KI-Winter: Warum künstliche Intelligenz schon zweimal ihre Erwartungen enttäuschte
Künstliche Intelligenz hat eine bemerkenswerte Eigenschaft: Sie kann Menschen enttäuschen, ohne ihnen vorher irgendetwas versprochen zu haben.
Das übernehmen wir offenbar selbst.
Wir entwickeln eine Technologie, entdecken, was sie kann, und beginnen ziemlich schnell darüber nachzudenken, was sie demnächst alles können müsste. Irgendwann reicht es nicht mehr, dass eine Maschine Schach spielt, Sprache verarbeitet oder Texte schreibt. Sie soll verstehen, denken, Probleme lösen und möglichst nebenbei noch die Produktivität der gesamten Weltwirtschaft verbessern.
Und wenn sie das nicht schafft, sind wir enttäuscht.
Von der Maschine, versteht sich.
In der Geschichte der künstlichen Intelligenz gab es bereits zwei längere Phasen, in denen große Erwartungen auf technische Grenzen und wirtschaftliche Ernüchterung trafen. Forschungsförderung wurde gekürzt, Unternehmen verloren das Interesse und manche vielversprechende Technologie verschwand für eine Weile aus den Schlagzeilen.
Diese Phasen nennt man KI-Winter.
Ich finde den Begriff ausgesprochen passend. Eine Technologie bekommt ihre eigene Jahreszeit, weil Menschen mit ihrer Entwicklung unzufrieden sind.
Noch interessanter ist allerdings, wie es dazu kam.
Was ist ein KI-Winter?
Ein KI-Winter bezeichnet eine Phase, in der das Interesse an künstlicher Intelligenz deutlich zurückgeht. Forschungsgelder werden knapper, Investitionen sinken und Projekte verlieren politische oder wirtschaftliche Unterstützung.
Meist geht einem solchen Winter eine Zeit großer Begeisterung voraus.
Forscher präsentieren neue Möglichkeiten. Unternehmen entdecken Geschäftsfelder. Investoren stellen Geld bereit. Die Öffentlichkeit bekommt eine Vorstellung davon, wie die Zukunft aussehen könnte.
Irgendwann stellt sich heraus, dass die Zukunft etwas länger braucht.
Einige Anwendungen funktionieren nur unter bestimmten Bedingungen. Andere sind teuer, unzuverlässig oder erheblich schwieriger umzusetzen als erwartet.
Die Erwartungen werden korrigiert. Manchmal ziemlich gründlich.
In der Geschichte der KI spricht man üblicherweise von zwei großen KI-Wintern:
Erster KI-Winter: etwa 1974 bis 1980
Zweiter KI-Winter: ab 1987 bis in die frühen oder mittleren 1990er-Jahre
Die Jahreszahlen sind keine exakten Grenzen. Verschiedene historische Darstellungen setzen Anfang und Ende etwas unterschiedlich an. Auch die Vorstellung zweier klar voneinander getrennter Winter vereinfacht eine Entwicklung, die in unterschiedlichen Forschungsgebieten und Ländern verschieden verlief.
Die Einteilung ist trotzdem hilfreich, weil sich an beiden Phasen etwas gut beobachten lässt: wie stark die öffentliche Bewertung einer Technologie davon abhängt, was Menschen sich zuvor von ihr versprochen haben.
Die Anfänge der künstlichen Intelligenz: Große Ideen, kleine Computer
1956 traf sich am Dartmouth College in den USA eine Gruppe von Wissenschaftlern, um eine damals ausgesprochen ambitionierte Frage zu untersuchen: Könnte man Aspekte menschlicher Intelligenz so genau beschreiben, dass Maschinen sie nachbilden können?
Aus diesem Forschungsumfeld stammt der Begriff Artificial Intelligence.
Die Idee war faszinierend. Wenn Denken auf logischen Prozessen, Regeln und Symbolen beruht, müsste es vielleicht möglich sein, diese Vorgänge auf Computern abzubilden.
Frühe Programme konnten mathematische Probleme lösen, logische Schlussfolgerungen ziehen oder einfache Aufgaben in begrenzten Umgebungen bewältigen.
Für die damalige Zeit waren das bemerkenswerte Leistungen.
