Artikel
Alle veröffentlichten Artikel zur Geschichte der KI.
-
DARPA Grand Challenge 2005: Stanley durchquert die Wüste (2005)
Am 8. Oktober 2005 gewann Stanleys autonomes Fahrzeug der Stanford Racing Team die DARPA Grand Challenge und schaffte 212 km durch die Mojave-Wüste in 6 Stunden 53 Minuten, nachdem 2004 kein Fahrzeug das Rennen beendet hatte.
-
LeCuns Postleitzahl-Netze: als Faltung auf Backpropagation trifft (1989)
1989 veröffentlichten Yann LeCun und Kollegen bei AT&T Bell Laboratories ein konvolutionales neuronales Netz, trainiert mit Backpropagation auf handgeschriebene US-Postleitzahlen: ein früher Beweis, dass lokale Filter reale Postsortierung skalieren können.
-
Neuronale Sprachmodelle: Bengios Kampf gegen den Fluch der Dimensionalität (2003)
2003 veröffentlichten Yoshua Bengio und Kollegen A Neural Probabilistic Language Model im Journal of Machine Learning Research und lernten verteilte Wortrepräsentationen, um den Grenzen riesiger n-Gramm-Tabellen zu entkommen.
-
Random Forests: Leo Breimans Ensemble aus Entscheidungsbäumen (2001)
Im Oktober 2001 veröffentlichte Leo Breiman Random Forests in Machine Learning und kombinierte viele entkorrelierte Entscheidungsbäume, die auf Bootstrap-Stichproben trainiert wurden, zu einem leistungsfähigen Allzweck-Klassifikator.
-
Support-Vektor-Maschinen: Maximum-Margin-Klassifikatoren mit Kerneln (1995)
1995 veröffentlichten Corinna Cortes und Vladimir Vapnik Support-Vektor-Netze in Machine Learning und verbanden lineare Maximum-Margin-Trennung mit dem Kernel-Trick für nichtlineare Grenzen.
-
TD-Gammon: Backgammon lernen durch Selbstspiel (1992)
Gerald Tesauro bei IBM baute TD-Gammon, ein neuronales Netz, das sich Backgammon durch Temporal-Difference-Lernen und Selbstspiel selbst beibrachte und damit nahezu Expertenniveau erreichte.
-
Boltzmann-Maschinen: als neuronale Netze die statistische Physik entlehnten (1985)
1985 veröffentlichten David Ackley, Geoffrey Hinton und Terrence Sejnowski einen Lernalgorithmus für Boltzmann-Maschinen: stochastische binäre Einheiten, eine Energiefunktion aus der Physik und langsames Sampling, das spätere Methoden vermeiden wollten.
-
Deep Belief Networks: als tiefe Netze wieder trainierbar wurden (2006)
Im Juli 2006 zeigten Geoffrey Hinton und Kollegen, dass sich eingeschränkte Boltzmann-Maschinen schichtweise stapeln und das Ergebnis per Backpropagation feinabstimmen lässt. Das half, die Wiederbelebung des tiefen Lernens einzuleiten.
-
Backpropagation: wie neuronale Netze aus Fehlern lernten (1986)
1986 zeigten David Rumelhart, Geoffrey Hinton und Ronald Williams, dass mehrschichtige neuronale Netze mit Backpropagation eigene innere Darstellungen lernen. Das Verfahren ist bis heute Standard beim Training der meisten neuronalen Netze.
-
GANs: als neuronale Netze lernten, Bilder zu erfinden (2014)
Im Juni 2014 stellten Ian Goodfellow und Kollegen die Generative Adversarial Networks vor: zwei neuronale Netze, die gegeneinander trainieren. Die Idee machte realistische Bildsynthese möglich und warf früh die Frage nach Fälschungen auf.
-
Watson bei Jeopardy!: als eine Maschine das Quiz gewann (2011)
Im Februar 2011 besiegte IBMs Watson bei Jeopardy! die beiden erfolgreichsten Champions der Show. Das System zeigte, wie weit maschinelle Sprachverarbeitung gekommen war, danach wollte IBM die Technik in Medizin und Wirtschaft verkaufen.
