KI Geschichte Milestones

Apple stellte seine innovative „Apple Intelligence“-Funktion vor, die die Funktionen von ChatGPT nahtlos in die neuesten iPhones und den digitalen Assistenten Siri integriert und den Benutzern ein verbessertes und intelligentes Erlebnis bietet.

OpenAI stellt am 15. Februar 2024 Sora vor, ein KI-Modell, das in der Lage ist, aus Textbeschreibungen kurze Videos zu erstellen.

Google hat eine erweiterte Version seiner Gemini-Plattform vorgestellt, die Gemini 1.0 Ultra genannt wird und verbesserte Funktionen und ein leistungsfähigeres Upgrade bietet.

Präsident Biden erließ am 30. Oktober 2023 eine Durchführungsverordnung, die darauf abzielt, die verantwortungsvolle und ethische Entwicklung und Nutzung der Technologie der künstlichen Intelligenz zu fördern und ihre Sicherheit, Zuverlässigkeit und Vertrauenswürdigkeit zu gewährleisten.

Google überführt Bard im Mai 2023 von LaMDA in das fortschrittlichere PaLM2-Sprachmodell.

Technologiegiganten und Innovatoren, darunter Elon Musk und Steve Wozniak, haben eine Petition unterstützt, die sich für eine vorübergehende Pause bei der rasanten Entwicklung fortschrittlicher KI-Systeme einsetzt. In der Petition werden Bedenken hinsichtlich der potenziellen Risiken der Entwicklung von KI-Modellen geäußert, die das menschliche Verständnis und die menschliche Kontrolle übertreffen könnten. Es wird eine sechsmonatige Pause gefordert, um den Verlauf dieser Technologie neu zu bewerten.

Google stellte im März 2023 seinen Chatbot Bard vor, der auf den Sprachmodellen LaMDA und PaLM basiert und als Antwort auf ChatGPT in begrenztem Umfang eingesetzt werden kann.

Das kürzlich vorgestellte GPT-4-Modell von OpenAI stellt eine bedeutende Weiterentwicklung gegenüber seinem Vorgänger GPT-3.5 dar, weist jedoch noch einige inhärente Limits auf. Insbesondere führt GPT-4 multimodale Fähigkeiten ein, die es ihm ermöglichen, sowohl Text- als auch Bildeingaben zu verarbeiten. Dieses verbesserte Modell wurde als Premium-Angebot in ChatGPT integriert. Laut internen Bewertungen von OpenAI zeigte GPT-4 eine außergewöhnliche Leistung und erreichte beim SAT 94 %, beim LSAT 88 % und beim Uniform Bar Exam 90 %.

ChatGPT, das bemerkenswerte KI-Sprachmodell, hat einen beispiellosen Meilenstein erreicht, indem es bis Januar 2023 über 100 Millionen Nutzer anzog und sich damit als die am schnellsten wachsende Verbraucheranwendung aller Zeiten etablierte.

GPT-3, ein bahnbrechendes Sprachmodell, das von OpenAI entwickelt wurde, nutzt fortschrittliche Deep-Learning-Techniken, um menschenähnliche Texte in verschiedenen Domains zu generieren, darunter Computercode, Poesie und andere sprachliche Aufgaben. Mit einer beispiellosen Modellkapazität, die zehnmal größer ist als die seines Vorgängers T-NLG, produziert GPT-3 Ergebnisse, die auffallend ähnlich und von menschlich geschriebenen Inhalten kaum zu unterscheiden sind. Dieses innovative Sprachmodell wurde im Mai 2020 vorgestellt und ging im darauffolgenden Monat in die Betaphase.

AlphaFold 2, das DeepMind-Modell zur Vorhersage von Proteinstrukturen, ging im November als Sieger aus dem CASP-Wettbewerb 2020 hervor.

Microsoft stellte im Februar 2020 seine Turing Natural Language Generation (T-NLG) vor, ein gewaltiges Sprachmodell mit einer beispiellosen Anzahl von 17 Milliarden Parametern, und stellte damit einen neuen Rekord für das größte jemals veröffentlichte Sprachmodell auf.

Google stellte Duplex vor, ein KI-System, das in der Lage ist, natürliche Dialoge zu führen, um Aufgaben wie die Terminplanung zu erledigen. Die KI ahmte menschliche Stimmmuster so überzeugend nach, dass die Los Angeles Times sie als „nahezu makellose“ Imitation bezeichnete.

