Aktuelle Version vom 24. November 2025, 21:28 Uhr

Die Geschichte der Künstlichen Intelligenz (KI) bis heute

Geschichte der Künstlichen Intelligenz

Einleitung

Die Künstliche Intelligenz (KI) ist heute allgegenwärtig: Sie steuert Sprachassistenten, übersetzt Texte, unterstützt Ärztinnen und Ärzte bei Diagnosen, begleitet Lernende beim Üben oder generiert kreative Inhalte. Trotz des aktuellen Hypes reichen die Wurzeln der KI-Forschung bis in die Mitte des 20. Jahrhunderts zurück. Dieser aiMOOC zeichnet die Geschichte der Künstlichen Intelligenz von ihren Anfängen bis Ende 2025 nach – mit Fokus auf Meilensteine, produktive Anwendungen in Wirtschaft und Gesellschaft sowie auf die Nutzung in Schule, Hochschule und Erwachsenenbildung. Du erfährst, wie sich Ideen vom Turing-Test über Perzeptronen und Expertensysteme bis zu tiefen neuronalen Netzen und generativer KI entwickelten, welche Chancen sich daraus ergeben und wo Grenzen, Risiken und Regulierung ansetzen.

Historische Entwicklung der KI bis 2025

Frühe Konzepte (1940er–1960er Jahre)

Turing-Test (1950): Alan Turing skizziert in „Computing Machinery and Intelligence“ ein Kommunikationsspiel als Kriterium für maschinelle „Intelligenz“.
Dartmouth-Konferenz (1956): John McCarthy, Marvin Minsky u. a. prägen den Begriff „Künstliche Intelligenz“ und formulieren ambitionierte Forschungsziele.
Perzeptron (1958): Frank Rosenblatt entwickelt ein lernfähiges künstliches Neuron; die Beschränkungen früher Modelle (u. a. XOR) leiten später den ersten KI-Winter mit ein.
Frühe Programme: STUDENT (1964) löst algebraische Textaufgaben; ELIZA (1966) simuliert einen Gesprächspsychotherapeuten und wird eines der ersten populären Chatprogramme.
KI-Winter & symbolische KI: In den 1970ern führen überhöhte Erwartungen und begrenzte Rechenleistung zu Kürzungen; Regelwerke und Wissensbasen dominieren (Expertensysteme).

Renaissance durch maschinelles Lernen (1980er–2000er)

Backpropagation (1986): Mehrschichtige Netze werden durch den Fehlerrückführungs-Algorithmus effizient trainierbar – Wegbereiter des modernen Deep Learning.
CNNs (ab 1989): Yann LeCun demonstriert robuste Zeichenerkennung – der Schritt in reale Anwendungen.
LSTM (1997): Rekurrente Netze mit Long Short-Term Memory meistern Sequenzen wie Sprache oder Zeitreihen.
IBM Deep Blue (1997): Der Supercomputer schlägt Schachweltmeister Garri Kasparow – Meilenstein spezialisierter KI.
Statistische Methoden (2000er): Große digitale Datenmengen und probabilistische Sprachmodelle treiben Übersetzung & Sprachtechnologie; ImageNet (ab 2006) beschleunigt Bild-Erkennungssysteme.

Deep-Learning-Durchbruch und modernes KI-Zeitalter (2010er–2020er)

ImageNet-Revolution (2012): AlexNet senkt dramatisch die Fehlerquote bei der Bildklassifikation – Startschuss der Deep-Learning-Welle.
AlphaGo (2016): Kombination aus tiefen Netzen und Monte-Carlo-Suche schlägt Lee Sedol – KI meistert komplexe Strategien.
Explainable AI (ab 2016): Forschungsprogramme stärken Erklärbarkeit und Transparenz.
Generative KI (seit 2020): Modelle wie GPT-3, DALL·E, Stable Diffusion und Midjourney erzeugen Texte, Bilder und später auch Audio/Video. ChatGPT (2022) erreicht in Tagen Millionen Nutzerinnen und Nutzer.

Entwicklungen bis 2025

Multimodale Modelle (2023–2025): GPT-4 und GPT-4o verbinden Text, Bild und Audio. Gemini (ehemals Bard) und KI-Funktionen in Suchmaschinen prägen den Alltag.
Regulierung (EU AI Act, 2024): Der europäische AI Act führt risikobasierte Regeln, Transparenzpflichten und Verbote inakzeptabler Anwendungen ein.
Ökonomische Dynamik: Studien prognostizieren starke Produktivitäts- und Ausgabesteigerungen rund um generative KI bis zur zweiten Hälfte der 2020er Jahre.

