Warum die Künstliche Intelligenz mehrfach abgeschrieben wurde, ohne sich darum zu scheren.
Geschichte 12 min Fortgeschritten 13. April 2026
Zweimal in seiner Geschichte wurde das gesamte Feld der Künstlichen Intelligenz beinahe vernichtet — nicht durch technische Unmöglichkeit, sondern durch die Kluft zwischen großen Versprechen und ernüchternder Realität. Diese "KI-Winter" vernichteten Forschungsgelder, trieben Unternehmen in den Bankrott und machten "Künstliche Intelligenz" zu einem toxischen Karrierelabel.
Doch genau die Misserfolge, die eine Ära beendeten, legten den Grundstein für die nächste. In diesem Artikel erfährst du, welches Muster sich zweimal wiederholte — und warum aus der Asche der symbolischen KI das Machine Learning hervorging.
Das Hype-Crash-Muster
Die KI-Winter waren keine einmaligen Unfälle, sondern Ausprägungen eines wiederkehrenden Musters. Dieses Muster ist nicht einzigartig für KI — es ist ein strukturelles Merkmal ambitionierter Technologiefelder.
1
Versprechen Forscher machen kühne Vorhersagen über baldige Durchbrüche.
2
Erwartungen Regierungen und Investoren erhöhen die Finanzierung auf Basis der Versprechen.
3
Enttäuschung Die Ergebnisse bleiben hinter den geweckten Erwartungen zurück.
4
Externe Prüfung Glaubwürdige Gutachter bewerten den Stand der Technik kritisch.
5
Kollaps Die Finanzierung bricht zusammen. Forscher und Firmen verlieren ihre Grundlage.
Der Erste KI-Winter (1974-1980)
Drei Schlüsselereignisse etablierten das Hype-Crash-Muster und beendeten die erste Ära der KI-Euphorie.
1966
Der ALPAC-Report (1966)
Das ALPAC-Komitee (National Research Council) untersuchte 20 Jahre maschinelle Übersetzungsforschung. Ergebnis: Maschinelle Übersetzung war langsamer, teurer und ungenauer als menschliche Übersetzer. Die US-Regierung stellte die Finanzierung für maschinelle Übersetzung für rund 20 Jahre ein.
1969
Perceptrons (1969)
Minsky und Papert bewiesen mathematisch, dass einschichtige Perzeptrone bestimmte Funktionen (wie XOR) nicht berechnen können. Sie vermuteten (ohne Beweis), dass mehrschichtige Netzwerke ähnliche Grenzen hätten. Aufgrund von Minskys Autorität nahm die Forschungsgemeinschaft diese Vermutung als Fakt. Die Forschung an neuronalen Netzen wurde für über ein Jahrzehnt aufgegeben.
1973
Der Lighthill-Report (1973)
Sir James Lighthill, Lucasian-Professor für Mathematik in Cambridge, bewertete den Stand der KI-Forschung in Großbritannien. Sein vernichtendes Urteil: "In keinem Teilgebiet haben die bisherigen Entdeckungen die damals versprochene große Wirkung erzielt." Großbritannien strich praktisch die gesamte KI-Finanzierung. Nur Edinburgh und Sussex behielten begrenzte Mittel.
Deep Dive: Die Perceptrons-Kontroverse
Was Minsky und Papert bewiesen: Einschichtige Perzeptrone können XOR nicht berechnen. XOR ("Exklusiv-Oder") ist eine einfache Logik-Aufgabe, bei der genau eine von zwei Bedingungen zutreffen muss — nicht beide und nicht keine. Dieses Problem ist nicht linear trennbar: Man kann die Ja- und Nein-Fälle nicht mit einer einzigen geraden Linie trennen. Was sie vermuteten (S. 232, als "intuitive Einschätzung"): Mehrschichtige Netzwerke hätten ähnliche Grenzen. Was 1986 bewiesen wurde: Rumelhart, Hinton und Williams zeigten, dass Backpropagation mehrschichtige Netzwerke trainiert, die genau XOR lösen — die Vermutung war falsch. Die Unterscheidung zwischen Beweis und Vermutung ist entscheidend: Ein Buch hat ein ganzes Forschungsfeld für über 15 Jahre zum Stillstand gebracht, basierend auf einer unbewiesenen Vermutung.
