Geschichte der KI: von Turing bis ChatGPT in 16 StationenHistory of AI: from Turing to ChatGPT in 16 milestones

KI ist älter als die meisten, die heute mit ihr arbeiten. Die Frage, ob Maschinen denken können, steht seit 1950 im Raum. Das Fach bekam 1956 seinen Namen. Seitdem gab es zwei lange Durststrecken, einen Schachweltmeister, der verlor, und ein Bildverfahren, das auf Grafikkarten lief. Erst im November 2022 landete KI dann bei Millionen Menschen auf dem Bildschirm, ohne dass sie eine Zeile programmieren mussten.

Dieser Beitrag geht die Geschichte der KI in 16 Stationen durch. Zu jeder Station gibt es die Jahreszahl, was das System konnte und wo seine Grenze lag. Ich habe die Angaben gegen die Originalquellen geprüft. Dabei sind mir ein paar verbreitete Fehler aufgefallen, etwa beim Jahr von AlphaGo oder bei den Bildgeneratoren. Die Korrekturen stehen im Text. Der Zeitstrahl gibt dir zuerst den Überblick.

Die Geschichte der KI im Überblick

1950: Alan Turing und der Turing-Test

Ein früher Ausgangspunkt der KI ist die Arbeit des Mathematikers Alan Turing. Im Zweiten Weltkrieg war er in Bletchley Park daran beteiligt, mit der Enigma verschlüsselte Nachrichten zu entschlüsseln. 1950 veröffentlichte er in der Zeitschrift Mind den Aufsatz „Computing Machinery and Intelligence“. Die erste Zeile lautet sinngemäß: Ich schlage vor, die Frage zu betrachten, ob Maschinen denken können.

Turing ersetzte diese schwer prüfbare Frage durch ein Spiel. Eine Person schreibt Textnachrichten mit zwei Gegenübern, die sie nicht sieht. Eines ist ein Mensch, das andere eine Maschine. Kann die Person die beiden nicht zuverlässig auseinanderhalten, verhält sich die Maschine in diesem Gespräch menschenähnlich. Das Verfahren ist heute als Turing-Test bekannt.

Der Test wird bis heute oft zitiert, wenn es um die Gesprächsfähigkeit von KI geht. Ein einheitlicher Prüfstandard für moderne Systeme ist er nicht. Und er misst Verhalten, kein Denken. Ein System kann menschenähnlich antworten, ohne wie ein Mensch zu denken.

1956: Die Dartmouth-Konferenz gibt dem Fach seinen Namen

Als Geburtsstunde der KI als Forschungsgebiet gilt der Sommer-Workshop am Dartmouth College 1956. Den Antrag dafür hatten John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon am 31. August 1955 geschrieben. Darin stand zum ersten Mal der Begriff „Artificial Intelligence“. Die Annahme der Gruppe: Jeder Aspekt des Lernens und der Intelligenz lässt sich im Prinzip so genau beschreiben, dass eine Maschine ihn nachbilden kann.

Kurz darauf entstanden zwei Linien, die bis heute nebeneinander laufen. Frank Rosenblatt stellte 1957 das Perceptron vor, ein künstliches Neuron, das seine Gewichte aus Beispielen anpasst. 1966 veröffentlichte Joseph Weizenbaum ELIZA. Das Programm reagierte per Mustererkennung auf Sätze und spiegelte sie als Frage zurück. Weizenbaum war erschrocken, wie viel Verständnis Nutzer dem Programm zuschrieben.

Expertensysteme: Fachwissen für eine konkrete Aufgabe

Expertensysteme sollten das Wissen von Fachleuten für eine bestimmte Aufgabe nutzbar machen. DENDRAL half ab 1965 Chemikern, Moleküle zu bestimmen. MYCIN schlug ab etwa 1972 an der Stanford University Antibiotika bei Blutinfektionen vor. XCON konfigurierte ab 1978 Rechner des Herstellers DEC.

