Dies ist Teil 3 einer Serie über die Geschichte der Künstlichen Intelligenz. Teil 2 endete 1974 im ersten KI-Winter: Die symbolische Schule war an der „kombinatorischen Explosion” der offenen Welt gescheitert, die Förderung eingefroren. Dieser Teil erzählt, wie die KI aus genau diesem Scheitern ein Geschäft machte — das erste Milliardengeschäft des Feldes — und wie sie ein zweites Mal erfror.
1979 trat in Stanford ein Computerprogramm gegen menschliche Ärzte an und gewann. Das Programm hieß MYCIN, es stammte aus der Doktorarbeit des Mediziners und Informatikers Edward Shortliffe, und seine Aufgabe war eng umrissen: Es sollte bei schweren bakteriellen Infektionen — Blutvergiftung, Hirnhautentzündung — den Erreger eingrenzen und das richtige Antibiotikum in der richtigen Dosis vorschlagen. In einer Vergleichsstudie legte man zehn echte Meningitis-Fälle acht Fachärzten für Infektionskrankheiten zur Bewertung vor — blind, ohne zu verraten, welcher Therapievorschlag von der Maschine und welcher von einem Menschen stammte. Das Ergebnis war für die damalige Zeit ein Schock: MYCINs Vorschläge erhielten eine höhere Zustimmung als die der fünf Stanford-Mediziner, gegen die es antrat. Eine Maschine aus rund sechshundert Wenn-dann-Regeln war im Vorschlagen einer Antibiotika-Therapie mindestens so gut wie ein Facharzt.
Und dann passierte: nichts. MYCIN behandelte nie einen einzigen Patienten. Es lief auf einem Großrechner, lange vor dem PC; ein Arzt hätte jeden Befund von Hand eintippen müssen, während der Kranke wartete. Vor allem aber stellte sich eine Frage, die keine Regel beantworten konnte: Wer haftet, wenn das Programm irrt und ein Mensch stirbt? Die Maschine konnte Arzt sein und durfte es nicht. Sie blieb im Labor, ein Triumph ohne Patienten.
Wer Teil 1 und 2 gelesen hat, hört hier die Ente schnattern. Vaucansons Automat sah aus, als verdaue er; ELIZA schien zu verstehen; und MYCIN bestand die Prüfung wie ein Arzt, ohne im mindesten zu wissen, was eine Krankheit ist. Aber diesmal hat die Geschichte einen neuen Dreh. Bei der Ente und bei ELIZA war die Frage ist das echt oder sieht es nur so aus? eine Warnung. Bei MYCIN wurde sie zum Geschäftsmodell. Denn jemand zog aus solchen Programmen einen Schluss, der die KI aus dem Winter holte und zum ersten Mal in ihrer Geschichte Geld verdienen ließ — sehr viel Geld, sehr schnell. Und genauso schnell wieder verlor.
Wissen ist Macht — die Antwort auf den ersten Winter
Um zu verstehen, warum die 1980er anders begannen als die 1960er, muss man sehen, welche Lehre die KI aus ihrem ersten Scheitern zog. Der erste Winter kam, weil die symbolische Schule auf allgemeine Problemlöser gesetzt hatte — Programme wie den General Problem Solver aus Teil 2, die nach einem universellen Schema alles knacken sollten und genau deshalb an der schieren Größe der offenen Welt erstickten. Die Suche, hatten Newell und Simon gesagt, sei das Wesen der Intelligenz. Die Suche war auch ihr Sarg.
Die Antwort darauf formulierte ein Mann, der schon bei DENDRAL dabei gewesen war, dem ersten Programm dieser Art: Edward Feigenbaum, Stanford. DENDRAL, ab Mitte der 1960er von Feigenbaum, dem Nobelpreisträger Joshua Lederberg, dem Chemiker Carl Djerassi und dem Logiker Bruce Buchanan gebaut, hatte aus Massenspektren auf die Struktur unbekannter Moleküle geschlossen — und zwar nicht, indem es alle denkbaren Strukturen durchprobierte, sondern indem es das Erfahrungswissen erfahrener Chemiker in Regeln goss, die aussichtslose Kandidaten von vornherein wegwarfen. Daraus destillierte Feigenbaum die zentrale These der kommenden Dekade, später sein Wissensprinzip genannt: Die Stärke eines intelligenten Programms steckt nicht in der Raffinesse seiner Schlussfolgerungsmaschine, sondern in der Menge und Qualität des Wissens, das es über sein enges Fachgebiet besitzt. Nicht klüger schließen — mehr wissen. Wissen ist Macht.
