Verfasst mit Hilfe von Claude (Anthropic) und ChatGPT (OpenAI)
© Wolfgang Lessat · Stand: Juni 2026
Die wissenschaftlichen Ursprünge der KI (1940er–1970er)
Künstliche Intelligenz entstand nicht über Nacht. Ihre Wurzeln reichen tief in die Mathematik, Logik und frühe Computerwissenschaft des 20. Jahrhunderts.
Der britische Mathematiker Alan Turing gilt als einer der Väter der theoretischen Informatik. 1950 veröffentlichte er seinen bahnbrechenden Aufsatz Computing Machinery and Intelligence, in dem er fragte: Kann eine Maschine denken? Statt diese Frage direkt zu beantworten, schlug er ein Gedankenexperiment vor, das später als Turing-Test bekannt wurde und sich zum Maßstab einer ganzen Forschungsgeneration durchsetzte.
Turing-Test (1950): Ein Mensch stellt im Gespräch Fragen. Wenn er nicht erkennt, ob ihm ein Mensch oder eine Maschine antwortet, gilt die Maschine als intelligent. Dieser Test ist bis heute ein wichtiger Referenzpunkt und zugleich Gegenstand kontroverser Diskussionen.
Parallel zu Turing entwickelte der amerikanische Mathematiker Norbert Wiener die Kybernetik. Sie untersucht Steuerung, Regelung und Kommunikation in Maschinen und Lebewesen. Mit seinem Werk Cybernetics (1948) schuf Wiener einen wichtigen theoretischen Grundstein für die spätere KI-Forschung. Im Mittelpunkt stand die Idee, dass komplexe Systeme durch Rückkopplungsschleifen gesteuert und angepasst werden können.
Bereits 1943 veröffentlichten der Neurophysiologe Warren McCulloch und der Mathematiker Walter Pitts ein mathematisches Modell des biologischen Neurons. Sie zeigten, dass einfache logische Operationen durch vernetzte, vereinfachte Neuronenmodelle berechnet werden können.
Damit entstand die Idee, das Gehirn mathematisch zu beschreiben. Dieses Konzept gilt als wichtiger Vorläufer moderner neuronaler Netze.
Erste KI-Welle: Optimismus und erster Winter (1956–1980er)
Die Forschung begann mit großen Erwartungen. Schon bald zeigte sich jedoch, dass sie auf Grenzen stieß, die niemand vorhergesehen hatte.
Im Sommer 1956 versammelten sich John McCarthy, Marvin Minsky, Claude Shannon und andere führende Wissenschaftler an der Dartmouth-Universität in New Hampshire. Sie formulierten die Grundthese der KI-Forschung: Jeder Aspekt des Lernens oder der menschlichen Intelligenz kann im Prinzip so genau beschrieben werden, dass eine Maschine ihn simulieren kann.
Die Veranstaltung gilt heute als offizieller Geburtsmoment des Fachgebiets. Erstmals wurde KI als eigenständiges wissenschaftliches Forschungsprogramm formuliert und organisatorisch zusammengeführt.
In den folgenden Jahren entstanden Programme, die beeindruckende Fähigkeiten zeigten: Der Logic Theorist (1956) bewies mathematische Sätze automatisch, der General Problem Solver (1957–1959) löste formale Probleme durch allgemeine Suchstrategien, frühe Schachprogramme traten gegen menschliche Spieler an, und erste Sprachverarbeitungssysteme wie ELIZA simulierten einfache Dialoge. Führende Forscher wie Marvin Minsky gingen damals davon aus, dass Maschinen innerhalb einer Generation Fähigkeiten erreichen könnten, die mit menschlicher Intelligenz vergleichbar sind.
Fördermittel flossen reichlich. Die Erwartungen waren enorm.
Quelle: Optimistische Prognosen führender KI-Forscher der 1950er und 1960er Jahre, darunter Marvin Minsky. Die Formulierung gibt die damals verbreitete Erwartung sinngemäß wieder.
Die Realität holte die Forschung ein. Viele Probleme erwiesen sich als weit schwieriger als gedacht. Einfache Regelwerke versagten bei komplexen, unstrukturierten Aufgaben. Die Rechenleistung der damaligen Computer war für anspruchsvolle Aufgaben bei weitem nicht ausreichend.
Als die versprochenen Durchbrüche ausblieben, zogen Regierungen und Institutionen ihre Förderung zurück. Ab den frühen 1970er Jahren erlebte die KI-Forschung den ersten KI-Winter: eine Phase des Rückzugs, Zweifels und drastisch reduzierter Investitionen.
KI-Winter: Phasen, in denen nach übertriebenen Erwartungen die Förderung einbrach und das öffentliche Interesse an KI stark nachließ.
Erster KI-Winter (ca. 1973–1980): Enttäuschte Erwartungen und der Lighthill-Bericht von 1973 führten zu erheblichen Förderkürzungen. Das britische Regierungsgutachten bewertete die Fortschritte der KI-Forschung kritisch.
Zweiter KI-Winter (ca. 1987–1993): Expertensysteme stießen an ihre praktischen Grenzen, wodurch viele Hoffnungen und Investitionen erneut enttäuscht wurden.
In den 1980er Jahren erlebte die KI eine neue Blüte durch sogenannte Expertensysteme. Diese Programme arbeiteten mit festgelegten Regeln und bildeten das Wissen menschlicher Experten ab, etwa in der Medizin oder Chemie. Unternehmen investierten, und die Forschung schöpfte wieder Hoffnung.
Doch auch dieser Aufschwung endete in einem zweiten KI-Winter: Die Systeme waren teuer, schwer zu pflegen und konnten nicht flexibel auf neue Situationen reagieren.
