Obwohl der Test ein Meilenstein in der Geschichte der Künstlichen Intelligenz ist, ist er umstritten. Zum Beispiel setzt der Test das sprachliche Verhalten einer Maschine mit deren Fähigkeit zu Denken gleich: er unterscheidet nicht zwischen dem, was der Computer sagt und dem, was der Computer meint. Es macht jedoch nur dann Sinn, einer Person oder einer Maschine Gedanken zuzuschreiben, wenn sie auch wirklich meint, was sie sagt. „Es ist aber ohne Weiteres denkbar, dass unser Gegenüber grammatisch wohlgeformte Sätze von sich gibt, ohne damit etwas zu meinen“ (Gruber et al. 2015, S. 20).

Möglich wäre natürlich auch, dass eine Maschine „absichtlich“ scheitert. So lässt der deutsche Autor Marc-Uwe Kling in Qualityland einen seiner Protagonisten sagen: „Eine  KI, die intelligent genug ist den Turing-Test zu bestehen, könnte auch intelligent genug sein ihn nicht zu bestehen.“

Trotzdem bleibt der Test  bis heute ein wichtiges Konzept in der Künstlichen Intelligenz.

1958 – Das Perzeptron

Schon in den 1950er Jahren entwicklelte der Psychologe Frank Rosenblatt ein lernfähiges künstliches Neuron – das sogenannte Perzeptron. Dieses einfache künstliche neuronale Netz schuf die Grundlagen für die Verfahren des maschinellen Lernens, auf denen die heutigen Erfolge moderner KI-Systeme beruhen. Kurze Informationen zu neuronalen Netzen finden Sie in dem folgenden Artikel.

Leider schnitt das Perzeptron damals gegenüber den Methoden der klassischen logischen Programmierung noch schlecht ab. So konnte es zum Beispiel die logische Funktion XOR nicht berechnen, mit der ein exklusives Entweder-Oder ausgedrückt werden kann (also zum Beispiel dass eine Person entweder Schokoladeneis ist oder Zitroneneis, aber nicht beide Sorten zusammen). Daher wurde die Forschung an neuronalen Netzen fast überhaupt nicht mehr unterstützt. Den Forschern war noch nicht bewusst, dass neuronale Netze mit mehreren Schichten diese und andere Probleme schnell behoben hätten. Die dazu geeigneten Lernverfahren wurden erst ca. 30 Jahre später entwickelt: Ab dem Jahr 1986 erlebte die Idee der künstlichen neuronalen Netze eine Wiederbelebung und wurde zu den fortschrittlichen Verfahren maschinellen Lernens weiterentwickelt, welche heute Anwendung finden. (Russell, Norvig 2012, S. 45, Lenzen 2020)

Späte 1960er bis 1970er Jahre – Der erste KI-Winter

Als erster KI-Winter wird der Zeitraum in den späten 1960er und 1970er Jahren bezeichnet, in dem das Interesse an der künstlichen Intelligenz stark abnahm und viele Forschungsprojekte auf diesem Gebiet eingestellt wurden.

Die Gründe dafür waren vielfältig. Die Erfindungen und Durchbrüche in den Jahren zuvor führten zu unrealistischen Erwartungen. So gingen einige Forscher in den frühen 1970er Jahren noch davon aus, dass Maschinen innerhalb eines Jahrzehnts menschliche Intelligenz erreichen könnten. Allerdings waren die Computer in dieser Zeit noch nicht leistungsfähig genug, um komplexe Aufgaben wie Spracherkennung und Bildverarbeitung effizient lösen zu können. Die ausbleibenden Erfolge führten zu Enttäuschungen und abnehmendem Interesse, so dass viele Regierungen und Unternehmen die Finanzierung von Forschungsprojekten im Bereich der künstlichen Intelligenz reduzierten oder ganz einstellten. Dies bedeutet aber nicht, dass es in diesem Jahrzehnt keinerlei Entwicklungen auf dem Gebiet der KI gab, sie standen lediglich nicht im Fokus des öffentlichen Interesses (vgl. Lenzen 2020 und Russell, Norvig 2012, S. 44f)

Späte 1980er und frühe 1990er Jahre – Der zweite KI-Winter

1981 kündigte Japan das sogenannte Computerprojekt der 5. Generation an (Russell, Norvig 2012, S. 48). Dieses hatte zum Ziel, innovative Computer zu entwickeln, die parallele Berechnungen und logische Programmierung nutzen, um so die technischen Beschränkungen herkömmlicher Computer zu überwinden. Sie sollten als Grundlage für die künftige Entwicklung künstlicher Intelligenz dienen (Kabaner S. 103; Rana S. 75). Wie schon vor dem ersten KI-Winter erwiesen sich diese Ziele als zu ehrgeizig und die Erwartungen als unrealistisch hoch. Das Scheitern dieses Projekts sowie die Ernüchterung gegenüber Expertensystemen führten zu einem zweiten KI-Winter.