Diese Systeme arbeiteten mit hinterlegten Regeln nach dem Muster „wenn dieser Befund, dann diese Folgerung“. Ihr Einsatzbereich war eng. Ein System für Blutinfektionen konnte sein Wissen nicht auf ein anderes Gebiet übertragen. Jede neue Regel musste ein Mensch formulieren und pflegen. Genau das machte sie auf Dauer teuer.

Die KI-Winter: wenn Erwartung und Ergebnis auseinanderlaufen

Die Entwicklung der KI verlief in Wellen. Auf Phasen großer Versprechen folgten Rückschläge, in denen Interesse und Fördergeld zurückgingen. Diese Phasen heißen KI-Winter.

Den ersten Winter leitete 1973 der Lighthill-Report ein. Der britische Mathematiker James Lighthill kam im Auftrag des Science Research Council zu dem Schluss, dass KI ihre großen Ziele verfehlt habe. Großbritannien und die USA kürzten daraufhin Mittel. Der zweite Winter begann um 1987. Der Markt für Lisp-Maschinen, spezialisierte Rechner für KI-Programme, brach ein. Viele Expertensysteme erwiesen sich als zu teuer in der Pflege. Bis Anfang der 1990er-Jahre blieben Erwartungen und Budgets niedrig.

Beide Winter folgten auf Versprechen, die ein konkretes System nicht halten konnte. Wer heute ein KI-Projekt plant, sollte den Nutzen an einer Aufgabe messen, nicht an einer Ankündigung.

1986: Backpropagation bringt neuronale Netze zum Lernen

Ein wichtiger Schritt für neuronale Netze war die Verbreitung des Backpropagation-Verfahrens. David Rumelhart, Geoffrey Hinton und Ronald Williams beschrieben es 1986 in einem viel beachteten Aufsatz in der Zeitschrift Nature. Erfunden haben sie es nicht allein. Seppo Linnainmaa hatte 1970 die mathematische Grundlage veröffentlicht, Paul Werbos 1974 die Anwendung auf neuronale Netze beschrieben.

Die Idee in vier Schritten. Ein Trainingsbeispiel läuft durch das Netz und erzeugt ein Ergebnis. Das Ergebnis wird mit dem gewünschten verglichen, die Abweichung ist der Fehler. Backpropagation rechnet rückwärts aus, wie stark jede Verbindung zu diesem Fehler beigetragen hat. Danach werden die Gewichte ein kleines Stück so verschoben, dass der Fehler sinkt.

Über viele solcher Schritte wird das Netz besser. Es erkennt dabei nicht selbstständig, was richtig oder falsch ist. Es lernt eine vorgegebene Aufgabe anhand eines Fehlermaßes, das ein Mensch festgelegt hat. Diese Unterscheidung gilt für jedes heutige Sprachmodell genauso.

1997: Deep Blue besiegt Garri Kasparow

Der öffentlichkeitswirksamste Moment der KI vor ChatGPT fand am Schachbrett statt. IBMs Schachcomputer Deep Blue trat zweimal gegen den damaligen Weltmeister Garri Kasparow an, jeweils über sechs Partien. 1996 gewann Kasparow mit 4 zu 2. Im Rückkampf im Mai 1997 siegte Deep Blue mit 3,5 zu 2,5. Damit hatte erstmals ein Computer einen amtierenden Schachweltmeister in einem Wettkampf unter Turnierbedingungen besiegt.

Deep Blues Stärke war Rechenleistung. Das System bewertete rund 200 Millionen Stellungen je Sekunde, ergänzt um Schachwissen und Eröffnungsdatenbanken. Kasparows nächsten Zug musste es nicht vorhersagen. Es spielte sehr viele mögliche Fortsetzungen durch und wählte den aussichtsreichsten Zug. Der Erfolg zeigte, wie stark ein Computer bei einer klar definierten Aufgabe werden kann. Außerhalb des Schachbretts konnte Deep Blue nichts davon.