Die Computer selbst waren allerdings weit entfernt von den Geräten, die heute auf unseren Schreibtischen stehen. Rechenleistung war teuer, Speicher begrenzt und vieles musste mit erheblichem technischem Aufwand umgesetzt werden.
Trotzdem entstanden große Erwartungen.
Einzelne Forscher gingen davon aus, dass Maschinen innerhalb überschaubarer Zeit Fähigkeiten entwickeln könnten, die bislang Menschen vorbehalten waren.
Man hatte erste Programme, die Probleme lösen konnten. Von dort aus wirkte der Weg zu denkenden Maschinen offenbar erstaunlich kurz.
Rückblickend ist das leicht zu belächeln.
Andererseits würde ich gern wissen, welche unserer heutigen Prognosen in siebzig Jahren ähnlich klingen werden.
Vermutlich einige.
Der erste KI-Winter: Warum die Begeisterung in den 1970er-Jahren abkühlte
In den 1960er-Jahren entwickelte sich die KI-Forschung zunächst vielversprechend.
Programme konnten unter kontrollierten Bedingungen erstaunliche Aufgaben erledigen. Doch sobald die Probleme komplexer wurden, zeigten sich grundlegende Schwierigkeiten.
Ein gutes Beispiel ist die maschinelle Übersetzung.
Auf den ersten Blick klingt sie relativ einfach: Ein Computer erhält einen Satz in einer Sprache und gibt ihn in einer anderen aus.
Wer schon einmal versucht hat, einen Witz zu übersetzen, weiß, dass die Sache etwas komplizierter ist.
Wörter besitzen mehrere Bedeutungen. Sätze hängen vom Kontext ab. Manche Aussagen funktionieren nur, weil Menschen über Wissen verfügen, das im Text überhaupt nicht vorkommt.
Die frühen Systeme hatten mit diesen Zusammenhängen erhebliche Schwierigkeiten.
Bereits 1966 kam der amerikanische ALPAC-Report zu einer ernüchternden Bewertung der damaligen maschinellen Übersetzung. Die erwarteten Fortschritte waren ausgeblieben. Die Forschungsförderung in diesem Bereich wurde deutlich eingeschränkt.
Auch andere Ansätze stießen an Grenzen.
1969 veröffentlichten Marvin Minsky und Seymour Papert ihre Untersuchung Perceptrons. Sie zeigten mathematische Beschränkungen bestimmter früher neuronaler Netzwerke. Die Ergebnisse wurden teilweise weitreichender ausgelegt, als es die Untersuchung selbst rechtfertigte.
1973 folgte in Großbritannien der sogenannte Lighthill-Report. Der Mathematiker James Lighthill stellte die großen Erwartungen an künstliche Intelligenz den bislang erzielten Ergebnissen gegenüber und bewertete wesentliche Teile der Forschung kritisch.
In den folgenden Jahren wurden Fördermittel für bestimmte KI-Projekte reduziert. Auch in den USA hatten Förderinstitutionen bereits begonnen, ihre Unterstützung stärker an konkreten Ergebnissen auszurichten.
Der erste KI-Winter setzte ein.
Was mich daran interessiert: Die Computer hatten ihre Fähigkeiten währenddessen keineswegs verloren.
Ein Programm, das 1972 ein bestimmtes Problem lösen konnte, konnte es grundsätzlich auch 1975 noch lösen.
Geändert hatte sich vor allem die Bewertung dieser Fähigkeit.
Was zuvor als Vorbote einer intelligenten Zukunft galt, erschien plötzlich als begrenzte technische Spielerei.
Die Maschine hatte sich in der Zwischenzeit vermutlich weniger verändert als die Erwartungen an sie.
Der zweite KI-Winter: Ein Experte, der einen Experten braucht
In den 1980er-Jahren wurde es wieder wärmer.
Diesmal standen sogenannte Expertensysteme im Mittelpunkt der Begeisterung.
Die Idee war aus Unternehmenssicht ausgesprochen attraktiv: Wenn menschliche Experten über wertvolles Wissen verfügen, warum sollte man dieses Wissen nicht in einem Computer verfügbar machen?
