Von den KI-Wintern zum Transformer
Die Geschichte der Künstlichen Intelligenz ist ein Wechselspiel aus Euphorie und Ernüchterung: Auf große Versprechen folgten gleich zweimal lange Phasen der Enttäuschung, die als KI-Winter in die Forschungsgeschichte eingingen. 2017 markiert den Wendepunkt — den Moment, in dem Architektur und Hardware endlich zusammenfanden.
Der Aufbruch
Alan Turing stellt 1950 mit dem Turing-Test die Frage, ob Maschinen denken können. Auf der Dartmouth-Konferenz 1956 prägt John McCarthy den Begriff „Artificial Intelligence“ — die KI-Forschung ist als eigenständiges Feld geboren. Die Erwartungen sind von Beginn an hoch.
Erste Euphorie
Frank Rosenblatts Perzeptron (1958) zeigt, dass Maschinen aus Beispielen lernen können, und löst eine Welle des Optimismus aus. Führende Forscher versprechen denkende Maschinen binnen einer Generation. Die Rechner der Zeit können mit diesen Ankündigungen jedoch nicht Schritt halten.
❄️ Erster KI-Winter
Minsky und Paperts Kritik am Perzeptron (1969) und der vernichtende Lighthill-Report (1973) lassen die Fördergelder in den USA und Großbritannien versiegen. Die Versprechen liefen der verfügbaren Rechenleistung um Jahrzehnte voraus. Ganze Forschungszweige liegen brach.
Expertensysteme
Regelbasierte KI erlebt einen kommerziellen Boom: Expertensysteme sparen Unternehmen Millionen, Japan startet das ehrgeizige „Fifth Generation“-Projekt. Wissen wird in Tausenden handgeschriebenen Wenn-dann-Regeln kodiert — ein Ansatz mit eingebauter Grenze.
❄️ Zweiter KI-Winter
Expertensysteme skalieren nicht: Jede Regel muss von Hand geschrieben und gepflegt werden, die Systeme werden brüchig und teuer. Der Markt für spezialisierte LISP-Hardware kollabiert. „KI“ wird zum Unwort — viele Forscher nennen ihre Arbeit fortan lieber „Machine Learning“.
Die stillen Jahre
Abseits der Schlagzeilen reift Backpropagation, 1997 schlägt Deep Blue Schachweltmeister Kasparow. Im Hintergrund entstehen die eigentlichen Voraussetzungen für den späteren Durchbruch: Moores Law, programmierbare GPUs und das Web als schier unerschöpfliche Datenquelle.
Der Deep-Learning-Frühling
AlexNet gewinnt den ImageNet-Wettbewerb mit deutlichem Vorsprung — trainiert auf handelsüblichen GPUs. Zum ersten Mal sind ausreichend Daten und ausreichend Rechenleistung gleichzeitig vorhanden. Deep Learning wird innerhalb weniger Jahre zum dominierenden Paradigma.
⚡ „Attention Is All You Need“
Google-Forscher ersetzen Rekurrenz durch Self-Attention: der Transformer. Entscheidend ist nicht nur die Genauigkeit, sondern die Parallelisierbarkeit — die Architektur kann GPUs endlich voll ausnutzen und damit skalieren. Von hier führt ein direkter Weg zu BERT (2018), zur GPT-Reihe und zu ChatGPT (2022).
Warum diesmal (wohl) kein Winter
Zum ersten Mal liefert KI breiten Alltagsnutzen und echte Produkte statt reiner Versprechen — von Übersetzung über Recherche bis Code-Assistenz. Hype-Anteile gibt es trotzdem auch heute. Seriöse Einordnung heißt, Nutzen von Buzz zu trennen.
Der rote Faden
Beide KI-Winter entstanden aus derselben Lücke: Die Versprechen und die verfügbare Rechenleistung klafften auseinander. Der Transformer war der Moment, in dem eine Architektur die vorhandene Hardware zum ersten Mal voll ausnutzen konnte. Deshalb folgte auf 2017 kein Winter, sondern ein Klimawandel.
Wie wir diese Technologie heute konkret in Unternehmen einsetzen, zeigen unsere Leistungen im Bereich KI & LLM Integration.