KI-Geschichte · Stand August 2026
Von Gauß’ kleinsten Quadraten bis zum Sprachmodell: zwei Eiszeiten, vier Durchbrüche und ein Rechentrick, der plötzlich alles verändert hat. Zum Mitscrollen, mit fünf Stationen zum Selberausprobieren.
Die vier Begriffe werden ständig synonym benutzt. Sie sind aber ineinander verschachtelt — jeder innere Ring ist ein Spezialfall des äußeren. Klick dich durch.
Vier Grundformen. Der Unterschied liegt nicht im Algorithmus, sondern darin, woher das Feedback kommt.
Jede Zeile hat eine richtige Antwort dabei. Das Modell rät, vergleicht, korrigiert sich — millionenfach. Die Etiketten muss vorher jemand vergeben haben.
Beispiel: 200.000 Verträge, jeder markiert „gekündigt / nicht gekündigt“ → Stornoprognose.
Keine Antworten, nur Daten. Das Modell sucht Struktur: Gruppen, Ausreißer, wiederkehrende Muster. Was die Gruppen bedeuten, muss der Mensch hinterher deuten.
Beispiel: Kundensegmente, die niemand vorher definiert hat.
Kein Etikett, sondern eine Belohnung — oft erst ganz am Ende. Das Modell probiert, bekommt Punkte, probiert wieder. Genau so hat AlphaGo gelernt.
Beispiel: Partie gewonnen = +1. Welcher der 200 Züge war schuld? Das ist die Kunst.
Der Trick hinter den LLMs: Die Etiketten stecken schon im Text. Verdecke das nächste Wort — fertig ist die Aufgabe mit richtiger Antwort. Beliebig oft, ohne einen einzigen Menschen.
Deshalb skaliert es: das halbe Internet ist plötzlich Trainingsmaterial.
Station 2 / 5
80 Tiere, für den Rechner nur zwei Zahlen pro Zeile: Gewicht und Schulterhöhe. Was daraus wird, hängt allein davon ab, ob jemand „Katze“ und „Hund“ drangeschrieben hat.
Bevor es die Zeitleiste losgeht, ein Schritt zurück — und zwar um 150 Jahre. Das Verfahren, mit dem heute ein Sprachmodell trainiert wird, ist im Kern dasselbe, das ein 24-Jähriger 1801 benutzt hat, um einen verlorenen Planeten wiederzufinden.
Giuseppe Piazzi entdeckt in Palermo den Kleinplaneten Ceres. Er verfolgt ihn 41 Tage lang über einen winzigen Himmelsausschnitt — dann zieht Ceres hinter die Sonne und ist weg. Niemand weiß, wo er wieder auftauchen wird.
Carl Friedrich Gauß, 24 Jahre alt, nimmt die paar Messpunkte und sucht die Bahn, bei der die Summe der quadrierten Abweichungen zu den Beobachtungen am kleinsten ist. Dann sagt er vorher, wo Ceres im Dezember stehen wird.
Franz Xaver von Zach findet ihn nahe der vorhergesagten Stelle wieder. Veröffentlicht wird die Methode der kleinsten Quadrate 1805 von Legendre und 1809 von Gauß — der behauptet, sie schon seit 1795 zu benutzen. Der Prioritätsstreit hält bis heute an.
Was hier passiert, ist wörtlich das, was wir heute überwachtes Lernen nennen: Daten rein, Parameter so lange verstellen, bis der Fehler minimal ist, dann eine Aussage über einen Fall treffen, den man nie gemessen hat. Nur hieß es damals Ausgleichsrechnung.
Station 1 / 5
Zehn Messpunkte, eine Gerade. Der Fehler jedes Punktes wird als Quadrat gezeichnet — die Fläche ist das, was minimiert wird. Dreh die Gerade und schau der Zahl beim Fallen zu.
Erster Schritt: Man hängt hinter die Summe eine S-Kurve, die jede Zahl auf einen Wert zwischen 0 und 1 zusammenquetscht. Aus „wie viel“ wird „wie wahrscheinlich“ — das ist die logistische Regression, seit den 1940er Jahren in Gebrauch und bis heute das Arbeitspferd im Kreditscoring, in der Epidemiologie und in der Tarifkalkulation. Station 2 weiter oben war bereits genau das: Die Trennlinie zwischen Katzen und Hunden entsteht auf diesem Weg, und die Prozentangabe am neuen Tier kommt aus dieser Kurve.
Die S-Kurve
Links kommt eine gewichtete Summe an — im Beispiel oben der Abstand zur Trennlinie. Rechts geht eine Wahrscheinlichkeit heraus. Die Kurve dazwischen ist der ganze Unterschied zwischen „wie viel“ und „wie wahrscheinlich“.
Zweiter Schritt: Man stapelt sehr viele davon. Der Trick steckt dabei in der S-Kurve zwischen den Schichten, nicht im Stapeln selbst: Ohne sie wäre das Stapeln vollkommen sinnlos. Die Verkettung linearer Abbildungen ist wieder eine lineare Abbildung — fünfzig Schichten könnten dann exakt dasselbe wie eine einzige. Erst weil zwischen den Schichten gekrümmt wird, kann eine Trennlinie aufhören, gerade zu sein.