Produktive Anwendungen von KI

Gesamtwirtschaftliche Effekte und Arbeitsproduktivität

Automatisierung & Komplementarität: KI beschleunigt Recherche, Entwurf und Programmieren, unterstützt Entscheidungen und steigert die Produktivität.
Evidenz aus Feldstudien: In Call-Centern, bei Schreibaufgaben und in Beratungsunternehmen zeigen Experimente Zeitersparnisse und Qualitätsgewinne; besonders profitieren weniger Erfahrene durch assistive Tools.
Makro-Effekte: Über viele Branchen hinweg resultieren daraus messbare Kostensenkungen und Zuwächse der totalen Faktorproduktivität (TnFP).

Beispiele aus Branchen

Fertigung & Industrie

Predictive Maintenance & Industrie 4.0: Generative KI bündelt Wartungswissen, hilft bei Analysen in natürlicher Sprache und unterstützt Prozess-Optimierung.
Generatives Design: Modelle schlagen leichtere/robustere Bauteile vor und simulieren Produktionsprozesse.
Qualitätskontrolle: Visuelle Inspektion mit Deep Learning erkennt Defekte in Echtzeit.

Einzelhandel & Konsumgüter

Conversational Commerce: KI-Assistenten beantworten Kundenfragen, helfen beim Auffinden von Produkten und bei Beständen.
Personalisierung & Pricing: Empfehlungen, dynamische Preise und Supply-Chain-Optimierung steigern Effizienz.

Finanzwesen & Banken

Kundenservice: Chatbots zu Konto, Kredit & Self-Service.
Betrugsprävention & Risiko: Anomalieerkennung in Transaktionen, szenariobasierte Simulation.
Portfolio-Beratung: Text-zu-Bericht, kundenspezifische Erläuterungen und Wissensabfragen.

Gesundheitswesen

Diagnostik: Bildgebende Verfahren (z. B. MRT/CT) profitieren von Mustererkennung (Schlaganfall, Frakturen, Läsionen).
Triage & Ressourcen: Vorhersagen unterstützen Rettungsdienste und Kliniken.
Prävention & Personalisierte Medizin: Frühsignale in Zeitreihen und multimodalen Daten; Unterstützung der Wirkstoffforschung.

Kreativwirtschaft & Medien

Generative Inhalte: Musik, Texte, Bilder, Videos; Assistenz beim Storytelling, bei Postproduktion und Lokalisierung.
Herausforderungen: Urheberrecht, Deepfakes, Bias und Transparenz.

KI in der Bildung: Potenziale und Herausforderungen

KI-Technologien für den Unterricht

Markttrends (bis 2025): Starker Zuwachs durch generative KI; dominante Felder: intelligente Tutorsysteme, text-/bildgenerierende Tools, Prüfungsunterstützung; Schulverwaltung noch unterentwickelt.
Nutzung: Lehrkräfte erproben vor allem Chatbots; Hemmnisse sind Kompetenzen, Sicherheit und Wissenstransfer.

Anwendungsfelder

Personalisierte Lernwege & Feedback

Adaptives Material, formative Rückmeldungen in Echtzeit, Lernstandsanalyse und Hinweissysteme für Lehrkräfte.
Tools (Beispiele): Quizzizz, Canva (Magic Write), Curipod u. a.

Kreativitätsförderung & Inhaltserstellung

Brainstorming, Zusammenfassen, Präsentationen und visuelle Erklärungen komplexer Konzepte.

Inklusive Bildung

Text-to-Speech, Spracherkennung und Bilderkennung verbessern Barrierefreiheit; automatisierte Übersetzungen unterstützen Mehrsprachigkeit.

Administrative Entlastung

Unterstützung bei Korrekturen, Stundenplanung, Kommunikation und Lernstand.

Intelligente Tutoren & Chatbots

Plattformen wie Khan Academy, Carnegie Learning oder McGraw Hill integrieren KI-Tutoren; Schul-Chatbots (z. B. „Ed“) illustrieren Chancen und organisatorische Fragen.

Nutzung, Akzeptanz, Chancen & Risiken

Nutzung: Hohe Nutzung bei Lernenden (v. a. Hausaufgaben), geringere bei Lehrenden – mit wachsender Reflexion über Grenzen.
Chancen: Effektivere Didaktik, Bildungsgerechtigkeit, Entlastung.
Risiken: Datenschutz & Sicherheit, Bias/Fairness, Kompetenzlücken, Prüfungsformate und Abhängigkeiten.
Curriculare Implikationen: Fokus auf Komposition, Quellenkritik, KI-kritische Kompetenz und verantwortungsvollen Einsatz.

