AI-Essentials: Von der KI-Idee zum Deep Learning

Wie sich künstliche Intelligenz von der theoretischen Frage über symbolische Systeme und KI-Winter bis zu Machine Learning und Deep Learning entwickelte.

KI hat sich von einer akademischen Vision zur industriellen Basistechnologie entwickelt. Für IT-Abteilungen bedeutet das vor allem: Ohne belastbare Datenarchitekturen, Storage, Rechenleistung, Speicherbandbreite, Backup, Security und Governance bleibt der produktive Einsatz riskant.

Künstliche Intelligenz wird häufig über Modelle, Chatbots und spektakuläre Demos diskutiert. Für professionelle IT-Anwender liegt der eigentliche Umbruch jedoch tiefer: KI verändert, wie Daten gespeichert, verarbeitet, geschützt und bereitgestellt werden. Die Geschichte der KI zeigt, dass Fortschritt nie allein durch Algorithmen entstand. Entscheidend waren immer auch Datenverfügbarkeit, Rechenleistung, Speicherarchitektur, Speicherbandbreite und operative Beherrschbarkeit. Damit rückt KI ins Zentrum klassischer Infrastrukturthemen.

KI beginnt als theoretische Frage

Die Geschichte der künstlichen Intelligenz beginnt lange vor generativer KI. Bereits in der ersten Hälfte des 20. Jahrhunderts beschäftigten sich Mathematik, Logik und frühe Informatik mit der Frage, ob sich Denken formalisieren lässt. Wenn logisches Schließen in Regeln zerlegt werden kann, müsste eine Maschine diese Regeln ausführen können.

Alan Turing formulierte 1950 mit seinem Aufsatz »Computing Machinery and Intelligence« einen zentralen Gedanken: Die Frage, ob Maschinen denken können, sollte nicht nur philosophisch betrachtet werden, sondern anhand ihres beobachtbaren Verhaltens. Der später sogenannte Turing-Test wurde zu einem frühen Bezugspunkt der KI-Debatte.

Als Forschungsfeld etablierte sich künstliche Intelligenz 1956 auf der Dartmouth Conference. Dort wurde die Annahme formuliert, dass Lernen, Problemlösen und andere Merkmale von Intelligenz so präzise beschrieben werden können, dass Maschinen sie simulieren. Der Anspruch war hoch. Die technischen Voraussetzungen waren es nicht.

Diese Diskrepanz begleitet KI bis heute. Viele Ideen waren früh vorhanden. Praktisch nutzbar wurden sie erst, als Hardware, Speicher, Datenbestände und Software-Stacks nachzogen.

Von Kant bis Wittgenstein: KI als Sprach- und Denksystem

Die aktuelle KI-Debatte ist nicht nur technisch. Sie berührt auch ältere Fragen der Sprach-, Erkenntnis-, Wissens- und Technikphilosophie. Für einen Infrastrukturkontext ist das kein akademischer Zierrat, sondern eine nützliche Einordnung: Generative KI verändert nicht nur Rechenlasten, sondern auch den Umgang mit Sprache, Wissen, Urteilskraft, Originalität und technischer Verfügbarkeit.

Ludwig Wittgensteins Sprachphilosophie bietet dafür einen naheliegenden Bezugspunkt. Bedeutung entsteht nicht allein aus einzelnen Wörtern, sondern aus ihrem Gebrauch in konkreten Sprachsituationen. Große Sprachmodelle wirken deshalb so leistungsfähig, weil sie Muster sprachlicher Verwendung in enormem Umfang nachbilden können. Daraus folgt aber auch ihre Grenze: Ein plausibel formulierter Text ist noch kein geprüfter Sachverhalt. Für Unternehmen bedeutet das, dass KI-Ausgaben nicht als Wahrheitsschicht behandelt werden dürfen. Sie müssen an Datenquellen, Kontext, Rollen, Berechtigungen und Prüfprozesse gebunden werden.

Auch Immanuel Kant lässt sich in diesem Zusammenhang heranziehen. Seine Unterscheidung zwischen bloßer Regelanwendung und Urteilskraft schärft den Blick auf eine zentrale Grenze heutiger KI-Systeme. Große Sprachmodelle können Muster erkennen, Texte erzeugen und Entscheidungen vorbereiten. Sie besitzen aber keine Urteilskraft im menschlichen Sinn. Ihnen fehlen eigene Erfahrung, Verantwortlichkeit und moralische Autonomie. Für Unternehmen folgt daraus: KI-Ausgaben dürfen nicht als selbstständige Entscheidungsinstanz behandelt werden. Sie müssen an überprüfbare Datenquellen, menschliche Verantwortung, Auditierbarkeit und Governance gebunden bleiben.