Warum Stapeln überhaupt etwas bringt
Zweimal dieselben Daten: Eine Klasse umschließt die andere. Links das Beste, was eine einzelne logistische Regression hinbekommt — rechts, was zwei Schichten daraus machen.
Wie aus vier solchen Geraden ein geschlossenes Quadrat wird — mit allen siebzehn Zahlen zum Nachrechnen — steht auf einer eigenen Seite: Vier Geraden ergeben ein Quadrat.
Zwei weitere Dinge ändern sich beim Stapeln, und beide sind unbequem. Erstens sagt niemand den mittleren Neuronen, was sie darstellen sollen — anders als bei „Gewicht“ und „Schulterhöhe“ gibt es dort kein Etikett, die Zwischengrößen entstehen allein aus dem zurückgerechneten Fehler. Zweitens verliert die Fehlerfläche ihre Konvexität: Eine einzelne logistische Regression hat genau ein Minimum, und der Gradientenabstieg findet es beweisbar. Ein Netz hat viele, dazu Sattelpunkte und Plateaus. Aus einem gelösten Optimierungsproblem wird ab hier eine empirische Disziplin.
Ein Neuron ist eine logistische Regression
Eingänge mal Gewicht, aufsummiert, Schwellenwert dazu, durch die S-Kurve — fertig. Mehr steckt in einer einzelnen Recheneinheit nicht drin.
Damit ist der Bogen gespannt: Backpropagation von 1986 ist nichts anderes als Gauß’ Idee, angewandt auf einen solchen Stapel — Fehler messen, ausrechnen, welche Stellschraube wie stark schuld war, ein Stück nachjustieren, von vorn. Bei Gauß waren es sechs Bahnparameter. Bei Claude sind es einige hundert Milliarden.
Jeder Eintrag lässt sich aufklappen. Die Schiene links wird kalt, wenn das Geld ausbleibt.
Eine Handvoll Leute erfindet ein Forschungsfeld, gibt ihm einen Namen — und verschätzt sich beim Zeitplan um mehrere Jahrzehnte.
Warren McCulloch (Neurologe) und Walter Pitts (Logiker) beschreiben eine Nervenzelle als simplen Schalter: Sie summiert ihre Eingänge, und wenn die Summe eine Schwelle überschreitet, feuert sie. Mehr nicht.
Alan Turing eröffnet seinen Aufsatz „Computing Machinery and Intelligence“ mit „Können Maschinen denken?“ — und erklärt die Frage sofort für unbrauchbar, weil niemand „denken“ definieren kann. Sein Ersatz: das Imitationsspiel. Wenn ein Mensch im schriftlichen Dialog nicht unterscheiden kann, ob er mit Mensch oder Maschine schreibt, sollen wir aufhören zu streiten.
John McCarthy braucht 1955 einen Titel für einen Förderantrag an die Rockefeller Foundation. Er will sich von der damals dominierenden „Kybernetik“ absetzen und schreibt „Artificial Intelligence“ — nach eigener Aussage vor allem, um Diskussionen mit Norbert Wiener aus dem Weg zu gehen. Im Sommer 1956 treffen sich rund zehn Forscher acht Wochen lang in Dartmouth.
Im Antrag steht der Satz, jedes Merkmal von Intelligenz lasse sich so präzise beschreiben, dass eine Maschine es simulieren könne. Man rechnete mit nennenswerten Fortschritten binnen eines Sommers.
Frank Rosenblatt baut am Cornell Aeronautical Laboratory das Mark I Perceptron: keine Software, sondern Hardware mit Potentiometern, die von Motoren verstellt werden. Es lernt, einfache Muster zu unterscheiden — indem es rät und bei Fehlern die Gewichte nachjustiert.
Joseph Weizenbaum programmiert am MIT ELIZA — 200 Zeilen Mustererkennung, die einen Psychotherapeuten imitieren: „Ich habe Probleme mit meinem Vater“ → „Erzählen Sie mir mehr über Ihren Vater.“ Kein Verständnis, nur Umformulierung.
Weizenbaum ist entsetzt, wie ernst die Leute das nehmen. Seine eigene Sekretärin bittet ihn, den Raum zu verlassen, damit sie ungestört „reden“ kann.
Marvin Minsky und Seymour Papert beweisen in ihrem Buch „Perceptrons“: Ein einlagiges Perzeptron kann nicht einmal „entweder oder“ (XOR) lernen. Es kann nur eine gerade Linie ziehen — und manche Probleme brauchen eben keine Gerade.
Nicht die Technik scheitert zuerst, sondern das Versprechen. Wer 1958 vollautomatische Übersetzung „in wenigen Jahren“ ankündigt, bekommt 1974 kein Geld mehr.
