AI Winter

AI Winter (deutsch: KI-Winter) bezeichnet eine Phase, in der Forschungsförderung, kommerzielles Interesse und öffentliche Aufmerksamkeit für Künstliche Intelligenz nach einer vorangegangenen Welle überzogener Erwartungen deutlich zurückgehen. Der Begriff überträgt die Metapher des „nuklearen Winters” auf die Forschungsgeschichte der KI und beschreibt kein einzelnes Ereignis, sondern ein wiederkehrendes Muster: Auf Phasen euphorischer Ankündigungen folgt eine Phase der Ernüchterung, in der Geldgeber, Medien und Teile der Fachwelt sich abwenden, weil die versprochenen Durchbrüche ausbleiben.

Zusammenfassung

Der Begriff etablierte sich in den 1980er Jahren in der KI-Forschungsgemeinschaft, rückwirkend angewendet auf eine erste Krisenphase Mitte der 1970er Jahre und vorausschauend auf eine zweite Krise Ende der 1980er/Anfang der 1990er Jahre. Beide Phasen folgten einem ähnlichen Ablauf: Forschende und Fördergeber weckten Erwartungen, die technisch nicht einlösbar waren; als die Ergebnisse ausblieben, kürzten Regierungen und Investoren die Mittel, Institute wurden geschlossen oder umbenannt, und das Forschungsfeld verlor über Jahre an Sichtbarkeit. In der KI-Geschichtsschreibung dienen die beiden AI Winters als Referenzpunkte, an denen sich spätere Boom-Phasen – etwa der Aufstieg des Maschinellen Lernens in den 2000ern oder der aktuelle Boom rund um Deep Learning und große Sprachmodelle – historisch einordnen lassen, ohne dass daraus zwangsläufig eine Wiederholung folgt.

Abgrenzung

Konjunkturzyklus der Tech-Branche – ein AI Winter ist mehr als ein gewöhnlicher Investitionsrückgang, wie ihn auch andere Technologiesektoren periodisch erleben. Kennzeichnend ist die Kombination aus öffentlich dokumentierter Erwartungsenttäuschung (meist durch einen Bericht oder eine vielzitierte Kritik ausgelöst), einem spürbaren Rückzug staatlicher Förderprogramme und einem mehrjährigen Reputationsschaden für den Begriff „Künstliche Intelligenz” selbst – so stark, dass Forschende in Förderanträgen zeitweise Umschreibungen wie „intelligente Systeme” oder „fortgeschrittene Informatik” bevorzugten, um dem belasteten Etikett auszuweichen.

Hype-Zyklus – als allgemeineres Modell beschreibt der Hype-Zyklus (Gartner) die Abfolge von Erwartungsgipfel, Ernüchterungstal und Konsolidierung für einzelne Technologien. Der AI Winter ist die historisch konkrete, feldweite Ausprägung dieses Musters für die KI-Forschung insgesamt, nicht für eine einzelne Anwendung.

Begriffsgeschichte

Vorgeschichte: der erste Boom (1950er–1960er)

Nach der Turing-Ära und der Dartmouth-Konferenz 1956, die den Begriff „Artificial Intelligence” prägte, herrschte in den 1960er Jahren ausgeprägter Optimismus. Führende Forscher sagten öffentlich voraus, dass menschliche Denkleistungen innerhalb weniger Jahrzehnte oder sogar Jahre maschinell erreichbar seien. Frühe Erfolge bei Beweisführung, Spielprogrammen und einfacher maschineller Übersetzung nährten diese Erwartungen, ohne dass die zugrunde liegenden Probleme – begrenzte Rechenleistung, fehlende Weltwissen-Repräsentation, kombinatorische Explosion bei Suchverfahren – gelöst waren.

Erster AI Winter (Mitte bis späte 1970er)

Die erste Krise wird meist auf zwei parallele Entwicklungen zurückgeführt. In Großbritannien bewertete der 1973 veröffentlichte Lighthill-Report im Auftrag des britischen Forschungsrats die bisherigen Ergebnisse der KI-Forschung überwiegend negativ und stellte insbesondere infrage, ob die sogenannte „kombinatorische Explosion” – das exponentielle Anwachsen des Suchraums bei realistischen Problemen – mit den damaligen Methoden je beherrschbar sein würde. Der Bericht trug maßgeblich dazu bei, dass britische Universitäten ihre KI-Förderung drastisch zurückfuhren und Forschung an wenige Standorte konzentrierten.