-
GPT-5 macht Reasoning zum Standard (2025)
Am 7. August 2025 veröffentlicht OpenAI GPT-5 als einheitliches System, das selbst entscheidet, wann es schnell antwortet und wann es länger nachdenkt, und gibt es allen ChatGPT-Nutzern; der holprige Start zeigt, wie sehr Menschen an einzelnen Modellen hängen.
-
KI erreicht Gold bei der Internationalen Mathematik-Olympiade (2025)
Im Juli 2025 lösen Sprachmodelle von Google DeepMind und OpenAI fünf von sechs IMO-Aufgaben und erreichen mit 35 von 42 Punkten Goldniveau, in natürlicher Sprache und innerhalb der Prüfungszeit.
-
Der KI-Gipfel in Neu-Delhi holt die USA zurück an den Tisch (2026)
Beim ersten globalen KI-Gipfel im Globalen Süden unterzeichnen über 80 Staaten, darunter die USA, China und Großbritannien, eine unverbindliche Erklärung zur Demokratisierung der KI; zugleich lehnt Washington jede globale KI-Governance ausdrücklich ab.
-
AlphaFold gewinnt den Chemie-Nobelpreis 2024
Einen Tag nachdem die KI den Physikpreis holte, ehrte der Chemie-Nobelpreis 2024 AlphaFold, das DeepMind-Modell zur Vorhersage von Proteinstrukturen, und das computergestützte Proteindesign.
-
Das Stargate-Projekt: eine 500-Milliarden-Wette auf KI-Infrastruktur (2025)
Im Januar 2025 kündigten OpenAI, SoftBank, Oracle und MGX Stargate an, einen Plan, bis zu 500 Milliarden Dollar in US-Rechenzentren für KI zu investieren, gerade als DeepSeek die Kosten der Rechenleistung infrage stellte.
-
DeepSeek-R1 und der Effizienzschock (2025)
Ein chinesisches Start-up veröffentlichte ein Reasoning-Modell mit offenen Gewichten, das den Besten ebenbürtig war, zu einem Bruchteil der angegebenen Kosten, und ließ am 27. Januar 2025 einen Rekordbetrag von Nvidias Wert verschwinden.
-
Der KI-Aktionsgipfel in Paris und ein Riss in der Governance (2025)
Im Februar 2025 war Paris Gastgeber des KI-Aktionsgipfels. Rund 60 Länder unterzeichneten eine Erklärung zu inklusiver, nachhaltiger KI, doch die USA und Großbritannien lehnten ab und legten einen Riss darüber offen, wie die Technik zu regeln sei.
-
Der Physik-Nobelpreis 2024 geht an neuronale Netze
John Hopfield und Geoffrey Hinton erhielten den Physik-Nobelpreis 2024 für grundlegende Arbeiten zu künstlichen neuronalen Netzen, dem Fundament der heutigen KI.
-
Gemini 2.0 und der Beginn der Agenten-Ära (2024)
Googles Gemini 2.0, veröffentlicht im Dezember 2024, wurde als Modell für die Agenten-Ära präsentiert: Systeme, die nicht nur antworten, sondern in mehreren Schritten für dich handeln.
-
"Attention is all you need": der Transformer kommt (2017)
Ein Paper von 2017 ersetzte die sequenzielle Mechanik früherer Netze durch reine Aufmerksamkeit. Der Transformer wurde die Architektur hinter fast jedem großen Sprachmodell seither.
-
AlexNet: die Nacht, in der Deep Learning zurückkam (2012)
Ein tiefes neuronales Netz, trainiert auf zwei Gaming-<abbr title="Graphics Processing Unit">GPU</abbr>s, pulverisierte den ImageNet-Maßstab und beendete fast über Nacht einen langen Winter für neuronale Netze.
-
AlphaGo gegen Lee Sedol: die Maschine, die spielen lernte (2016)
DeepMinds AlphaGo schlug einen der größten Go-Spieler 4:1, und zwar nicht durch Brute-Force-Suche wie Deep Blue, sondern durch aus Daten und Selbstspiel gelernte Intuition.
-
ChatGPT: die Woche, in der KI im Alltag ankam (2022)
Eine kostenlose Chat-Demo auf einem feinjustierten Sprachmodell erreichte in rund zwei Monaten hundert Millionen Nutzer und machte aus KI vom Forschungsthema eine öffentliche Obsession.