Der Mathematiker James Lighthill begutachtet im Auftrag des britischen Forschungsrats das Feld und kommt zum Schluss: In keinem Bereich habe die KI-Forschung die angekündigten Ergebnisse geliefert. Sein Kernvorwurf ist die kombinatorische Explosion — Verfahren, die im Spielzeug-Beispiel funktionieren, ersticken an realistischen Problemgrößen.
Winter heißt nicht Stillstand, sondern Förderstopp. Wesentliche Bausteine entstehen trotzdem — das Backpropagation-Verfahren etwa wird in dieser Zeit mehrfach unabhängig hergeleitet (Seppo Linnainmaa 1970, Paul Werbos 1974), nur beachtet es niemand.
Der Ausweg aus dem Winter heißt Bescheidenheit. Statt „allgemeine Intelligenz“ nur noch ein eng umrissenes Fachgebiet — und darin sehr viele handgeschriebene Wenn-dann-Regeln.
Digital Equipment Corporation setzt XCON (auch R1) ein, um Bestellungen für VAX-Rechner zu konfigurieren: Welche Karte passt in welchen Slot, welches Kabel fehlt noch? Anfangs rund 750 Regeln, später mehrere tausend. Das System spart dem Konzern nach eigenen Angaben zweistellige Millionenbeträge pro Jahr.
Verwandt: MYCIN aus Stanford diagnostiziert Blutinfektionen und schlägt Antibiotika vor — in Tests auf dem Niveau von Fachärzten. Eingesetzt wurde es nie; Haftungs- und Akzeptanzfragen. Auch das kommt uns bekannt vor.
David Rumelhart, Geoffrey Hinton und Ronald Williams veröffentlichen in Nature die Lernregel für mehrschichtige Netze. Die Idee: Man misst den Fehler am Ausgang und rechnet ihn Schicht für Schicht rückwärts, um zu bestimmen, welche Gewichte wie stark schuld waren. Im Kern ist das die Kettenregel aus der Schulmathematik.
Yann LeCun trainiert bei AT&T Bell Labs ein faltendes Netz (CNN) darauf, handgeschriebene Ziffern auf Briefumschlägen zu erkennen. Das System geht in den Produktivbetrieb und liest zeitweise einen erheblichen Teil der US-Schecks.
Expertensysteme haben ein Skalierungsproblem: Bei 10.000 Regeln widersprechen sich die Regeln gegenseitig, und jede Änderung an der Realität muss von Hand nachgepflegt werden. Gleichzeitig bricht der Markt für die spezialisierte LISP-Hardware zusammen — normale Arbeitsplatzrechner sind inzwischen schneller und viel billiger.
Die Systeme sind spröde: Sie sind exzellent innerhalb ihres Regelwerks und vollkommen hilflos einen Schritt daneben. Wissen aus Expertenköpfen in Regeln zu überführen („knowledge acquisition bottleneck“) erweist sich als der teuerste Teil des Projekts — und er hört nie auf.
Sepp Hochreiter und Jürgen Schmidhuber lösen mit dem LSTM das Problem, dass Netze über lange Sequenzen hinweg „vergessen“. Es wird zwei Jahrzehnte lang die Grundlage für Spracherkennung und maschinelle Übersetzung — bis 2017 der Transformer kommt.
Der erste Moment, in dem eine Maschine öffentlich sichtbar einen Menschen in dessen Paradedisziplin schlägt. Und ausgerechnet dieser Sieg enthält kein maschinelles Lernen.
Ein Jahr zuvor hatte Kasparow dieselbe Maschine noch 4:2 geschlagen. Die überarbeitete Version bewertet rund 200 Millionen Stellungen pro Sekunde auf Spezialchips. Ihre Schachkenntnis stammt aber komplett von Menschen: Großmeister Joel Benjamin half, die Bewertungsfunktion zu justieren — Figurenwert, Königssicherheit, Bauernstruktur, alles von Hand gewichtet.
Kasparow verlor die entscheidende Partie nach einem frühen Fehler in einer bekannten Eröffnungsvariante. Legendär wurde ein für ihn unerklärlicher Zug der Maschine, den er für Zeichen überlegener Tiefe hielt — Entwickler erklärten ihn später mit einem Fehlerfall, der zu einem Zufallszug führte.
Station 3 / 5
Jeder Zug öffnet neue Antwortzüge. Klick dich Ebene für Ebene tiefer und schau zu, wie die Zahlen davonlaufen. Genau das meinte Lighthill 1973.
Die Verfahren waren alt — LeCuns faltendes Netz las 1989 bereits Postleitzahlen im Produktivbetrieb, siehe oben. Neu waren: sehr viele beschriftete Daten, Grafikkarten als billige Rechenknechte — und ein paar handwerkliche Tricks, die tiefe Netze überhaupt erst zuverlässig trainierbar machten. Diese Jahreszahlen datieren die Verbreitung, nicht die Erfindung.
Fei-Fei Li lässt über Amazon Mechanical Turk Millionen Bilder von Menschen beschriften — rund 14 Millionen Bilder in gut 20.000 Kategorien. Die Fachwelt hält das für eine Fleißarbeit ohne Erkenntniswert.
Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton gewinnen den ImageNet-Wettbewerb mit einem tiefen Faltungsnetz, trainiert auf zwei handelsüblichen Gaming-Grafikkarten. Die Fehlerquote fällt von 26 % auf 15 %. Der Abstand zum zweiten Platz ist so groß, dass innerhalb eines Jahres praktisch das gesamte Feld die Methode wechselt.
Die Zahlen dahinterDer Wettbewerb nutzte nicht die ganze Datenbank, sondern 1000 der gut 20.000 Kategorien: 1.281.167 Trainingsbilder und 100.000 Testbilder, deren Labels nie veröffentlicht wurden — man reichte Vorhersagen ein und bekam eine Zahl zurück. Die 15 % sind der Top-5-Fehler: Das Netz gibt fünf Vorschläge ab, und bei rund 15.300 Bildern war die richtige Kategorie unter keinem davon. Mit nur einem Versuch lag AlexNet bei 37,5 %.
Ian Goodfellow stellt Netze gegeneinander: Eines erzeugt Fälschungen, das andere versucht sie zu entlarven. Beide werden dabei besser. Die ersten fotorealistischen Gesichter erfundener Menschen entstehen so.
Go galt als das Spiel, bei dem Computer noch Jahrzehnte brauchen würden. Es gibt mehr legale Go-Stellungen als Atome im beobachtbaren Universum — Durchrechnen ist prinzipiell ausgeschlossen. Die Firma, die es trotzdem löste, hatte sich genau darauf vorbereitet.
Demis Hassabis, Shane Legg und Mustafa Suleyman gründen DeepMind. Hassabis’ Lebenslauf ist selbst schon eine Antwort auf die Frage, wie man an KI herangeht: Schachmeister mit dreizehn, mit siebzehn Mitentwickler des Computerspiels Theme Park, danach Promotion in kognitiver Neurowissenschaft über Gedächtnis und Vorstellungskraft.
Das erklärte Ziel war nie ein einzelnes Produkt, sondern „Intelligenz lösen und damit alles andere lösen“. Als Trainingsumgebung wählte man Spiele — weil sie klare Regeln, unbegrenzt viele Durchläufe und eine eindeutige Erfolgsmessung liefern. 2014 kauft Google die Firma für einen Betrag in der Größenordnung von einer halben Milliarde Dollar; Teil der Vereinbarung ist ein Ethikgremium und der Ausschluss militärischer Nutzung.
Vor Go kommt DQN — ein Netz, das klassische Atari-Spiele allein aus den Pixeln des Bildschirms und dem Punktestand lernt. Kein Regelwissen, keine spielspezifische Programmierung: derselbe Algorithmus, dieselben Einstellungen für alle 49 Spiele. In etwa der Hälfte erreicht es menschliches Niveau oder besser. Die Arbeit erscheint 2015 in Nature.
Berühmt wurde die Beobachtung bei Breakout: Nach einigen hundert Partien entdeckt das System von selbst, dass es sich lohnt, einen Tunnel an den Rand zu graben und den Ball hinter der Mauer einzusperren — eine Strategie, die niemand einprogrammiert hatte.
AlphaGo schlägt den amtierenden Europameister Fan Hui 5:0 — der erste Sieg eines Programms gegen einen Go-Profi auf dem vollen 19×19-Brett ohne Vorgabesteine. Das Ergebnis bleibt bis zur Veröffentlichung in Nature im Januar 2016 unter Verschluss. Die Fachwelt hatte solche Fortschritte erst für das nächste Jahrzehnt erwartet.
Fünf Partien in Seoul, eine Million Dollar Preisgeld, geschätzt zweihundert Millionen Zuschauer weltweit. Lee Sedol, seit einem Jahrzehnt einer der besten Spieler der Welt, hatte vorab mit 5:0 oder 4:1 für sich gerechnet.
Zug 37, Partie zwei: AlphaGo setzt eine Schulterberührung auf der fünften Linie — einen Zug, den nach damaliger Lehre kein Profi spielt. Die Kommentatoren halten ihn zuerst für einen Fehler, Lee verlässt sichtlich irritiert den Raum. Der Zug entscheidet die Partie. Die vom System selbst geschätzte Wahrscheinlichkeit, dass ein Mensch ihn gespielt hätte: etwa eins zu zehntausend.
Zug 78, Partie vier: Lee antwortet mit einem Keil zwischen die weißen Steine, der in Korea seither „der göttliche Zug“ heißt. AlphaGos Bewertung bricht danach zusammen, es spielt mehrere schwache Züge und verliert. Es bleibt die einzige Partie, die ein Mensch in offizieller Wertung gegen diese Programmlinie gewinnt.
Im Mai 2017 schlägt AlphaGo den damaligen Weltranglistenersten Ke Jie im chinesischen Wuzhen 3:0 und wird anschließend aus dem Wettkampf genommen.