Ein von Alibaba entwickeltes KI-System zur Sprachverarbeitung übertraf die Leistung der besten menschlichen Teilnehmer in einer Lese- und Verständnisprüfung der Stanford University. Die KI erzielte bei einem Test mit 100.000 Fragen 82,44 Punkte und lag damit knapp über dem menschlichen Ergebnis von 82,304 Punkten.

Die Entwicklung der Transformer-Architektur ebnete den Weg für innovative große Sprachmodelle wie Googles BERT, und anschließend leistete OpenAI Pionierarbeit für das generative vortrainierte Transformer-Modell.

Ein von OpenAI entwickeltes System mit künstlicher Intelligenz nahm am prestigeträchtigen Dota-2-Turnier „The International 2017“ teil, wo es in einem 1-gegen-1-Match gegen den Profispieler Dendi als Sieger hervorging.

Ein Tool, das zur Lösung von Problemen der Booleschen Erfüllbarkeit in der Aussagenlogik eingesetzt wird, wurde verwendet, um eine seit langem bestehende mathematische Vermutung bezüglich pythagoreischer Tripel innerhalb der Menge der ganzen Zahlen zu untermauern. Der anfängliche Beweis, der sich über enorme 200 Terabyte erstreckt, wurde von zwei separaten zertifizierten automatischen Beweisverifizierungssystemen validiert.

Der Deepstack116-Algorithmus übertraf menschliche Spieler in Spielen mit unvollständigen Informationen, insbesondere beim Heads-up No-Limit-Poker, mit statistischer Signifikanz. Anschließend besiegte die Libratus-Poker-KI, die von einer anderen Forschungsgruppe entwickelt wurde, jeden ihrer vier hoch qualifizierten menschlichen Gegner und erzielte eine außergewöhnlich hohe Gesamtsiegquote über eine statistisch signifikante Stichprobe. Im Gegensatz zu Schach und Go ist Poker ein Spiel mit unvollständigen Informationen, was die Leistung noch anspruchsvoller macht.

Ein KI-System namens AlphaGo, das von Google DeepMind entwickelt wurde, besiegte Fan Hui, einen professionellen Go-Spieler und dreimaligen Europameister, mit einem Ergebnis von 5:0 Spielen.

Bekannte Persönlichkeiten wie Stephen Hawking, Elon Musk und zahlreiche KI-Experten sprachen sich im Januar 2015 in einem offenen Schreiben dafür aus, die möglichen gesellschaftlichen Auswirkungen der künstlichen Intelligenz zu untersuchen.

Techniken wie Autobahnnetze und ResNets ermöglichten das Training extrem tiefer neuronaler Netze mit über 1000 Schichten, was zuvor nur schwer zu erreichen war.

NEIL, ein System, das so gestaltet ist, dass es visuelle Verbindungen zwischen Bildern endlos lernen und analysieren kann, wurde an der Carnegie Mellon University vorgestellt. Es ermöglicht den kontinuierlichen Vergleich und die Untersuchung von Beziehungen zwischen verschiedenen Bilddaten.

AlexNet, ein bahnbrechendes Deep-Learning-Modell für die Bilderkennung, das von Alex Krizhevsky entwickelt wurde, erzielte einen Durchbruch, indem es die ImageNet Large Scale Visual Recognition Challenge mit deutlich weniger Fehlern als der Zweitplatzierte gewann. Dies war ein entscheidender Moment in der Geschichte der künstlichen Intelligenz, der zur weit verbreiteten Anwendung von Deep-Learning-Techniken für Bilderkennungsaufgaben und zur Aufgabe zahlreicher alternativer Ansätze führte. Krizhevskys innovativer Einsatz von GPU-Chips für das Training des Deep-Learning-Netzwerks trug zu diesem Erfolg bei.

Diese intelligenten virtuellen Assistenten nutzen die Möglichkeiten des Natural Language Processing, um Benutzeranfragen zu verstehen, relevante Informationen bereitzustellen, Vorschläge zu unterbreiten und Aufgaben auf Smartphones auszuführen.

Ein von IBM entwickeltes System mit künstlicher Intelligenz namens Watson schlug die Champions der beliebten TV-Quizshow Jeopardy!, Rutter und Jennings.

Mary Lou Maher und Doug Fisher leiteten einen Eröffnungsworkshop der Association for the Advancement of Artificial Intelligence, der sich mit der Verbindung von KI und ökologischer Nachhaltigkeit befasste.