Zwei weitere Spiele folgten später. 2011 schlug IBM Watson in der Quizshow Jeopardy! die Rekordspieler Ken Jennings und Brad Rutter. Im März 2016 gewann AlphaGo von DeepMind mit 4 zu 1 gegen Lee Sedol, einen der stärksten Go-Spieler der Welt. Oft liest man dafür das Jahr 2015. Im Oktober 2015 hatte AlphaGo den Europameister Fan Hui besiegt, das Spiel gegen Lee Sedol war 2016.

2012: Neuronale Netze lernen sehen

Der nächste Sprung kam bei der Auswertung von Bildern. Convolutional Neural Networks, kurz CNNs, lernen im Training, Bildmerkmale wie Kanten, Formen und Muster zu erkennen und für eine Aufgabe auszuwerten. 2012 trat das Netz AlexNet im ImageNet-Wettbewerb an. Es war auf Grafikkarten trainiert und senkte den Top-5-Fehler auf 15,3 Prozent. Der beste Beitrag ohne tiefes Netz lag bei 26,2 Prozent.

Solche Verfahren stecken heute in vielen Anwendungen:

• Fahrerassistenz: Kamerabilder auswerten, etwa um Fußgänger oder Hindernisse zu erkennen und Assistenzfunktionen zu unterstützen.
• Medizin: Aufnahmen wie Magnetresonanztomografien, kurz MRT, analysieren und Fachleute bei der Suche nach auffälligem Gewebe unterstützen.

Der Fortschritt liegt in der automatisierten Auswertung. Die Aufnahmen selbst entstehen weiter durch Kamera, Sensor oder Gerät. CNNs haben weder die medizinische Bildgebung noch den Bremsassistenten erfunden. Wie gut ein System etwa Tumore erkennt, muss für jede einzelne Anwendung belegt werden.

2022: ChatGPT macht KI für sehr viele Menschen nutzbar

Am 30. November 2022 veröffentlichte OpenAI ChatGPT. Zum Start lief es auf einem Modell der GPT-3.5-Reihe und war während der Forschungsphase kostenlos. Du konntest eine Frage in Alltagssprache stellen, nachhaken und bekamst eine ausformulierte Antwort. Programmierkenntnisse brauchtest du dafür nicht.

Vorher gab es schon andere Sprachsysteme. GPT-3 mit 175 Milliarden Parametern hatte OpenAI im Mai 2020 vorgestellt, allerdings für Entwickler über eine Schnittstelle. Die technische Grundlage, der Transformer, stammt aus einem Google-Aufsatz von 2017. ChatGPT war also nicht das erste Dialogsystem. Es war das erste, das so viele Menschen so leicht erreichte. OpenAI meldete nach fünf Tagen eine Million Nutzer. Die oft genannten 100 Millionen nach zwei Monaten sind eine Schätzung der Bank UBS, keine offizielle Zählung.

Hinter dem Sprung steht auch Rechenleistung. Das Forschungsinstitut Epoch AI schätzt, dass die Rechenleistung für das Training bedeutender Modelle von 2010 bis 2024 um etwa das Vierfache pro Jahr gewachsen ist. Im selben Jahr wie ChatGPT kamen die Bildgeneratoren: DALL·E 2 im April, Midjourney im Juli und Stable Diffusion im August 2022. In vielen Zeitleisten stehen sie erst unter 2023.

Zur Nutzung gehört die Frage nach deinen Daten. Ein kostenloser Zugang sagt allein nichts darüber aus, wie Eingaben verarbeitet oder für die Weiterentwicklung genutzt werden. Das hängt vom Anbieter, vom Tarif und von deinen Einstellungen ab. Bevor du persönliche oder vertrauliche Informationen eingibst, prüf die Bedingungen und die Einstellungen des Dienstes.