Dann hätte man einen Experten, der jederzeit erreichbar ist, keine Gehaltserhöhung verlangt und sein Wissen auch dann noch zur Verfügung stellt, wenn der ursprüngliche Fachmann längst im Ruhestand ist.
Das klingt beinahe verdächtig praktisch.
Expertensysteme arbeiteten mit Regeln und Wissensbeständen, die von Fachleuten zusammengetragen wurden. Sie konnten daraus Schlussfolgerungen ableiten und beispielsweise bei medizinischen Diagnosen, technischen Problemen oder der Konfiguration von Computersystemen unterstützen.
Einige dieser Anwendungen waren durchaus erfolgreich.
Nur zeigte sich bald, dass menschliche Expertise schwerer zu erfassen war als erwartet.
Ein erfahrener Arzt kennt Regeln. Er erkennt aber auch ungewöhnliche Fälle, berücksichtigt Zusammenhänge und bemerkt manchmal, dass eine Frage falsch gestellt wurde.
Ein Techniker weiß, was laut Handbuch passieren sollte. Er weiß außerdem, was in der Praxis regelmäßig passiert, obwohl es laut Handbuch eigentlich unmöglich ist.
Dieses Wissen vollständig in Regeln zu übertragen, war aufwendig.
Je komplexer die Systeme wurden, desto schwieriger wurde ihre Pflege. Neue Situationen erforderten zusätzliche Regeln. Bestehende Regeln mussten angepasst werden. Widersprüche konnten entstehen.
Und irgendwann stellte sich heraus, dass ein digitaler Experte, der ständig von menschlichen Experten betreut werden muss, möglicherweise doch nicht ganz so unabhängig ist wie erhofft.
Hinzu kamen die Kosten.
Viele KI-Anwendungen liefen auf spezialisierter Hardware, insbesondere sogenannten Lisp-Maschinen. Als leistungsfähigere und günstigere Standardcomputer verfügbar wurden, verlor diese Spezialhardware ihre wirtschaftliche Grundlage.
Ab 1987 geriet der Markt für Lisp-Maschinen erheblich unter Druck. Gleichzeitig enttäuschten viele kommerzielle Erwartungen an Expertensysteme.
Die Begeisterung kühlte erneut ab.
Der zweite KI-Winter begann.
Auch diesmal gab es weiterhin sinnvolle Anwendungen. Die Forschung entwickelte sich weiter, teilweise unter anderen Bezeichnungen und mit anderen Methoden.
Nur die großen Versprechen hatten vorerst deutlich an Beliebtheit verloren.
Warum die künstliche Intelligenz trotzdem zurückkam
Nach dem zweiten KI-Winter verschwand künstliche Intelligenz keineswegs aus der Forschung.
In den folgenden Jahrzehnten gewannen Verfahren des maschinellen Lernens zunehmend an Bedeutung.
Bei klassischen Expertensystemen mussten Menschen große Teile des benötigten Wissens ausdrücklich in Regeln formulieren. Maschinelles Lernen eröffnete andere Möglichkeiten: Systeme konnten anhand von Daten trainiert werden, Muster zu erkennen und daraus Vorhersagen abzuleiten.
Die grundlegenden Ideen dafür existierten bereits seit Jahrzehnten.
Allerdings wurden Computer leistungsfähiger. Größere Datenmengen standen zur Verfügung. Algorithmen verbesserten sich.
Damit wurden Anwendungen möglich, die früher an technischen oder wirtschaftlichen Grenzen gescheitert waren.
Auch neuronale Netzwerke, die zeitweise an Aufmerksamkeit verloren hatten, rückten wieder in den Mittelpunkt.
Ein viel beachteter Meilenstein war 2012 der Erfolg des Deep-Learning-Systems AlexNet beim Bilderkennungswettbewerb ImageNet.
In den folgenden Jahren machten Sprachmodelle erhebliche Fortschritte. Die 2017 vorgestellte Transformer-Architektur wurde zu einer wichtigen Grundlage moderner großer Sprachmodelle.
Als OpenAI Ende 2022 ChatGPT öffentlich zugänglich machte, veränderte sich die Wahrnehmung künstlicher Intelligenz erneut.
Plötzlich konnte jeder mit einem solchen System sprechen.
Man brauchte keine besondere technische Ausbildung. Man musste kein Forschungsprojekt verstehen und keinen Programmcode schreiben.