Das war ein eleganter Ausweg aus der kombinatorischen Explosion. Man musste den Suchraum gar nicht beherrschen, wenn man ihn von Anfang an klein hielt: ein winziges Spezialgebiet, vollgestopft mit den Faustregeln menschlicher Experten. So entstand der Typ Programm, der das Jahrzehnt prägen sollte — das Expertensystem. MYCIN war der berühmteste Vertreter. Seine Architektur trennte sauber zwischen einer Wissensbasis aus Hunderten Regeln („WENN der Erreger gramnegativ ist UND … DANN spricht es mit Wahrscheinlichkeit 0,7 für …”) und einer schlanken Inferenzmaschine, die diese Regeln verkettete. Der Mensch, der die Regeln aus den Köpfen der Fachärzte herausfragte und formalisierte, bekam einen neuen Berufstitel: knowledge engineer, Wissensingenieur.
Die KI wird Geschäft
Was MYCIN für die Medizin war, wurde XCON für das Geld. 1980 nahm der Computerkonzern Digital Equipment Corporation (DEC) ein Expertensystem in Betrieb, das der Forscher John McDermott an der Carnegie Mellon University entwickelt hatte. Die Aufgabe klingt unspektakulär und war genau deshalb perfekt: XCON — ursprünglich R1 — konfigurierte Bestellungen für DECs VAX-Rechner. Ein VAX-System bestand aus Hunderten Komponenten, und ob Kabel, Netzteile und Steckkarten einer Bestellung wirklich zusammenpassten, prüften bis dahin Menschen, fehleranfällig und langsam. XCON tat es nach Regeln, schließlich Tausenden, und es tat es zuverlässig. McDermott schätzte den Wert seines eigenen Tuns zunächst nüchtern ein; in einer Fußnote seines Aufsatzes von 1980 spottete er über sich selbst, vier Jahre zuvor habe er das Wort knowledge engineer nicht einmal aussprechen können — „now I are one”, grammatikalisch falsch und mit Absicht.
Der Spott verflog, als die Zahlen kamen. XCON sparte DEC nach gängiger Schätzung rund 25 Millionen Dollar pro Jahr; über die ersten sechs Jahre summierte sich der Nutzen auf etwa 40 Millionen. Zum ersten Mal in der Geschichte des Feldes gab es einen harten, in Dollar bezifferbaren Beweis: KI rechnet sich. Das ist der entscheidende Unterschied zu den 1960ern. Der erste Boom lief auf Versprechen und Fördergeld; der zweite lief auf Rechnungen, die aufgingen. Und nichts zieht Kapital so verlässlich an wie eine Rechnung, die aufgeht.
Es folgte eine Goldgräberstimmung. Bis 1985 gaben Unternehmen und Behörden weltweit über eine Milliarde Dollar für KI aus, das meiste für interne Expertensysteme. Eine ganze Industrie entstand aus dem Nichts: Firmen wie Teknowledge, IntelliCorp (mit dem Werkzeugkasten KEE), Inference Corporation und die Carnegie Group verkauften die Software, mit der man Expertensysteme baute. Und weil diese Systeme in der Programmiersprache LISP geschrieben waren, der Haussprache der amerikanischen KI, entstand sogar eine eigene Hardware-Branche: Firmen wie Symbolics und Lisp Machines Inc. — beide aus dem MIT-Labor hervorgegangen — bauten teure Spezialrechner, sogenannte LISP-Maschinen, die für nichts anderes optimiert waren als für das Ausführen von LISP-Code. Ein einziges dieser Geräte kostete hunderttausend Dollar und mehr. Symbolics hielt Mitte der 1980er rund 70 Prozent dieses Marktes. Die KI hatte nicht nur eine Software-Industrie, sie hatte ihre eigene Halbleiter-Romantik. Diesen Punkt bitte merken — er wird die Pointe dieses Teils.
Der Wettlauf der Nationen
Aus dieser kommerziellen Euphorie wurde, fast zwangsläufig, eine geopolitische. 1982 verkündete das japanische Industrieministerium MITI ein Vorhaben, das den Westen elektrisierte und erschreckte: das Fifth Generation Computer Systems-Projekt. Japan, das in den Jahren zuvor erst die Auto-, dann die Speicherchip-Industrie der USA überrollt hatte, wollte nun den nächsten Sprung machen — diesmal nicht bei der Hardware allein, sondern bei der denkenden Maschine. Rund 400 Millionen Dollar, ein Jahrzehnt Laufzeit, massiv parallele Rechner, gebaut um die Logik-Programmiersprache Prolog: Japan wollte die KI als nationale Industrie der Zukunft besetzen.