Ein rekurrentes neuronales Netz namens LSTM, das mit Hilfe der konnektionistischen Zeitklassifikation trainiert wurde, hat Wettbewerbe zur Mustererkennung gewonnen, insbesondere im Bereich der Handschriftenerkennung. Es war das erste seiner Art, das einen solchen Erfolg erzielte.

Eine Gruppe von Forschern an der University of Alberta hat durch eine Computeranalyse erfolgreich das Ergebnis des Damespiels bestimmt.

Die renommierte wissenschaftliche Zeitschrift „Philosophical Transactions of the Royal Society, B — Biology“ veröffentlichte eine Sonderausgabe mit dem Titel „Models of Natural Action Selection“, in der die Anwendung künstlicher Intelligenz zur Erforschung biologischer Intelligenz untersucht wird.

Die Dartmouth Artificial Intelligence Conference befasste sich mit der Zukunft der künstlichen Intelligenz in den nächsten fünf Jahrzehnten. Die Veranstaltung mit dem Titel „AI@50“ fand vom 14. bis 16. Juli 2006 statt.

Mit Blue Brain wurde eine bahnbrechende Initiative ins Leben gerufen, um eine umfassende Simulation des Gehirns auf molekularer Ebene zu entwickeln.

OWL (Web Ontology Language), eine W3C-Empfehlung, die am 10. Februar 2004 veröffentlicht wurde. Es handelt sich um eine Sprache, die zur Darstellung von Ontologien oder Domains für Kenntnisse im Internet verwendet wird.

Kommerziell rentable interaktive Roboter-Haustiere, auch „Smart Toys“ genannt, kamen auf den Markt und verwirklichten die Träume der Schöpfer von neuartigen Spielzeugen aus dem 18. Jahrhundert.

Oxygen Architekturprojekt, ein System, das gestaltet wurde, um mobile und stationäre Computergeräte in eine anpassungsfähige Netzwerkumgebung zu integrieren.

Ein intelligenter Raum und emotionale Assistenten, entwickelt im AI Lab des MIT.

KI-gestützte Programme wie Webcrawler spielen eine entscheidende Rolle bei der Extraktion und Nutzung von Informationen aus dem riesigen World Wide Web.

Ulises Cortés und Miquel Sànchez-Marrè initiierten auf der ECAI-Konferenz einen bahnbrechenden Workshop in Europa mit dem Titel „Verbindung von Umweltwissenschaften und künstlicher Intelligenz“, der darauf abzielte, die Lücke zwischen Umweltwissenschaften und künstlicher Intelligenz zu schließen.

Das Dokument „Semantic Web Roadmap“, in dem eine Vision für ein intelligenteres und vernetzteres Web skizziert wurde, wurde von Tim Berners-Lee vorgestellt.

Die Markteinführung von Tiger Electronics' Furby markierte einen bedeutenden Meilenstein als bahnbrechendes KI-Produkt für den Hausgebrauch, das kommerziellen Erfolg erzielte.

Ein künstliches neuronales Netz namens Long Short-Term Memory (LSTM) wurde von Sepp Hochreiter und Jürgen Schmidhuber in ihrem in der Fachzeitschrift Neural Computation veröffentlichten Forschungsbericht vorgestellt.

Eine Software für künstliche Intelligenz zum Spielen von Othello, bekannt als Logistello, errang einen entscheidenden 6:0-Sieg gegen Takeshi Murakami, den amtierenden Weltmeister in diesem Spiel.

Ein leistungsstarker Schachcomputer namens Deep Blue, entwickelt von IBM, triumphierte in einem historischen Match über den amtierenden Schachweltmeister Garry Kasparov.

Cindy Mason, Angestellte der NASA, organisiert den ersten internationalen IJCAI-Workshop, der sich mit der Rolle der künstlichen Intelligenz in Umweltfragen befasst.

Das Computerprogramm Chinook triumphierte über den englischen Dame-Weltmeister Tinsley, der sein Match aufgab. Außerdem besiegte Chinook Lafferty, den Spieler mit dem zweithöchsten Rating. Auch beim nationalen Turnier der USA errang es einen überwältigenden Sieg mit einem beispiellosen Vorsprung.