Die Rückkehr der neuronalen Netze (1980er–2000er)
Während Expertensysteme scheiterten, arbeiteten einige Forscher hartnäckig an einem anderen Ansatz: dem maschinellen Lernen mit neuronalen Netzen.
1986 veröffentlichten David Rumelhart, Geoffrey Hinton und Ronald Williams eine einflussreiche Arbeit zur Backpropagation, die das Training mehrschichtiger neuronaler Netze entscheidend voranbrachte.
Vereinfacht gesagt lernt ein neuronales Netz durch Versuch und Irrtum. Nach jeder Antwort vergleicht Backpropagation das Ergebnis mit der richtigen Lösung und berechnet die Abweichung. Anschließend werden die Verbindungen zwischen den künstlichen Neuronen so angepasst, dass ähnliche Fehler künftig seltener auftreten. Auf diese Weise verbessert das Netz seine Leistung Schritt für Schritt mit jeder Trainingsrunde.
Dies war eine Schlüsselinnovation. Dennoch stieß der Ansatz auf Grenzen: Die verfügbaren Rechner waren zu langsam, die Datensätze zu klein.
Geoffrey Hinton, der später als „Godfather of Deep Learning" bekannt wurde, hielt auch während der KI-Winter an seiner Überzeugung fest, dass neuronale Netze der richtige Weg sind. Gemeinsam mit Forschern wie Yann LeCun, der wichtige Beiträge zu Faltungsnetzwerken für die Bilderkennung leistete, und Yoshua Bengio arbeitete er häufig gegen den akademischen Mainstream.
Diese drei Forscher gelten heute als Begründer des modernen Deep Learning. Für ihre wegweisenden Beiträge erhielten sie 2018 den Turing Award, die höchste Auszeichnung der Informatik.
In den 1990er und 2000er Jahren dominierten zunächst andere Ansätze. Statistische Verfahren, Support Vector Machines und Entscheidungsbäume erwiesen sich oft als zuverlässiger als die neuronalen Netze jener Zeit. Die praktische KI dieser Jahre war deshalb vor allem mathematisch und statistisch geprägt und orientierte sich weniger an biologischen Vorbildern.
Mit dem Aufstieg des Internets entstand etwas Entscheidendes: eine gigantische Menge an Daten. Texte, Bilder und Nutzungsdaten lieferten genau das, was Lernalgorithmen benötigen. Gleichzeitig wurden leistungsfähigere Grafikprozessoren verfügbar, die das Training großer neuronaler Netze erheblich beschleunigten. Erst das Zusammenspiel von Daten, Rechenleistung und verbesserten Algorithmen bereitete den Durchbruch des Deep Learning in den 2010er Jahren vor.
Die Hardware-Revolution: Warum Ideen plötzlich funktionieren konnten
Die KI-Geschichte ist ohne die Hardware-Geschichte nicht zu erzählen. Algorithmen warteten jahrzehntelang auf die Rechenleistung, die sie brauchten. Als diese endlich kam, änderte sich alles.
Gordon Moore prognostizierte 1965, dass sich die Transistordichte auf Chips etwa jedes Jahr verdoppelt. 1975 korrigierte er diesen Wert auf ungefähr zwei Jahre, ein Rhythmus, der sich über Jahrzehnte als erstaunlich zutreffend erwies und zur treibenden Kraft der gesamten Computerindustrie wurde.
Die Auswirkungen waren enorm: 1980 enthielt ein Intel-Prozessor rund 29.000 Transistoren. 2012 waren es bereits 1,4 Milliarden. Für neuronale Netze, deren Training auf Millionen von Rechenoperationen basiert, ist das von unmittelbarer Bedeutung. Mehr Transistoren ermöglichen mehr Berechnungen pro Sekunde und damit das Training größerer und leistungsfähigerer Netze.
Quelle: Intel-Unternehmensangaben zu den jeweiligen Prozessorgenerationen. Die Zahlen dienen als illustrative Beispiele für die langfristige Entwicklung der Transistordichte.
Warum die KI-Winter enden mussten: Die Forscher der 1970er und 1980er Jahre verfügten bereits über viele der entscheidenden Ideen, doch die Hardware war ihrer Zeit nicht gewachsen. Backpropagation war 1986 bekannt. Selbst ein neuronales Netz mit wenigen Schichten benötigte auf damaligen Rechnern oft Tage für ein einziges Training. Geoffrey Hinton brachte diese Sicht später sinngemäß auf den Punkt: Die grundlegenden Ideen waren vorhanden, es fehlte vor allem an ausreichend leistungsfähiger Hardware und großen Datenmengen.
Einordnung nach verschiedenen Interviews und Vorträgen von Geoffrey Hinton, unter anderem zur Entwicklung des Deep Learning in den 1980er bis 2010er Jahren.
Dies ist vermutlich die wichtigste Hardware-Wendung für die KI. Sie entstand als Nebenprodukt der Spieleindustrie.
Herkömmliche Prozessoren (CPUs) sind für sequentielle Aufgaben ausgelegt. Sie verfügen über wenige sehr leistungsfähige Kerne, die Befehle nacheinander abarbeiten. Grafikkarten (GPUs) wurden hingegen für Echtzeit-Bildberechnungen entwickelt und enthielten dafür von Anfang an mehr parallele Recheneinheiten als CPUs, ein Prinzip, das NVIDIA mit modernen Architekturen zu tausenden von Kernen ausbaute.
