Künstliche Intelligenz (KI) ist der Zweig der Informatik, der sich mit dem Bau von Maschinen und Software beschäftigt, die Aufgaben ausführen, von denen man annimmt, dass sie, wenn sie von Menschen ausgeführt werden, Intelligenz erfordern, wie etwa das Wahrnehmen der Umgebung, das Verstehen von Sprache, das Lösen von Problemen und das Treffen von Entscheidungen. Das Feld umfasst eine breite Palette von Ansätzen, von regelbasierten Systemen, die menschliches Fachwissen direkt kodieren, bis hin zu statistischen Modellen, die Verhalten aus Daten lernen.
Der Begriff wurde für einen Workshop im Jahr 1956 geprägt und beschreibt seitdem eine wechselnde Reihe von Techniken, die sich in der öffentlichen Aufmerksamkeit durch Zyklen von Hype und Enttäuschung ausdehnen und zusammenziehen.
Geschichte
Der Gründungsmoment des Feldes wird gewöhnlich auf den Dartmouth-Workshop im Jahr 1956 datiert, der von John McCarthy organisiert wurde, der den Begriff „künstliche Intelligenz“ für den Vorschlag prägte. Die frühe KI-Forschung betonte symbolische KI: Logik, Suche und handkodierte Regeln. Dieser Ansatz erzielte frühe Erfolge wie Theorembeweiser und später in den 1980er Jahren kommerzielle Expertensysteme, scheiterte jedoch an Aufgaben, die sich expliziten Regeln widersetzten, wie etwa Vision und Sprache. Finanzierungskürzungen folgten auf Rückschläge und übertriebene Erwartungen, was zu dem führte, was Forscher einen KI-Winter nennen, insbesondere nach einem kritischen Bericht der britischen Regierung von 1973 und erneut in den späten 1980er Jahren, als Expertensysteme nicht skalierten.
Eine parallele, zunächst marginale Arbeitslinie verfolgte statistische und konnektionistische Methoden. Das Perzeptron (1958) modellierte ein einzelnes trainierbares Neuron, aber seine dokumentierten Einschränkungen trugen zum ersten KI-Winter bei. Das Interesse erwachte in den 1980er Jahren wieder und entscheidend im Jahr 2012, als ein tiefes konvolutionelles Netzwerk namens AlexNet frühere Methoden bei einem wichtigen Benchmark zur Bilderkennung dramatisch übertraf, ein Ergebnis, dem weithin zugeschrieben wird, die moderne Deep-Learning-Ära eingeläutet zu haben.
Deep Learning reifte in den 2010er Jahren mit Fortschritten bei Vision, Sprache und Sprachverarbeitung. Die Transformer-Architektur von 2017 ermöglichte das Training viel größerer Modelle auf Text, was im Large-Language-Model-Paradigma gipfelte. Der ChatGPT-Start im November 2022 machte konversationelle KI allgemein zugänglich und löste eine Welle von Investitionen und öffentlicher Aufmerksamkeit aus, die oft als KI-Boom bezeichnet wird.
Ansätze
Die KI-Forschung wird oft zwischen symbolischen Ansätzen, die explizite Darstellungen von Wissen manipulieren, und konnektionistischen oder statistischen Ansätzen, die implizite Darstellungen aus Daten lernen, unterschieden. Maschinelles Lernen ist das dominierende moderne Paradigma und umfasst überwachtes, unüberwachtes und bestärkendes Lernen. Hybride Ansätze, die gelernte Komponenten mit symbolischem Denken oder Suche kombinieren, bleiben eine aktive Forschungsrichtung, insbesondere für Aufgaben, die zuverlässige logische Schlussfolgerungen erfordern.
Anwendungen und Auswirkungen
KI-Systeme werden in der Suche, Übersetzung, Empfehlung, medizinischen Diagnose, wissenschaftlichen Forschung wie der Vorhersage von Proteinstrukturen, autonomen Fahrzeugen und zunehmend als allgemeine Assistenten und Codierungswerkzeuge eingesetzt. Der Aufstieg leistungsfähiger KI-Agenten-Systeme seit 2024, die Sprachmodelle mit Werkzeugnutzung und mehrstufiger Planung kombinieren, hat KI von der Beantwortung von Fragen zur eigenständigen Erledigung von Aufgaben erweitert.
Debatten
Langjährige Debatten betreffen die Frage, ob aktuelle Techniken zu künstlicher allgemeiner Intelligenz führen können, einem System mit menschengleicher Kompetenz in praktisch allen kognitiven Aufgaben, und welche Risiken solche Systeme darstellen könnten. Alan Turings Aufsatz von 1950 schlug einen operationellen Test für maschinelle Intelligenz vor, der heute als Turing-Test bekannt ist, obwohl seine Angemessenheit als Benchmark weithin umstritten ist. Kritiker argumentieren, dass fließende Texterzeugung kein Verständnis impliziert, während Befürworter auf emergente Fähigkeiten als Beweis für echten Fortschritt in Richtung allgemeiner Intelligenz verweisen.