Künstliche Intelligenz

Künstliche Intelligenz (englisch artificial intelligence, Abkürzung KI bzw. AI) bezeichnet sowohl ein Teilgebiet der Informatik, das sich mit der Entwicklung von Maschinen und Programmen befasst, die Aufgaben ausführen können, die bei menschlicher Bearbeitung Intelligenz erfordern würden, als auch – in einem zweiten, abgeleiteten Wortgebrauch – die Eigenschaft derartiger Systeme selbst.

Der Begriff wurde 1955 von John McCarthy in dem Förderantrag für den im Sommer 1956 abgehaltenen Dartmouth Summer Research Project on Artificial Intelligence eingeführt; das Projekt gilt als Gründungsereignis der Disziplin als eigenständiges Forschungsfeld.

Zusammenfassung

Der Begriff Künstliche Intelligenz ist sowohl präzise definierbar (als Forschungsfeld mit definierten methodischen Traditionen, Disziplinen und institutionellen Strukturen) als auch grundlegend strittig (als materialer Begriff dessen, was Intelligenz ist und wann ein System sie aufweist).

Stuart Russell und Peter Norvig unterscheiden in ihrem Standardlehrbuch Artificial Intelligence: A Modern Approach (1995/2020) vier mögliche Definitionsachsen, die jeweils zwei Dimensionen kreuzen: Denken vs. Handeln und menschenähnlich vs.

rational. Die Geschichte der KI gliedert sich grob in drei Hauptphasen: die symbolische Periode (etwa 1956 bis Ende der 1980er Jahre, mit Schwerpunkten auf logikbasierten Inferenzsystemen und Expertensystemen), die statistisch-lernende Periode (etwa 1990 bis 2012, mit Methoden des Maschinellen Lernens, der Bayes’schen Inferenz und der Support Vector Machines) und die Deep-Learning-Periode (seit 2012, mit dem AlexNet-Durchbruch, und der seither dominanten Anwendung tiefer neuronaler Netze).

Für die Debatte um Tech- und KI-Ideologien ist der Begriff insbesondere als Bezugspunkt der Auseinandersetzungen um AGI (Artificial General Intelligence), Superintelligenz, AI Alignment und der TESCREAL-Diskussion relevant.

Begriffsgeschichte

Vorgeschichte

Die ideengeschichtlichen Wurzeln des KI-Begriffs reichen weit über das 20. Jahrhundert zurück. Antike Vorstellungen automatisierter Wesen (Talos in der griechischen Mythologie), mittelalterliche Spekulationen über künstliche Lebewesen (Golem, Homunculus) und die mechanischen Automaten der frühen Neuzeit (Jacques de Vaucansons mechanische Ente, Wolfgang von Kempelens Schachtürke 1770) bilden den kulturhistorischen Vorlauf.

Die mathematische Vorgeschichte umfasst Gottfried Wilhelm Leibniz’ Characteristica universalis (Ende 17. Jahrhundert), George Booles Algebra des Denkens (The Laws of Thought, 1854), Bertrand Russells und Alfred North Whiteheads Principia Mathematica (1910–1913) und insbesondere Alan Turings Arbeiten zur Berechenbarkeit (On Computable Numbers, 1936) und zur maschinellen Intelligenz (Computing Machinery and Intelligence, 1950).

Dartmouth-Konferenz (1956)

Der heute geläufige Begriff Artificial Intelligence geht auf den Förderantrag zurück, mit dem John McCarthy (Dartmouth College), Marvin Minsky (Harvard), Nathaniel Rochester (IBM) und Claude Shannon (Bell Labs) 1955 die Rockefeller Foundation um Finanzierung des für den Sommer 1956 geplanten Workshops baten.

Der Antrag formulierte die programmatische Annahme, „dass jeder Aspekt des Lernens oder jedes andere Merkmal von Intelligenz so präzise beschrieben werden kann, dass eine Maschine ihn simulieren kann”.

Der Workshop selbst fand vom 18. Juni bis 17. August 1956 am Dartmouth College in Hanover, New Hampshire, statt; teilnehmend waren neben den Organisatoren unter anderem Allen Newell, Herbert A. Simon, Ray Solomonoff, Arthur Samuel und Trenchard More. Die Veranstaltung gilt seither als Gründungsereignis der Disziplin.

Disziplingeschichte 1956–2012

Die ersten dreißig Jahre der KI-Forschung waren von symbolischen Ansätzen geprägt: Newell und Simons Logic Theorist (1956) und General Problem Solver (1957), Samuels Dame-Spielprogramm (1959), Joseph Weizenbaums ELIZA (1966), die Entwicklung der LISP-Sprache durch McCarthy (1958) und der PROLOG-Sprache (Colmerauer und Roussel 1972) sowie die Expertensysteme der 1970er und 1980er Jahre (MYCIN, DENDRAL, XCON) sind die Markierungen dieser Periode.