Beim Training neuronaler Netze müssen Millionen von Gewichten gleichzeitig angepasst werden. GPUs erwiesen sich dafür als ideal, obwohl sie ursprünglich für die Berechnung von Grafiken entwickelt worden waren. Mit der Einführung der CUDA-Plattform durch NVIDIA im Jahr 2007 wurde allgemeines GPU-Computing möglich. Dadurch erweiterten sich die Möglichkeiten der KI-Forschung grundlegend.
AlexNet 2012: Bekannte Ideen mit neuer Rechenleistung Der Durchbruch von AlexNet beruhte auf einer neuen Kombination aus bewährten Deep-Learning-Algorithmen und leistungsfähigen GPUs. Das Ergebnis übertraf alle anderen Methoden so deutlich, dass die Forschungsgemeinschaft sofort erkannte, dass eine neue Phase der KI-Entwicklung begonnen hatte.
Neuronale Netze müssen während des Trainings vollständig im Speicher gehalten werden. GPT-3 verfügt über 175 Milliarden Parameter, die während Training und Nutzung gespeichert und verarbeitet werden müssen. Eine solche Größenordnung war lange Zeit undenkbar, weil Arbeitsspeicher knapp und teuer war.
1990 hatte ein typischer PC 1 bis 4 Megabyte RAM. Heute arbeiten KI-Trainingsserver mit Terabytes, und moderne KI-Grafikkarten tragen bis zu 80 Gigabyte eigenen Hochgeschwindigkeitsspeicher. Ohne diesen Entwicklungssprung wären große Modelle beim Laden des Trainings bereits gescheitert.
Ab etwa 2015 reichten selbst leistungsstarke GPUs für die größten KI-Modelle nicht mehr aus. Die Anforderungen an Rechenleistung stiegen schneller als die Hardwaregenerationen.
Google entwickelte deshalb die TPU (Tensor Processing Unit), einen speziell für neuronale Netze optimierten Chip. Da diese vor allem auf Matrixmultiplikationen beruhen, wurde spezialisierte Hardware immer wichtiger.
Heute entwickeln viele große Technologieunternehmen eigene KI-Chips. Die Hardwareentwicklung ist damit zu einem entscheidenden Wettbewerbsfaktor geworden und bestimmt zunehmend, wer bei der Entwicklung leistungsfähiger KI-Systeme mithalten kann.
Die Abhängigkeit von Spezialchips hat eine geopolitische Dimension erzeugt, die vor zwanzig Jahren unvorstellbar war. Drei Unternehmen kontrollieren heute einige der wichtigsten Engpässe der globalen KI-Infrastruktur.
NVIDIA dominiert den Markt für KI-Beschleuniger (AI Accelerators) mit einem Marktanteil von rund 80 Prozent. TSMC in Taiwan produziert die fortschrittlichsten Chips der Welt. ASML in den Niederlanden baut die einzigen EUV-Lithografiemaschinen, ohne die moderne Chips nicht hergestellt werden können.
Stand 2025/2026. Schätzungen verschiedener Marktanalysen und Branchenberichte gehen davon aus, dass NVIDIA im Markt für KI-Beschleuniger einen Anteil von etwa 80 bis 90 Prozent hält. Die genaue Zahl variiert je nach Marktdefinition (Umsatz, Stückzahlen oder Rechenleistung).
Die amerikanischen Exportbeschränkungen für Hochleistungschips nach China sind deshalb so wirkungsvoll: Wer diese Chips nicht bekommt, kann große Modelle kaum skalieren. China reagiert mit eigenen Entwicklungen wie den Ascend-Chips von Huawei, um unabhängiger zu werden. Dadurch ist der Wettbewerb um Künstliche Intelligenz zugleich zu einem Wettbewerb um leistungsfähige Chips geworden.
EUV-Lithografie: Extrem-Ultraviolett-Lithografie ist das Verfahren, mit dem modernste Chips mit Strukturen kleiner als 7 Nanometer gefertigt werden. ASML ist derzeit der einzige Hersteller von EUV-Lithografiesystemen. Eine einzige dieser Maschinen kostet weit über 150 Millionen Euro; die neuesten Modelle liegen sogar bei mehreren hundert Millionen Euro.
Quelle: ASML-Geschäftsberichte und Unternehmensangaben. Moderne EUV-Lithografiesysteme kosten je nach Ausführung deutlich über 150 Millionen Euro; High-NA-EUV-Systeme erreichen Preise von rund 350 bis 400 Millionen Euro.
Die eigentliche KI-Revolution: Der Durchbruch moderner KI beruhte nicht auf einer einzelnen Erfindung. Erst das Zusammenspiel von leistungsfähiger Hardware, großen Datenmengen und verbesserten Lernalgorithmen machte Deep Learning im großen Maßstab möglich.
Der Durchbruch: Deep Learning (2010er)
Die Hardware war bereit, die Daten des Internets waren vorhanden – jetzt fehlte nur noch der Funke, der alles zusammenbrachte.
Im Jahr 2012 gewann ein Team um Geoffrey Hinton und seinen Doktoranden Alex Krizhevsky die ImageNet-Bilderkennungs-Meisterschaft mit einem Vorsprung, der die Fachwelt schockierte. Ihr System AlexNet nutzte ein tiefes neuronales Netz, das auf leistungsfähigen GPUs trainiert wurde.
Der Vorsprung war so groß, dass die Forschungsgemeinschaft unmittelbar erkannte: Deep Learning ist kein akademisches Randthema mehr. Es ist die Zukunft.
Warum 2012 und nicht früher? AlexNet kombinierte bewährte Deep-Learning-Algorithmen mit der inzwischen verfügbaren Rechenleistung moderner GPUs. Das Ergebnis war so überzeugend, dass die gesamte KI-Forschung ihren Kurs änderte.