Man konnte einfach eine Frage stellen.
Und erhielt eine Antwort, die häufig so klang, als hätte jemand die Frage verstanden.
Das war ein bemerkenswerter Moment.
Zumal die Antwort gelegentlich auch dann überzeugend klang, wenn sie falsch war.
Der Gartner Hype Cycle: Wenn die Erwartungen schneller wachsen als die Technologie
Bei der Beschäftigung mit den KI-Wintern bin ich auch auf den Gartner Hype Cycle gestoßen.
Das Modell beschreibt typische Phasen öffentlicher und wirtschaftlicher Erwartungen an neue Technologien.
Am Anfang steht eine Innovation, die Aufmerksamkeit erzeugt. Erste Erfolge machen neugierig. Unternehmen erkennen Möglichkeiten, Medien berichten darüber und Investoren interessieren sich für das Potenzial.
Die Erwartungen steigen.
Manchmal steigen sie erheblich schneller als die tatsächlichen Fähigkeiten der Technologie.
Dann werden Probleme sichtbar. Anwendungen erfüllen die Versprechen nur teilweise. Die anfängliche Begeisterung weicht einer kritischeren Betrachtung.
Gartner nennt diese Phase das Tal der Enttäuschungen.
Ich finde diesen Ausdruck fast noch schöner als KI-Winter.
Er klingt wie ein Ort, an dem man auf einer Wanderung landet, nachdem man sich bei der Planung etwas zu optimistisch mit den Höhenmetern beschäftigt hat.
Im Modell können sich anschließend realistischere Einsatzmöglichkeiten entwickeln. Unternehmen lernen, welche Anwendungen tatsächlich funktionieren, und die Technologie findet allmählich ihren Platz im Alltag.
Der Hype Cycle ist allerdings kein Naturgesetz. Er beschreibt ein mögliches Muster. Daraus lässt sich weder die Entwicklung einer bestimmten Technologie noch der Zeitpunkt eines Rückschlags zuverlässig vorhersagen.
Trotzdem hilft er dabei, etwas auseinanderzuhalten, das in der öffentlichen Diskussion häufig vermischt wird.
Eine Technologie kann Fortschritte machen, während die Begeisterung für sie zurückgeht.
Sie kann für bestimmte Aufgaben hervorragend funktionieren und gleichzeitig wirtschaftliche Erwartungen enttäuschen.
Und sie kann so alltäglich werden, dass wir ihre Fähigkeiten kaum noch bemerkenswert finden.
Ich denke dabei an automatische Übersetzungen.
Was früher ein großes Forschungsproblem war, gehört heute für viele Menschen zum Alltag. Niemand organisiert eine Pressekonferenz, weil ein kurzer Text auf dem Smartphone in einer anderen Sprache erscheint.
Es funktioniert einfach.
Meistens jedenfalls.
Wer literarische Texte übersetzt, hat vermutlich weiterhin ein paar Anmerkungen.
Was ist bei der heutigen KI anders?
Die heutige künstliche Intelligenz unterscheidet sich in wesentlichen Punkten von den Systemen der ersten beiden KI-Winter.
Große Sprachmodelle können Texte zusammenfassen, übersetzen, Fragen beantworten, Programmcode erzeugen und bei einer Vielzahl unterschiedlicher Aufgaben unterstützen.
Viele dieser Fähigkeiten sind praktisch nutzbar.
Ich verwende KI selbst regelmäßig beim Recherchieren, Strukturieren und Überarbeiten von Texten. Sie hilft mir, Fragen zu sortieren, mögliche Schwächen in Argumenten zu finden und bestimmte Aufgaben schneller zu erledigen.
In meinem Artikel AI for Writing: What I Use It For—and What I Don't beschreibe ich genauer, wie ich sie in meinen Schreibprozess einbeziehe.
Dabei fällt mir immer wieder auf, wie schnell aus einer Fähigkeit eine Erwartung wird.
Ein Sprachmodell kann einen Text schreiben. Also soll es irgendwann auch den Autor ersetzen.
Es kann Informationen zusammenfassen. Also erwarten wir, dass seine Antworten zuverlässig sind.