Auf eine Phase optimistischer Erwartungen – Simon prognostizierte 1965, dass „Maschinen innerhalb von zwanzig Jahren in der Lage sein werden, jede Arbeit zu verrichten, die ein Mensch verrichten kann” – folgten zwei AI Winter: Förderkürzungen in den 1970er Jahren (insbesondere nach dem britischen Lighthill Report 1973) und in den späten 1980er/frühen 1990er Jahren.

Diese Phasen brachten die symbolische KI in eine institutionelle Krise und schufen Raum für die statistisch-lernende Wende ab etwa 1990: Maschinelles Lernen (Mitchell 1997), probabilistische Inferenz (Pearl 1988), Support Vector Machines (Cortes und Vapnik 1995), und in den späten 1990er Jahren erste praktisch wirksame Anwendungen wie Deep Blue’s Sieg über Garri Kasparov im Schach (1997).

Deep-Learning-Periode (ab 2012)

Mit AlexNets ImageNet-Durchbruch 2012 begann die heute dominante Phase tiefer neuronaler Netze.

Die wichtigsten Markierungen: AlphaGo’s Sieg über Lee Sedol im Go (2016), die Transformer-Architektur (Vaswani u. a. 2017), die GPT-Modellfamilie (GPT-1 2018, GPT-2 2019, GPT-3 2020, ChatGPT November 2022, GPT-4 2023), Claude (Anthropic, 2023), Gemini (Google DeepMind, 2023) und Llama (Meta, 2023). Diese Phase wird in der Sekundärliteratur (Bengio u. a. 2024, Science 384) als bedeutendster Umbruch der Disziplinengeschichte gewertet.

Ab September 2024 etablierte sich mit OpenAI o1 eine neue Modellklasse, die durch Reinforcement Learning gezielt auf interne Schlussfolgerungs-Spuren (Reasoning) trainiert wird. Die Modellentwicklung setzte sich 2025/2026 mit weiteren Frontier-Generationen fort: GPT-5 (OpenAI, 7. August 2025), Claude Opus 4.5 (Anthropic, 24. November 2025), Gemini 3 (Google DeepMind, 18. November 2025) und Claude Sonnet 5 (Anthropic, 30. Juni 2026).

Definitionsachsen

Russell und Norvig (2020) systematisieren KI-Definitionen entlang zweier Dimensionen:

Denken vs. Handeln: Definiert man Intelligenz über kognitive Prozesse (Wahrnehmen, Schlussfolgern, Planen) oder über beobachtbares Verhalten?

Menschenähnlich vs. rational: Wird Intelligenz an der Ähnlichkeit zu menschlichem Verhalten gemessen oder an der Erfüllung normativ-rationaler Standards (Entscheidungstheorie, Logik)?

Aus dieser Kreuzung ergeben sich vier Definitionsfamilien:

1. Menschenähnliches Denken (Kognitionswissenschaftliche Tradition, Newell/Simon): Allen Newells Soar-Architektur, Anderson’s ACT-R.
2. Menschenähnliches Handeln (Turing-Test-Tradition): Operationalisierung über Verhaltensindistinguishabilität.
3. Rationales Denken (Logizistische Tradition, McCarthy): Logikbasierte Inferenz als normativer Standard.
4. Rationales Handeln (Agententheoretische Tradition, Russell/Norvig): Entscheidungstheoretisch optimales Verhalten gegen eine Nutzenfunktion in einer Umwelt.

Russell und Norvig selbst plädieren für die vierte Definition, die heute in der ingenieurtechnischen Praxis dominiert. Die Definition ist eng mit dem Begriff des intelligenten Agenten verbunden, der Wahrnehmung mit Handlung verknüpft und Ziele unter Unsicherheit verfolgt.

Teildisziplinen und Methoden

Die wichtigsten Teildisziplinen der KI im akademischen Standard-Curriculum:

Maschinelles Lernen (überwachtes, unüberwachtes, bestärkendes Lernen) – heute die dominante Teildisziplin, einschließlich Deep Learning, Reinforcement Learning, Reinforcement Learning from Human Feedback (RLHF).

Computer Vision (Bilderkennung, Objektsegmentierung, Bildgenerierung) – seit AlexNet 2012 weitgehend deep-learning-dominiert.

Natural Language Processing (Maschinelle Übersetzung, Sentimentanalyse, Frage-Antwort-Systeme, große Sprachmodelle) – seit der Transformer-Architektur 2017 grundlegend umgewälzt.

