Vorlesung 3: KI‑Winter — Ursachen, Folgen und Lehren

Teil 1 (20 Minuten): Was ist ein KI‑Winter? Eine verständliche Einführung

Dauer: ca. 20 Minuten

Der Ausdruck „KI‑Winter“ bezeichnet in der historischen Betrachtung wiederkehrende Perioden, in denen das öffentliche Interesse, die privaten Investitionen und staatliche Fördermittel für die Forschung an künstlicher Intelligenz (KI) deutlich zurückgingen. Die Metapher „Winter“ soll eine Phase der Abkühlung oder des Stillstands beschreiben, nach einer zuvor heißen Phase von hoher Erwartung und starkem Optimismus. Dieses Grundverständnis entspricht der gebräuchlichen Definition in einschlägigen historischen Übersichten (vgl. Einträge zu "AI winter" und zur Geschichte der KI).

Eine eingängige Analogie: Man kann sich die Entwicklung einer Technologie wie einen Garten vorstellen. In Phasen hoher Erwartungen werden viele Samen ausgesät und kräftig gegossen. Wenn jedoch das Wachstum ausbleibt, werden Saaten vertrocknen und der Gärtner zieht sich zurück. Ein KI‑Winter ist folglich eine Phase, in der das Gießen (Finanzierung, Aufmerksamkeit) stark reduziert wird, weil die beabsichtigten Erträge nicht eingetreten sind.

Historisch lassen sich mehrere Ursachen für solche Einbrüche identifizieren. Beispiele, die oft in Übersichten zur Geschichte der KI genannt werden, sind kritische Gutachten und Berichte, die negative Bewertungen der erzielten Fortschritte lieferten; technologische Beschränkungen wie begrenzte Rechenleistung und Datengrundlagen; sowie methodische Probleme einzelner Ansätze, die sich als zu spezialisiert oder zu brüchig erwiesen. Konkrete historische Belege für diese Entwicklungen sind in Berichten und Analysen der Zeit zu finden (etwa Berichte über den ALPAC‑Report zur maschinellen Übersetzung, den Lighthill‑Report im Vereinigten Königreich und Diskussionen um die Grenzen der Perzeptron‑Theorie).

Wichtig ist, hier zwei Punkte klar zu trennen: Die Metapher „KI‑Winter“ benennt ein sozio‑ökonomisches und forschungspolitisches Phänomen (Rückgang von Fördermitteln und Interesse). Die Ursachen für einen solchen Rückgang sind in historischen Fallstudien untersucht worden, wobei die Gewichtung einzelner Ursachen unter Forschenden und Historikern unterschiedlich beurteilt wird.

Teil 2 (20 Minuten): Tiefer einsteigen — Fachbegriffe und Ursachen präziser erklärt

Dauer: ca. 20 Minuten

Um die Phänomene rund um KI‑Winter analytisch zu fassen, führen wir zentrale Fachbegriffe ein und verbinden sie mit historischen Beispielen.

Symbolische KI (oft auch als "Good Old‑Fashioned AI", GOFAI, bezeichnet) beschreibt Ansätze, die Wissen explizit in Symbolen und Regeln abbilden und daraus Schlussfolgen ziehen. In den 1970er und 1980er Jahren war die symbolische KI mit Expertensystemen besonders prominent: Systeme, die spezifisches Fachwissen kodieren sollten, erzielten in engen Einsatzbereichen beeindruckende Demonstrationen, hatten aber in der Regel Probleme mit Generalisierung und mit der Pflege von Wissensbasen. Die begrenzte Übertragbarkeit und die hohen Wartungskosten solcher Systeme werden in historischen Analysen als ein Faktor genannt, der zur Ernüchterung beitrug.

Connectionismus bezeichnet neuronale, datengetriebene Modelle, die mathematisch auf Netzwerken von Einheiten beruhen. Ein Stichwort aus dieser Richtung ist das Perzeptron. Kritische theoretische Arbeiten, die Grenzen einfacher Perzeptron‑Modelle aufzeigten, führten zu einer Neubewertung der Fähigkeiten früh verfolgter Netzentwürfe. Die Debatten zeigten zugleich, wie methodische Schwächen in einem populären Ansatz das Vertrauen in den gesamten Forschungszweig beeinflussen können.

Ein weiterer wichtiger Begriff ist «Benchmark» bzw. Evaluationsmaßstab: Der Mangel an robusten, allgemein anerkannten Testaufgaben und die Existenz von Situationen, in denen Systeme nur in Laborbedingungen gut funktionieren, trug dazu bei, dass reale Erwartungen nicht erfüllt wurden. Die historische Literatur dokumentiert, dass in bestimmten Bereichen — etwa beim automatischen Übersetzen — frühe Versprechen nicht gehalten werden konnten, was dann in offiziellen Gutachten zu drastischen Einschnitten führte. Ein bekanntes Beispiel ist der ALPAC‑Report, der die Forschung zur maschinellen Übersetzung stark beeinflusste.

Auf institutioneller Ebene wirkten externe Bewertungen und Förderentscheidungen als Katalysatoren: Berichte von Untersuchungskommissionen oder offizielle Reviews führten in einigen Fällen zur Kürzung von Fördermitteln. Solche Entscheidungen sind in historischen Übersichten als unmittelbare Auslöser von Förderkürzungen genannt worden; die tieferen Ursachen lagen jedoch häufig in einer Kombination aus technologischen Grenzen, überzogenen Erwartungen und ökonomischem Druck.

