Eine zweite Idee: von Beispielen lernen statt Regeln zu programmieren
Schon 1958 stellte Frank Rosenblatt das „Perceptron“ vor – den Grundbaustein neuronaler Netze, grob am Aufbau von Nervenzellen orientiert. Statt Fachwissen als Regeln fest einzuprogrammieren (wie bei der symbolischen AI aus „Die Idee vor der Technik: die Anfänge der AI“), sollte ein solches Netz Muster direkt aus Beispieldaten lernen.
Eine frühe Enttäuschung
1969 zeigten Marvin Minsky und Seymour Papert in ihrem Buch „Perceptrons“ mathematisch, dass einfache Perceptrons selbst simple Probleme (das sogenannte XOR-Problem) grundsätzlich nicht lösen können. Das bremste die Forschung an neuronalen Netzen für rund ein Jahrzehnt aus – ein eigener kleiner Rückschlag innerhalb der größeren AI-Geschichte.
Backpropagation macht tiefere Netze trainierbar
Der Comeback-Moment kam 1986: Ein Team um David Rumelhart, Geoffrey Hinton und Ronald Williams popularisierte „Backpropagation“, ein Verfahren, mit dem auch mehrschichtige („tiefe“) neuronale Netze zuverlässig lernen konnten. Die Idee blieb aber noch Jahrzehnte lang praktisch limitiert – es fehlten schlicht Rechenleistung und Datenmengen, um sie wirklich auszureizen.
2012: der ImageNet-Moment
Der eigentliche Durchbruch kam erst 2012: Ein tiefes neuronales Netz namens AlexNet (Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton) gewann den ImageNet-Bilderkennungswettbewerb mit historischem Vorsprung – ermöglicht durch Grafikkarten (GPUs) als Rechenleistung und riesige, damals neu verfügbare Bilddatenmengen. Ab hier setzte sich „Deep Learning“ als dominanter Ansatz durch.
Warum das für dich als Entscheider zählt
Der entscheidende Wechsel war keine geniale neue Idee, sondern das Zusammentreffen einer jahrzehntealten Methode mit genug Daten und genug Rechenleistung. Dieselbe Lehre gilt bis heute: Fortschritt bei AI entsteht oft durch Skalierung bewährter Ansätze, nicht durch ständig neue Durchbrüche – ein nützlicher Maßstab gegen „revolutionäre“ Anbieter-Behauptungen (siehe „AI-Hype vs. echten Nutzen erkennen“).