Nach 2012 begannen die großen Technologieunternehmen massiv zu investieren. Google kaufte DeepMind (2014), Facebook gründete 2013 das FAIR-Labor (Facebook AI Research) unter der Leitung von Yann LeCun, Microsoft investierte in Forschung und Infrastruktur.
Ilya Sutskever promovierte bei Geoffrey Hinton in Toronto, wechselte anschließend als Research Scientist zu Google Brain und wurde 2015 Mitgründer und Chief Scientist von OpenAI. Er gehörte zu den Forschern, die mit Deep Learning entscheidende Durchbrüche erzielten.
2016 besiegte AlphaGo von DeepMind den südkoreanischen Go-Meister Lee Sedol. Go galt lange als eines der schwierigsten Brettspiele für Computer, da die Zahl möglicher Züge astronomisch groß ist. Der Sieg wurde weltweit als Beleg dafür wahrgenommen, dass moderne KI-Systeme Fähigkeiten entwickeln konnten, die zuvor als Jahrzehnte entfernt galten.
2017 veröffentlichten Google-Forscher das Paper Attention Is All You Need und stellten die Transformer-Architektur vor. Transformer verarbeiten Sprache, indem sie Beziehungen zwischen allen Elementen einer Eingabe gleichzeitig analysieren, statt Wort für Wort vorzugehen.
Diese Architektur bildet die Grundlage aller modernen großen Sprachmodelle. Dazu zählen GPT, Claude, Gemini und LLaMA, die sämtlich auf dem Transformer-Prinzip basieren.
Warum Transformer so wichtig sind: Sie können große Mengen von Text gleichzeitig analysieren und Zusammenhänge über lange Distanzen hinweg erkennen. Dadurch wurden moderne Sprachmodelle wie GPT, Claude, Gemini und LLaMA überhaupt erst möglich.
Die Vorgeschichte von OpenAI: Musk, Altman und Sutskever
Wenn man die Geschichte auf Menschen, Motive und Machtverschiebungen reduziert, ergibt sich eine Reihe von Entscheidungen, die heute die KI-Landschaft prägen.
Ilya Sutskever arbeitete bei Google Brain und gehörte zu den Forschern, die mit Deep Learning große Durchbrüche erzielten. Er war wissenschaftlich hochkarätig und in der Szene bereits eine bekannte Größe.
Musk äußerte wiederholt die Sorge, dass hochentwickelte KI in den Händen weniger Unternehmen oder Organisationen konzentriert werden könnte.
Sam Altman war damals President von Y Combinator, dem einflussreichsten Startup-Inkubator des Silicon Valley. Er sah KI als die möglicherweise wichtigste Technologie des Jahrhunderts und brachte neben seinem Netzwerk auch Erfahrung im Aufbau und der Führung von Organisationen mit.
Musk, Altman und einige führende Forscher teilten vier Überzeugungen:
- KI könnte gewaltigen Nutzen für die Menschheit bringen.
- KI könnte aber auch gefährlich werden, wenn die Entwicklung unkontrolliert verläuft.
- Die Entwicklung sollte nicht allein in den Händen eines einzelnen Konzerns liegen.
- Forschungsergebnisse sollten möglichst offen geteilt werden.
Die zentrale Sorge (2015): Google hatte DeepMind gekauft, war bei vielen KI-Projekten führend und hatte Zugang zu riesigen Datenschätzen. Musk und andere Mitgründer warnten davor, dass die Entwicklung leistungsfähiger KI zunehmend von wenigen großen Unternehmen dominiert werden könnte.
Im Dezember 2015 gründeten Sam Altman, Elon Musk, Ilya Sutskever sowie weitere Unternehmer und Forscher OpenAI als gemeinnützige Organisation. Die Gründung verstand sich als Gegenmodell zu einer KI-Entwicklung, die zunehmend von wenigen großen Technologiekonzernen geprägt wurde.
Die Gründung von OpenAI (2015)
OpenAI startete Ende 2015 als gemeinnützige Forschungsorganisation. Die Gründer wollten Spitzenforschung im Bereich der Künstlichen Intelligenz betreiben und zugleich sicherstellen, dass die Entwicklung leistungsfähiger KI möglichst vielenMenschen zugutekommt.
Die Rollen waren dabei klar verteilt: Elon Musk unterstützte das Projekt als prominenter Mitgründer und Geldgeber, Sam Altman übernahm organisatorische und strategische Aufgaben, während Ilya Sutskever die wissenschaftliche Ausrichtung prägte und den Forschungsbereich aufbaute.
OpenAI konnte anfangs nicht mit den Gehältern großer Technologiekonzerne konkurrieren. Stattdessen bot die Organisation die Möglichkeit, an den grundlegenden Fragen der KI-Forschung zu arbeiten. Die Mission und die wissenschaftliche Freiheit erwiesen sich für viele Forscher als starke Anreize.
Dabei spielte Ilya Sutskever eine Schlüsselrolle. Als einer der angesehensten Deep-Learning-Forscher seiner Zeit verlieh er OpenAI wissenschaftliche Glaubwürdigkeit und half dabei, weitere hochkarätige Experten zu gewinnen.
Getrennte Wege: Musk verlässt OpenAI (2017–2018)
Bald wurde klar, dass die Entwicklung leistungsfähiger KI deutlich teurer werden würde als ursprünglich erwartet. Der Bedarf an immer größeren Datenmengen, zusätzlicher Rechenleistung und spezialisierter Hardware führte zu Kosten in Milliardenhöhe. Eine gemeinnützige Organisation konnte diese Anforderungen kaum allein finanzieren.