Robotik (Bewegungsplanung, Sensorintegration, Greifen, autonome Navigation).

Wissensrepräsentation und automatisches Schließen (Logikbasierte Systeme, Ontologien, semantische Netze, knowledge graphs).

Planung und Suche (Spielbäume, A*, Monte-Carlo-Tree-Search, Operations Research).

Multi-Agenten-Systeme (Spieltheorie, Mechanismus-Design, dezentrale Koordination).

Schwache und starke KI / AGI

Eine in der Diskussion regelmäßig auftretende Unterscheidung – eingeführt von John Searle in Minds, Brains, and Programs (1980) – trennt schwache KI (weak AI) und starke KI (strong AI). Schwache KI bezeichnet Systeme, die bestimmte intelligente Aufgaben simulieren, ohne Anspruch auf intrinsisches Verstehen oder Bewusstsein.

Starke KI bezeichnet die These, dass hinreichend leistungsfähige Systeme tatsächlich denken, verstehen und Bewusstsein haben. Die Diskussion um starke KI ist eng mit den philosophischen Auseinandersetzungen um den Turing-Test, das Chinese-Room-Argument und das Symbol Grounding Problem verbunden.

In der jüngeren Diskussion wurde der Begriff Artificial General Intelligence (AGI) populär – Ben Goertzel und Cassio Pennachin haben den Begriff durch ihren 2007 bei Springer erschienenen Sammelband etabliert; er wurde bereits 1997 von Mark Gubrud verwendet.

AGI bezeichnet ein System mit allgemeinen intelligenten Fähigkeiten auf oder über menschlichem Niveau, im Unterschied zu narrow AI – Systemen, die in einem spezifischen Aufgabenbereich exzellieren, aber außerhalb davon nicht funktionieren.

Eine weitere Stufe ist Superintelligenz (Nick Bostrom, 2014) – ein System, dessen kognitive Fähigkeiten die menschlichen in allen relevanten Domänen substantiell übertreffen.

AI Alignment und Sicherheitsdebatte

Mit der zunehmenden Leistungsfähigkeit von KI-Systemen ist seit den 2010er Jahren eine eigenständige Diskussion um AI Alignment entstanden – die Frage, wie sichergestellt werden kann, dass KI-Systeme tatsächlich jene Ziele verfolgen, die ihre Entwickler:innen ihnen zuschreiben.

Zentrale Konzepte dieser Diskussion sind gesondert dargestellt: Outer Alignment, Inner Alignment, Mesa-Optimization, Deceptive Alignment, Corrigibility, Specification Gaming, RLHF, Constitutional AI.

Die Diskussion gliedert sich grob in eine besorgte Linie (Bostrom, Yudkowsky, Russell, Hinton, Bengio) und eine skeptische Linie (LeCun, Andrew Ng, Teile der Critical AI Studies aus anderen Gründen). Diese Auseinandersetzungen sind nicht primär technisch, sondern berühren epistemische, ethische und politische Fragen.

Einordnung

Künstliche Intelligenz ist der übergeordnete Begriff, unter den zahlreiche speziellere Begriffe fallen. Im weiteren Tech-Ideologiekontext ist KI zentraler Bezugspunkt mehrerer Diskussionslinien:

TESCREAL (Gebru/Torres 2024): Der TESCREAL-Komplex begreift KI-Entwicklung – insbesondere die Aussicht auf AGI – als heilsgeschichtlich aufgeladenes utopisches Projekt. Diese Lesart wird in der Sekundärliteratur kontrovers diskutiert.

Critical AI Studies (Bender, Gebru, Mitchell, Crawford): Diese Tradition fokussiert auf konkrete gegenwärtige Schäden algorithmischer Systeme (Diskriminierung, Arbeitsausbeutung, Überwachung) und kritisiert die Konzentration des öffentlichen Diskurses auf hypothetische Langfristrisiken.

AI Safety / Existenzielles Risiko (Bostrom, Yudkowsky, MIRI, FHI): Diese Tradition fokussiert auf die langfristigen Risiken hochleistungsfähiger KI-Systeme.

Posthumanismus / Cyborg-Tradition (Haraway, Barad, Hayles): Diese Tradition stellt die Mensch-Maschine-Grenze selbst in Frage, ohne die utopisch-soteriologische Lesart der TESCREAL-Linie zu übernehmen.

Kritik

Substantielle Kritik richtet sich auf drei Linien:

Begriffsschärfe: Aus der akademischen Philosophie wird wiederholt argumentiert, dass Intelligenz keine wohldefinierte Eigenschaft sei, sondern eine kulturhistorisch geprägte Familie von Fähigkeiten – und dass Künstliche Intelligenz damit eher ein Marketingbegriff als ein wissenschaftlicher Terminus sei (Bender u. a. 2021, Stochastic Parrots).