Zadeh, Professor in Berkeley, entwickelte das Konzept des „Soft Computing“, das verschiedene Bereiche wie neuronale Netze, Fuzzy-Logik, evolutionäre Algorithmen, genetische Programmierung und Chaostheorie integriert. Er gründete ein globales Forschungsnetzwerk, das diese Disziplinen zusammenführte und Fortschritte in der Computational Intelligence und bei Entscheidungssystemen ermöglichte.

Das Unternehmen ISX wurde von der DARPA (Defense Advanced Research Projects Agency) für sein Dynamic Analysis and Replanning Tool (DART) als bester Auftragnehmer ausgezeichnet. Der Erfolg dieses KI-gestützten Tools wurde als äußerst wertvoll angesehen und übertraf die Gesamtinvestitionen der Regierung in die KI-Forschung über mehrere Jahrzehnte.

Die DART-Planungsanwendung, die während des Golfkriegs eingesetzt wurde, hat den Wert der drei Jahrzehnte andauernden Forschungsbemühungen der DARPA im Bereich der künstlichen Intelligenz erfolgreich unter Beweis gestellt und die erheblichen Investitionen in diesem Bereich gerechtfertigt.

TD-Gammon, ein Backgammon-Programm von Gerry Tesauro, zeigt die Wirksamkeit des bestärkenden Lernens bei der Entwicklung eines Spielprogramms, das in der Lage ist, gegen Weltklassespieler auf Meisterschaftsniveau anzutreten.

KI hat in verschiedenen Domains erhebliche Fortschritte erzielt, darunter maschinelles Lernen, intelligente Tutorensysteme, fallbasiertes Schließen, Multi-Agenten-Planung, Planungsalgorithmen, Techniken des unsicheren Schließens, Data-Mining-Methoden, Natural Language Processing und Übersetzungsmodelle, Computer Vision, Virtual-Reality-Simulationen, Spieleentwicklung und andere aufstrebende Bereiche.

ALVINN (An Autonomous Land Vehicle in a Neural Network), ein von Dean Pomerleau an der Carnegie Mellon University entwickeltes System, wurde im Rahmen des Navlab-Projekts eingesetzt und ermöglichte die autonome Navigation von Landfahrzeugen durch neuronale Netzwerktechnologie.

Die Weiterentwicklung der CMOS-Technologie (Complementary Metal-Oxide-Semiconductor), einer Art VLSI (Very-large-scale integration) von MOS (Metal-Oxide-Semiconductor), ermöglichte in den 1980er Jahren die praktische Umsetzung künstlicher neuronaler Netze (ANNs). Ein bahnbrechendes Werk auf diesem Gebiet war das 1989 erschienene Buch „Analog VLSI Implementation of Neural Systems“ von Carver A. Mead und Mohammed Ismail, das eine bedeutende Rolle bei der Entwicklung der ANN-Technologie spielte.

Ein Unternehmen namens Alacritous Inc./Allstar Advice Inc. in Toronto brachte die zweite Generation seines kommerziellen Strategie- und Managementberatungssystems, Alacrity 2.0, auf den Markt. Dieses System nutzte ein Expertensystem mit Vorwärtsverkettung mit etwa 3.000 Regeln, die sich auf Marktentwicklung und Wettbewerbsstrategien konzentrierten. Es wurde von den Firmengründern Alistair Davidson und Mary Chung mitentwickelt, während die zugrunde liegende Engine von Paul Tarvydas entwickelt wurde. Darüber hinaus enthielt Alacrity 2.0 ein kleines Finanz-Expertensystem, das in der Lage war, Finanzberichte und -modelle zu interpretieren.

Marvin Minskys Arbeit an einem theoretischen Modell des Geistes, in dem er diesen als eine Ansammlung kooperierender Assistenten darstellte. Er hatte diese Idee bereits Jahre vor der Veröffentlichung seines Buches „The Society of Mind“ in Vorträgen vorgestellt.

Die Pionierforscherinnen Barbara Grosz und Candace Sidner entwickelten das erste rechnergestützte Rahmenwerk zur Analyse von Diskursen und ebneten damit den Weg für ein neues Forschungsgebiet.

Der Backpropagation-Algorithmus, auch als umgekehrter Modus der automatischen Differenzierung bezeichnet, wurde 1970 von Seppo Linnainmaa eingeführt und später von Paul Werbos auf neuronale Netze angewendet. Er trug wesentlich zur weit verbreiteten Einführung neuronaler Netze bei.