Der Zweite KI-Winter (1987-1993)
Das Muster wiederholte sich, diesmal im kommerziellen Maßstab. Der erste Winter betraf akademische Forschungsgelder; der zweite trieb ganze Unternehmen in den Bankrott.
Das Scheitern der Expertensysteme
In den 1980er Jahren glaubte jedes große Unternehmen, ein Expertensystem zu brauchen. Stell dir ein riesiges gedrucktes Reparaturhandbuch vor: Für jedes bekannte Geräusch gibt es eine Seite mit Anweisungen — aber wenn das Auto ein neues Geräusch macht, steht der Mechaniker hilflos da. Genau so funktionierten Expertensysteme. Vier fundamentale Probleme machten sie unhaltbar:
Wartungskosten: Regelsysteme wuchsen auf tausende Regeln, die unmöglich zu pflegen waren
Wissensakquise-Flaschenhals: Das Wissen der Experten als Regeln aufzuschreiben dauerte zu lang und kostete zu viel (mehr dazu gleich)
Sprödigkeit: Expertensysteme funktionierten in ihrem engen Bereich, versagten aber katastrophal bei allem Unvorhergesehenen
Kein Lernen: Systeme konnten nicht aus Erfahrung lernen — jede neue Erkenntnis erforderte manuelle Regeländerungen
Wissensakquise-Flaschenhals
AnalogieDefinition
Zurück zum Reparaturhandbuch: Stell dir vor, du müsstest wirklich jedes mögliche Autogeräusch abdecken — jede Kombination aus Motor, Baujahr und Wetter. Du wärst Jahre beschäftigt, und bei jedem neuen Automodell müsstest du hunderte Seiten ergänzen. Genau das ist der Flaschenhals.
Analogie:
Zurück zum Reparaturhandbuch: Stell dir vor, du müsstest wirklich jedes mögliche Autogeräusch abdecken — jede Kombination aus Motor, Baujahr und Wetter. Du wärst Jahre beschäftigt, und bei jedem neuen Automodell müsstest du hunderte Seiten ergänzen. Genau das ist der Flaschenhals.
Definition:
Der Wissensakquise-Flaschenhals (Knowledge Acquisition Bottleneck) beschreibt den limitierenden Faktor symbolischer KI: Die Rate, mit der Domänenwissen in maschinenlesbare Regeln transformiert werden kann. Ein medizinisches Expertensystem kann 10.000 Regeln enthalten und trotzdem am 10.001. Randfall scheitern, den kein Regelschreiber vorhergesehen hat.
Der LISP-Maschinen-Kollaps
Spezialisierte KI-Hardware — LISP-Maschinen — bildeten in den frühen 1980ern eine Milliarden-Dollar-Industrie. Moores Gesetz machte sie in nur drei Jahren überflüssig.
$50.000+
LISP-Maschine (1985) Preis einer dedizierten Symbolics-LISP-Maschine
$10.000
Sun Workstation (1988) Führte LISP mit nahezu gleicher Leistung aus
3 Jahre
Bis zum Marktkollaps Symbolics meldete im Januar 1993 Insolvenz an
Japans Fifth Generation Computer Systems
1982 startete Japans Handelsministerium (MITI) das Fifth Generation Computer Systems-Projekt: 54 Milliarden Yen (~400-450 Mio. Dollar), 10 Jahre Laufzeit, das Ziel: massiv parallele Computer für logisches Schlussfolgern. Das Ergebnis: null kommerzielle Anwendungen. Das Projekt löste eine "Fifth Generation-Panik" im Westen aus, die zu reaktiven Investitionen führte (z.B. das britische Alvey-Programm). Als FGCS enttäuschende Ergebnisse lieferte, wurden auch diese westlichen Investitionen infrage gestellt — und verstärkten den zweiten KI-Winter.