Anthropomorphisierung: Die Sprache der KI-Forschung ist von intentionalistischen Begriffen (Lernen, Verstehen, Denken, Wollen) durchsetzt, die in der Anwendung auf statistische Systeme zu systematischen Missverständnissen führen können. Diese Kritik kommt sowohl aus der Tradition des Symbol Grounding Problem (Searle, Harnad) als auch aus den Critical AI Studies.

Disziplin-Politische Kritik: Aus postkolonialer und feministischer Perspektive (Crawford, Atlas of AI, 2021) wird die Geschichte der KI-Forschung als von militärischen, kolonialen und männlich-dominierten Strukturen geprägt diagnostiziert. Auch die heutige Frontier-Lab-Konzentration in wenigen kalifornischen Unternehmen wird als Konzentrationsproblem diskutiert.

Verwandte Begriffe

• AGI (Artificial General Intelligence) – engerer Begriff
• Turing-Test – historischer Bezugstest
• Chinese Room Argument – philosophischer Bezugspunkt
• AI Alignment – verwandtes Forschungsfeld
• Dartmouth-Konferenz – Gründungsereignis
• John McCarthy – Begriffsprägung 1955
• Alan Turing – ideengeschichtlicher Vorläufer

Quellenangaben

1. Anthropic, 2025. Introducing Claude Opus 4.5. Anthropic, 24. November 2025. https://www.anthropic.com/news/claude-opus-4-5
2. Anthropic, 2026. Introducing Claude Sonnet 5. Anthropic, 30. Juni 2026. https://www.anthropic.com/news/claude-sonnet-5
3. Bender, Emily M. / Gebru, Timnit / McMillan-Major, Angelina / Shmitchell, Shmargaret, 2021. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2021), S. 610–623. DOI: 10.1145/3442188.3445922.
4. Bengio, Yoshua / Hinton, Geoffrey / Yao, Andrew u. a., 2024. Managing Extreme AI Risks Amid Rapid Progress. In: Science 384 (6698), S. 842–845. DOI: 10.1126/science.adn0117.
5. Bostrom, Nick, 2014. Superintelligence: Paths, Dangers, Strategies.
6. Crawford, Kate, 2021. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence.
7. Gebru, Timnit / Torres, Émile P., 2024. The TESCREAL Bundle: Eugenics and the Promise of Utopia through Artificial General Intelligence. In: First Monday 29 (4). DOI: 10.5210/fm.v29i4.13636.
8. Goertzel, Ben / Pennachin, Cassio (Hrsg.), 2007. Artificial General Intelligence.
9. Goodfellow, Ian / Bengio, Yoshua / Courville, Aaron, 2016. Deep Learning.
10. Google DeepMind, 2025. Gemini 3: Introducing the Latest Gemini AI Model From Google. Google Blog, 18. November 2025. https://blog.google/products-and-platforms/products/gemini/gemini-3/
11. McCarthy, John / Minsky, Marvin / Rochester, Nathaniel / Shannon, Claude, 1955. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Förderantrag an die Rockefeller Foundation, 31. August 1955.
12. Mitchell, Tom M., 1997. Machine Learning.
13. Newell, Allen / Simon, Herbert A., 1976. Computer Science as Empirical Inquiry: Symbols and Search. In: Communications of the ACM 19 (3), S. 113–126. DOI: 10.1145/360018.360022.
14. Nilsson, Nils J., 2010. The Quest for Artificial Intelligence: A History of Ideas and Achievements.
15. OpenAI, 2025. Introducing GPT-5. openai.com/index/introducing-gpt-5/, August 2025.
16. Pearl, Judea, 1988. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference.
17. Russell, Stuart / Norvig, Peter, 2020. Artificial Intelligence: A Modern Approach.
18. Searle, John R., 1980. Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457. DOI: 10.1017/S0140525X00005756.
19. Turing, Alan M., 1950. Computing Machinery and Intelligence. In: Mind LIX (236), S. 433–460. DOI: 10.1093/mind/LIX.236.433.
20. Vaswani, Ashish / Shazeer, Noam / Parmar, Niki / Uszkoreit, Jakob / Jones, Llion / Gomez, Aidan N. / Kaiser, Łukasz / Polosukhin, Illia, 2017. Attention Is All You Need. In: Advances in Neural Information Processing Systems 30 (NeurIPS 2017), S. 5998–6008. arXiv: 1706.03762.

← Zurück zur Lexikon-Übersicht