Die Intervallrechnung, eine bahnbrechende Formalisierung zeitlicher Ereignisse, wurde von James F. Allen konzipiert und stellt einen bedeutenden Fortschritt auf diesem Gebiet dar.

John Laird und Paul Rosenbloom haben in Zusammenarbeit mit Allen Newell ihre Doktorarbeit über das Soar-Programm an der Carnegie Mellon University abgeschlossen.

Das Projekt „Computersysteme der fünften Generation“ (FGCS), das 1982 vom japanischen Ministerium für internationalen Handel und Industrie ins Leben gerufen wurde, zielte darauf ab, einen „Computer der fünften Generation“ zu entwickeln, der durch massive Parallelität umfangreiche Berechnungen durchführen kann. Das Projekt konzentrierte sich auf die Schaffung eines Computersystems, das in der Lage ist, komplexe Berechnungen durch Parallelverarbeitung auszuführen.

Danny Hillis entwickelte ein bahnbrechendes Parallelrechnersystem, das als Connection Machine bekannt ist und die KI- und Rechenfähigkeiten erheblich verbesserte. Anschließend gründete er die Thinking Machines Corporation.

Die Gründungskonferenz der AAAI, einer Organisation, die sich der künstlichen Intelligenz widmet, fand an der Stanford University statt.

In diesem Zeitraum wurden Lisp-Maschinen gestaltet, hergestellt und vermarktet. Außerdem entstanden die ersten Expertensystem-Shells und kommerziellen Anwendungen.

Unter der Leitung von Ed Feigenbaum und Joshua Lederberg zeigte die SUMEX-AIM-Ressource in Stanford, wie das ARPAnet die wissenschaftliche Zusammenarbeit erleichterte.

Die Forscher am MIT und in Stanford waren Pioniere bei der Erforschung nicht-monotoner Logiken und untersuchten formale Methoden, um Überzeugungen oder Kenntnisse zu verwalten und zu ändern, wenn neue Informationen verfügbar werden.

Ein von Hans Berliner an der CMU entwickeltes Computerprogramm für Backgammon schafft es, den aktuellen Weltmeister zu besiegen, was zum Teil auf glückliche Umstände zurückzuführen ist.

Ein autonomes Fahrzeug, das von Hans Moravec an der Stanford University entwickelt wurde und als Stanford Cart bekannt ist, erreichte einen Meilenstein, indem es selbstständig durch einen Raum voller Stühle navigierte und im Stanford AI Lab manövrierte.

Forscher der Stanford University, darunter Cordell Green, David Barstow und Elaine Kant, führten das CHI-System ein, das eine automatische Programmierung ermöglichte.

INTERNIST war ein Programm, das Krankheiten diagnostizieren konnte. Es wurde von Jack Myers und Harry Pople entwickelt, die an der Universität von Pittsburgh forschten. Myers nutzte seine Erfahrung als Arzt, um das Programm zu entwickeln.

Das an der Stanford University entwickelte MOLGEN-Programm zeigte das Potenzial der objektorientierten Programmierung zur Darstellung von Kenntnissen und zur Planung von Experimenten zum Klonen von Genen auf.

Die begrenzte Rationalität, ein bahnbrechendes Konzept, das von Herbert A. Simon eingeführt wurde, brachte ihm den Nobelpreis für Wirtschaftswissenschaften ein. Diese Theorie, die eine grundlegende Säule der künstlichen Intelligenz bildet, geht davon aus, dass Menschen Entscheidungen auf der Grundlage begrenzter Informationen und kognitiver Fähigkeiten treffen, was zu Entscheidungen führt, die ihre Bedürfnisse befriedigen, anstatt optimale Ergebnisse zu erzielen.

Ein Forscher namens Tom Mitchell von der Stanford University schlug die Idee von Versionsräumen vor, die den Suchraum für einen Algorithmus zur Konzeptbildung darstellen.

Davis' Doktorarbeit an der Stanford University zeigte die Wirksamkeit des Meta-Level-Reasonings, bei dem ein KI-System über seine eigenen Denkprozesse nachdenken kann.

Das AM-Programm, das von Douglas Lenat für seine Doktorarbeit in Stanford entwickelt wurde, veranschaulichte das Entdeckungsmodell, das eine lose angeleitete Suche nach interessanten Vermutungen beinhaltete.