2012 bis heute – Deep Learning

Die rasante Entwicklung im Bereich der KI lässt sich größtenteils mit den Fortschritten im Bereich des maschinellen Lernens, insbesondere des Deep Learnings (Tiefes Lernen), begründen. Deep Learning basiert auf sogenannten tiefen neuronalen Netzen, also solchen, die „üblicherweise Tausende, Millionen oder noch mehr“ künstliche Neuronen in mehreren verborgenen Schichten umfassen (Krohn, Beyleveld, Bassens, 2020).

Schon im obigen Beitrag zum Perzeptron wurde ersichtlich, dass die Idee der neuronalen Netze bereits in den 1950er Jahren entwickelt wurde. Dort mangelte es allerdings noch an Rechenleistung und zur Verfügung stehenden Daten, um die Technologie erfolgreich umsetzen zu können. Diese Einschränkungen gelten jedoch heutzutage nicht mehr, da die Rechenleistung enorm gestiegen ist und wir seit der Schaffung des World Wide Web einen exponentiellen Zuwachs von Daten erleben.

Ab dem Jahr 2012 gab es mehrere Durchbrüche auf den Gebieten der Sprach- und Bilderkennung durch den Einsatz tiefer neuronaler Netze. So errang das neuronale Netzwerk AlexNet im September 2012 einen überwältigenden Sieg bei der ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Dies ist ein Wettbewerb, der in den Jahren 2010 bis 2017 stattfand und dazu diente, den Fortschritt auf dem Gebiet der Bilderkennung und Klassifizierung zu fördern. Die spezielle, auf Bildverarbeitung und der Mustererkennung optimierte Architektur von AlexNet hat das Feld der Bilderkennung revolutioniert (Ranjan et al. 2020, S. 61). Seitdem haben solche Systeme Einzug in die Wirtschaft und unseren Alltag gefunden - etwa in Form von Sprachassistenten in Autos oder in automatisierten Sortieranlagen in der Landwirtschaft.

2016 - Erklärbare künstliche Intelligenz (XAI)

Erklärbare künstliche Intelligenz (engl. Explainable AI - kurz XAI) hat zum Ziel, die Entscheidungsfindung und Funktionsweise einer künstlichen Intelligenz in einer für den Menschen verständlichen Weise zu erklären und zu visualisieren. Sie ist insbesondere bei kritischen Anwendungen in Bereichen der Medizin, dem Militär und der Rechtswissenschaft von Bedeutung, bei denen menschliche Entscheidungen auf der Grundlage von Empfehlungen getroffen werden, die von tiefen neuronalen Netzen erstellt wurden. Diese Systeme treffen ihre Entscheidungen in einem Black-Box-Vorgang, d.h. es ist nicht nachvollziehbar, wie das System zur Lösung seines Problems gelangt ist. Dabei gilt: Je mächtiger das tiefe neuronale Netz ist, desto weniger nachvollziehbar ist sein Entscheidungsprozess.

Ein wichtiger Meilenstein in der Entwicklung der XAI war das Jahr 2016, als die DARPA (Defense Advanced Research Projects Agency) ein Forschungsprogramm zur Entwicklung von erklärungsfähigen KI-Systemen ins Leben gerufen hat. Seitdem haben zahlreiche Forschungsprojekte und Initiativen das Thema XAI weiter vorangetrieben.

Im November 2022 machte das US-amerikanische Unternehmen OpenAI den Chatbot ChatGPT öffentlich zugänglich. Schon innerhalb der ersten fünf Tage ab seiner Veröffentlichung registrierten sich eine Million Nutzer weltweit. GPT steht für „Generative Pre-trained Transformer“ und bezeichnet ein Sprachmodell, das darauf abzielt, sinnvolle, kohärente Antworten auf die schriftlichen Anfragen seiner Nutzer zu erzeugen. Die Antworten werden von einem tiefen neuronalen Netzwerk generiert, das darauf trainiert wurde, Muster und Beziehungen in Daten zu erkennen. Damit kann es Vorhersagen treffen oder eine breite Palette an Aufgaben in verschiedensten Bereichen erfüllen, von einfachen Fragen und Antworten bis hin zu komplexen kreativen Schreibaufgaben: Es kann ganze Aufsätze oder Reden schreiben, einfache mathematische Aufgaben lösen, Texte zusammenfassen oder Programme in unterschiedlichen Programmiersprachen schreiben. Dabei liegt der Fokus des Chatbots darauf, auf natürliche Weise mit seinem Nutzer zu interagieren. Dadurch entsteht beim Nutzer der Eindruck, dass er oder sie mit einem Menschen kommuniziert. Dies ist aber nur eine Illusion, da ChatGPT keine Zusammenhänge versteht sondern nur gemäß statistischen Zusammenhängen handelt und anders als ein Mensch nicht das versteht oder meint, was es von sich gibt.