Im Oktober folgt AlphaGo Zero: kein menschliches Spielmaterial mehr, nur die Regeln und Partien gegen sich selbst. Nach drei Tagen schlägt es die Lee-Sedol-Version 100:0. Zwei Monate später verallgemeinert AlphaZero dasselbe Verfahren auf Schach und Shogi und spielt nach wenigen Stunden Selbstspiel auf einem Niveau, das die jahrzehntelang optimierten Spezialprogramme übertrifft. 2019 kommt MuZero dazu — es lernt sogar ohne die Regeln zu kennen.
Lee Sedol beendet seine Profilaufbahn und nennt die KI als Grund: Selbst wer Nummer eins werde, stehe nun einer Instanz gegenüber, die nicht zu schlagen sei.
Im Go selbst ist das Ergebnis ambivalenter, als diese Geste vermuten lässt: Die Eröffnungstheorie wurde binnen weniger Jahre umgeschrieben, lange verpönte Züge sind rehabilitiert, und Profis trainieren heute selbstverständlich mit KI-Analyse. Das Spiel ist nicht gestorben, es hat sich verändert.
Was AlphaGo anders macht als Deep Blue
Beide durchsuchen einen Zugbaum. Der Unterschied liegt darin, wer entscheidet, welche Äste überhaupt betrachtet werden — und woher die Bewertung kommt.
Der Moment, in dem KI aufhört, Spiele zu gewinnen, und anfängt, ein 50 Jahre offenes naturwissenschaftliches Problem zu lösen.
Proteine sind Ketten aus Aminosäuren, die sich in eine dreidimensionale Form falten — und nur diese Form bestimmt ihre Funktion. Die Kette kennt man leicht, die Form nur über aufwendige Kristallografie: oft Jahre Laborarbeit pro Protein.
Bei CASP14, dem alle zwei Jahre stattfindenden Blindtest der Fachwelt, erreicht DeepMinds AlphaFold 2 eine Genauigkeit, die mit experimenteller Messung vergleichbar ist. Die Organisatoren erklären das Kernproblem im Wesentlichen für gelöst. 2021 wird der Code offengelegt, danach entsteht eine Datenbank mit über 200 Millionen vorhergesagten Strukturen — praktisch alle bekannten Proteine.
Eine Architektur aus dem Jahr 2017, ein Trainingsziel aus der Grundschule und sehr, sehr viel Rechenleistung.
Acht Google-Forscher stellen den Transformer vor. Bisherige Sprachmodelle lasen Text Wort für Wort in Reihe — schlecht parallelisierbar und vergesslich. Der Transformer sieht den ganzen Abschnitt auf einmal und lernt für jedes Wort, auf welche anderen Wörter es achten muss (Attention). In „Der Anwalt gab dem Mandanten seine Akte, weil er sie brauchte“ lernt das Modell, worauf sich „er“ bezieht.
175 Milliarden Parameter. Die eigentliche Entdeckung ist aber nicht die Größe, sondern ihre Vorhersagbarkeit: Modellgröße, Datenmenge und Rechenaufwand hängen mit der Qualität über erstaunlich glatte Kurven zusammen. Man kann vor dem Training ausrechnen, wie gut das Ergebnis wird.
Dazu kommt ein unerwartetes Verhalten: Aufgaben, für die niemand trainiert hat — Übersetzen, Zusammenfassen, Code — funktionieren ab einer gewissen Größe plötzlich, allein aufgrund weniger Beispiele im Prompt.
Am 30. November 2022 veröffentlicht OpenAI ChatGPT. Das zugrundeliegende Modell ist Monate alt. Neu ist zweierlei: ein Chatfenster, das jeder bedienen kann, und RLHF — Menschen bewerten Antworten, das Modell wird darauf trainiert, die bevorzugten zu treffen. Aus einem Textvervollständiger wird ein Assistent, der Anweisungen befolgt.
Seither drei Entwicklungslinien: multimodal — ein Modell verarbeitet Text, Bild, Audio und Video gemeinsam. Reasoning — Modelle, die vor der Antwort erst intern eine Gedankenkette produzieren; Rechenzeit wird von der Trainings- in die Antwortphase verschoben. Agenten — Modelle bekommen Werkzeuge (Suche, Datenbank, Terminal) und arbeiten mehrstufige Aufgaben selbstständig ab.
Station 4 / 5
Es sagt das nächste Textstück voraus. Immer nur das nächste. Alles andere — Übersetzen, Zusammenfassen, Programmieren — fällt aus dieser einen Fähigkeit ab. Klick auf ein Wort, um es zu übernehmen.
Hinweis: vorberechnete Beispielwerte zur Veranschaulichung, hier läuft kein echtes Modell. Ein reales Modell verteilt die Wahrscheinlichkeit über rund 100.000 mögliche Textstücke — hier siehst du jeweils die besten fünf.
Vier Bilder, dann ist der Aufbau eines Modells wie Claude erklärt — und danach der ehrliche Teil: welche Angaben dazu öffentlich sind und welche nicht.