In den USA hatte bereits 1966 der ALPAC-Bericht des amerikanischen Forschungsrats die maschinelle Übersetzung als teuer, langsam und den menschlichen Übersetzungen unterlegen bewertet (ALPAC 1966). Er empfahl, die Förderung einzustellen, bis belastbare Fortschritte nachweisbar seien. Die Forschungsbehörde DARPA kürzte in der Folge ihre Mittel für maschinelle Sprachverarbeitung deutlich, nachdem ambitionierte Projekte zur automatischen Übersetzung und Spracherkennung die gesteckten Ziele nicht erreicht hatten. Auch die allgemeinere Kritik am Ansatz der Symbolischen KI, formuliert unter anderem von Philosophen wie Hubert Dreyfus, der die Grenzen regelbasierter Systeme gegenüber menschlicher Alltagsintelligenz betonte, verstärkte die Skepsis von Fördergebern. Die Folge war ein mehrjähriger Rückgang öffentlicher und privater Investitionen in KI-Grundlagenforschung.

Zwischenphase: der Boom der Expertensysteme (frühe bis mittlere 1980er)

Ab Anfang der 1980er Jahre erlebte die KI-Forschung eine zweite Boomphase, getragen von sogenannten Expertensystemen – Programmen, die formalisiertes Fachwissen einzelner Domänen (etwa medizinische Diagnostik oder chemische Analyse) in Regelwerken abbildeten. Unternehmen investierten in spezialisierte LISP-Maschinen, Hardware, die für die symbolische Programmiersprache LISP optimiert war, und viele Konzerne betrieben eigene Expertensystem-Abteilungen. Auch Japans „Fifth Generation Computer”-Programm, ein staatliches Großprojekt zur Entwicklung wissensbasierter Rechnersysteme, löste international neue Förderwellen aus, weil westliche Regierungen einen technologischen Rückstand befürchteten.

Zweiter AI Winter (Ende der 1980er bis frühe 1990er)

Die zweite Krise setzte ein, als sich zeigte, dass Expertensysteme schwer zu warten waren, schlecht mit unvollständigem oder widersprüchlichem Wissen umgehen konnten und die Kosten für ihre Pflege oft die erwarteten Einsparungen überstiegen. Zugleich brach der Markt für spezialisierte LISP-Maschinen zusammen, weil leistungsfähigere und günstigere Allzweckrechner von Herstellern wie Sun Microsystems und später IBM-kompatible PCs dieselben Aufgaben kostengünstiger übernehmen konnten. Mehrere Hersteller von KI-Spezialhardware gerieten in wirtschaftliche Schwierigkeiten oder stellten den Betrieb ein. Auch das japanische Fifth-Generation-Programm erreichte seine hochgesteckten Ziele bis zum geplanten Projektende nicht im erhofften Umfang. In der Folge zogen sich DARPA und andere Fördergeber in den USA erneut aus großen Teilen der KI-Forschung zurück; Fachleute berichten aus dieser Zeit von einer allgemeinen Zurückhaltung gegenüber dem Etikett „KI” in Förderanträgen und Firmennamen.

Auftauen und neue Boomphasen (seit den 1990ern)

Ab Mitte der 1990er Jahre gewannen statistische Methoden und später konnektionistische Ansätze – neuronale Netze – an Bedeutung, begünstigt durch wachsende Rechenleistung und verfügbare Datenmengen. Meilensteine wie der Sieg des Schachprogramms Deep Blue gegen Garri Kasparow 1997 und der spätere Aufstieg des Deep Learning ab den frühen 2010er Jahren – befeuert unter anderem durch Fortschritte bei neuronalen Netzen und die sogenannte Skalierungshypothese – lösten neue, bislang anhaltende Boomphasen aus. Manche Forschende sprachen in den 2000er Jahren zudem von kleineren, feldspezifischen Ernüchterungsphasen, etwa im Bereich der neuronalen Netze vor deren Renaissance oder bei einzelnen Sprachtechnologien – diese werden in der Literatur nicht durchgängig als eigenständige „AI Winter” gezählt und uneinheitlich datiert.

Methodische Grundlagen: das Ursachenmuster

Historiker und Forschende, die den AI-Winter-Zyklus rückblickend analysiert haben, beschreiben ein wiederkehrendes Muster mit mehreren typischen Elementen:

• Überzogene Versprechen. Prominente Forschende oder Institutionen kündigen Durchbrüche in kurzen Zeiträumen an – etwa vollständig autonome Übersetzungssysteme oder allgemeine Problemlösefähigkeit „innerhalb einer Generation” –, ohne dass die zugrunde liegenden technischen Hürden bereits gelöst sind.
• Sichtbare, aber begrenzte Fortschritte. Frühe Demonstrationen funktionieren in eng begrenzten, oft künstlich vereinfachten Testumgebungen, lassen sich aber nicht auf reale, komplexere Anwendungsfälle übertragen.
• Öffentlich wirksame Kritik. Ein einflussreicher Bericht, eine vielzitierte akademische Kritik oder ein prominentes Scheitern (etwa ein gescheitertes Vorzeigeprojekt) macht die Kluft zwischen Versprechen und Ergebnis öffentlich sichtbar und bündelt vorhandene Skepsis.
• Rückzug der Förderung. Regierungen und Investoren reagieren auf die öffentliche Kritik mit spürbaren Kürzungen; da KI-Forschung häufig auf wenige Großgeber konzentriert ist (etwa DARPA in den USA), wirken solche Entscheidungen überproportional stark.
• Reputationsschaden über die eigentliche Kürzung hinaus. Der Begriff „KI” selbst gilt zeitweise als Warnsignal für Fördergeber, was auch solide, unspektakuläre Forschung außerhalb der gescheiterten Vorzeigeprojekte in Mitleidenschaft zieht.