In dieser Phase entstanden Spannungen. Berichten zufolge schlug Musk verschiedene Wege vor, OpenAI stärker auszubauen. Andere Gründer sahen das kritisch. 2018 verließ Musk OpenAI.
Offiziell wurden Interessenkonflikte mit Tesla genannt, das ebenfalls KI für autonomes Fahren entwickelt. Danach gingen die Wege auseinander: Musk wurde zum Kritiker von OpenAI, Altman zur dominierenden Führungsperson, Sutskever blieb der wissenschaftliche Kopf.
Zwischen Mission und Finanzierung (2019)
OpenAI kam zu dem Schluss, dass die Entwicklung leistungsfähiger KI deutlich mehr Kapital erfordern würde als ursprünglich angenommen. Deshalb entstand 2019 eine neue Struktur: OpenAI LP, eine sogenannte „capped-profit"-Gesellschaft.
Das bedeutete, dass Investoren Gewinne erzielen dürfen, jedoch nur in begrenztem Umfang. Gleichzeitig soll die ursprüngliche Mission erhalten bleiben. Die gemeinnützige Organisation bleibt übergeordnet.
Capped Profit: Investoren können Gewinne erzielen, ihre Rendite ist jedoch vertraglich begrenzt. Die genaue Obergrenze hängt von den jeweiligen Investitionsbedingungen ab. Das Modell sollte den hohen Kapitalbedarf der KI-Forschung mit der ursprünglichen gemeinnützigen Mission verbinden.
Kritiker sahen darin eine Abkehr von den ursprünglichen Open-Source- und Transparenzidealen, während Befürworter die Änderung als notwendige Voraussetzung für die Finanzierung moderner KI-Forschung betrachteten.
Die Partnerschaft mit Microsoft
Mit jedem neuen KI-Modell stiegen die Anforderungen an Rechenleistung, Speicher und Finanzierung. Das Training großer neuronaler Netze kostete bereits Millionen von Dollar und erforderte gewaltige Rechenzentren. OpenAI benötigte daher einen starken Partner, um seine Forschung weiter ausbauen zu können.
2019 begann die enge Zusammenarbeit mit Microsoft. Der Konzern investierte rund eine Milliarde US-Dollar in OpenAI und stellte über seine Azure-Cloud die notwendige Infrastruktur für das Training immer größerer Modelle bereit. Damit erhielt OpenAI Zugang zu Rechenkapazitäten, die für eine unabhängige Forschungseinrichtung kaum finanzierbar gewesen wären.
Während Ilya Sutskever die wissenschaftliche Ausrichtung von OpenAI prägte, konzentrierte sich Sam Altman zunehmend auf Finanzierung, Strategie und Partnerschaften. Diese Arbeitsteilung ermöglichte es OpenAI, Forschung und wirtschaftliche Skalierung gleichzeitig voranzutreiben.
Die Partnerschaft mit Microsoft markierte einen Wendepunkt. OpenAI blieb zwar eine Forschungsorganisation, verfügte nun aber über die finanziellen und technischen Ressourcen, um leistungsfähige KI-Systeme in einem bisher unerreichten Maßstab zu entwickeln und zu trainieren.
Warum Microsoft so wichtig war: Moderne KI benötigt nicht nur gute Ideen, sondern enorme Rechenleistung. Microsoft stellte OpenAI über Azure Zugang zu einigen der leistungsfähigsten Rechenzentren der Welt bereit und wurde damit zu einem entscheidenden Partner für das Training großer KI-Modelle.
GPT-3: Die nächste Stufe der KI (2020)
GPT-3 beeindruckte die Fachwelt. Zum ersten Mal erkannten viele, dass große Sprachmodelle deutlich leistungsfähiger werden konnten als erwartet. Das Modell verfasste Texte, erzeugte Programmcode, schrieb Zusammenfassungen und führte erstaunlich natürliche Dialoge. Dabei löste es Aufgaben, für die niemand explizite Regeln programmiert hatte.
GPT-3 bestätigte die zentrale Forschungsrichtung, die Ilya Sutskever und andere Deep-Learning-Forscher über viele Jahre verfolgt hatten. Gleichzeitig erkannte Sam Altman das enorme Potenzial großer Sprachmodelle für praktische Anwendungen.
GPT-3 machte deutlich, dass die Entwicklung leistungsfähiger KI-Systeme schneller voranschritt als viele Experten erwartet hatten. Das Modell verstärkte den Wettbewerb zwischen Technologieunternehmen, Forschungseinrichtungen und Staaten, die zunehmend in KI investierten und um technologische Führungspositionen konkurrierten.
Warum GPT-3 besonders war: Mit 175 Milliarden Parametern war GPT-3 um ein Vielfaches größer als frühere Sprachmodelle. Die Ergebnisse deuteten darauf hin, dass viele Fähigkeiten nicht einzeln programmiert werden mussten, sondern durch ausreichend große Modelle und Trainingsdaten entstehen konnten.
ChatGPT wird zum Massenphänomen (2022)
Die Veröffentlichung von ChatGPT im November 2022 löste einen beispiellosen KI-Boom aus. Innerhalb weniger Wochen nutzten Millionen Menschen das System. OpenAI wurde innerhalb kurzer Zeit zu einem der bekanntesten Technologieunternehmen der Welt.