Weitere textgenerierende Systeme anderer US-amerikanischer Technologie-Giganten wie der Bing Chat der Firma Microsoft (Februar 2023) oder Bard der Firma Google (März 2023) wurden kurz darauf veröffentlicht. Seitdem liefern sich diese und andere Unternehmen einen Konkurrenzkampf um Marktanteile und die fortschrittlichsten Sprachmodelle zur Verarbeitung und Erzeugung natürlicher Sprache.

Erwartungen an moderne KI-Systeme

Die hohen Erwartungen an moderne KI-Systeme spiegeln sich in den eindrucksvollen Vergleichen wider, mit denen versucht wird, ihre potentiellen Auswirkungen in Worte zu fassen. So bezeichnete Andrew Ng KI als „neue Elektrizität“ (Lynch, 2017). Auch der häufig verwendete Begriff der KI-Revolution verdeutlicht die grundlegenden, radikalen und nachhaltigen Veränderungen, die die Entwicklungen auf dem Gebiet der KI in den letzten Jahren mit sich gebracht haben. Dabei werden Parallelen zu früheren Industriellen Revolutionen gezogen: Während in der Vergangenheit Maschinen die körperliche Leistungsfähigkeit des Menschen verbesserten, wird erwartet, dass sie in der Ära der KI die geistigen Fähigkeiten von Menschen ergänzen und erweitern. (Bughin & Hazan, 2017)

Risiken moderner KI-Systeme

Doch nicht nur die Erwartungen an die KI-Revolution sind hoch. Wie jede Revolution hat sie weitreichende Auswirkungen auf die Gesellschaft als Ganzes und verläuft nicht reibungslos. Viele der oben beschriebenen generativen KI-Systeme werden von Menschen als faszinierend und beängstigend zugleich wahrgenommen (dpa, 2024). Beeindruckend sind beispielsweise Systeme zur simultanen Videoübersetzung, die in einer Sprache eingegebene Texte innerhalb kürzester Zeit in eine andere Sprache übersetzen und lippensynchron wiedergeben (Gramlich und Beck, 2023).

Allerdings ist das Missbrauchspotential solcher Systeme hoch, zum Beispiel in Form von Anrufen mit durch KI generierten oder manipulierten Stimmen. Der niedrigschwellige Zugang, die erhöhte Verfügbarkeit und die relativ einfache Bedienbarkeit solcher KI-Tools ermöglicht es auch Laien, sogenannte Deepfakes zu erzeugen. Als Deepfakes bezeichnet man realistisch wirkende, aber gefälschte Medieninhalte wie zum Beispiel Gesichter oder Stimmen in Videos, Audiodateien oder Fotos. Da diese KI-erstellten Medieninhalte täuschen echt sind, können sie von Menschen nur schwer als Manipulationen erkannt werden (Robertz, 2023). Somit müssen wir uns von der herkömmlichen Vorstellung verabschieden, dass ein Video oder Bild als unumstößlicher Beweis gilt. Ende März 2023 verbreitete sich beispielsweise das täuschend echt aussehende, KI-generierte Bild vom Papst im hippen Daunenmantel rasend schnell in den sozialen Netzwerken. Viele Menschen hielten das Foto für echt. Was bei diesem Bild zunächst witzig erscheint, kann zum Beispiel in politischen Kontexten wie Wahlkämpfen schwerwiegende Folgen haben, da die Möglichkeit besteht, gefälschte Bilder oder Videos zu generieren und zu Desinformationen verbreiten. (Klaus, 2023)

Als digitale Gegenmaßnahme gibt es hier zum Beispiel KI-Bilddetektoren, mit denen überprüft werden kann, ob ein vorliegendes Bild von einer KI generiert wurde.

Allerdings kann man sich auf solche Detektoren nicht hundert prozentig verlassen. Die Fähigkeiten, Fakten zu überprüfen, unechte Bilder und Videos von echten zu unterscheiden und eine gesunde kritische Distanz zu Medieninhalten zu haben, werden somit wichtiger denn je. (Gerl, 2023)