Attention: worauf ein Wort schaut
Klick ein Wort an. Die Bögen zeigen, aus welchen anderen Wörtern es Information zieht — je dicker, desto stärker. Genau das lernt ein Transformer, und zwar für jedes Wort gleichzeitig.
Drei Bauformen — und warum heute alle dasselbe nehmen
Derselbe Transformer, drei Verdrahtungen. Der Unterschied ist nur, wer wen sehen darf.
Was in einem einzelnen Block passiert
Zwei Rechenschritte und zwei Abkürzungen. Mehr ist ein Transformer-Block nicht — er wird nur sehr oft gestapelt.
Der ganze Weg, einmal durch
Für jedes einzelne Token wird diese Kette komplett durchgerechnet.
Die Architektur oben ist nur das Blech. Was ein Modell im Alltag brauchbar macht, entsteht in vier Phasen. Klick dich durch.
Weniger, als man denkt — und das gilt für praktisch alle Anbieter gleichermaßen. Die Bauform ist bekannt, die Maße sind es nicht.
Praktische Konsequenz: Wenn jemand sagt, Modell X habe Y Milliarden Parameter — nach der Quelle fragen. Bei den offenen Modellen (Llama, Mistral, Qwen) stimmen solche Zahlen, bei den geschlossenen sind sie Kaffeesatz.
Die interessanteste Messgröße der letzten Jahre stammt vom Evaluations-Institut METR, nicht von einem Anbieter. Sie fragt nach der Dauer statt nach der Klugheit: „wie lange am Stück“ — und liefert damit die einzige Zahl auf dieser Seite, die nach vorn zeigt.
METRs eigene Definition: der 50-%-Zeithorizont ist die Aufgabenlänge — gemessen daran, wie lange ein menschlicher Fachmann dafür braucht —, bei der man mit 50 % Zuversicht vorhersagt, dass das Modell sie schafft. Ein Horizont von einer Stunde heißt also nicht, dass das Modell eine Stunde rechnet. Gemeint sind Aufgaben, für die ein Profi rund eine Stunde braucht.
Station 5 / 5
Achtung auf die y-Achse: Jeder Schritt nach oben ist eine Verzehnfachung. Eine gerade Linie in diesem Bild bedeutet exponentielles Wachstum. Gefüllte Punkte waren zu ihrer Zeit das jeweils beste gemessene Modell.
| Modell | Veröffentlicht | 50 % | 80 % |
|---|
Alle Zahlen in diesem Abschnitt stammen aus METRs veröffentlichtem Datensatz benchmark_results_1_1.yaml, abgerufen am 20. August 2026 (26 Modelle, Stand 7. April 2026). Kontext: metr.org/time-horizons, Methodik im Aufsatz Measuring AI Ability to Complete Long Tasks und im Update Time Horizon 1.1. Es kommen laufend Modelle dazu; die verlinkte Originalseite ist immer aktueller als diese hier.
Nicht „wann kommt die AGI“. Sondern: Welche unserer Aufgaben dauern weniger als zwei Stunden, lassen sich klar beschreiben und maschinell überprüfen? Genau die sind heute schon dran. Alles, was Kontext aus dem Haus, Abstimmung oder Verantwortung braucht, kommt auf dieser Kurve überhaupt nicht vor. Das ist der größere Teil unserer Arbeit.
Der Zeithorizont im vorigen Abschnitt misst ausschließlich Aufgaben am Bildschirm. Sobald etwas angefasst werden muss, gelten andere Regeln — und ausgerechnet dort sind die Fortschritte am schwersten vorherzusagen.
Hans Moravec hat die Beobachtung formuliert, die sich durch diese ganze Geschichte zieht: Was Menschen schwerfällt, fällt Maschinen leicht — und umgekehrt. Schach auf Großmeisterniveau: 1997 erledigt. Eine Tasse aus einem unaufgeräumten Regal nehmen, ohne sie fallen zu lassen: bis heute ein Forschungsthema.
Moravecs Erklärung ist evolutionär: Wahrnehmung und Bewegung sind seit Hunderten von Millionen Jahren im Training, abstraktes Schließen erst seit wenigen zehntausend. Das Schwierige wirkt für uns leicht, weil es unbewusst und ausgereift abläuft.
Warum der Sprung so groß ist
Es ist nicht nur „schwerer“. Es ist eine andere Art von Aufgabe.
Statt für jeden Greifer ein eigenes Programm: Vision-Language-Action-Modelle. Sie bekommen ein Kamerabild und einen Auftrag in normaler Sprache und geben direkt Gelenkbefehle aus — dieselbe Bauform wie ein Sprachmodell, nur mit Motorbefehlen statt Wörtern als Ausgabe.
Googles RT-1 und RT-2 haben das ab 2022 gezeigt: Weltwissen aus dem Web landet in Roboterhandlungen.
Das Nadelöhr ist nicht die Rechenleistung, sondern das Material. Beim Projekt Open X-Embodiment haben über dreißig Labore ihre Aufzeichnungen zusammengelegt — Daten von mehr als zwanzig Robotertypen, weit über eine Million aufgezeichneter Handlungen.