2024: Der EU AI Act regelt den Einsatz

Mit der Verbreitung kam die Regulierung. Am 1. August 2024 trat die europäische KI-Verordnung in Kraft, der EU AI Act. Ihre Pflichten gelten gestaffelt. Seit 2. Februar 2025 sind bestimmte KI-Praktiken verboten, dazu kam eine Regel zur KI-Kompetenz. Seit 2. August 2025 gelten Regeln für Modelle mit allgemeinem Verwendungszweck. Am 27. Juli 2026 trat der AI Omnibus in Kraft. Er vereinfacht die Regel zur KI-Kompetenz und verlängert Fristen. Seit 2. August 2026 gilt der Großteil der Verordnung, darunter die Transparenzpflichten nach Artikel 50. Pflichten für Hochrisiko-Systeme nach Anhang III greifen ab 2. Dezember 2027, für Hochrisiko-KI in Produkten nach Anhang I ab 2. August 2028.

Was du aus über 75 Jahren KI-Geschichte mitnimmst

Jede Station zeigt eine andere Fähigkeit. Expertensysteme wenden Regeln an. Neuronale Netze lernen aus Trainingsbeispielen. Deep Blue berechnet Spielzüge, CNNs werten Bilder aus, Sprachmodelle erzeugen Text. Keine dieser Fähigkeiten macht ein System allgemein klug. Jede hat eine klare Grenze.

Wenn du eine KI-Anwendung für dein Unternehmen beurteilst, stell deshalb zuerst eine Frage: Welche konkrete Aufgabe beherrscht das System, und wo liegen seine Grenzen? Ein Sprachmodell formuliert dir ein Angebot in Sekunden. Ob die Zahlen darin stimmen, prüft es nicht von selbst.

Quellen

• Alan Turing: Computing Machinery and Intelligence, Mind 59 (236), Oktober 1950.
• McCarthy, Minsky, Rochester, Shannon: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31.08.1955.
• Joseph Weizenbaum: ELIZA, a computer program for the study of natural language communication, Communications of the ACM, 1966.
• James Lighthill: Artificial Intelligence: A General Survey, Science Research Council, 1973.
• Rumelhart, Hinton, Williams: Learning representations by back-propagating errors, Nature 323, 1986.
• IBM: Deep Blue.
• Krizhevsky, Sutskever, Hinton: ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012.
• Vaswani u. a.: Attention Is All You Need, 2017.
• Brown u. a.: Language Models are Few-Shot Learners, 28.05.2020.
• OpenAI: Introducing ChatGPT, 30.11.2022.
• Epoch AI: Training compute of frontier AI models grows by 4-5x per year, 2024.
• Europäische Kommission: Zeitplan der Umsetzung des AI Act; AI Omnibus enters into force, 27.07.2026.

Grafiken und Zeitstrahl sind eigene Darstellungen. Die Kurve der Erwartungen ist schematisch, die Lernkurve zeigt Beispielwerte.

AI is older than most people who work with it today. The question of whether machines can think has been on the table since 1950. The field got its name in 1956. Since then there have been two long dry spells, a world chess champion who lost, and an image method that ran on graphics cards. Only in November 2022 did AI land on the screens of millions of people who did not have to write a single line of code.

This article walks through the history of AI in 16 milestones. For each one you get the year, what the system could do and where its limit was. I checked the facts against the original sources. Along the way I found a few common mistakes, for example the year of AlphaGo or the image generators. The corrections are in the text. The timeline gives you the overview first.

The history of AI at a glance

1950: Alan Turing and the Turing test

An early starting point of AI is the work of the mathematician Alan Turing. During the Second World War he helped break messages encrypted with the Enigma at Bletchley Park. In 1950 he published the paper “Computing Machinery and Intelligence” in the journal Mind. Its first line reads: I propose to consider the question, “Can machines think?”

Turing replaced this hard-to-test question with a game. A person exchanges text messages with two partners they cannot see. One is a human, the other a machine. If the person cannot reliably tell them apart, the machine behaves in a human-like way in this conversation. The procedure is known today as the Turing test.

The test is still often quoted when people talk about the conversational ability of AI. It is not a uniform benchmark for modern systems. And it measures behaviour, not thinking. A system can answer like a human without thinking like one.