Die Wirkung im Westen war Panik. Feigenbaum selbst goss sie 1983 mit der Journalistin Pamela McCorduck in ein Buch mit dem alarmistischen Titel The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World — eine Mischung aus Sachbuch und Weckruf, die den Eindruck erzeugte, die USA könnten einen Wettlauf um die Schlüsseltechnologie des 21. Jahrhunderts verlieren. Die Reaktion kam prompt und staatlich. In den USA legte die DARPA 1983 die Strategic Computing Initiative auf, die über ein Jahrzehnt rund eine Milliarde Dollar in KI und fortgeschrittenes Rechnen pumpte. Großbritannien — dasselbe Land, dessen Lighthill-Report die KI zehn Jahre zuvor stillgelegt hatte (Teil 2) — drehte den Geldhahn wieder auf und schuf das Alvey-Programm mit 350 Millionen Pfund. Europa antwortete mit dem Forschungsverbund ESPRIT. Innerhalb weniger Jahre war aus der toten Disziplin von 1974 ein Feld geworden, um das Nationen mit Steuermilliarden rangen. Das „diesmal ist es anders”, das schon Dartmouth grundiert hatte, klang jetzt nicht mehr nach Forscher-Enthusiasmus, sondern nach Standortpolitik.
Die Wand, zum Zweiten
Und doch trug der zweite Boom denselben verborgenen Konstruktionsfehler wie der erste — nur an einer neuen Stelle. Der erste Boom war an der Breite gescheitert, an der offenen Welt. Der zweite scheiterte an der Pflege der Enge, die ihn überhaupt erst möglich gemacht hatte.
Das erste Problem trug einen sperrigen Namen: den Flaschenhals der Wissensakquise, knowledge acquisition bottleneck. Ein Expertensystem ist nur so gut wie die Regeln, die ein Wissensingenieur einem menschlichen Experten abgerungen hat. Aber Experten können das meiste von dem, was sie können, nicht in Regeln fassen. Genau das hatte der Philosoph Hubert Dreyfus schon 1972 gegen die symbolische KI eingewandt (Teil 2) — und es schlug nun mit voller Wucht durch. Das Herausfragen, Formalisieren und Testen jeder einzelnen Regel war quälend langsam und teuer. Ein System auf dem Stand zu halten, war noch schlimmer: XCON wuchs auf Tausende Regeln, die einander widersprachen, sich gegenseitig blockierten und mit jeder neuen DEC-Produktlinie nachgezogen werden mussten. Am Ende kostete die Wartung mehr, als das System einbrachte. Das Wissen war Macht — aber Wissen, das ein Mensch von Hand einpflegen und pflegen muss, skaliert nicht.
Das zweite Problem war tödlicher, weil es die Natur der Sache selbst betraf: Sprödheit, brittleness. Ein Expertensystem funktioniert glänzend innerhalb seines winzigen Reviers und fällt an dessen Rand nicht etwa sanft ab, sondern stürzt ab. Es hat kein Weltwissen, keinen gesunden Menschenverstand, kein Gefühl dafür, wann es an seine Grenze stößt. MYCIN diagnostizierte Blutinfektionen meisterhaft — hätte man ihm den Fall eines Patienten mit gebrochenem Bein vorgelegt, hätte es nicht etwa gepasst, sondern unbeirrt nach Bakterien gesucht. Es konnte nicht sagen „das verstehe ich nicht”, weil es überhaupt nichts verstand. Hier ist die Ente wieder, und diesmal hat sie ein Skalpell verdient: Das Expertensystem wusste Medizin so, wie der Automat verdaute — als perfekte Mechanik der Oberfläche, ohne den Stoffwechsel darunter. Solange man im Inneren des Reviers blieb, sah es aus wie Können. Einen Schritt über die Grenze, und es war Mechanik, die ins Leere lief.
Der Markt verschwindet in einem Jahr
Wie schon 1974 entstand der Winter nicht aus Enttäuschung allein, sondern dort, wo Enttäuschung auf Ökonomie traf. Und der Schlag kam von der Stelle, die ich zu merken bat: von der Hardware.