Der Paradigmenwechsel — Von Regeln zu Daten
Warum stieß die symbolische KI an eine Wand? Der Wissensakquise-Flaschenhals ist fundamental, nicht behebbar. Die reale Welt hat zu viele Ausnahmen, Kontextabhängigkeiten und implizites Wissen für handgeschriebene Regeln.
Die fehlenden Zutaten
Die Alternative — Systeme Muster aus Daten lernen zu lassen — erforderte drei Dinge, die noch nicht existierten: genug Daten (unmöglich vor dem Internet), genug Rechenleistung (unzureichend bis ~2012, als GPUs für Deep Learning eingesetzt wurden) und die richtigen Algorithmen (Backpropagation 1986, SVMs 1995). Alle drei konvergierten erst in den 2010er Jahren.
Symbolische KI
Regeln werden per Hand geschrieben. Das System kann nicht lernen. Funktioniert nur in engem Bereich. Scheitert an der Komplexität der realen Welt.
Machine Learning
Regeln werden aus Daten gelernt. Das System verbessert sich mit mehr Daten. Passt sich an neue Situationen an. Benötigt große Datenmengen und Rechenleistung.
Deep Dive: Die "Stille Blüte" der 1990er
In den 1990er Jahren wurde "KI" zum Karrieregift. Forscher vermieden das Label und nannten ihre Arbeit "Machine Learning", "Mustererkennung" oder "Data Mining". Doch hinter den Kulissen wurden die entscheidenden Grundlagen gelegt: 1986 erschien Backpropagation — ein Verfahren, das mehrschichtige Netzwerke trainierbar machte und damit Minskys Vermutung widerlegte. In den folgenden Jahren entstanden weitere statistische Methoden, die Muster direkt aus Daten lernen konnten, statt auf handgeschriebene Regeln angewiesen zu sein. Die produktivste Ära für KI-Grundlagen fand statt, während das Wort "KI" verboten war.
Interaktiv: KI-Boom- und Bust-Zyklen
Die Geschichte der KI ist eine Abfolge von Euphorie und Ernüchterung. Klicke auf die Ereignisse in der Zeitleiste, um zu sehen, wie Finanzierung, Erwartungen und Durchbrüche zusammenhängen — vom Dartmouth-Optimismus bis zum Deep-Learning-Durchbruch.
👆Klicke auf einen Zeitpunkt, um mehr zu erfahren.
1956
Dartmouth-Konferenz
Die Geburtsstunde der KI als Forschungsfeld. Forscher prognostizieren, dass Maschinen in 20 Jahren menschliche Intelligenz erreichen.
Bedeutung: Startschuss für massive Forschungsfinanzierung durch DARPA und andere Regierungsstellen.
1 / 7
Häufiger Irrtum: "Symbolische KI ist tot"
Moderne Ansätze kombinieren zunehmend symbolische und statistische Methoden. Neuro-Symbolische KI verbindet neuronales Lernen mit symbolischem Schlussfolgern. Knowledge Graphs (verwendet von Google, Amazon) sind symbolische Strukturen. Das Scheitern war nicht das der symbolischen Methoden an sich, sondern der Glaube, dass handgeschriebene Regeln allein die Komplexität der realen Welt erfassen könnten. Das Scheitern war Überambition, nicht das Prinzip selbst.
Der erste Winter war akademisch (Fördermittelkürzungen), der zweite kommerziell (Insolvenzen). Das Muster eskalierte.
Symbolische KI scheiterte nicht, weil die Idee falsch war, sondern weil handgeschriebene Regeln die Komplexität der realen Welt nicht im Maßstab erfassen können.
Die "ruhige Periode" der 1990er Jahre war die produktivste Ära für KI-Grundlagen — Backpropagation, SVMs und statistische Methoden entstanden, während Forscher das Wort "KI" mieden.
Der Paradigmenwechsel von "Regeln per Hand schreiben" zu "Regeln aus Daten lernen" war nicht optional — es war der einzige Weg nach vorn.