Jean-François Lyotard rückt eine andere Dimension in den Blick. In der computerisierten Wissensgesellschaft wird Wissen zunehmend danach bewertet, ob es speicherbar, übertragbar und verwertbar ist. Genau diese Entwicklung erreicht mit generativer KI eine neue Stufe. Unternehmenswissen liegt nicht mehr nur in Dokumenten, Datenbanken oder Archiven. Es wird indexiert, vektorisiert, durchsuchbar gemacht und über KI-Systeme in operative Prozesse eingebunden. Damit wird Wissen selbst zu einer infrastrukturellen Ressource. Storage, Metadaten, Datenklassifizierung und Zugriffskontrolle entscheiden darüber, welches Wissen überhaupt maschinell nutzbar wird.

Auch Martin Heideggers Technikdenken lässt sich heranziehen. Technik ist bei ihm nicht bloß ein neutrales Werkzeug, sondern eine Weise, Welt verfügbar zu machen und zu ordnen. Auf KI übertragen heißt das: Datenbestände, Texte, Bilder, Prozesse und Nutzerverhalten erscheinen zunehmend als berechenbare Ressource. Das ist produktiv, aber nicht harmlos. Je stärker Unternehmen Wissen und Arbeit in KI-Systeme einspeisen, desto wichtiger wird die Frage, wer diese Ordnung kontrolliert, welche Daten einbezogen werden und welche Zusammenhänge verloren gehen.

Walter Benjamin ergänzt diesen Blick um die Frage der Reproduzierbarkeit. Seine Überlegungen zur technischen Reproduktion von Kunstwerken lassen sich auf generative KI übertragen, ohne sie künstlich zu aktualisieren. KI-Systeme erzeugen Texte, Bilder und andere Inhalte in großer Menge, oft ohne eindeutiges Original und mit unklarer Herkunft der Trainingsdaten. Dadurch gewinnen Provenienz, Kennzeichnung, Versionierung und Urheberrechtsfragen an Bedeutung. Für die Unternehmens-IT ist das kein Randthema. Wo KI Inhalte erzeugt, müssen Herkunft, Nutzung, Freigabe und Archivierung nachvollziehbar bleiben.

Diese philosophischen Bezüge ändern nichts an der technischen Realität von KI. Sie schärfen aber den Blick auf ihre Folgen für den Menschen. KI ist nicht nur ein neues Werkzeug im Software-Stack. Sie verändert, wie Sprache verarbeitet, Wissen organisiert, Inhalte reproduziert und Datenbestände operationalisiert werden. Genau deshalb reicht es nicht, ein Modell bereitzustellen. Unternehmen benötigen kontrollierte Datenräume, saubere Metadaten, belastbare Governance und nachvollziehbare Speicher- und Archivierungsprozesse.

Symbolische KI: Wissen als Regelwerk

Die frühe KI war stark symbolisch geprägt. Systeme sollten Wissen in Regeln, Symbolen und logischen Strukturen abbilden. Ein Programm enthielt explizite Wenn-dann-Beziehungen: Wenn eine Bedingung erfüllt ist, folgt eine bestimmte Schlussfolgerung.

Dieser Ansatz passte zur damaligen Computerwelt. Rechenleistung war teuer, Speicher knapp, Datenbestände waren klein. Statt große Datenmengen zu verarbeiten, versuchte man, menschliches Expertenwissen in möglichst kompakte Regelwerke zu überführen.

In den 1970er- und 1980er-Jahren entstanden daraus Expertensysteme. Sie sollten Fachwissen aus Medizin, Chemie, Technik oder Produktion in Software verfügbar machen. Für bestimmte Aufgaben funktionierte das. In klar abgegrenzten Domänen konnten Expertensysteme brauchbare Diagnosen oder Empfehlungen liefern.

Der Aufwand war jedoch hoch. Regeln mussten manuell gepflegt werden. Fachwissen musste explizit modelliert werden. Änderungen im Wissensstand machten Anpassungen notwendig. Die Systeme waren anfällig gegenüber Sonderfällen und Unsicherheit. Sie konnten Wissen verwalten, aber nur begrenzt mit der Komplexität realer Umgebungen umgehen.