Die teuren LISP-Maschinen hatten eine stillschweigende Voraussetzung — dass nur Spezialhardware LISP schnell genug ausführen könne. Diese Voraussetzung verfiel. Mitte der 1980er kamen billige, allgemeine Arbeitsplatzrechner auf den Markt, allen voran die Workstations von Sun Microsystems, und auf ihnen liefen portable LISP-Umgebungen bald fast so schnell wie auf den Spezialgeräten — zu einem Bruchteil des Preises. Wer hunderttausend Dollar für eine Symbolics-Maschine ausgegeben hatte, konnte dieselbe Arbeit nun auf einem Standardrechner für einen Zehntel des Geldes tun. 1987 brach der Markt für LISP-Maschinen zusammen — nicht über Jahre, sondern, wie ein Chronist festhielt, faktisch in einem einzigen Jahr verschwand eine halbe Milliarde Dollar schwere Industrie. Lisp Machines Inc. machte noch im selben Jahr dicht. Symbolics, der Marktführer, siechte dahin und meldete 1993 Konkurs an.
Der Rest fiel wie eine Reihe Dominosteine. Die spektakulär finanzierten Expertensysteme erwiesen sich als zu spröde und zu teuer in der Wartung; viele Firmen mottete sie ein. Die DARPA, unter neuer Führung und ernüchtert, strich Ende der 1980er ihre KI-Etats zusammen — sie sah in der KI nicht länger den Weg zum nächsten Durchbruch. Japans Fünfte Generation lief 1992 aus, ohne die großen Ziele erreicht zu haben; die Welt war an ihr vorbeigezogen. Das Wort „künstliche Intelligenz” wurde zum Stigma: Wer in den frühen 1990ern Forschungsgeld wollte, vermied es und sprach von „intelligenten Systemen”, „Wissensmanagement”, „Analytik”. Der zweite KI-Winter war da — tiefer und kommerzieller als der erste, weil diesmal nicht nur Förderhoffnungen, sondern reale Firmen, Börsenwerte und eine ganze Hardware-Branche unter dem Schnee lagen.
Warum das 2026 zählt
Man kann diesen zweiten Zyklus als ferne Wirtschaftsgeschichte lesen, als Episode über Großrechner und Steckkarten, die mit der Gegenwart nichts zu tun hat. Das wäre derselbe Fehler wie bei Teil 1 und 2. Drei Dinge aus den Jahren 1974–1993 stehen der Gegenwart so nah, dass es unbequem wird.
Erstens — und das ist die schärfste Parallele der ganzen Serie bisher — die Geschichte der LISP-Maschine ist die Geschichte einer KI-Hardware-Blase. Eine ganze Industrie wettete darauf, dass die aktuelle KI-Methode spezielle Hardware brauche, baute teure Spezialrechner, machte glänzende Geschäfte — und wurde ausgelöscht, als billigere Allzweck-Hardware aufschloss. Wer das liest, während 2026 die Bewertung eines einzigen Chipherstellers ganze Volkswirtschaften überragt und Rechenzentren für KI in Größenordnungen gebaut werden, die an die Eisenbahnmanie erinnern, sollte zumindest die Frage zulassen: Was ist die Sun-Workstation von heute? Es muss kein billigerer Chip sein; es könnte eine effizientere Methode sein, ein Modell, das mit einem Bruchteil der Rechenleistung auskommt. Die LISP-Maschine sagt nicht voraus, dass die heutige KI-Hardware kollabiert. Sie sagt nur, dass die Annahme „diese Technik wird immer diese teure Hardware brauchen” historisch schon einmal eine ganze Branche in den Abgrund geführt hat — in einem einzigen Jahr.
Zweitens ist der Wettlauf der Nationen zurück, fast unheimlich originalgetreu. Japans Fünfte Generation löste 1982 eine staatlich finanzierte Panik aus — DARPA-Milliarden, Alvey, ESPRIT —, weil eine aufstrebende Macht die Schlüsseltechnologie der Zukunft zu besetzen drohte. Man ersetze „Japan” durch „China”, „Prolog-Parallelrechner” durch „große Sprachmodelle”, „MITI” durch „Industriepolitik” und „Strategic Computing Initiative” durch die Chip-Exportkontrollen und Subventionspakete der 2020er — und man liest die Gegenwart. Die Lehre der Fünften Generation ist dabei doppelbödig: Der ausgerufene Wettlauf wurde mit Steuermilliarden befeuert, und das beworbene Wunder kam trotzdem nicht. Nationale KI-Panik erzeugt verlässlich Budgets. Über die Frage, ob die Technik hält, was die Panik verspricht, sagt sie nichts.