Quiz: Die KI-Winter
Frage 1 / 5
Noch offen
Was löste den Ersten KI-Winter aus?
1. Was löste den Ersten KI-Winter aus?
☐ A) Neuronale Netze wurden zu teuer zum Trainieren.
☐ B) Glaubwürdige externe Gutachten (ALPAC, Lighthill) stellten fest, dass die KI zu viel versprochen und zu wenig geliefert hatte.
☐ C) Regierungen entschieden sich, stattdessen in Raumfahrtforschung zu investieren.
☐ D) Das Internet verdrängte die traditionellen KI-Unternehmen.
2. Ein Startup verspricht Investoren, den Kundenservice "mit KI zu lösen" — mithilfe eines regelbasierten Expertensystems. Nach 2 Jahren funktioniert das System für 50 vordefinierte Szenarien, versagt aber bei allem Unerwarteten. Welches Scheiternsmuster der KI-Winter illustriert das?
☐ A) Die kombinatorische Explosion aus dem Lighthill-Report.
☐ B) Den Wissensakquise-Flaschenhals und die Sprödigkeit von Expertensystemen.
☐ C) Das LISP-Maschinen-Kostenproblem.
☐ D) Die Perceptrons-XOR-Beschränkung.
3. Eine LISP-Maschine kostet 100.000 Dollar. Eine normale Workstation kostet 10.000 Dollar und ist 1988 fast genauso schnell. Welche Kaufentscheidung ist 1988 richtig?
☐ A) Die LISP-Maschine kaufen — 20 % mehr Geschwindigkeit rechtfertigt den 10-fachen Preis für KI-Produktionssysteme.
☐ B) Die Workstation kaufen — die verbleibende Leistungslücke rechtfertigt keinen 10-fachen Aufpreis, und Moores Gesetz wird sie weiter schließen.
☐ C) Auf die nächste LISP-Maschinengeneration warten — spezialisierte Hardware übertrifft immer Allzweck-Hardware.
☐ D) Eigene Hardware bauen — keine der beiden Optionen ist kosteneffizient.
4. Ein Kollege behauptet: "Die KI-Winter beweisen, dass symbolische KI grundsätzlich wertlos ist und nie verwendet werden sollte." Bewerte diese Aussage anhand der Erkenntnisse aus dem Artikel.
☐ A) Richtig — die KI-Winter haben bewiesen, dass regelbasierte Systeme nie funktionieren können.
☐ B) Teilweise richtig — symbolische KI ist komplett gescheitert, aber einige Techniken wurden später in anderen Bereichen recycelt.
☐ C) Falsch — symbolische KI scheiterte als alleiniger Ansatz, bleibt aber als Komponente in hybriden Systemen (z.B. Neuro-Symbolische KI, Knowledge Graphs) wertvoll. Das Scheitern war Überambition, nicht das Prinzip.
☐ D) Falsch — symbolische KI war tatsächlich erfolgreich; die KI-Winter wurden nur durch Forschungspolitik verursacht, nicht durch technische Grenzen.
5. Warum war der Zweite KI-Winter (1987-1993) schwerwiegender als der Erste (1974-1980)?
☐ A) Weil mehr Länder an KI-Forschung beteiligt waren.
☐ B) Weil er kommerzielle Unternehmen und ganze Industrien betraf (nicht nur akademische Fördermittel) und zu Insolvenzen statt nur zu Mittelkürzungen führte.
☐ C) Weil neuronale Netze aufgegeben worden waren und es keine alternativen Ansätze gab.
☐ D) Weil die Computer für KI-Forschung zu langsam geworden waren.
Auflösung: 1) B · 2) B · 3) B · 4) C · 5) B
Checkpoint
Kannst du das 5-Stufen-Hype-Crash-Muster anhand eines eigenen Beispiels erklären?
Was unterscheidet den Ersten vom Zweiten KI-Winter strukturell?
Warum war der Paradigmenwechsel von Regeln zu Daten unvermeidlich?