Sam Altman wurde zum öffentlichen Gesicht der KI-Revolution. Ilya Sutskever blieb lange eine der prägenden wissenschaftlichen Figuren im Hintergrund, bis er OpenAI 2024 verließ und mit Safe Superintelligence Inc. sein eigenes Unternehmen gründete, das sich ausschließlich auf sichere Superintelligenz konzentriert. Elon Musk kritisierte zunehmend OpenAI und warf dem Unternehmen vor, sich von seiner ursprünglichen Mission entfernt zu haben.
Im Jahr 2023 gründete Musk sein eigenes KI-Unternehmen xAI und entwickelte später das Modell Grok, das in direkter Konkurrenz zu ChatGPT steht.
Warum ChatGPT anders war: Die zugrunde liegende Technik existierte bereits vorher. Neu war, dass erstmals Hunderte Millionen Menschen direkt mit einem leistungsfähigen Sprachmodell interagieren konnten. Dadurch wurde KI innerhalb weniger Monate zu einem gesellschaftlichen, wirtschaftlichen und politischen Thema.
Die OpenAI-Krise (2023)
Mit dem rasanten Erfolg von ChatGPT traten unterschiedliche Vorstellungen über die Zukunft von OpenAI immer deutlicher hervor.
Sam Altman wollte die Entwicklung schnell vorantreiben. Altman vertrat öffentlich die Auffassung, dass leistungsfähige KI entwickelt werden sollte, während gleichzeitig Sicherheitsmechanismen aufgebaut werden. Wer wartet, überlässt das Feld anderen, möglicherweise weniger verantwortungsvollen Akteuren.
Ilya Sutskever sorgte sich zunehmend um die Risiken extrem leistungsfähiger KI. Seine Sicht: Sicherheit muss wichtiger sein als Geschwindigkeit. Eine KI, die zu mächtig und zu wenig verstanden ist, könnte katastrophale Folgen haben.
Im November 2023 unterstützte Sutskever die überraschende Entlassung Altmans durch den OpenAI-Vorstand. Die genauen Gründe wurden nie vollständig öffentlich gemacht. Viele Beobachter sahen darin einen möglichen Konflikt zwischen schnellem Wachstum, wirtschaftlicher Expansion und Fragen der KI-Sicherheit. schnellem Wachstum und der sicheren Entwicklung leistungsfähiger KI-Systeme.
Die Reaktion fiel dramatisch aus. Der überwiegende Teil der Belegschaft stellte sich hinter Altman. Auch Microsoft unterstützte ihn. Nach wenigen Tagen kehrte Altman an die Spitze von OpenAI zurück. Sutskever verlor in der Folge zunehmend an Einfluss innerhalb des Unternehmens. Später entschuldigte er sich öffentlich für seine Rolle bei den Ereignissen.
Warum die Krise weltweit Schlagzeilen machte: OpenAI galt zu diesem Zeitpunkt als eines der wichtigsten KI-Unternehmen der Welt. Die überraschende Entlassung von Sam Altman war deshalb nicht nur ein internes Unternehmensereignis, sondern wurde als möglicher Wendepunkt für die gesamte KI-Branche wahrgenommen.
Die Trennung und ihre Folgen (2024)
2024 verließ Sutskever OpenAI und gründete Safe Superintelligence (SSI). Sein Ziel war die Entwicklung einer superintelligenten KI, bei der Sicherheit das zentrale Entwicklungsprinzip bildet.
Mit Safe Superintelligence stellte Sutskever die sichere Entwicklung zukünftiger KI-Systeme in den Mittelpunkt. Das Unternehmen verfolgt einen deutlich stärkeren Fokus auf Sicherheitsfragen als viele andere Akteure der Branche.
Drei Personen, drei Perspektiven
Sam Altman: Der Unternehmer, der die Entwicklung und Verbreitung leistungsfähiger KI-Systeme im großen Maßstab vorantreibt.
Ilya Sutskever: Der Forscher, der die sichere Entwicklung zukünftiger KI-Systeme in den Mittelpunkt stellt.
Elon Musk: Der Unternehmer und Kritiker, der vor den Risiken leistungsfähiger KI warnt und mit xAI einen eigenen Ansatz verfolgt.
Asien im globalen KI-Wettbewerb
Die KI-Geschichte ist keine amerikanische Geschichte allein. Asiatische Länder haben eigene Wege, eigene Schwerpunkte und eigene Ambitionen entwickelt.
China hat KI zur nationalen Priorität erklärt. 2017 veröffentlichte die chinesische Regierung einen Entwicklungsplan mit dem Ziel, China bis 2030 zu einem weltweit führenden Zentrum für Künstliche Intelligenz zu machen.
Quelle: Staatsrat der Volksrepublik China, New Generation Artificial Intelligence Development Plan (新一代人工智能发展规划), veröffentlicht im Juli 2017.
Unternehmen wie Baidu, Alibaba, Tencent und Huawei investieren massiv. Baidu gilt als chinesisches Pendant zu Google und hat mit ERNIE Bot einen eigenen Konkurrenten zu ChatGPT auf den Markt gebracht. DeepSeek rückte 2025 weltweit in den Fokus, als das Unternehmen leistungsfähige Modelle präsentierte und vergleichsweise niedrige Trainingskosten angab. Besonders beachtet wurden die vom Unternehmen angegebenen vergleichsweise geringen Trainingskosten, deren genaue Größenordnung jedoch umstritten ist.
Quelle: DeepSeek Technical Reports (2024/2025). Die veröffentlichten Angaben zu Trainingskosten beruhen auf Angaben des Unternehmens und wurden von verschiedenen Analysten sowie Vertretern westlicher KI-Unternehmen teilweise angezweifelt.