Drittens, und das ist die Brücke in den nächsten Teil: Der zweite Winter beerdigte die symbolische Linie als beherrschenden Ansatz — jene Tradition der Regeln, der Logik und des von Hand eingepflegten Wissens, die das Feld seit Dartmouth dominiert hatte. Ihr Scheitern an Sprödheit und Wissensflaschenhals war die genaue Diagnose dessen, was eine andere Methode brauchen würde: Wissen, das nicht von Hand eingegeben, sondern aus Daten gelernt wird. Diese andere Methode existierte längst. Es war die „brain-style”-Linie aus Teil 1 und 2 — die lernenden Netze, die Minskys Perceptrons 1969 für tot erklärt hatte. Im selben Jahr 1986, in dem die Expertensysteme ihrem Höhepunkt entgegentaumelten, erschien still ein Verfahren, das die Netze aus ihrem Grab holen sollte: die Backpropagation. Während die symbolische KI unter den Schnee sank, lernte die andere Linie gerade laufen.
Die Hygiene jeder nüchternen KI-Lektüre bleibt dieselbe wie in den ersten beiden Teilen, nur reicher geworden um eine Lehre. Aus Teil 2 wussten wir: Eine Technik, die heute als gescheitert gilt, kann der Kern des nächsten Booms sein. Teil 3 fügt die Kehrseite hinzu, und sie ist die unbequemere: Eine Technik, die heute Milliarden verdient, eigene Fabriken baut und Nationen in Wallung versetzt, kann in einem einzigen Jahr verschwinden — nicht weil sie nicht funktionierte, sondern weil etwas Billigeres dasselbe konnte. MYCIN war eine Ente, die heilen durfte. XCON war eine Ente, die Geld verdiente. Die LISP-Maschine war eine Ente aus Messing und Gold, hunderttausend Dollar teuer. Sie schnatterten alle überzeugend. Und als jemand nachsah, was wirklich im Inneren arbeitete, war es nicht Verstehen — es war Mechanik, eng, spröde und sterblich.
Im nächsten Teil: Die Rückkehr der Totgesagten (1986–2012). Wie die Backpropagation die lernenden Netze wiederbelebte, warum sie trotzdem noch ein Vierteljahrhundert im Schatten blieben — und wie 2012 ein einziger Bilderkennungs-Wettbewerb namens ImageNet die KI für immer veränderte. Die „brain-style”-Linie aus Teil 1 holt ihren Sieg.
Quellen
Stammquellen der Serie
- Nils J. Nilsson: The Quest for Artificial Intelligence. Cambridge University Press, 2010. Wissenschaftliche Gesamtgeschichte; Volltext unter ai.stanford.edu/~nilsson/QAI/qai.pdf. Liefert DENDRAL, das Wissensprinzip und die Einordnung der Expertensysteme.
- Daniel Crevier: AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Books, 1993. Erzählerische Hauptquelle für den Boom der 1980er, den LISP-Maschinen-Markt und den Mechanismus des zweiten Winters. archive.org.
Primärquellen
- Edward A. Feigenbaum & Pamela McCorduck: The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World. Addison-Wesley, 1983. Das Dokument der Wettlauf-Panik — und zugleich Feigenbaums Manifest des Wissensprinzips.
- Bruce G. Buchanan & Edward H. Shortliffe (Hrsg.): Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley, 1984. Volltext. Architektur, Regelzahl und die Auswertung der Therapievorschläge.
- John McDermott: R1: A Rule-Based Configurer of Computer Systems. In: Artificial Intelligence 19 (1982); frühe Fassung als AAAI-Beitrag 1980, cdn.aaai.org. Quelle für XCON und das „now I are one”-Zitat.
- Victor R. Yu et al.: Antimicrobial Selection by a Computer. A Blinded Evaluation by Infectious Diseases Experts. In: JAMA 242 (1979), doi.org/10.1001/jama.1979.03300120044020. Die Blindstudie, in der MYCIN mit den Stanford-Ärzten gleichzog bzw. sie übertraf.
Zahlen (verifiziert): XCON-Einsparung „rund 25 Mio. Dollar/Jahr” bzw. „40 Mio. über sechs Jahre” nach Wikipedia/AI winter; KI-Industrie „über 1 Mrd. Dollar” bis 1985 und der LISP-Markt-Kollaps von 1987 ebd.; Symbolics-Konkurs 1993 nach Symbolics; Fifth-Generation-Budget rund 400 Mio. Dollar nach Fifth Generation Computer Systems; Strategic Computing Initiative (~1 Mrd. Dollar, 1983–1993) nach Strategic Computing Initiative; Alvey-Programm (350 Mio. £, 1983).
Begriffsklärungen