Ich erinnere mich noch gut an manche frühen Gespräche über KI in den späten 90-Jahren. Wir waren Teenager. Um 1998 herum saßen wir immer wieder zusammen und diskutierten über „künstliche Intelligenz“. Für uns war es damals ein faszinierendes Gedankenexperiment. Wir trugen so manches Wissen über Programme, Programmieren und maschinelles Lernen zusammen und fragten uns: Könnte man mit genügend Rechenpower und Textdaten Maschinen beibringen, Sprache zu verstehen? Würden Computer irgendwann „denken“ können, oder blieben sie immer Werkzeuge? Heute, ein gutes Vierteljahrhundert später, gibt es Large Language Models wie ChatGPT, die genau diese Idee technisch umsetzen. Aber meine Grundüberzeugung von damals hat sich nicht geändert: KI kann nicht denken, nicht fühlen, nicht verstehen. KI ist und bleibt ein Werkzeug. Ein schönes Beispiel für diesen Werkzeugcharakter ist OpenCV, eine Bibliothek für Computer Vision, die 1999 aus einem eher pragmatischen Projekt bei Intel entstand. Statt „intelligente“ Systeme zu bauen, wollte man schlicht die eigenen Prozessoren für grafische Aufgaben speziell ausgerichtet testen und verbessern. Dafür sammelte ein kleines Team Algorithmen – und legte damit den Grundstein für eines der wichtigsten KI-Werkzeuge überhaupt. Mehr dazu in Teil 2.

Die Anfänge (1950er–1960er): Große Visionen
1950 stellte Alan Turing in einem Paper die Frage „Can machines think?“ und schlug den berühmten Turing-Test vor. Turing orientierte sich dabei an einem lustigen Party-Spiel, bei dem jemand ohne Sicht- und Hörkontakt nur durch Fragen und Antworten herausfinden musste, welcher der Mitspieler A oder B männlich und welcher weiblich ist. Nun schlug Turing vor, statt männlich und weiblich einen Mitspieler menschlich und einen maschinell zu nehmen und wenn man diese nicht mehr voneinander unterscheiden könne, sei die Maschine intelligent. (Man kann dazu sehr viel sagen, ein paar Gedanken werde ich in Teil 3 noch teilen) 1956 fand die Dartmouth-Konferenz statt, auf der der Begriff „Artificial Intelligence“ geprägt wurde. Die Forscher waren optimistisch: In wenigen Jahren werde man Maschinen bauen, die wie Menschen denken. Erste Programme entstanden: Schachspielende Computer, einfache Sprachverarbeitungsprogramme, logische Beweiser. Doch schon hier zeigte sich: Die Erwartungen waren riesig, die technischen Möglichkeiten klein. Die Euphorie war viel größer als die Realität, das sollte sich schon bald zeigen.

Erste Ernüchterung (1970er): Der „AI Winter“
Doch die Euphorie hielt nicht lange: Computer waren zu langsam, Speicher war teuer, und die Programme konnten nur sehr enge Aufgaben lösen. Großspurige Versprechen („in zehn Jahren haben wir Maschinen mit Menschenverstand“) erfüllten sich nicht. Das Ergebnis waren sinkende Fördergelder, abflachendes Interesse, der erste sogenannte AI Winter. Statt intelligenter Maschinen hatte man am Ende spezialisierte Programme – Werkzeuge, die beeindruckend wirkten, aber weit entfernt vom menschlichen Denken waren.

Zweiter Aufschwung (1980er): Expertensysteme
In den 1980ern kam eine neue Welle durch so genannte Expertensysteme. Sie konnten medizinische Diagnosen unterstützen, technische Anlagen planen oder logistische Fragen beantworten. Im Kern waren sie Wissensdatenbanken mit sehr vielen „Wenn-dann“-Regeln. Sehr clever programmiert, aber starr. Unternehmen investierten Millionen, Universitäten gründeten Lehrstühle, und KI galt wieder als Zukunftstechnologie. Doch auch hier: Maschinen hatten kein Denken, sie waren ein Werkzeug. Sie waren hilfreich, solange die Regeln stimmten, doch schwach und nutzlos, sobald die Realität komplexer wurde.

Die 1990er: Von Symbolik zu Statistik
Die 1990er waren eine Übergangszeit: Klassische symbolische KI (Regeln, Logik) stieß an Grenzen. Maschinelles Lernen gewann an Bedeutung: Statt Regeln zu programmieren, ließ man Computer aus Daten Muster erkennen. Neuronale Netze wurden dank Backpropagation (1986) wieder interessant. Auch wenn die Rechenleistung noch begrenzt war, legte das die Grundlage für spätere Durchbrüche. 1997 schlug IBMs Deep Blue den Schachweltmeister Garri Kasparow. Ein historischer Moment, aber auch Deep Blue dachte nicht, er rechnete. Ein gigantischer, spezialisierter Werkzeugkasten für Schachzüge. Gegen Ende der 1990er begannen die Diskussionen um die Idee, Sprachmodelle durch große Textmengen zu trainieren. Das war noch weit von heutigen LLMs entfernt, aber die Grundgedanken waren da – und ich erinnere mich gut daran, dass genau solche Fragen 1998 und die folgenden Jahre in unseren Gesprächen eine Rolle spielten. Von den 1950ern bis 2000 war „künstliche Intelligenz“ immer mehr Vision als Realität. Es gab spannende Fortschritte, von Turings Fragen bis zu Deep Blue. Aber alle Systeme hatten eines gemeinsam: Sie waren spezialisierte Werkzeuge, keine Denker. Doch was geschah, als Rechenpower, wachsende Cloud-Dienste, schnelleres Internet, immense Datenmengen und offene Projekte wie OpenCV zusammenkamen? Genau darum geht es im nächsten Teil.