Für heutige IT-Abteilungen ist diese Phase dennoch relevant. Sie zeigt ein Grundmuster: KI scheitert nicht nur an Algorithmen, sondern häufig an Pflegeaufwand, Datenqualität, Kontext und Betrieb.

KI-Winter: Infrastruktur und Erwartungen passten nicht zusammen

Auf frühe Euphorie folgten mehrere Phasen der Ernüchterung. Diese sogenannten KI-Winter entstanden, weil Erwartungen schneller wuchsen als die technischen Möglichkeiten. Maschinelle Übersetzung, Sprachverständnis, Robotik oder flexible Entscheidungssysteme erwiesen sich als deutlich komplexer als angenommen.

In den 1980er-Jahren gerieten auch Expertensysteme an Grenzen. Sie waren teuer, schwer zu warten und weniger robust als erhofft. Unternehmen hatten investiert, bekamen aber nicht die versprochene Skalierbarkeit. Finanzierung und Aufmerksamkeit gingen zurück.

Aus heutiger Sicht waren diese Rückschläge kein Beleg gegen KI. Sie machten sichtbar, dass KI mehr benötigt als ein Modell. Sie braucht ausreichend Rechenleistung, verlässliche Daten, geeignete Speichertechnologien, performante Netzwerke, Software-Ökosysteme und klare Betriebsprozesse.

Genau diese Voraussetzungen entstanden erst später. Deshalb ist die aktuelle KI-Welle nicht einfach ein plötzlicher algorithmischer Durchbruch. Sie ist auch das Ergebnis jahrzehntelanger Infrastrukturentwicklung.

Machine Learning verschiebt den Engpass auf Daten

Mit maschinellem Lernen änderte sich der Charakter der KI. Systeme wurden nicht mehr ausschließlich durch explizite Regeln programmiert, sondern anhand von Daten trainiert. Statt jede Bedingung vorzugeben, lernt ein Modell statistische Muster aus Beispielen.

Dieser Wechsel war entscheidend. Viele reale Probleme lassen sich nicht sauber in feste Regeln zerlegen. Spam-Erkennung, Betrugserkennung, Produktempfehlungen, Bilderkennung, Predictive Maintenance oder Risikobewertung beruhen auf Mustererkennung in großen, oft unvollständigen Datenbeständen.

Damit verlagerte sich der Engpass. Nicht mehr nur die Programmierlogik war entscheidend, sondern die Datenbasis. Welche Daten liegen vor? Sind sie vollständig? Sind sie aktuell? Sind sie verzerrt? Sind sie sauber klassifiziert? Dürfen sie verwendet werden? Können sie nachvollziehbar gelöscht oder archiviert werden?

Für die Unternehmens-IT war das ein Wendepunkt. Datenbanken, Data-Warehouses, Data-Lakes, Object-Storage, Metadatenmanagement und Datenpipelines wurden zu Voraussetzungen für KI. Machine Learning machte deutlich: Ohne Datenstrategie keine KI-Strategie.

Deep Learning macht Infrastruktur zum Wettbewerbsfaktor

Neuronale Netze sind keine neue Idee. Lange waren sie jedoch technisch begrenzt. Erst mit großen Datenmengen, leistungsfähigen GPUs, verbesserten Trainingsverfahren und offenen Frameworks setzte sich Deep Learning ab den 2010er-Jahren durch.

Der Durchbruch in der Bildklassifikation, Spracherkennung und maschinellen Übersetzung zeigte, dass tiefe neuronale Netze klassische Verfahren in bestimmten Aufgaben deutlich übertreffen können. Damit wurde KI erstmals in großem Maßstab industriell attraktiv.

Gleichzeitig stiegen die Anforderungen an die Infrastruktur massiv. Deep Learning benötigt große Trainingsdatensätze, hohe I/O-Leistung, schnelle Interconnects, beschleunigte Rechenhardware und skalierbare Speicherumgebungen. GPUs wurden zum zentralen Baustein moderner KI-Systeme. Später kamen spezialisierte KI-Beschleuniger hinzu.

Für Rechenzentren veränderte das die Planungslogik. KI-Workloads erzeugen andere Lastprofile als klassische Unternehmensanwendungen. Training belastet Compute, Storage und Netzwerk gleichzeitig. Daten müssen kontinuierlich bereitgestellt, vorverarbeitet, versioniert und gesichert werden. Flaschenhälse entstehen nicht nur bei der Rechenleistung, sondern auch bei Datenzugriff, Speicherbandbreite und Datenmanagement.