Ethische, gesellschaftliche und regulatorische Aspekte

Verantwortung & Haftung: Wer trägt Verantwortung für KI-Entscheidungen?
Transparenz & Erklärbarkeit: Erklärbare KI als Leitprinzip.
EU AI Act (2024): Risikoklassen, Transparenzpflichten, Verbote inakzeptabler Risiken.
Governance-Initiativen: Leitlinien und Allianzen für verantwortungsvolle KI, etwa durch internationale Organisationen.
Bildungsethik: Schutz von Kinderrechten, Privatsphäre und Fairness im Schulkontext.

Ausblick bis 2025 und darüber hinaus

Spezialisierte Copilots: In Softwareentwicklung, Design und Wissenschaft entstehen domänenspezifische Assistenten.
Wirtschaftlicher Beitrag: Wertschöpfung in Billionenhöhe bis 2030 möglich – bei gleichzeitiger Notwendigkeit von Vertrauensaufbau und Compliance.
Bildung: Integration in Lehr-/Lernprozesse mit Fokus auf Kreativität, kritisches Denken und Ethik.
Zyklen der KI: Auf Hype folgen Konsolidierung und nachhaltige Implementierung.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Welches Ziel verfolgte die Dartmouth-Konferenz 1956? (Die Formulierung der Forschung zur „Künstlichen Intelligenz“ und der Versuch, Maschinen menschenähnliche Fähigkeiten zu verleihen) (!Die Entwicklung eines universellen Quantencomputers für kryptografische Zwecke) (!Die Standardisierung von Internetprotokollen für globale Netze) (!Die Gründung der ersten kommerziellen Suchmaschine)

Worin besteht die Grundidee des Turing-Tests? (Ein Mensch entscheidet in einer textbasierten Konversation, ob das Gegenüber Mensch oder Maschine ist) (!Eine Maschine muss Schachweltmeister schlagen) (!Ein Roboter muss laufen wie ein Mensch) (!Ein Computer muss ein Gedicht auswendig aufsagen)

Was zeigte AlexNet 2012 im ImageNet-Wettbewerb? (Dass tiefe CNNs die Bildklassifikation drastisch verbessern können) (!Dass symbolische Regelsysteme Bilder besser erkennen als Netze) (!Dass GANs das beste Verfahren für Bildklassifikation sind) (!Dass nur handgefertigte Merkmale ausreichend sind)

Welche Stärke hat LSTM gegenüber klassischen RNNs? (Es kann Langzeitabhängigkeiten in Sequenzen besser lernen) (!Es benötigt keine Trainingsdaten) (!Es funktioniert nur mit Bildern, nicht mit Text) (!Es ersetzt Backpropagation vollständig)

Was war eine Folge überzogener Erwartungen in der frühen KI? (Ein KI-Winter mit gekürzter Finanzierung) (!Ein sofortiger Durchbruch zu allgemeiner Intelligenz) (!Das Ende statistischer Methoden) (!Die vollständige Automatisierung aller Industrien)

Welcher Bereich nutzt Predictive Maintenance besonders? (Industrie und Fertigung) (!Kindergartenpädagogik) (!Astronomie-Amateurvereine ausschließlich) (!Kulturelle Heritage-Museen ohne Technik)

Welche Herausforderung betrifft generative KI besonders? (Bias, Urheberrecht und Deepfakes) (!Fehlende Fähigkeit zur Textverarbeitung) (!Ausschließlich analoge Signalverarbeitung) (!Verbot des Einsatzes in allen Ländern)

Wofür steht Explainable AI? (Für Methoden, die Entscheidungen von KI-Systemen nachvollziehbar machen) (!Für den Ersatz aller Tester*innen in der Qualitätskontrolle) (!Für die Beschleunigung von Grafikkarten) (!Für die vollständige Automatisierung der Demokratie)

Welches Feld profitiert im Unterricht direkt von KI-Assistenz? (Personalisierte Lernwege und Feedback) (!Nur Schulbuslogistik) (!Ausschließlich Sportunterricht ohne Daten) (!Dekorationsgestaltung von Klassenzimmern)

Was ist ein Ziel des EU AI Act? (Risikobasierte Regulierung mit Transparenzpflichten und Verboten inakzeptabler Systeme) (!Abschaffung aller KI-Forschungseinrichtungen) (!Pflicht zur Nutzung eines einzigen proprietären Modells) (!Verbot von Open-Source-Software)

Memory

Erstelle passende Paare – finde die zugehörigen Begriffe!

Turing-Test	Kommunikation als Intelligenzmaß
Perzeptron	Lernendes künstliches Neuron
LSTM	Langzeitabhängigkeiten in Sequenzen
AlphaGo	Go-Sieg über Lee Sedol
ImageNet	Datensatz für Bildklassifikation
Predictive Maintenance	Vorausschauende Instandhaltung
EU AI Act	Risikobasierte Regulierung

Drag and Drop

Ordne die Begriffe den passenden Vorgaben zu.