Chinas Besonderheit: KI ist in China tief in staatliche Steuerungs- und Überwachungsinfrastrukturen eingebettet. Gesichtserkennung, Verwaltungsautomatisierung und datengetriebene Steuerungssysteme nutzen KI in einem Ausmaß, das in westlichen Demokratien politisch umstritten wäre.
Japan setzt KI vor allem als Assistenz- und Robotiksystem in Pflege, Industrie und Dienstleistungssektoren ein. Die alternde Bevölkerung macht den Einsatz solcher Systeme für Japan besonders attraktiv.
Japanische Unternehmen wie Toyota, Sony und SoftBank investieren in Robotik mit KI-Fähigkeiten. SoftBank hat mit seinem Vision Fund weltweit in KI-Startups investiert und ist damit auch außerhalb Japans ein bedeutender Akteur.
Südkorea integriert KI mit hoher Geschwindigkeit in marktfähige Produkte und digitale Plattformen. Samsung und LG nutzen KI in Konsumgütern, NAVER entwickelt eigene Sprachmodelle für den koreanischen Markt. Die enge Verbindung zwischen großen Familienkonzernen (Chaebols) und staatlicher Förderung beschleunigt den Einsatz.
Indien nutzt KI vor allem zur Skalierung staatlicher Verwaltungsprozesse und öffentlicher Dienstleistungen für eine Bevölkerung von über 1,4 Milliarden Menschen. Das Aadhaar-System (biometrische Identifikation) und digitale Zahlungsinfrastrukturen bilden die Grundlage für eine weitreichende Digitalisierung staatlicher Dienstleistungen, in die zunehmend auch KI-Systeme eingebunden werden.
Gleichzeitig ist Indien ein bedeutender Lieferant von KI-Fachkräften für westliche Unternehmen. Viele führende Forscher und Manager der amerikanischen KI-Industrie stammen aus Indien.
Der KI-Wettbewerb zwischen den USA und China besitzt inzwischen eine ausgeprägte geopolitische Dimension. Die USA haben Exporte moderner KI-Chips (insbesondere von Nvidia) nach China stark eingeschränkt. China versucht, eigene Chip-Produktionskapazitäten aufzubauen. Die KI-Entwicklung ist damit Teil eines technologischen Entkopplungsprozesses zwischen den beiden größten Volkswirtschaften der Welt.
Chip-Exportkontrollen: Die USA beschränken den Export von Hochleistungsprozessoren nach China, die für das Training großer KI-Modelle benötigt werden. Dies zwingt China, eigene Alternativen zu entwickeln und hat die globale Halbleiterindustrie grundlegend verändert.
Vier Länder, vier Strategien: Während China auf staatliche Förderung und technologische Souveränität setzt, konzentriert sich Japan auf Robotik und Assistenzsysteme. Südkorea integriert KI schnell in marktfähige Produkte, während Indien vor allem auf die digitale Skalierung öffentlicher Dienstleistungen setzt.
Die Ironie der Geschichte
Manche Geschichten entwickeln sich anders als ihre Anfänge versprechen.
2015 gründeten Musk, Altman und Sutskever OpenAI, weil sie verhindern wollten, dass die Entwicklung leistungsfähiger KI ausschließlich von wenigen Organisationen kontrolliert wird.
Zehn Jahre später gehört OpenAI selbst zu den einflussreichsten Akteuren der weltweiten KI-Entwicklung. Investitionen in Milliardenhöhe, Hunderte Millionen Nutzer und die enge Verflechtung mit einem der größten Konzerne der Welt prägen heute das Unternehmen.
Genau darin sehen manche den Erfolg der Mission, während andere darin ihren größten Widerspruch erkennen.
Die Grundfrage, die 2015 zur Gründung von OpenAI führte, ist nicht beantwortet. Sie ist nur größer geworden:
- Wer kontrolliert die mächtigsten KI-Systeme der Welt?
- Welchen Interessen dienen sie?
- Wer entscheidet darüber, welche Grenzen ihnen gesetzt werden?
Diese Fragen werden die kommenden Jahrzehnte prägen, in der Technologie, in der Politik und in der Gesellschaft.
Ob die Zukunft von wenigen globalen KI-Unternehmen, staatlichen Programmen oder einer Vielzahl konkurrierender Akteure geprägt sein wird, ist heute noch offen.
AGI (Artificial General Intelligence): Darunter versteht man eine KI, die jede intellektuelle Aufgabe auf dem Niveau eines Menschen oder darüber hinaus bewältigen kann. Ob und wann ein solches System entsteht, ist unter Forschern umstritten. Während einige Unternehmen AGI in greifbarer Nähe sehen, rechnen andere erst in mehreren Jahrzehnten damit.
Der Todesstern: Machtfragen und ein Ausblick
Am Anfang dieser Geschichte stand eine Angst, die Angst vor einer einzigen, übermächtigen KI in den Händen weniger. Ein Bild aus der Popkultur hat diese Angst über die Jahre begleitet: der Todesstern. Und es hat sich auf eine Weise gewandelt, die viel über den Zustand der KI-Welt verrät.
Zwischen 2013 und 2015 verbrachte Elon Musk viel Zeit mit Google-Mitgründer Larry Page. Die beiden galten als enge Freunde. In Gesprächen über die Zukunft der KI und deren Sicherheit entstand jedoch ein tiefer Konflikt. Nach Musks Darstellung befürwortete Page die möglichst schnelle Entwicklung einer digitalen Superintelligenz, die Musk später als „digitalen Gott“ beschrieb.