Dieses Muster ähnelt allgemeinen Technologie-Hype-Zyklen, ist in der KI-Forschung aber durch die enge Verflechtung mit einzelnen Großförderern und durch die besonders hohe Diskrepanz zwischen langfristigen Visionen (menschenähnliche Intelligenz) und kurzfristig erreichbaren technischen Ergebnissen ausgeprägter dokumentiert als in vielen anderen Feldern.

Kontroversen und Kritik

Über die genaue Abgrenzung und Zählung der AI Winters besteht in der Fachliteratur keine vollständige Einigkeit. Manche Autor:innen zählen nur die beiden großen, international dokumentierten Phasen der 1970er und späten 1980er/frühen 1990er Jahre als „echte” AI Winters. Andere fassen auch kleinere, regional oder feldspezifisch begrenzte Rückgänge unter denselben Begriff – etwa im Bereich der Konnektionismus-Forschung nach dem 1969 erschienenen Buch Perceptrons von Marvin Minsky und Seymour Papert (Minsky/Papert 1969). Das Buch zeigte mathematisch die Grenzen einschichtiger Perzeptron-Modelle auf und wurde vielfach – über den engeren Geltungsbereich der Beweise hinaus – als Beleg gegen neuronale Netze insgesamt gelesen. Diese Uneinheitlichkeit erschwert Vergleiche zwischen unterschiedlichen historischen Darstellungen.

Ein wiederkehrendes Diskussionsthema seit dem Aufstieg von Deep Learning und großen Sprachmodellen ist die Frage, ob und wann ein weiterer AI Winter folgen könnte. Manche Kommentator:innen verweisen auf strukturelle Parallelen zu früheren Boomphasen – hohe Kapitalbindung, ambitionierte öffentliche Ankündigungen, begrenzte Nachweisbarkeit des tatsächlichen wirtschaftlichen Nutzens einzelner Anwendungen – als Warnsignale. Andere betonen strukturelle Unterschiede zur Vergangenheit: eine breitere kommerzielle Nutzerbasis, diversifizierte private Finanzierungsquellen jenseits einzelner Regierungsprogramme und bereits nachweisbare wirtschaftliche Wertschöpfung in zahlreichen Branchen. Ob diese Unterschiede einen erneuten, feldweiten Förderungseinbruch verhindern, ist unter Forschenden, Investor:innen und Technologiehistoriker:innen umstritten und nicht abschließend geklärt; das Lexikon nimmt hierzu keine eigene Prognose vor.

Kritisiert wird zudem gelegentlich die Verwendung des Begriffs als rhetorisches Mittel: In Debatten um KI-Regulierung oder Forschungsförderung dient der Verweis auf frühere AI Winters sowohl als Warnung vor Übertreibung als auch – von der Gegenseite – als Beleg dafür, dass sich die Technologie trotz zwischenzeitlicher Rückschläge letztlich immer durchgesetzt habe. Beide Lesarten stützen sich auf dieselbe Geschichte, ziehen aber gegensätzliche Schlüsse.

Verwandte Begriffe

• Künstliche Intelligenz – übergeordnetes Feld, dessen Geschichte durch beide AI Winters strukturiert wird.
• Turing-Test – Historischer Bezugsrahmen für die Frühphase der KI-Forschung
• Neuronale Netze – Technologie, deren Auf- und Abschwünge die AI Winter mitstrukturieren

Quellenangaben

1. ALPAC (Automatic Language Processing Advisory Committee), 1966. Language and Machines: Computers in Translation and Linguistics. Bericht an die National Academy of Sciences / National Research Council.
2. Crevier, Daniel, 1993. AI: The Tumultuous History of the Search for Artificial Intelligence.
3. Lighthill, James, 1973. Artificial Intelligence: A General Survey. Bericht an den britischen Science Research Council.
4. McCorduck, Pamela, 2004. Machines Who Think.
5. Minsky, Marvin / Papert, Seymour, 1969. Perceptrons: An Introduction to Computational Geometry.
6. Nilsson, Nils J., 2009. The Quest for Artificial Intelligence: A History of Ideas and Achievements.
7. Russell, Stuart / Norvig, Peter, 2021. Artificial Intelligence: A Modern Approach.

← Zurück zur Lexikon-Übersicht