-
Der EU AI Act: das erste breite Regelwerk für KI (2024)
Das Europäische Parlament verabschiedete das weltweit erste umfassende KI-Gesetz, das Systeme nach Risiko einstuft und Transparenzpflichten für die Allzweckmodelle hinter modernen Chatbots einführt.
-
Gemini 1.0: Googles multimodale Antwort (2023)
Google bündelte seine KI-Bemühungen unter dem Namen Gemini, einer nativ multimodalen Familie als Rivale zu GPT-4, und lernte, wie genau Launch-Demos nun geprüft würden.
-
GPT-3: als Skalierung zur Strategie wurde (2020)
OpenAIs Modell mit 175 Milliarden Parametern zeigte, dass ein ausreichend großes Sprachmodell neue Aufgaben aus wenigen Beispielen im Prompt lernen kann, ganz ohne Nachtraining.
-
GPT-4: das Flaggschiff, das die Messlatte hob (2023)
OpenAIs GPT-4 konnte Bilder wie Text lesen und schnitt bei Prüfungen für Menschen gut ab. Es festigte ein hartes kommerzielles Rennen und eine Geheimhaltung, die Forscher beunruhigte.
-
ImageNet: der Datensatz, der Maschinen sehen lehren sollte (2006)
Fei-Fei Li setzte darauf, dass Daten und nicht nur cleverere Algorithmen den Durchbruch bringen. ImageNet wurde der Maßstab, der die Ära des tiefen Lernens zündete.
-
Llama 2: (halb) offene Gewichte verändern das Spiel (2023)
Meta veröffentlichte ein fähiges Sprachmodell, dessen Gewichte jeder herunterladen und darauf aufbauen konnte, und rückte die Debatte über 'offene' KI ins Zentrum der Branche.
-
OpenAI o1: Modelle, die denken, bevor sie antworten (2024)
OpenAI zeigte eine Modellreihe, die trainiert wurde, Probleme Schritt für Schritt zu durchdenken, bevor sie antwortet, tauscht Tempo gegen Genauigkeit und belebt die Idee, dass längeres Nachdenken sich lohnen kann.
-
Der erste KI-Winter: als der Hype erstarrte (1974–1980)
Lighthill-Report, DARPA-Kürzungen und die Perzeptron-Backlash entzogen neuronale Netzen und überzogener KI die Förderung und bereiteten ein Jahrzehnt Skepsis vor.
-
Deep Blue gegen Kasparow: das Match, das die Welt erschütterte (1997)
IBMs Schachcomputer besiegte den Weltmeister in sechs Partien, ein Medienspektakel, das bewies, dass Maschinen Menschen übertreffen können, und eine Debatte auslöste, die nie ganz endete.
-
Der zweite KI-Winter: wie der Boom zum Crash wurde (1987–1993)
Expertensysteme kollabierten, Lisp-Maschinen wurden obsolet, Regierungen kürzten Mittel, und die KI versank in Jahren der Ernüchterung, die das Feld fast zerstörten.
-
Expertensysteme: als KI zum Geschäft wurde (1980er)
Regelbasierte Expertensysteme versprachen, menschliches Fachwissen in Software zu packen, sie befeuerten einen Milliardenboom und kollabierten dann in den zweiten KI-Winter.
-
ELIZA: der Chatbot, der keiner sein sollte (1966)
Joseph Weizenbaums ELIZA nutzte einfaches Pattern-Matching, um Therapie zu simulieren, und bewies dabei unbeabsichtigt, dass Menschen Verständnis in Maschinen hineinprojizieren.
-
Rosenblatts Perzeptron: die Maschine, die lernte (1958)
Frank Rosenblatts Perzeptron war die erste Maschine, die aus Erfahrung lernte, von der Presse gefeiert, von Kritikern angegriffen und Jahrzehnte später rehabilitiert.
-
Computing Machinery and Intelligence: Turings Nachahmungsspiel (1950)
Alan Turings Aufsatz von 1950 ersetzte die Frage, ob Maschinen denken können, durch einen praktischen Test und prägt bis heute, wie wir über maschinelle Intelligenz sprechen.
-
Das Dartmouth-Sommerprojekt zu künstlicher Intelligenz (1956)
Ein sechs- bis achtwöchiger Workshop, der den Begriff „künstliche Intelligenz" prägte und als eigenständiges Forschungsfeld etablierte.