Als Musk auf mögliche Gefahren für die Menschheit hinwies, soll Page ihn als „Speziesisten“ bezeichnet haben. Gemeint war damit jemand, der die Interessen der menschlichen Spezies über die einer möglicherweise überlegenen künstlichen Intelligenz stellt. Nach Musks Darstellung war dies ein entscheidender Moment für seine spätere Haltung zur KI-Entwicklung. Google hatte inzwischen DeepMind übernommen und verfügte nach seiner Einschätzung über einen großen Teil der weltweiten KI-Talente, erhebliche finanzielle Ressourcen und mehr Rechenleistung als die meisten Konkurrenten.
Quelle: Die Schilderung des Konflikts zwischen Elon Musk und Larry Page beruht auf Musks eigener Darstellung, insbesondere im Interview mit Tucker Carlson (April 2023). Der genaue Zeitpunkt der geschilderten Auseinandersetzung ist in den Quellen strittig: Walter Isaacsons Musk-Biografie (2023) datiert sie auf eine Party in Napa Valley 2013, Max Tegmark schildert in Life 3.0 (2017) eine ähnliche Szene aus dem Jahr 2015. Musk wiederholte seine Darstellung 2026 zudem unter Eid im Verfahren Musk gegen OpenAI. Larry Page hat die geschilderten Aussagen nach öffentlichem Kenntnisstand nicht bestätigt.
In dieser Frühzeit kursierte ein eindringliches Bild: Wenn ein einzelnes Unternehmen die mächtigste KI der Welt kontrolliert, gleicht das einem Todesstern, einer einzigen, alles überragenden Machtkonzentration, gegen die es kein Gegengewicht mehr gibt. OpenAI verstand sich als Antwort darauf: nicht als Waffe, sondern als offene Alternative zum Machtmonopol.
Kurz vor der Vorstellung eines neuen großen Sprachmodells veröffentlichte Sam Altman im Frühjahr 2026 wortlos das Bild eines Todessterns, des planetenzerstörenden Kampfsterns aus „Star Wars“. Die Wahl dieses Symbols wurde vielfach als bemerkenswert wahrgenommen: Ausgerechnet das Unternehmen, das ursprünglich als Gegengewicht zu einer übermäßigen Konzentration von KI-Macht gegründet worden war, verwendete nun selbst das bekannteste Symbol technologischer Übermacht der Popkultur.
Quelle: Beitrag von Sam Altman auf X (ehemals Twitter), 4. März 2026, einen Tag vor der offiziellen GPT-5-Vorstellung.
Das ursprünglich von Sam Altman gezeigte Todesstern-Symbol wird hier durch eine eigene Illustration interpretiert: Eine fiktive, von einem neuronalen Netz durchzogene Sphäre überragt eine kleine, verwundbare Welt. Das Netzwerk aus Knoten und Verbindungen steht für die Grundlagen moderner KI-Systeme und symbolisiert die Konzentration technologischer Macht.
Niemand kann die Zukunft der KI sicher vorhersagen. Einige Entwicklungslinien zeichnen sich jedoch deutlich ab:
- Vom Werkzeug zum Akteur: KI entwickelt sich vom passiven Hilfsmittel zu einem eigenständig handelnden System. KI-Agenten planen und erledigen Aufgaben zunehmend selbstständig.
- Der Weg zur AGI: Ob und wann eine allgemeine künstliche Intelligenz erreicht wird, bleibt umstritten. Manche Unternehmen halten sie für nahe, andere für Jahrzehnte entfernt.
- Geopolitik und Chips: Der Wettlauf zwischen den USA und China sowie die Kontrolle über Spezialchips werden darüber entscheiden, wer technologisch führend bleibt.
- Regulierung und Aufsicht: Demokratien stehen vor der Herausforderung, verbindliche Regeln zu schaffen und gleichzeitig Innovationskraft zu erhalten. Dieser Balanceakt hat gerade erst begonnen.
- Sicherheit als Kernfrage: Je leistungsfähiger die Systeme werden, desto wichtiger wird es, dass sie kontrollierbar bleiben und sich an menschlichen Werten orientieren. Dies war ein zentrales Anliegen bei der Gründung von OpenAI und gehört heute zu den erklärten Zielen mehrerer Forschungslabore.
Was bedeutet das für die Gesellschaft?
Mit der wachsenden Leistungsfähigkeit von KI wachsen auch die Herausforderungen:
- Deepfakes und Desinformation
- Digitale Überwachung und Datenschutzfragen
- Auswirkungen auf Arbeitsplätze und Berufsbilder
- Steigender Energie- und Ressourcenverbrauch
- Verzerrte oder unfaire Entscheidungen durch fehlerhafte Trainingsdaten
Die Geschichte der KI erklärt, wie wir an diesen Punkt gelangt sind. Welche Risiken, Chancen und gesellschaftlichen Folgen daraus entstehen, wird auf einer eigenen vertiefenden Seite ausführlich erläutert: Zukunftsrisiken und ethische Fragen verstehen
Die Geschichte der KI ist eine Geschichte von Hoffnungen, Ängsten und Machtverschiebungen. Sie begann mit dem Wunsch, eine übermächtige Technologie nicht in die Hände weniger Akteure zu legen. Heute ist die Frage, wer diese Technologie kontrolliert, offener denn je.
Ob der Todesstern am Ende ein Warnbild bleibt oder zur Beschreibung der Wirklichkeit wird, entscheidet sich nicht allein in den Laboren der Technologieunternehmen. Es entscheidet sich auch daran, wie aufmerksam, kritisch und informiert die Gesellschaft diese Entwicklung begleitet.
Titel: Die Geschichte der KI: Menschen, Motive und Machtverschiebungen
Druckdatum: 18.06.2026
Domain: www.lessat.net