Der bewusste Nachbau dessen, was ImageNet 2009 für die Bilderkennung war.
Weil echte Bewegungsdaten teuer sind, wird zunehmend in physikalischen Simulationen trainiert und das Gelernte auf die echte Maschine übertragen. Dazu kommen Weltmodelle: Systeme, die vorhersagen, wie eine Szene weitergeht — Übungsgelände ohne Hardware.
Der Haken heißt Sim-to-Real-Lücke: Simulierte Physik ist nie ganz die echte.
Eine Reihe gut finanzierter Unternehmen baut menschenähnliche Roboter — die Idee dahinter: Wenn eine Maschine die Form eines Menschen hat, passt sie in eine Welt, die für Menschen gebaut ist, und kann von menschlichen Vorführungen lernen.
Ob die Menschenform der richtige Weg ist, ist offen und wird in der Fachwelt kontrovers diskutiert.
Diese Zeitleiste erzählt bis hierher eine angelsächsische Geschichte — Dartmouth, Bell Labs, London, San Francisco. Das war bis etwa 2023 halbwegs vollständig. Heute ist es das nicht mehr.
Der Moment, an dem das breit auffiel, war der 27. Januar 2025. Das chinesische Labor DeepSeek hatte kurz zuvor ein frei herunterladbares Modell veröffentlicht, das mit den besten geschlossenen Modellen mithielt — und dessen Trainingskosten mit einer Zahl angegeben wurden, die um eine Größenordnung unter dem lag, was man erwartet hatte. Die US-Technologiebörsen reagierten mit dem größten Tagesverlust, den ein einzelnes Unternehmen dort je erlebt hat.
Die genannte Summe bezog sich nur auf den finalen Trainingslauf, nicht auf Forschung, Personal und Vorversuche — der Vergleich war also unfair. Das Ergebnis blieb trotzdem bestehen: Der Abstand war deutlich kleiner als angenommen, und das Modell lag offen.
Seit 2022 dürfen die schnellsten KI-Chips nicht mehr nach China exportiert werden. Die Antwort der dortigen Labore war nicht Aufgeben, sondern ein Forschungsschwerpunkt auf Sparsamkeit: bessere Architekturen, gemischte Expertenmodelle, bei denen pro Anfrage nur ein Bruchteil der Parameter rechnet, aggressive Quantisierung.
Ein Teil dieser Techniken wird inzwischen weltweit übernommen.
Auffällig ist, wie veröffentlicht wird: Viele chinesische Spitzenmodelle sind frei herunterladbar, teils unter sehr freizügigen Lizenzen. Wer die Modelle stellt, auf denen andere aufbauen, setzt die Standards — unabhängig davon, wer das beste geschlossene Modell hat.
Ein erheblicher Teil der weltweit angepassten offenen Modelle baut inzwischen auf chinesischen Grundmodellen auf.
China installiert seit Jahren etwa so viele Industrieroboter wie der gesamte Rest der Welt zusammen und hat eine dichte Zulieferkette für Motoren, Getriebe und Sensorik. Für Physical AI ist das die entscheidende Ausgangslage — hier zählt nicht nur das Modell, sondern wer die Hardware in Stückzahlen bauen kann.
Humanoide aus chinesischer Produktion liegen preislich weit unter westlichen Vergleichsmodellen.
Bei der Zahl der KI-Veröffentlichungen liegt China seit Jahren vorn; das galt lange als Mengeneffekt. Inzwischen ist der Vorsprung auch bei den viel zitierten Arbeiten sichtbar — und die einschlägigen Konferenzbeiträge stammen zu einem großen Teil aus chinesischen Instituten.
Staatliches Ziel seit 2017: bis 2030 weltweit führend zu sein.
Dieser Abschnitt beschreibt die Lage bis Anfang 2026 und ist der Teil dieser Seite, der am schnellsten veraltet — ein Abgleich mit dem aktuellen Stand lohnt sich.
Die vier Schlüsselsysteme nebeneinander — der Unterschied liegt jedes Mal darin, woher das Wissen kommt.
| System | Jahr | Woher kommt das Wissen? | Was war neu | Übertragbar auf anderes? |
|---|---|---|---|---|
| Deep Blue | 1997 | Von Menschen einprogrammiert: Bewertungsfunktion, Eröffnungsbuch | Spezialhardware, 200 Mio. Stellungen/Sek. | Nein — konnte nur Schach |
| AlphaGo | 2016 | Erst aus menschlichen Partien, dann aus Spielen gegen sich selbst | Gelernte Stellungsbewertung statt vorgegebener; Zug 37 | Teilweise — AlphaZero lernte auch Schach und Shogi |
| AlphaFold | 2020 | Aus 170.000 experimentell bestimmten Proteinstrukturen | Erstes gelöstes Grundlagenproblem der Naturwissenschaft | Die Methode ja, das Modell nein |
| LLM | 2020 → | Aus Text im Internet-Maßstab, ohne menschliche Beschriftung | Eine Aufgabe (nächstes Wort) erzeugt hunderte Fähigkeiten | Ja — das ist der eigentliche Bruch |
Kleinste Quadrate 1805, Neuron 1943, Backpropagation 1986, Transformer 2017. Was sich geändert hat, sind Daten und Rechenleistung — nicht die Mathematik. Das relativiert Prognosen in beide Richtungen.
