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.
Der Begriff KI-Winter meint meist zwei Einbrüche. Der erste, der Mitte der 1970er griff und bis in die frühen 1980er nachwirkte, war kein einzelner Beschluss. Es war ein langsamer Vertrauensverlust: Geldgeber entschieden, dass große Versprechen über denkende Maschinen das hielten, was Labore liefern konnten.
Der Lighthill-Report
1973 beauftragte der britische Science Research Council den Mathematiker James Lighthill mit einer Bestandsaufnahme der KI-Forschung. Sein Bericht fiel hart aus. Vieles, so sein Vorwurf, sei als allgemeine Intelligenz verkauft worden, sei aber enges Können in Spielwiesen. Fortschritt bei Vision, Sprache und Alltagswissen blieb hinter der Publicity zurück.
Der Bericht wurde politisch genutzt. Britische KI-Mittel wurden umgeschichtet. Die Botschaft erreichte auch die USA: „Allgemeine KI“ lieferte nicht im versprochenen Tempo.
DARPA zieht sich zurück
In den USA hatte DARPA ehrgeizige Sprachverstehens- und Breit-KI-Programme finanziert. 1974–1975 urteilten Gutachter, dass viele Projekte Meilensteine verfehlten. Budgets wurden gekürzt oder auf konkretere militärische Anwendungen gelenkt.
Labore, die für offene KI-Forschung aufgebaut worden waren, schrumpften. Doktoranden hörten, „KI“ im Lebenslauf könne eher schaden als nützen.
Die Perzeptron-Backlash
Parallel zu staatlichen Reviews traf konnektionistische Forschung einen Schlag aus dem Feld selbst. Marvin Minsky und Seymour Papert zeigten 1969 in Perceptrons zentrale Grenzen einschichtiger Netze. Die Mathematik stimmte. In Fördergremien hieß es kürzer: Neuronale Netze funktionieren nicht.
Das war überzeichnet. Mehrschichtige Netze konnten die Beweise umgehen, aber es fehlte noch ein praktikables Training in großem Maßstab. Nach Rosenblatts Perzeptron (1958) versiegte Geld für neuronale Ansätze. Symbolische KI dominierte weiter, auch wenn ihre Großprojekte stockten.
Was weiterlief
Der erste Winter war real, aber ungleichmäßig. Expertensystem-Ideen reiften leise. Statistische Verfahren in Sprache und Bild liefen in kleineren Gruppen. Symbolische KI-Labore lieferten weiter Nischenwerkzeuge.
Als kommerzielle Expertensysteme in den 1980ern boomen, wirkte das Feld wieder gesund, bis der Boom in den zweiten KI-Winter (~1987) kollabierte.
Warum das zählt
Der erste Winter lehrte, was der zweite wiederholte: Demos sind keine Produkte, und Presse-Hype ist kein Forschungsplan. Die Erholung kam nicht aus lauteren Versprechen, sondern aus engeren Erfolgen, besseren Daten und schließlich Maschinellem Lernen, das skalierte.
Wenn heutige LLMs im Dialog überzeugen, erinnert der erste Winter daran, dass Illusion und Förderzyklen die KI länger prägen als die aktuelle Hype-Welle.