Die ersten Jahre der KI — voller Optimismus, der ungefähr 15 Jahre lang anhielt.
Geschichte 8 min Einsteiger 13. April 2026
1950 stellte ein Mathematiker eine Frage, die niemand beantworten konnte: "Können Maschinen denken?" Statt in philosophischen Debatten steckenzubleiben, schlug er einen einfachen Test vor — und stieß eine neue Forschungsrichtung an.
Sechs Jahre später traf sich eine Gruppe Forscher am Dartmouth College und gab diesem neuen Feld einen Namen: Künstliche Intelligenz. Die Programme, die sie bauten, waren brillant einfach und massiv begrenzt. Warum sie scheiterten, ist der Schlüssel zum Verständnis moderner KI.
Die Frage — Turings Imitation Game
Warum formulierte Turing die Frage um? "Können Maschinen denken?" ist philosophisch unbeantwortbar. Turing ersetzte sie durch eine beobachtbare Frage: Können sie sich so verhalten, dass wir den Unterschied nicht erkennen? Nicht Bewusstsein wird getestet, sondern Verhaltensimitation.
Der Turing-Test
AnalogieDefinition
Stell dir vor, du chattest auf WhatsApp mit jemandem und kannst nicht unterscheiden, ob es ein echter Mensch oder ein Chatbot ist. Wenn du es trotz aktivem Nachfragen nicht herausfinden kannst, hat der Bot eine Art Turing-Test bestanden.
Analogie:
Stell dir vor, du chattest auf WhatsApp mit jemandem und kannst nicht unterscheiden, ob es ein echter Mensch oder ein Chatbot ist. Wenn du es trotz aktivem Nachfragen nicht herausfinden kannst, hat der Bot eine Art Turing-Test bestanden.
Definition:
Ein Verhaltenstest, den Alan Turing 1950 vorschlug. Ein menschlicher Fragesteller kommuniziert per Text mit zwei Gesprächspartnern — einem Menschen und einer Maschine. Kann der Fragesteller nicht zuverlässig unterscheiden, wer wer ist, gilt die Maschine als bestanden. Der Test vermeidet bewusst die Definition von "Denken" und konzentriert sich auf beobachtbares Textverhalten.
Wo die Analogie bricht: Im echten Turing-Test stellt der Fragesteller gezielt Trickfragen und wechselt abrupt das Thema — ein beiläufiger Chat hat eine viel niedrigere Hürde. Die WhatsApp-Analogie unterschätzt den konfrontativen Charakter des Tests.
1950
Turings Paper Erschienen 1950 in "Mind", Vol. LIX(236)
2024 führten Forscher (Jones, Bergen et al.) kontrollierte Turing-Test-Experimente mit GPT-4 durch. Über 500 Teilnehmer versuchten in 5-Minuten-Textgesprächen, die KI vom Menschen zu unterscheiden. Viele scheiterten — doch trainierte Fragesteller konnten systematische Schwächen ausnutzen: Halluzinationen, Unfähigkeit über persönliche Erfahrungen zu sprechen. Das zeigt: "Bestehen" ist kontextabhängig und kein Beweis für Verständnis.
Häufiger Irrtum: Turing-Test bestehen = intelligent sein
Der Turing-Test misst Verhaltensimitation, nicht Verständnis. Eine Maschine kann den Test bestehen, indem sie menschliches Verhalten überzeugend nachahmt — ohne irgendetwas zu "verstehen". Ein berühmtes Gedankenexperiment am Ende dieses Artikels zeigt, warum Symbolmanipulation nicht gleich Verstehen ist.
Das Chinesische Zimmer
1980 formulierte der Philosoph John Searle ein berühmtes Gedankenexperiment: Stell dir vor, du sitzt in einem geschlossenen Raum. Durch einen Schlitz erhältst du Zettel mit chinesischen Schriftzeichen. Du sprichst kein Chinesisch, aber du hast ein Regelbuch, das dir für jede Zeichenkombination eine passende Antwort vorgibt. Du schiebst die Antwort durch den Schlitz zurück. Von außen sieht es so aus, als würdest du Chinesisch verstehen — aber du manipulierst nur Symbole nach Regeln, ohne jede Bedeutung zu erfassen.