Ordne die richtigen Begriffe zu.	Thema
Dartmouth-Konferenz	Forschungs-Startschuss für „Künstliche Intelligenz“
Backpropagation	Training mehrschichtiger neuronaler Netze
AlexNet	Durchbruch bei ImageNet 2012
AlphaGo	Kombination aus Netzen und Monte-Carlo-Suche
EU AI Act	Risikoklassen und Transparenzpflichten

...

Kreuzworträtsel

Finde die passenden Begriffe (ein Wort, 4–22 Buchstaben).

Turingtest	Wer prägte 1950 ein Kommunikationskriterium für maschinelle Intelligenz?
Perzeptron	Wie heißt das frühe lernfähige künstliche Neuron von Rosenblatt?
Backpropagation	Welcher Algorithmus trainiert mehrschichtige neuronale Netze effizient?
ImageNet	Welcher Datensatz löste 2012 eine Revolution der Bildklassifikation aus?
Deepblue	Wie hieß der Schachcomputer, der 1997 Kasparow besiegte?
Alphago	Wie heißt das System, das 2016 Lee Sedol im Go bezwang?

LearningApps

Lückentext

Die frühen Jahre der KI waren von großen Erwartungen geprägt, die im ersten

zu Ernüchterung führten.

Ein zentrales Lernverfahren für tiefe Netze ist die

.

Der Durchbruch der Bildklassifikation gelang 2012 mit dem Modell

.

Zur Verarbeitung von Sequenzen wurde 1997 die Architektur

vorgestellt.

Das Programm

kombinierte neuronale Netze mit Monte-Carlo-Suche.

Große Datensätze wie

beschleunigten den Fortschritt in der Computer Vision.

Generative Modelle wie

und DALL·E erzeugen Texte und Bilder.

In der Bildung unterstützen KI-Tools

Lernwege und Feedback.

Der europäische Rechtsrahmen

setzt Transparenzpflichten und Verbote um.

Zu den zentralen Herausforderungen zählen

und Fairness.

Offene Aufgaben

Erarbeite eigene Lösungen und dokumentiere Deinen Prozess (Text, Skizze, Diagramm, Audio/Video).

Leicht

Zeitstrahl erstellen: Gestalte einen Zeitstrahl zentraler KI-Meilensteine (mind. 10 Stationen) mit Kurzbeschreibung.
Begriffskarte: Erstelle eine Concept-Map zu „Symbolische KI vs. Neuronale Netze“ mit Beispielen.
Anwendungsbeispiel: Sammle drei reale KI-Anwendungen aus Deinem Alltag und bewerte Nutzen und Risiken.

Standard

Fallanalyse: Analysiere eine veröffentlichte Studie zur Produktivitätswirkung von KI (Fragestellung, Methode, Ergebnis, Grenzen).
Mini-Experiment: Nutze zwei frei verfügbare KI-Tools (Text & Bild) für dieselbe Aufgabe; vergleiche Ergebnisqualität und Aufwand.
Datenschutz-Check: Prüfe die Datenschutzhinweise eines KI-Dienstes für Schule/Hochschule; formuliere Empfehlungen für verantwortliche Nutzung.

Schwer

Ethikleitfaden entwerfen: Entwickle einen Leitfaden für den verantwortungsvollen KI-Einsatz in einer Bildungseinrichtung (Rollen, Prozesse, Kriterien).
Curriculum-Prototyp: Skizziere eine 4-wöchige Unterrichtseinheit „Schreiben mit KI: Von Prompting zu Quellenkritik“ mit Lernzielen und Leistungsnachweisen.
Domänen-Copilot: Entwirf Anforderungen für einen fachspezifischen „Copilot“ (z. B. Biologie-Labor, Werkstatt, Schreibberatung) inkl. Datenquellen, Grenzen und UX.

Lernkontrolle

Transfer Kettenargument: Erkläre, wie Fortschritte in Daten, Rechenleistung und Algorithmen zusammenwirkten, um den ImageNet-Sprung 2012 zu ermöglichen.
Vergleich Symbolisch vs. Lernbasiert: Wende beide Paradigmen auf dasselbe Problem an (z. B. Rechtschreibprüfung) und diskutiere Vor-/Nachteile.
Regulierung in der Praxis: Zeige an einem Szenario, wie der EU AI Act die Einführung eines KI-Produkts in der Schule beeinflusst (Risikoklasse, Pflichten).
Bias-Analyse: Entwirf ein Prüfverfahren, um Verzerrungen in Trainingsdaten eines Chatbots zu erkennen und zu mindern.
Arbeitswelt 2030: Leite aus den Produktivitätsstudien Handlungsfelder für Weiterbildung und Organisationstransformation ab.

OERs zum Thema

Links