Die visuelle Wahrnehmung beginnt mit der Erstellung einer vorläufigen Darstellung, die als „Urskizze“ bezeichnet wird und wesentliche Merkmale wie Kanten, Grenzen und Oberflächenausrichtungen aus dem ersten visuellen Input erfasst. Diese grundlegende Phase bildet die Grundlage für die anschließende Verarbeitung und Erkennung von Objekten und Szenen.

Barbara Grosz stellte fest, dass die traditionellen KI-Methoden zur Modellierung von Diskursen an ihre Limits stoßen. Später entwickelte Grosz zusammen mit Bonnie Webber und Candace Sidner das Konzept des „Zentrierens“, das dabei hilft, den Fokus des Diskurses zu bestimmen und anaphorische Referenzen im Natural Language Processing aufzulösen.

Das künstliche Intelligenzsystem Meta-Dendral machte bahnbrechende Entdeckungen auf dem Gebiet der Chemie, insbesondere im Bereich der Massenspektrometrie, die in einer von Experten begutachteten wissenschaftlichen Zeitschrift veröffentlicht wurden und einen Meilenstein als erste wissenschaftliche Erkenntnisse eines Computers darstellen.

Marvin Minskys einflussreicher Artikel über Frames führte eine Darstellung von Kenntnissen ein, die Ideen über Schemata und semantische Verbindungen kombinierte.

Austin Tate entwickelte das Nonlin-System, das verschiedene Teilpläne als alternative Wege zur Erreichung der allgemeinen Planungsziele untersuchen kann.

Earl Sacerdoti führte mit seinem NOAH-System Methoden der Teilordnungsplanung ein und wich damit vom bisherigen Ansatz der Zustandsraum-Suche ab. NOAH wurde bei SRI International für die interaktive Diagnose und Reparatur von elektromechanischen Systemen eingesetzt.

Ted Shortliffes Doktorarbeit an der Stanford University führte MYCIN ein, ein regelbasiertes System für die medizinische Diagnose, das mit Unsicherheiten umgehen konnte. Inspiriert von DENDRAL hatte MYCIN einen bedeutenden Einfluss auf die Entwicklung von Expertensystemen, insbesondere kommerzieller Systeme.

Der Lighthill-Bericht kritisierte die KI-Forschung in Großbritannien, was die Regierung dazu veranlasste, die Finanzierung für KI-Studien mit Ausnahme von zwei Universitäten zu kürzen.

Earl Sacerdoti entwickelte ein frühes hierarchisches Planungssystem namens ABSTRIPS.

Die Programmiersprache Prolog wurde von Alain Colmerauer entwickelt.

Die Entwicklung des Boyer-Moore-Theorembeweisers begann in Edinburgh.

Bill Woods führte Augmented Transition Networks (ATNs) ein, um natürliche Sprache darzustellen und zu verstehen.

Jaime Carbonell (Sr.) entwickelte SCHOLAR, eine interaktive Software, die computergestütztes Lernen erleichtert, indem sie semantische Netzwerke zur Darstellung von Kenntnissen nutzt.

Seppo Linnainmaa führte den umgekehrten Modus der automatischen Differenzierung ein, eine Technik, die später als Backpropagation bezeichnet wurde und heute weit verbreitet für das Training künstlicher neuronaler Netze eingesetzt wird.

Bei SRI gründeten Jane Robinson und Don Walker eine bahnbrechende Forschungsgruppe, die sich auf Natural Language Processing konzentrierte und einen bedeutenden Einfluss auf das Fachgebiet hatte.

McCarthy und Hayes führten das Rahmenproblem in die KI-Argumentation ein.

Minsky und Paperts „Perceptrons“ zeigten die Limits einfacher neuronaler Netze auf, was nach Ansicht einiger den KI-Winter der 1970er Jahre auslöste — obwohl es durch die Arbeit von Ivakhnenko, Lapa und Amari bereits Methoden des Deep Learning gab.

Stanford war Gastgeber der ersten IJCAI-Konferenz (International Joint Conference on Artificial Intelligence).

Yorick Wilks leistete in Stanford Pionierarbeit auf dem Gebiet der Präferenzsemantik und schuf das erste semantikbasierte maschinelle Übersetzungssystem, das viele spätere Forscher beeinflusste.

Roger Schank entwickelte in Stanford das konzeptionelle Abhängigkeitsmodell für das Sprachverständnis, das später in Yale durch die Doktorarbeiten von Wilensky, Lehnert und Kolodner für das Verständnis von Geschichten und die Gedächtnismodellierung erweitert wurde.

