Eine kleine Geschichte der KI, Teil 2: Vom Werkzeugkasten zur Alltagsmaschine

Im ersten Teil (Link) ging es um die Zeit von Turing bis zur Jahrtausendwende. Heute setze ich an jener Stelle fort: Die Jahre 2000 bis 2019.

Als die Welt das neue Jahrtausend begrüßte, lag die große Vision der künstlichen Intelligenz schon zweimal in Trümmern – nach den beiden „AI Wintern“ hatte sich Ernüchterung breitgemacht. Doch diesmal war etwas anders: Nicht die Theorie, sondern die Werkzeuge holten die KI zurück ins Leben.

Der leise Neubeginn (2000 – 2010)

An den Universitäten und in Forschungsabteilungen begann man, maschinelles Lernen wieder ernst zu nehmen. Statt endlose Regelwerke zu programmieren, wollte man Systeme, die aus Daten selbst lernen.

Dazu kamen drei entscheidende Entwicklungen:

1. Rechenleistung: Prozessoren wurden massiv schneller, Speicherplatz billiger. Grafikkarten (GPUs) eröffneten neue Dimensionen für paralleles Rechnen.
2. Datenexplosion: Das Internet, Mobiltelefone, Sensoren – überall entstanden digitale Spuren, die sich auswerten ließen.
3. Offene Werkzeuge: Projekte wie OpenCV, TensorFlow oder scikit-learn machten komplexe Methoden frei zugänglich.

Die Kombination war explosiv: Forscher mussten keine teuren proprietären Systeme mehr bauen, sondern konnten auf frei verfügbare Bibliotheken zurückgreifen. KI wurde zum praktischen Werkzeugkasten, mit dem sich reale Probleme lösen ließen – von Gesichtserkennung über Bildklassifikation bis zur Spracherkennung. Viele offene Projekte wurden von technikbegeisterten Privatpersonen verfeinert oder gar ins Leben gerufen. Jeder konnte sozusagen zu einem KI-Entwickler werden, wenn er sich mit der Technik und den Programmen dahinter auseinandersetzte.

Exkurs: Die Geschichte von OpenCV – vom internen Projekt zum Welterfolg

Die eigentliche Geschichte von OpenCV ist ein Musterbeispiel dafür, wie ein Werkzeug aus pragmatischen Gründen entsteht – und dann ganze Disziplinen verändert.

Ende der 1990er Jahre wollte Intel ein Werkzeug entwickeln, das seine Prozessoren nicht nur Tabellenkalkulationen, sondern auch grafisch anspruchsvolle Aufgaben bewältigen ließ, damit man sie dafür noch speziell verbessern konnte. Dafür beauftragte man ein kleines Team, angeführt von Gary Bradski, mit dem Aufbau einer frei nutzbaren Bibliothek für Bildverarbeitung. Die Idee: Algorithmen sammeln, standardisieren und offenlegen, damit Entwickler auf der ganzen Welt sie nutzen konnten.

Im Jahr 2000 erschien die erste öffentliche Version von OpenCV. Sie bot einfache, aber robuste Funktionen: Kanten- und Bewegungserkennung, Objekt-Tracking, geometrische Transformationen. Nichts davon war „intelligent“ im menschlichen Sinn – aber es machte Forschung greifbar und reproduzierbar.

OpenCV war bewusst Open Source und hardware-optimiert, was perfekt in die Zeit passte: Der aufkommende Linux-Boom, die neue Generation digitaler Kameras und günstige PCs bildeten den idealen Nährboden. Bald entstanden auf dieser Basis Robotik-Projekte, Sicherheits- und Medizinsysteme, künstlerische Experimente und – nicht zuletzt – die Grundlagen vieler moderner KI-Anwendungen.

So wurde aus einem internen Intel-Werkzeug ein globales Fundament: Die Demokratisierung der Computer Vision.

Die Ära des „Deep Learning“ (2010 – 2015)

Ein Wendepunkt kam 2012, als das sogenannte AlexNet den internationalen ImageNet-Wettbewerb gewann. Zum ersten Mal schlug ein neuronales Netz die klassische Bildverarbeitung deutlich. Der Begriff Deep Learning war geboren.

Was sich technisch geändert hatte:

• Mehrschichtige neuronale Netze (Deep Neural Networks) konnten komplexe Muster lernen.
• Immer bessere GPUs (Grafikprozessoren) beschleunigten das Training um Größenordnungen.
• Zunehmend größere Datenmengen erlaubten robustere Modelle.

Von außen sah das nach Intelligenz aus. Tatsächlich war es Statistik in neuer Dimension. Die Maschinen verstanden keine Bilder, sie erkannten Muster in Zahlen – sie waren also weiterhin Werkzeuge, keine Denker.

Diese Phase brachte den Übergang von der Labor-KI zur kommerziellen Anwendung:
Spracherkennung in Smartphones, automatische Übersetzungen, Suchalgorithmen, Werbeoptimierung. KI wanderte unbemerkt in unseren Alltag ein.

Die unsichtbare KI im Alltag (2015 – 2019)

Plötzlich war sie überall – nur kaum jemand nannte sie so:

• Netflix und Spotify empfahlen Inhalte.
• Google Maps berechnete Verkehrsflüsse in Echtzeit.
• Amazon sortierte Logistik, Lager und Werbung mit lernenden Systemen.
• Banken nutzten maschinelles Lernen zur Betrugserkennung.
• Social-Media-Plattformen priorisierten Posts, Bilder und Videos anhand algorithmischer Einschätzungen.

Doch all das blieb unsichtbar. Die KI war kein humanoider Roboter, sondern ein Software-Motor, der unter der Oberfläche lief. Sie ersetzte keine Intelligenz, sie skalierte Aufmerksamkeit, Vorhersage und Effizienz.

Gleichzeitig legte diese Entwicklung die Saat für neue Probleme: Die Algorithmen lernten, was Klicks brachte, aber nicht, was gut tat. Der Fokus verschob sich von Erkenntnis auf Engagement. Die sozialen Medien wurden zum Spiegel der Muster, die man ihnen fütterte. Hier (Link) schrieb ich vor einigen Jahren bereits darüber.

Werkzeuge, nicht Denker

Zwischen 2000 und 2019 passierte also weniger ein „Wunder der Intelligenz“ als eine Revolution der Infrastruktur. Daten, Rechenleistung und Open-Source-Software machten KI universell einsetzbar. Die Systeme wurden mächtiger, aber nicht klüger.

Wenn man sie von außen betrachtete, konnte man leicht glauben, die Maschinen begännen zu verstehen. In Wahrheit lernten sie nur, immer besser Menschen nachzuahmen.

Und genau diese Täuschung – das Missverständnis, Mustererkennung mit Denken zu verwechseln – wird im dritten Teil eine zentrale Rolle spielen. In Teil 3 geht es darum, warum ich KI trotz dieser gewaltigen Fortschritte weiterhin für unintelligent halte und weshalb der Turing-Test aus meiner Sicht ein unbrauchbares Maß für Intelligenz ist.