1943McCulloch und Pitts modellieren das Neuron mathematisch
Warren McCulloch und Walter Pitts veröffentlichen „A Logical Calculus of the Ideas Immanent in Nervous Activity“ und zeigen, dass Netzwerke vereinfachter Alles-oder-Nichts-Neuronen im Prinzip jede logische Funktion berechnen können – ein theoretischer Keim, der später als Vorfahr des künstlichen neuronalen Netzwerks gilt.
1950Turing schlägt das Nachahmungsspiel vor
In „Computing Machinery and Intelligence“, veröffentlicht in der Zeitschrift Mind, geht Alan Turing der Frage „Können Maschinen denken?“ aus dem Weg und schlägt stattdessen einen praktischen Test vor. Er prognostiziert, dass innerhalb von fünfzig Jahren eine Maschine mit etwa einer Milliarde Bits Speicher einen durchschnittlichen Vernehmer in mindestens 30 % der Fälle täuschen würde.
1956Die Dartmouth-Werkstatt benennt das Feld
Der achtwöchige Dartmouth-Sommerworkshop von John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon prägt den Begriff „künstliche Intelligenz“ und bringt etwa zehn Forscher zusammen, die später einen Großteil der frühen Forschungsagenda des Fachgebiets begründeten.
1958Rosenblatt baut das Perceptron
Frank Rosenblatts Perceptron, das zunächst in Software und dann in kundenspezifischer Hardware bei Cornell implementiert wurde, lernt, einfache Bilder zu klassifizieren, indem es seine eigenen Verbindungsgewichte anpasst – die erste funktionierende Demonstration eines trainierbaren künstlichen neuronalen Netzwerks.
1969–1974Der erste KI-Winter beginnt
Das Buch „Perceptrons“ von Marvin Minsky und Seymour Papert aus dem Jahr 1969 beweist mathematisch, dass einschichtige Netzwerke einfache Probleme wie XOR nicht lösen können, und der britische Lighthill Report von 1973 kommt zu dem Schluss, dass KI ihre Versprechen nicht gehalten hat; Die Finanzierung neuronaler Netze und allgemeiner KI-Forschung bricht auf beiden Seiten des Atlantiks zusammen.
1986Backpropagation wird populär
David Rumelhart, Geoffrey Hinton und Ronald Williams veröffentlichen in „Nature“ „Darstellungen lernen durch Rückwärtsausbreitung von Fehlern“ und zeigen, dass mehrschichtige neuronale Netze durch die Rückwärtsausbreitung von Fehlersignalen effizient trainiert werden können – der Algorithmus wird immer noch zum Trainieren fast aller seitdem gebauten neuronalen Netze verwendet.
1987–1993Der zweite KI-Winter
Der Markt für spezialisierte Lisp-Maschinen bricht fast über Nacht zusammen, da günstigere Allzweck-Workstations aufholen und sich regelbasierte Expertensysteme als zu spröde und kostspielig erweisen, um sie im großen Maßstab zu warten; Es gibt wieder Förderverträge für KI, und viele Forscher streichen die Laufzeit stillschweigend aus ihrer Arbeit.
1989LeCun beweist, dass Faltungsnetzwerke funktionieren – bei echten Kontrollen
Yann LeCuns Faltungs-Neuronales Netzwerk, das in den Bell Labs entwickelt wurde, wird bald kommerziell eingesetzt, um handgeschriebene Ziffern auf Schecks zu lesen; Ende der 1990er Jahre lesen Systeme, die auf seiner Architektur basieren, einen bedeutenden Teil der in den Vereinigten Staaten verarbeiteten Schecks, eine seltene, funktionierende Deep-Learning-Einführung lange vor dem Mainstream-Durchbruch in diesem Bereich.
2012AlexNet gewinnt ImageNet und startet den Deep-Learning-Boom
Das Deep Convolutional Network von Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton gewinnt den ImageNet-Wettbewerb mit einer Fehlerquote von 15,3 % gegenüber 26,2 % beim nächstbesten Beitrag, ein Vorsprung, der so groß ist, dass er die meisten Teilnehmer fast über Nacht davon überzeugt, dass Deep Learning den zentralen Maßstab für Computer Vision gelöst hat.
2017–2022Transformers und das Skalierungszeitalter
Google-Forscher veröffentlichen „Attention Is All You Need“ und stellen seitdem die Transformer-Architektur hinter fast jedem wichtigen Sprachmodell vor; GPT-3 (2020) und ChatGPT (2022) von OpenAI zeigen dann, dass die Skalierung derselben Architektur mit mehr Daten und Rechenleistung immer wieder neue Funktionen hervorbringt und einen branchenweiten Wettlauf um den Aufbau immer größerer Modelle auslöst.