Es kann ein Argument formulieren. Also unterstellen wir ihm manchmal ein Verständnis, das wir bei genauerem Hinsehen erst einmal definieren müssten.
Mit der Frage, ob KI menschliche Autoren ersetzen kann, habe ich mich bereits in Will AI Replace Writers? beschäftigt.
Mich interessiert dabei besonders, wie schnell wir von der Produktion eines Textes auf die gesamte Tätigkeit des Schreibens schließen.
Ein Text entsteht.
Und schon diskutieren wir darüber, ob wir den Menschen dahinter noch brauchen.
Dazwischen müsste eigentlich noch die Frage stehen, ob der Text etwas taugt.
Warum überzeugende Antworten noch keine allgemeine Intelligenz beweisen
Ein wichtiger Punkt in dieser Diskussion ist der Unterschied zwischen schwacher und starker KI.
Die Begriffe werden unterschiedlich verwendet. Vereinfacht beschreibt schwache KI Systeme, die bestimmte Aufgaben oder Aufgabengruppen bewältigen, ohne dass damit allgemeine menschenähnliche Intelligenz nachgewiesen wäre.
Starke KI wird häufig mit allgemeiner künstlicher Intelligenz, also Artificial General Intelligence (AGI), verbunden. In philosophischen Diskussionen geht es dabei teilweise zusätzlich um Bewusstsein und tatsächliches Verstehen.
Diese Fragen sind komplizierter, als es die Begriffe zunächst vermuten lassen.
Heutige große Sprachmodelle können viele unterschiedliche Aufgaben erledigen. Sie sind damit vielseitiger als klassische, eng spezialisierte KI-Systeme.
Trotzdem gibt es bislang keinen allgemein anerkannten Nachweis, dass ein solches Modell über allgemeine Intelligenz im menschlichen Sinne verfügt. Schon darüber, wie AGI genau definiert und gemessen werden sollte, besteht keine vollständige Einigkeit.
Vielleicht erklärt diese Unschärfe einen Teil unserer Erwartungen.
Wir erleben ein System, das mit uns spricht, Zusammenhänge herstellt und scheinbar mühelos zwischen Themen wechselt.
Das wirkt vertraut.
Und weil Sprache für uns so eng mit Denken verbunden ist, liegt die Vermutung nahe, dass hinter einer überzeugenden Antwort auch eine entsprechende Form von Verständnis stehen müsste.
Wie berechtigt diese Vermutung ist, bleibt Gegenstand wissenschaftlicher und philosophischer Diskussionen.
Für meine Arbeit als Autor ist zunächst etwas anderes entscheidend.
Eine Antwort kann hervorragend formuliert und trotzdem falsch sein.
In ChatGPT for Writers: How I Use It Without Letting It Write for Me beschreibe ich deshalb, warum ich ChatGPT gern zum Hinterfragen meiner Argumente einsetze und seine Ergebnisse überprüfe.
Ein selbstbewusst formulierter Irrtum bleibt schließlich ein Irrtum.
Auch wenn er grammatikalisch einwandfrei ist.
Was uns die zwei KI-Winter über unsere Erwartungen erzählen
Ich finde es schwierig, die Geschichte der künstlichen Intelligenz einfach als Abfolge von Begeisterung und Scheitern zu betrachten.
Dafür waren die Fortschritte zu bedeutend.
Die frühen KI-Forscher stellten Fragen, aus denen später ganze Forschungsgebiete entstanden. Expertensysteme waren in bestimmten Anwendungen hilfreich. Maschinelles Lernen entwickelte sich weiter, auch während das öffentliche Interesse schwankte.
Zugleich sollte man die Rückschläge ernst nehmen.
Forschungsprojekte verloren ihre Finanzierung. Unternehmen scheiterten. Wissenschaftler mussten ihre Arbeit unter veränderten Bedingungen fortsetzen.
Ein KI-Winter ist für die Beteiligten mehr als eine interessante Metapher.
Was mich an beiden Phasen beschäftigt, ist das Verhältnis zwischen technischer Entwicklung und menschlicher Erwartung.
Wir neigen dazu, aus einzelnen Erfolgen große Schlussfolgerungen zu ziehen.
Ein System löst eine schwierige Aufgabe, und plötzlich erscheint eine ganze Reihe weiterer Probleme lösbar.