Die Forschungsliteratur betont, dass es keine einzige Ursache für KI‑Winter gibt. Vielmehr handelt es sich um ein Zusammenspiel aus methodischen Beschränkungen (z. B. fehlende Skalierbarkeit), infrastrukturellen Beschränkungen (z. B. Rechenleistung), institutionellen Entscheidungen und öffentlicher Erwartungshaltung. Die genaue Gewichtung dieser Faktoren wird in verschiedenen Quellen unterschiedlich dargestellt; das ist eine offene Forschungsfrage in der Wissenschaftsgeschichte der KI.

Teil 3 (10 Minuten): Anwendungen, Grenzen und Denkaufgaben — Das Gelernte anwenden

Dauer: ca. 10 Minuten

Konkrete Anwendungen, in denen Rückschläge historisch dokumentiert sind, helfen, die abstrakten Begriffe zu verankern. Ein prominentes Feld war die maschinelle Übersetzung: In den 1950er und 1960er Jahren wurden hohe Erwartungen formuliert, die in realen, komplexen Texten nicht erfüllbar waren; der ALPAC‑Report prüfte damals die Fortschritte und empfahl Veränderungen in der Förderpolitik, was zu einer deutlichen Reduktion der Mittel führte. Ebenso führten die praktischen Grenzen von Expertensystemen dazu, dass industrielle Erwartungen und Geschäftsinvestitionen enttäuscht wurden, was in der Folge zu einer Marktbereinigung beitrug.

Aus diesen historischen Fällen lassen sich pragmatische Grenzen ableiten, die heute noch relevant sind: Systeme, die stark auf eng definierte Regeln angewiesen sind, können bei unvorhergesehenen Situationen versagen; datengetriebene Modelle sind darauf angewiesen, dass Trainingsdaten repräsentativ sind. Solche Beschränkungen sind Bestandteil der historischen Analyse und werden in einführenden Übersichten zur KI‑Geschichte diskutiert.

Zum Abschluss drei kurze Denkaufgaben, die Sie in einer kleinen Gruppe oder für sich selbst durchdenken können. Jede Aufgabe ist bewusst offen formuliert; es gibt keine einzig richtige Antwort, wohl aber Argumente, die sich auf historische Erkenntnisse stützen können.

Erste Aufgabe: Stellen Sie sich vor, ein neues KI‑Projekt verspricht in kurzer Zeit eine Lösung für ein komplexes, realweltliches Problem. Welche konkreten Kriterien würden Sie anlegen, um zu entscheiden, ob die Versprechungen realistisch sind? Orientieren Sie sich dabei an Aspekten wie Datenverfügbarkeit, Skalierbarkeit, Evaluationsmethoden und Wartbarkeit.

Zweite Aufgabe: Nennen Sie drei institutionelle Maßnahmen, die eine Förderagentur ergreifen könnte, um das Risiko eines erneuten KI‑Winters zu vermindern. Begründen Sie kurz, wie jede Maßnahme an einem historischen Problem ansetzt (z. B. zu hohe Erwartungen, fehlende Reproduzierbarkeit, Einseitigkeit der Finanzierung).

Dritte Aufgabe: Überlegen Sie, wie man einen robusten Benchmark für eine bestimmte Anwendung (z. B. maschinelle Übersetzung, medizinische Bildanalyse) gestaltet, sodass er nicht nur „Laborerfolge“, sondern echte Praxistauglichkeit misst. Welche Arten von Tests und Daten sollten enthalten sein?

Zu jeder Aufgabe lassen sich historisch begründete Hinweise geben: realistische Zeitpläne, transparente Berichte über Misserfolge, diversifizierte Finanzierung und robuste, interdisziplinär gestaltete Evaluationsprotokolle gehören zu den Vorschlägen, die in der Sekundärliteratur als Lehren aus früheren Rückschlägen genannt werden.

Schlussbemerkungen — Lehren und Ausblick

Zusammenfassend ist der Begriff „KI‑Winter“ ein nützliches historisches Konzept, um Perioden geringerer Investitionen und öffentlichen Interesses zu beschreiben. Die Forschung zur Geschichte der KI zeigt, dass solche Perioden meist nicht auf einen einzigen Grund zurückzuführen sind, sondern auf ein Bündel technischer, methodischer, institutioneller und kommunikativ‑gesellschaftlicher Faktoren. Aus den historischen Analysen lassen sich praktische Lehren ziehen: Erwartungen sollten transparent und begründet kommuniziert werden, Evaluationen sollten realistische, reproduzierbare Tests umfassen, Forschende und Förderer sollten Diversität in Methoden und Finanzierung anstreben, und es ist hilfreich, Misserfolge systematisch zu dokumentieren und zu analysieren, um Lernprozesse zu unterstützen.

Es besteht in der Forschungsdiskussion kein Konsens darüber, dass sich die Vergangenheit exakt wiederholen muss; viele Beobachter weisen jedoch darauf hin, dass überzogene Hypes und unreflektierte Versprechungen weiterhin das Risiko von Ernüchterungen erhöhen. Historische Quellen und Analysen liefern dazu kontroverse, aber weitgehend übereinstimmende Hinweise: Realistische Einschätzungen, robuste Evaluationskulturen und methodische Pluralität verringern das Risiko, von einer Welle der Enttäuschung erfasst zu werden.