1956: The Dartmouth conference names the field

The summer workshop at Dartmouth College in 1956 counts as the birth of AI as a research field. John McCarthy, Marvin Minsky, Nathaniel Rochester and Claude Shannon had written the proposal on 31 August 1955. It contained the term “artificial intelligence” for the first time. The group assumed that every aspect of learning and intelligence can in principle be described so precisely that a machine can simulate it.

Two lines of work emerged soon after and still run side by side. Frank Rosenblatt presented the perceptron in 1957, an artificial neuron that adjusts its weights from examples. In 1966 Joseph Weizenbaum published ELIZA. The program reacted to sentences by pattern matching and mirrored them back as questions. Weizenbaum was shocked by how much understanding users attributed to it.

Expert systems: know-how for one specific task

Expert systems were meant to make the knowledge of specialists usable for a specific task. From 1965, DENDRAL helped chemists identify molecules. From around 1972, MYCIN at Stanford University suggested antibiotics for blood infections. From 1978, XCON configured computers for the manufacturer DEC.

These systems worked with stored rules of the form “if this finding, then this conclusion”. Their scope was narrow. A system for blood infections could not transfer its knowledge to another field. A human had to write and maintain every new rule. That is exactly what made them expensive over time.

The AI winters: when expectations and results drift apart

AI developed in waves. Phases of big promises were followed by setbacks in which interest and funding declined. These phases are called AI winters.

The Lighthill report started the first winter in 1973. On behalf of the Science Research Council, the British mathematician James Lighthill concluded that AI had missed its grand goals. The UK and the US then cut funding. The second winter began around 1987. The market for Lisp machines, specialised computers for AI programs, collapsed. Many expert systems turned out to be too expensive to maintain. Into the early 1990s, expectations and budgets stayed low.

Both winters followed promises that a concrete system could not keep. If you plan an AI project today, measure its value on a task, not on an announcement.

1986: Backpropagation teaches neural networks to learn

An important step for neural networks was the spread of the backpropagation method. David Rumelhart, Geoffrey Hinton and Ronald Williams described it in 1986 in a widely noticed paper in the journal Nature. They did not invent it alone. Seppo Linnainmaa had published the mathematical basis in 1970, Paul Werbos had described its use for neural networks in 1974.

The idea in four steps. A training example runs through the network and produces an output. The output is compared with the desired one; the difference is the error. Backpropagation works backwards to find out how much each connection contributed to this error. Then the weights move a small step so that the error drops.

Over many such steps the network gets better. It does not recognise by itself what is right or wrong. It learns a given task against an error measure that a human has defined. This distinction applies to every language model today just the same.

1997: Deep Blue defeats Garry Kasparov

The most public moment of AI before ChatGPT took place at the chessboard. IBM's chess computer Deep Blue played the then world champion Garry Kasparov twice, each time over six games. In 1996 Kasparov won 4 to 2. In the rematch in May 1997, Deep Blue won 3.5 to 2.5. For the first time, a computer had beaten a reigning world chess champion in a match under tournament conditions.

Deep Blue's strength was computing power. The system evaluated around 200 million positions per second, supported by chess knowledge and opening databases. It did not have to predict Kasparov's next move. It played through a large number of possible continuations and chose the most promising move. The win showed how strong a computer can become at a clearly defined task. Away from the chessboard, Deep Blue could do none of it.

Two more games followed later. In 2011, IBM Watson beat the record holders Ken Jennings and Brad Rutter on the quiz show Jeopardy!. In March 2016, DeepMind's AlphaGo won 4 to 1 against Lee Sedol, one of the strongest Go players in the world. You often read 2015 for this. In October 2015 AlphaGo had beaten the European champion Fan Hui; the match against Lee Sedol was in 2016.