Searles Argument: Genau das tun Computer. Sie manipulieren Symbole nach Regeln, ohne die Bedeutung zu "verstehen". Ein bestandener Turing-Test beweist Verhaltensimitation, nicht Verständnis. Die Frage ist heute aktueller denn je: Große Sprachmodelle bestehen informelle Turing-Tests, zeigen aber systematische Schwächen wie Halluzinationen und fehlendes kausales Denken.
Turings neun Einwände
Bemerkenswert: Turing antizipierte bereits 1950 praktisch jede spätere Kritik an der KI. In seinem Paper behandelte er neun Einwände:
Der theologische Einwand: Nur Menschen haben Seelen, also können Maschinen nicht denken. Turing: Warum sollte Gott einer Maschine keine Seele geben können?
Der mathematische Einwand (Gödels Unvollständigkeitssatz): Formale Systeme haben Grenzen. Turing: Menschen machen ebenfalls logische Fehler.
Das Bewusstseinsargument: Maschinen fühlen nichts. Turing: Wir können auch bei anderen Menschen nicht beweisen, dass sie "wirklich" fühlen.
Lady Lovelaces Einwand (1843): Maschinen können nur das tun, was man ihnen explizit sagt. Turing: Das stimmt möglicherweise für einfache Maschinen — aber könnte ein lernfähiges System nicht überraschende Verhaltensweisen zeigen?
Diese Einwände sind keine historischen Kuriositäten — sie sind der Kern moderner KI-Debatten. Die Frage, ob große Sprachmodelle "verstehen" oder nur nachahmen, ist im Grunde Turings ursprüngliche Frage in neuer Form.
Der Name — Dartmouth 1956
Vor Dartmouth arbeiteten Forscher in Logik, Automatentheorie und Kybernetik (die Wissenschaft der Steuerung und Regelung) an verwandten Problemen — aber unter verschiedenen Namen und ohne gemeinsame Identität. McCulloch und Pitts hatten 1943 ein formales Neuronenmodell entwickelt. Norbert Wiener prägte 1948 den Begriff "Kybernetik". Turing veröffentlichte 1950 seinen Test. Die Ideen existierten — es fehlte ein Name.
John McCarthy wählte den Begriff "Artificial Intelligence" bewusst, um sich von der Kybernetik abzugrenzen. Im August 1955 verfassten McCarthy, Minsky, Rochester und Shannon einen Projektantrag für einen Sommerworkshop am Dartmouth College.
1956
Dartmouth-Konferenz Der Sommerworkshop, der die KI als Disziplin begründete
John McCarthy Organisator, Dartmouth/Stanford. Prägte den Begriff "AI", entwickelte LISP
Marvin Minsky MIT. Pionier der symbolischen KI und neuronaler Netze
Allen Newell Carnegie Mellon. Mitentwickler des Logic Theorist und GPS
Herbert A. Simon Carnegie Mellon. Logic Theorist, Nobelpreis für Wirtschaft
Claude Shannon Bell Labs. Begründer der Informationstheorie
Nathaniel Rochester IBM. Chefarchitekt des IBM 701, simulierte neuronale Netze
Die Teilnehmer der Dartmouth-Konferenz
Ihre kühne These: "Every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it." — Jeder Aspekt des Lernens oder anderer Merkmale der Intelligenz kann im Prinzip so präzise beschrieben werden, dass eine Maschine ihn simulieren kann.
Bei der Konferenz selbst gab es keinen technischen Durchbruch — kein bahnbrechendes Paper, keine Erfindung. Was Dartmouth lieferte, war etwas anderes: einen Namen, eine Gemeinschaft und ein gemeinsames Forschungsprogramm. Dartmouth war ein sozialer Meilenstein, kein technischer.
Die Dartmouth-Teilnehmer waren erstaunlich optimistisch. Sie glaubten, dass Maschinen innerhalb einer Generation menschliche Intelligenz erreichen könnten. Diese Überschätzung würde das Fachgebiet noch jahrzehntelang verfolgen — und direkt in die KI-Winter führen.
Die ersten Programme — Brillant und brüchig
Die erste Generation von KI-Programmen (1955-1970) basierte auf einem gemeinsamen Ansatz: handcodierte symbolische Manipulation. Regeln, Muster und formale Logik — ohne jedes Lernen aus Daten. Sie funktionierten perfekt innerhalb ihrer engen, vom Programmierer definierten Welten und versagten vollständig außerhalb davon.