Schach galt als Inbegriff des Denkens — bis eine Maschine es konnte, dann war es „nur Rechnen“. Larry Tesler: KI sei alles, was noch nicht funktioniert. Rechne damit, dass die heutigen Fähigkeiten in fünf Jahren als selbstverständlich gelten.
Beide Male funktionierte die Technik durchaus — nur nicht so, wie versprochen. Wer heute Erwartungen setzt, entscheidet mit darüber, ob es einen dritten Winter gibt.
Was gemessen wird — Aufgaben am Bildschirm, in englischer Sprache, aus einer Handvoll Labore — ist nicht das ganze Feld. Die physische Welt und ein Gutteil der Weltkarte kommen in den meisten Kurven schlicht nicht vor. Wer nur den Ausschnitt sieht, überschätzt und unterschätzt gleichzeitig.
Zum Nachschlagen, wenn eine der Vokabeln fehlt.
| Begriff | Seit | In einem Satz |
|---|---|---|
| Künstliche Intelligenz | 1956 | Oberbegriff für alles, was Maschinen Aufgaben lösen lässt, die man beim Menschen „intelligent“ nennen würde. |
| Machine Learning | 1959 | Teilgebiet der KI: Regeln werden aus Beispielen gelernt statt programmiert. |
| Neuronales Netz | 1943 | Rechenmodell aus Schichten einfacher Schalter mit einstellbaren Gewichten. |
| Deep Learning | 1989 · 2012 | Neuronale Netze mit vielen Schichten; die relevanten Merkmale werden mitgelernt. Lief bei LeCun 1989 schon im Produktivbetrieb — durchgesetzt hat es sich erst 2012 mit ImageNet und Grafikkarten. |
| Backpropagation | 1986 | Verfahren, um den Fehler rückwärts durchs Netz zu verteilen — der Trainingsmotor. |
| Transformer | 2017 | Architektur, die für jedes Wort lernt, auf welche anderen Wörter es achten muss. |
| Token | — | Kleinste Verarbeitungseinheit eines Sprachmodells; oft ein Wortteil, nicht ein Wort. |
| Parameter | — | Die einstellbaren Zahlen im Netz — die Stellschrauben, die beim Training justiert werden. |
| LLM | 2018 | Großes Sprachmodell: Transformer, trainiert auf Vorhersage des nächsten Tokens. |
| RLHF | 2022 | Nachtraining anhand menschlicher Präferenzen — macht aus dem Textvervollständiger einen Assistenten. |
| Halluzination | — | Flüssig formulierte, sachlich falsche Ausgabe — Nebenprodukt derselben Wahrscheinlichkeitsrechnerei. |
| Generative KI | 2014 → | Modelle, die neue Inhalte erzeugen statt nur zu klassifizieren. |
| Agent | 2023 → | Sprachmodell mit Werkzeugzugriff, das mehrstufige Aufgaben selbstständig abarbeitet. |
| Reinforcement Learning | 1980er | Lernen aus Belohnung statt aus Etiketten — Grundlage von AlphaGo und des heutigen Nachtrainings. |
| Mixture of Experts | 2017 → | Modell aus vielen Teilnetzen, von denen pro Anfrage nur wenige rechnen: mehr Wissen bei gleicher Rechenzeit. |
| Offene Gewichte | — | Modell zum Herunterladen und Selbstbetreiben. Nicht dasselbe wie quelloffen — Trainingsdaten und Trainingscode fehlen meist. |
| VLA-Modell | 2022 → | Vision-Language-Action: erzeugt aus Kamerabild und Auftrag direkt Bewegungsbefehle. |
| Weltmodell | 2018 → | System, das vorhersagt, wie eine Szene weitergeht — Übungsgelände für Roboter ohne Hardware. |
| Moravecs Paradox | 1988 | Was Menschen leichtfällt (greifen, gehen), fällt Maschinen schwer — und umgekehrt. |
bewertete Stellungen pro Sekunde, 1997 — auf Spezialchips.
legale Stellungen. Atome im beobachtbaren Universum: rund 1080.
Fehlerquote bei ImageNet in einem einzigen Jahr, 2012.
vorhergesagte Proteinstrukturen in der offenen Datenbank.
bis 100 Mio. Nutzer, ab dem 30. November 2022.
Förderflaute insgesamt: 1974–1980 und 1987–1993.
um so viel fällt er, wenn man statt 50 % eine Trefferquote von 80 % verlangt.
gegen die Version, die Lee Sedol schlug — nach drei Tagen ohne menschliche Partien.