Wallace und Boulton entwickelten Snob, einen frühen Clustering-Algorithmus, der Ockhams Rasiermesser durch die Prinzipien der Bayesianischen minimalen Nachrichtenlänge anwandte.

Am MIT entwickelte Richard Greenblatt Mac Hack, ein bahnbrechendes Schachprogramm, das das Niveau eines Klasse-C-Turniers erreichte und damit die erste Schach-KI war, die glaubwürdig gegen Menschen antreten konnte.

Joel Moses leistete Pionierarbeit auf dem Gebiet der symbolischen Mathematik mit seiner Doktorarbeit am MIT über Macsyma — das erste Programm, das erfolgreich Integralprobleme mit Hilfe von künstlicher Intelligenz und Wissensrepräsentation lösen konnte.

Shun'ichi Amari war der erste, der den stochastischen Gradientenabstieg für das Deep Learning in mehrschichtigen Perzeptronen verwendete. In Computerexperimenten, die von seinem Studenten Saito durchgeführt wurden, lernte ein fünfschichtiges mehrschichtiges Perzeptron mit zwei modifizierbaren Schichten nützliche interne Darstellungen, um nicht linear trennbare Musterklassen zu klassifizieren.

- Ross Quillian demonstrated semantic nets in his PhD dissertation at Carnegie Institute of Technology (now CMU).

- The Machine Intelligence 71 workshop at Edinburgh was the first of an influential annual series organized by Donald Michie and others.

- A negative report on machine translation killed much work in natural language processing (NLP) for many years.

- The Dendral program, developed by Edward Feigenbaum, Joshua Lederberg, Bruce Buchanan, and Georgia Sutherland at Stanford University, demonstrated the ability to interpret mass spectra on organic chemical compounds, making it the first successful knowledge-based program for scientific reasoning.

Edward Feigenbaum initiierte das Dendral-Projekt, ein zehnjähriges Unterfangen zur Entwicklung einer Software, die die Molekülstruktur organischer Verbindungen anhand von Daten wissenschaftlicher Instrumente ableiten kann. Dendral war das erste Expertensystem.

J. Alan Robinson erfand die Resolution-Methode, ein mechanisches Beweisverfahren, das es Programmen ermöglichte, effizient mit formaler Logik als Darstellungssprache zu arbeiten.

Im Jahr 1965 veröffentlichte Lotfi A. Zadeh, Professor an der University of California, Berkeley, seinen bahnbrechenden Aufsatz „Fuzzy Sets“ in der Zeitschrift Information and Control, in dem er das Konzept der Fuzzy-Logik vorstellte.

Ivakhnenko und Lapa entwickelten den ersten Deep-Learning-Algorithmus für das Training von mehrschichtigen Perzeptronen in der Sowjetunion und leisteten damit Pionierarbeit für Techniken, die später für moderne neuronale Netze grundlegend werden sollten.

Bobrows MIT-Dissertation zeigte, dass Computer die natürliche Sprache ausreichend verstehen können, um Textaufgaben in der Algebra zu lösen, während Raphaels Arbeit an SIR zeigte, wie logische Kenntnisse Computersysteme in die Lage versetzen können, Fragen zu beantworten.

Uhr und Vossler entwickelten eines der ersten adaptiven maschinellen Lernprogramme, das seine eigenen Funktionen generieren und modifizieren konnte und damit die Limits von Rosenblatts Perzeptronen überwand.

Feigenbaum und Feldman stellten „Computers and Thought“ zusammen, die erste Sammlung von Forschungsarbeiten zum Thema künstliche Intelligenz.

Solomonoff schuf eine mathematische Grundlage für KI, indem er universelle Bayes'sche Ansätze für Vorhersagen und das Lernen aus Beispielen entwickelte.

Masterman und ihr Team in Cambridge erstellten semantische Netzwerke, die das Design maschineller Übersetzungen erleichtern sollten.

Newell, Shaw und Simon entwickelten an der CMU den General Problem Solver (GPS), während McCarthy und Minsky das MIT AI Laboratory gründeten.

McCarthy entwickelte Lisp, eine der ersten Programmiersprachen, die für KI gestaltet wurden. Bei IBM entwickelten Gelernter und Rochester einen Geometrie-Theorembeweiser, der visuelle Modelle typischer Fälle verwendete. Auf der Teddington-Konferenz wurden mehrere einflussreiche Beiträge vorgestellt: McCarthys Vorschlag für den Advice Taker und die „Common Sense“-Argumentation, Selfridges „Pandemonium“ und Minskys Arbeit zur heuristischen Programmierung.