Der Logic Theorist (1955-56) von Newell, Simon und Shaw bewies 38 von 52 Theoremen aus Kapitel 2 der Principia Mathematica (ein grundlegendes dreibändiges Werk zur mathematischen Logik von Whitehead und Russell, erschienen 1910-1913). Für Theorem 2.85 fand er sogar einen kürzeren Beweis als das Original. Seine Methode: heuristische Suche im Zustandsraum — quasi einer Landkarte aller möglichen Lösungswege — genau das Prinzip, das im nächsten Artikel (Graphensuche) formalisiert wird.
38 / 52
Bewiesene Theoreme Logic Theorist: 38 von 52 aus der Principia Mathematica
ELIZA (1966) von Joseph Weizenbaum simulierte einen Psychotherapeuten — mit nichts weiter als Schlüsselwort-Erkennung und Textschablonen. Keine Grammatikanalyse, kein Weltwissen, kein Gedächtnis zwischen Sätzen.
Schablone auswählen: "Erzählen Sie mir mehr über Ihre Familie."
4
Ausgabe: Klingt einfühlsam — versteht aber nichts
Der ELIZA-Effekt: Weizenbaums eigene Sekretärin bat ihn, den Raum zu verlassen, damit sie "privat" mit ELIZA sprechen konnte. Menschen projizieren Verständnis auf Systeme, die nur Oberflächenmuster verarbeiten — weil wir dazu neigen, kohärente Antworten als Beweis für Verstehen zu interpretieren.
SHRDLU (1968-70) von Terry Winograd verstand natürliche Sprache — allerdings nur innerhalb einer Welt aus geometrischen Blöcken. "Nimm den roten Block und stelle ihn auf den blauen" funktionierte perfekt. Aber schon "Warum steht der rote Block auf dem blauen?" war unmöglich. SHRDLU ist das Paradebeispiel des "Spielzeugwelt-Problems": Perfektion in einer vereinfachten Welt, die in der echten Welt zusammenbricht. Wenn wir auf diese erste Generation von KI-Programmen zurückblicken, zeigt sich ein klares Muster:
Sofortiges Scheitern außerhalb der programmierten Welt. Ursache: Handcodierte Regeln decken nur Vorhergesehenes ab.
Die gemeinsame Architektur aller drei Programme — handcodierte Symbole und Regeln — ist keine individuelle Schwäche, sondern die fundamentale Grenze des symbolischen Paradigmas. Diese Brüchigkeit ist der Grund, warum das Feld schließlich alternative Ansätze suchte: Lernen aus Daten statt manueller Programmierung.
Häufiger Irrtum: Frühe KI war primitiv und unwichtig
Die ersten KI-Programme waren nicht "primitiv" — sie waren brillant innerhalb ihrer Grenzen. Der Logic Theorist fand elegantere Beweise als menschliche Mathematiker. ELIZA demonstrierte die Macht von Oberflächenmustern. SHRDLU zeigte, dass natürliche Sprachverarbeitung prinzipiell möglich ist. Ihre Konzepte (heuristische Suche, Mustererkennung, Zustandsräume) sind bis heute fundamental.
Interaktiv: Die Meilensteine der frühen KI
Klicke auf die Meilensteine der frühen KI-Geschichte. Achte darauf, wie jeder Durchbruch auf vorherigen Arbeiten aufbaut — von Turings philosophischer Frage über die Namensgebung bis zu den ersten Programmen, die sowohl brillant als auch brüchig waren.
👆Klicke auf einen Zeitpunkt, um mehr zu erfahren.
1950
Turings Paper
Alan Turing veröffentlicht "Computing Machinery and Intelligence" in der Zeitschrift Mind. Statt die unbeantwortbare Frage "Können Maschinen denken?" zu stellen, schlägt er einen beobachtbaren Test vor: das Imitation Game.
Bedeutung: Der Turing-Test vermeidet philosophische Sackgassen und macht Intelligenz messbar — eine Idee, die bis heute KI-Debatten prägt.
1 / 5
Zusammenfassung
KI wurde nicht erfunden, sondern ausgerufen — Dartmouth 1956 gab einer Konvergenz bestehender Ideen aus Logik, Berechnung und Psychologie einen Namen.
