Der zweite KI-Winter: wie der Boom zum Crash wurde (1987–1993)

Der erste KI-Winter (Artikel), ausgelöst in den 1970ern durch den Lighthill-Report und DARPA-Kürzungen, war schmerzhaft, aber lokalisiert, vor allem auf akademische Labore beschränkt. Der zweite KI-Winter, der etwa 1987 begann und bis in die frühen 1990er dauerte, war anders. Diesmal brachen ganze Industrien zusammen. Milliarden Dollar an privaten Investitionen lösten sich auf. Das Wort „künstliche Intelligenz” wurde in Vorstandsetagen und Förderanträgen gleichermaßen toxisch.

Was ihn auslöste

Der Winter hatte keinen einzelnen Auslöser. Es war das Zusammentreffen mehrerer Fehlschläge:

Expertensysteme trafen auf die Wand

Die Expertensysteme, die den Boom der 1980er angetrieben hatten, erwiesen sich als spröde, teuer in der Wartung und unmöglich zu skalieren. Der Wissenserwerbsflaschenhals, der langsame, mühsame Prozess, Regeln aus menschlichen Experten zu extrahieren, erwies sich als unlösbar. Systeme, die in Demos funktionierten, versagten im Echtbetrieb. Regeln widersprachen sich, als die Wissensbasen wuchsen. Ein System mit zehntausend Regeln zu aktualisieren glich dem Umbau eines Kartenhauses.

Der Lisp-Maschinen-Markt brach ein

Während des Booms hatte ein großer Teil der KI-Industrie auf Lisp-Maschinen gesetzt, spezialisierte Computer für symbolische Verarbeitung, die zwischen 70.000 und 150.000 Dollar kosteten. Unternehmen wie Symbolics, einst mit über 200 Millionen Dollar bewertet, hatten ihr gesamtes Geschäft um diese Hardware gebaut.

Dann holten Allzweck-Workstations von Sun und anderen bei der Leistung auf, zu einem Bruchteil des Preises. Als Expertensystem-Shells wie CLIPS akzeptabel auf Standardhardware liefen, verdampfte der Mehrwert der Lisp-Maschine quasi über Nacht. Die Symbolics-Aktie stürzte von 77 auf unter 3 Dollar. Das Unternehmen ging zusammen mit Lisp Machines Inc. und Dutzenden KI-Startups bankrott oder schrumpfte zur Bedeutungslosigkeit.

Regierungen zogen sich zurück

DARPA, das über die Strategic Computing Initiative Hunderte Millionen in KI gepumpt hatte, kürzte 1987 sein KI-Budget drastisch. Jack Schwartz, damals Leiter von DARPAs Information Science and Technology Office, tat Expertensysteme als „clevere Programmierung” ab, nicht als echte Intelligenz. Militärische KI-Projekte, darunter Komponenten der Strategic Defence Initiative („Star Wars”), wurden eingestellt, als sie unter realistischen Bedingungen versagten.

Japans Projekt der fünften Generation, das so viel westliche Panik und Gegeninvestition ausgelöst hatte, lief still aus, ohne seine Versprechen einzulösen. Britanniens Alvey Programme endete ähnlich.

Unternehmensrückzug

Firmen, die Millionen in KI-Labore und Expertensystem-Deployments investiert hatten, sahen die erwarteten Renditen ausbleiben. Die Fortune-500-Unternehmen, die Mitte der 1980er die Technologie begeistert adoptiert hatten, wandten sich ab. KI-Budgets wurden gestrichen. Der Begriff „KI” selbst wurde zur Belastung, Forscher und Unternehmen benannten ihre Arbeit in „maschinelles Lernen”, „Wissenssysteme” oder „Advanced Analytics” um, um das Stigma zu vermeiden.

Was überlebte

Nicht alles blieb stehen. Unter den kommerziellen Trümmern ging wichtige Arbeit weiter:

• Yann LeCun zeigte 1989, dass konvolutionelle neuronale Netze mit Backpropagation trainiert werden können, um handgeschriebene Ziffern zu erkennen (LeNet). Banken setzten es später zum Lesen von Schecks ein.
• Gerald Tesauro baute TD-Gammon (1992), ein neuronales Netz, das Backgammon auf Expertenniveau durch Selbstspiel lernte, ein früher Triumph des verstärkenden Lernens.
• Statistische Methoden in der Sprachverarbeitung verbesserten sich still und legten den Grundstein für die datengetriebenen Ansätze, die später dominieren sollten.

Warum es zählt

Der zweite KI-Winter ist der Grund, warum das Feld gelernt hat, Hype zu fürchten. Er demonstrierte ein Muster, das sich in Technologiezyklen wiederholt: überhöhte Erwartungen → Überinvestition → Unterlieferung → Zusammenbruch → stilles Neubauen.

Die Forscher, die den Winter überlebten, indem sie an maschinellem Lernen statt handkodierten Regeln arbeiteten, indem sie auf messbare Benchmarks statt große Versprechen setzten, legten die Grundlagen für alles, was folgte: die statistische Revolution der 2000er, der Deep-Learning-Durchbruch der 2010er und die heutigen großen Sprachmodelle.

Jedes Mal, wenn ein modernes KI-Unternehmen ein Versprechen macht, das zu gut klingt um wahr zu sein, ist der zweite Winter der Grund, warum vorsichtige Beobachter fragen: Haben wir das schon mal gesehen?