Vielleicht brauchen wir diese Zuversicht sogar.
Ohne ambitionierte Vorstellungen wären manche Forschungsprojekte vermutlich nie begonnen worden. Technologischer Fortschritt lebt auch davon, dass Menschen Dinge für möglich halten, die noch niemand umgesetzt hat.
Allerdings hat Begeisterung eine unangenehme Eigenschaft: Sie macht aus Möglichkeiten irgendwann Termine.
Und wenn diese Termine verstreichen, wird die Technologie dafür verantwortlich gemacht.
Das lässt sich auch heute beobachten.
In der Diskussion über generative KI geht es um Produktivität, Automatisierung, neue Geschäftsmodelle und die Zukunft ganzer Berufe.
Einige Anwendungen funktionieren bereits erstaunlich gut. Andere liefern wechselhafte Ergebnisse. Manche verursachen mehr Aufwand, als sie einsparen.
Wie wir diese Entwicklungen bewerten, hängt stark davon ab, welche Erwartungen wir an sie stellen.
Und davon, wer die Entscheidungen trifft.
Genau mit dieser Frage beschäftige ich mich in meiner Human Decision Map. Das interaktive Tool zeigt, an welchen Stellen eines KI-gestützten Schreibprozesses wir Entscheidungen selbst treffen und wo wir sie an ein System abgeben.
Denn selbst eine sehr leistungsfähige Technologie beantwortet uns noch lange keine Fragen darüber, wie wir sie einsetzen wollen.
Diese Fragen bleiben bei uns.
Zumindest solange wir sie uns stellen.
Brauchen wir einen dritten KI-Winter, um klüger zu werden?
Die Frage nach einem dritten KI-Winter liegt natürlich nahe.
Wenn es bereits zwei gegeben hat, könnte man versucht sein, nach dem nächsten zu suchen.
Ich halte das für wenig hilfreich.
Die Geschichte liefert interessante Parallelen, aber keinen zuverlässigen Fahrplan. Die technischen Voraussetzungen, wirtschaftlichen Strukturen und praktischen Einsatzmöglichkeiten heutiger KI unterscheiden sich erheblich von denen früherer Jahrzehnte.
Ob sich die gegenwärtige Entwicklung irgendwann rückblickend als neuer KI-Winter beschreiben lässt, kann ich nicht beurteilen.
Mich interessiert eine andere Frage.
Warum fällt es uns so schwer, technische Fähigkeiten und unsere Erwartungen daran auseinanderzuhalten?
Wenn eine Maschine schneller rechnet als ich, nehme ich das relativ gelassen hin. Mein Taschenrechner macht das schließlich seit Jahren.
Wenn sie aber einen Text schreibt, ein Argument formuliert oder eine Frage beantwortet, wird die Sache persönlicher.
Dann berührt die Technologie etwas, das wir lange als ausgesprochen menschlich betrachtet haben.
Vielleicht erklärt das einen Teil unserer Begeisterung.
Und möglicherweise auch einen Teil unserer Enttäuschung.
Die Geschichte der KI-Winter erinnert mich jedenfalls daran, dass Fortschritt selten so verläuft, wie wir ihn uns vorher vorstellen.
Manche Entwicklungen brauchen länger. Andere überraschen uns. Einige scheitern, während aus ganz anderen Ansätzen plötzlich neue Möglichkeiten entstehen.
Und zwischendurch versuchen wir, aus dem aktuellen Stand der Technik möglichst zuverlässige Aussagen über die Zukunft abzuleiten.
Das hat bisher nur begrenzt funktioniert.
Die künstliche Intelligenz hat zwei große Winter erlebt.
Wir Menschen haben beide Male den Wetterbericht geschrieben.
Über den Autor
Carsten Jan Weichelt ist Content Writer und Content Strategist. Er beschäftigt sich mit künstlicher Intelligenz, Schreiben und der Frage, wie neue Technologien unsere Arbeit und unsere Entscheidungen verändern.
In seinen Artikeln verbindet er berufliche Erfahrungen mit Beobachtungen über Technologie, Kreativität und menschliches Verhalten. Er entwickelt außerdem eigene kreative und interaktive Projekte, darunter Kuh Alma oder die Human Decision Map.