Der Turing-Test misst Verhaltensimitation, nicht Verständnis — eine Unterscheidung, die mit den heutigen großen Sprachmodellen wichtiger ist denn je.
Frühe KI-Programme bewiesen, dass intelligenzähnliches Verhalten in engen Domänen möglich ist, aber handcodierte Regeln nicht skalieren — und ebneten damit den Weg für Suchalgorithmen und maschinelles Lernen.
Der Logic Theorist und GPS behandelten Problemlösung als Suche durch einen Raum möglicher Zustände. Der nächste Artikel formalisiert diese Idee — Breitensuche, Tiefensuche und Zustandsräume sind das mathematische Gerüst hinter dem, was diese frühen Programme intuitiv taten.
Quiz: Die Geburt der KI
Frage 1 / 5
Noch offen
Was bewertet der Turing-Test tatsächlich?
1. Was bewertet der Turing-Test tatsächlich?
☐ A) Ob eine Maschine Bewusstsein hat
☐ B) Ob eine Maschine einen menschlichen Fragesteller in textbasierter Kommunikation täuschen kann
☐ C) Ob eine Maschine mathematische Probleme lösen kann
☐ D) Ob eine Maschine Emotionen hat
2. Ein Kundenservice-Chatbot beantwortet Fragen so gut, dass 80% der Nutzer glauben, mit einem Menschen zu sprechen. Ein Kollege behauptet: "Das beweist, dass der Chatbot Kundenprobleme versteht." Was ist die treffendste Antwort?
☐ A) Richtig — wenn Nutzer den Unterschied nicht erkennen, muss das System verstehen
☐ B) Falsch — der Turing-Test misst nur Verhaltensimitation, kein echtes Verstehen
☐ C) Falsch — der Chatbot müsste einen formalen Turing-Test bestehen, nicht nur Kunden täuschen
☐ D) Richtig — aber nur wenn der Chatbot auch neuartige Probleme lösen kann
3. Warum gilt die Dartmouth-Konferenz 1956 als "Geburt" der KI?
☐ A) Weil dort das erste KI-Programm vorgestellt wurde
☐ B) Weil die Teilnehmer das Problem der maschinellen Intelligenz lösten
☐ C) Weil sie dem Fachgebiet einen Namen, eine Gemeinschaft und ein gemeinsames Forschungsprogramm gab
☐ D) Weil dort das erste neuronale Netz entwickelt wurde
4. Logic Theorist, ELIZA und SHRDLU waren in ihren engen Domänen erfolgreich, scheiterten aber in der echten Welt. Was ist die treffendste Erklärung?
☐ A) Die Computer der 1960er Jahre waren zu langsam für komplexe KI
☐ B) Die Programmierer hatten nicht genug Daten zum Trainieren
☐ C) Alle drei basierten auf handcodierten Regeln, die nur abdecken konnten, was der Programmierer explizit vorhergesehen hatte
☐ D) Der Turing-Test setzte zu hohe Maßstäbe für diese frühen Programme
5. Ein Freund baut einen Chatbot, der wie ELIZA mit Schlüsselwort-Erkennung auf Benutzereingaben reagiert. Nutzer berichten, sie fühlten sich "verstanden". Welches Phänomen zeigt sich hier?
☐ A) Der Dartmouth-Effekt — Nutzer überschätzen KI aufgrund ihrer akademischen Herkunft
☐ B) Der ELIZA-Effekt — Menschen projizieren Verständnis auf Systeme, die nur Oberflächenmuster verarbeiten, weil wir kohärente Antworten als Beweis für Verstehen interpretieren
☐ C) Das Chinesische Zimmer — der Chatbot versteht tatsächlich die erkannten Schlüsselwörter
☐ D) Der Turing-Effekt — jedes System, das natürliche Sprache produziert, ist genuin intelligent
Auflösung: 1) B · 2) B · 3) C · 4) C · 5) B
Verständnischeck
Was misst der Turing-Test wirklich und warum ist das kein Beweis für echtes Verstehen?
Warum war die Dartmouth-Konferenz ein sozialer Meilenstein und kein technischer Durchbruch?
Welche gemeinsame Schwäche teilten die ersten KI-Programme und warum führte sie zum Scheitern?