.google zitiert in [88] [89] [90] [91]
- [46] David Silver u. a.: Mastering the game of Go with deep neural networks and tree search storage.googleapis.com zitiert in [89] [91]
- [47] Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li, Li Fei-Fei: ImageNet: A Large-Scale Hierarchical Image Database image-net.org zitiert in [92]
- [48] Olga Russakovsky u. a.: ImageNet Large Scale Visual Recognition Challenge arxiv.org Archivkopie zitiert in [92] [93] [94] [95] [98] [99] [101]
- [49] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton: ImageNet Classification with Deep Convolutional Neural Networks papers.nips.cc Archivkopie zitiert in [95] [97]
- [50] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: Deep Residual Learning for Image Recognition arxiv.org Archivkopie zitiert in [100]
- [51] Jaime Sevilla u. a.: Compute Trends Across Three Eras of Machine Learning arxiv.org zitiert in [103]
- [52] Rich Sutton: The Bitter Lesson incompleteideas.net zitiert in [104]
- [53] Ian J. Goodfellow u. a.: Generative Adversarial Nets arxiv.org zitiert in [105]
- [54] Jascha Sohl-Dickstein u. a.: Deep Unsupervised Learning using Nonequilibrium Thermodynamics arxiv.org zitiert in [106]
- [55] Ashish Vaswani u. a.: Attention Is All You Need arxiv.org Archivkopie zitiert in [107] [108]
- [56] Alec Radford, Karthik Narasimhan, Tim Salimans, Ilya Sutskever: Improving Language Understanding by Generative Pre-Training cdn.openai.com zitiert in [109]
- [57] Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding arxiv.org Archivkopie zitiert in [109] [110]
- [58] Alec Radford u. a.: Language Models are Unsupervised Multitask Learners cdn.openai.com zitiert in [110] [111] [112]
- [59] Tom B. Brown u. a.: Language Models are Few-Shot Learners arxiv.org zitiert in [111] [112] [113]
- [60] Aakanksha Chowdhery u. a.: PaLM: Scaling Language Modeling with Pathways arxiv.org zitiert in [114]
- [61] Jared Kaplan u. a.: Scaling Laws for Neural Language Models arxiv.org zitiert in [115]
- [62] Jonathan Ho, Ajay Jain, Pieter Abbeel: Denoising Diffusion Probabilistic Models arxiv.org zitiert in [116]
- [63] Robin Rombach u. a.: High-Resolution Image Synthesis with Latent Diffusion Models arxiv.org zitiert in [117]
- [64] OpenAI: Introducing ChatGPT openai.com zitiert in [118] [119]
- [65] Dan Milmo: ChatGPT reaches 100 million users two months after launch theguardian.com zitiert in [120]
- [66] OpenAI: GPT-4 Technical Report arxiv.org zitiert in [121]
- [67] David Cole: The Chinese Room Argument plato.stanford.edu zitiert in [122]
- [68] Nicholas Fotion: John Searle britannica.com zitiert in [122]
- [69] Royal Swedish Academy of Sciences: Press release: The Nobel Prize in Physics 2024 nobelprize.org zitiert in [124]
- [70] Royal Swedish Academy of Sciences: Press release: The Nobel Prize in Chemistry 2024 nobelprize.org zitiert in [125]
- [71] Future of Life Institute: Pause Giant AI Experiments: An Open Letter futureoflife.org zitiert in [126]
- [72] Teilnehmerstaaten des AI Safety Summit: The Bletchley Declaration by Countries Attending the AI Safety Summit, 1-2 November 2023 gov.uk zitiert in [127]
- [73] Europäische Kommission: AI Act enters into force commission.europa.eu zitiert in [128] [129]
- [74] Europäische Kommission: AI Act – Shaping Europe's digital future digital-strategy.ec.europa.eu zitiert in [128] [129] [130] [131]
- [75] B. J. Copeland: Artificial intelligence (AI) britannica.com zitiert in [132]
- [76] Larry Tesler: Adages & Coinages nomodes.com zitiert in [133]
- [77] ACM: Allen Newell – A.M. Turing Award Laureate amturing.acm.org zitiert in [134]
- [78] ACM: Herbert A. Simon – A.M. Turing Award Laureate amturing.acm.org zitiert in [134]