2012: Neural networks learn to see

The next leap came in image analysis. Convolutional neural networks, CNNs for short, learn during training to detect image features such as edges, shapes and patterns and to use them for a task. In 2012 the network AlexNet entered the ImageNet challenge. It was trained on graphics cards and cut the top-5 error to 15.3 percent. The best entry without a deep network was at 26.2 percent.

Such methods are part of many applications today:

• Driver assistance: analysing camera images, for example to detect pedestrians or obstacles and support assistance functions.
• Medicine: analysing scans such as magnetic resonance imaging, MRI for short, and supporting experts in finding abnormal tissue.

The progress lies in automated analysis. The images themselves still come from a camera, sensor or device. CNNs invented neither medical imaging nor the brake assistant. How well a system detects tumours, for example, has to be shown for each individual application.

2022: ChatGPT makes AI usable for a very large audience

On 30 November 2022, OpenAI released ChatGPT. At launch it ran on a model from the GPT-3.5 series and was free during the research preview. You could ask a question in everyday language, follow up and get a fully written answer. You did not need any programming skills.

Other language systems existed before. OpenAI had presented GPT-3 with 175 billion parameters in May 2020, but for developers through an interface. The technical basis, the transformer, comes from a Google paper from 2017. So ChatGPT was not the first dialogue system. It was the first to reach so many people so easily. OpenAI reported one million users after five days. The often quoted 100 million after two months is an estimate by the bank UBS, not an official count.

Computing power is behind the leap as well. The research institute Epoch AI estimates that the compute used to train notable models grew by about four times per year from 2010 to 2024. The image generators came in the same year as ChatGPT: DALL·E 2 in April, Midjourney in July and Stable Diffusion in August 2022. Many timelines list them under 2023.

Using these tools raises the question of your data. Free access alone says nothing about how inputs are processed or used for further development. That depends on the provider, the plan and your settings. Before you enter personal or confidential information, check the terms and settings of the service.

2024: The EU AI Act regulates its use

Regulation followed the spread. On 1 August 2024, the European AI regulation, the EU AI Act, entered into force. Its obligations apply in stages. Since 2 February 2025, certain AI practices have been banned, together with a rule on AI literacy. Since 2 August 2025, rules for general-purpose models apply. On 27 July 2026, the AI Omnibus entered into force. It simplifies the AI literacy rule and extends deadlines. Since 2 August 2026, most of the regulation applies, including the transparency obligations under Article 50. Obligations for high-risk systems under Annex III apply from 2 December 2027, for high-risk AI in products under Annex I from 2 August 2028.

What you take away from more than 75 years of AI history

Each milestone shows a different capability. Expert systems apply rules. Neural networks learn from training examples. Deep Blue calculates moves, CNNs analyse images, language models generate text. None of these capabilities makes a system generally clever. Each has a clear limit.

When you assess an AI application for your company, ask one question first: Which specific task does the system master, and where are its limits? A language model drafts a quote for you in seconds. Whether the figures in it are right, it does not check by itself.

Sources

• Alan Turing: Computing Machinery and Intelligence, Mind 59 (236), October 1950.
• McCarthy, Minsky, Rochester, Shannon: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 August 1955.
• Joseph Weizenbaum: ELIZA, a computer program for the study of natural language communication, Communications of the ACM, 1966.
• James Lighthill: Artificial Intelligence: A General Survey, Science Research Council, 1973.
• Rumelhart, Hinton, Williams: Learning representations by back-propagating errors, Nature 323, 1986.
• IBM: Deep Blue.
• Krizhevsky, Sutskever, Hinton: ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012.
• Vaswani et al.: Attention Is All You Need, 2017.
• Brown et al.: Language Models are Few-Shot Learners, 28 May 2020.
• OpenAI: Introducing ChatGPT, 30 November 2022.
• Epoch AI: Training compute of frontier AI models grows by 4-5x per year, 2024.
• European Commission: Timeline for the implementation of the AI Act; AI Omnibus enters into force, 27 July 2026.

The graphics and the timeline are my own work. The curve of expectations is schematic, the learning curve shows example values.