McCarthy, Minsky, Rochester und Shannon organisierten die Sommerkonferenz des Dartmouth College, auf der McCarthy den Begriff „künstliche Intelligenz“ einführte — ein Ereignis, das den formellen Beginn der KI als Fachgebiet markierte.

Arthur Samuel entwickelte das erste Spielprogramm, das ernsthaft mit menschlichen Spielern konkurrieren konnte — ein 1952 erstelltes Dame-Programm. 1955 erweiterte er es um Lernfähigkeiten, sodass es sich durch Erfahrung verbessern konnte.

Strachey und Prinz entwickelten 1951 die ersten funktionsfähigen KI-Programme und entwickelten Dame- bzw. Schachprogramme für den Ferranti Mark 1-Computer der Universität Manchester.

Donald Hebb begründete die Hebb'sche Theorie, die einen Mechanismus vorschlug, wie neuronale Netze durch die Stärkung von Verbindungen zwischen Neuronen, die gemeinsam feuern, lernen können.

Bush veröffentlichte „As We May Think“ in The Atlantic Monthly und beschrieb darin eine Zukunft, in der Computer die menschlichen Fähigkeiten in verschiedenen Bereichen verbessern würden.

Von Neumann und Morgenstern veröffentlichten „Theory of Games and Economic Behavior“ und etablierten damit die Spieltheorie als mathematisches Rahmenwerk, das später für die Entwicklung der KI von entscheidender Bedeutung sein sollte.

Rosenblueth, Wiener und Bigelow führten den Begriff „Kybernetik“ ein, den Wiener später in seinem gleichnamigen Buch von 1948 popularisierte.

McCulloch und Pitts veröffentlichten „A Logical Calculus of the Ideas Immanent in Nervous Activity“, das erste mathematische Modell künstlicher neuronaler Netze, das darstellte, wie Neuronen logische Operationen ausführen können.

Zuse stellte den Bau des ersten funktionsfähigen programmierbaren Universalrechners fertig.

Edward Condon entwickelte Nimatron — einen digitalen Computer, der das Spiel Nim fehlerfrei spielen konnte.

Konrad Zuse meldet ein Patent für einen der ersten programmierbaren Computer an.

Alonzo Church baute auf Gödels Arbeit auf, indem er die Unentscheidbarkeit allgemeiner Rechenprobleme bewies und den Lambda-Kalkül entwickelte, der für die Theorie der Computerprogrammiersprachen von entscheidender Bedeutung wurde.

Kurt Gödel zeigte fundamentale Limits in Computersystemen auf, indem er mathematische Aussagen als Zahlen kodierte und bewies, dass einige wahre Aussagen von keinem konsistenten mechanischen System bewiesen werden können — ein Durchbruch, der die theoretische Informatik und KI prägen sollte.

Das Ising-Modell, das 1925 von Lenz und Ising entwickelt wurde, war eine frühe Form eines rekurrenten neuronalen Netzwerks, das Schwellenwertelemente verwendete. Amari machte dieses System 1972 anpassungsfähig.

Torres Quevedo schuf El Ajedrecista, die erste Maschine, die Schachendspiele spielen konnte, und leistete Pionierarbeit bei Konzepten wie der Gleitkommaarithmetik. In seinen Essays über Automatik untersuchte er die Beziehung zwischen Denken und automatisierten Maschinen, was ihm den Ruf eines frühen KI-Pioniers einbrachte.

Russell und Whiteheads „Principia Mathematica“ zeigten, dass grundlegende Mathematik durch formale logische Argumentation ausgedrückt werden kann.

Samuel Butler schlug vor, dass Maschinen sich wie biologische Organismen entwickeln könnten, und sagte voraus, dass sie schließlich ein Bewusstsein entwickeln und den Menschen ersetzen könnten.

George Boole schuf die Boolesche Algebra – ein mathematisches System, das gestaltet wurde, um die grundlegenden Operationen des menschlichen Denkens auszudrücken und zu analysieren.

Bernard Bolzano war ein Pionier des modernen Ansatzes zur Formalisierung der Darstellung von Bedeutung in Sprache und Logik (Semantik).

Babbage und Lovelace arbeiteten gemeinsam an der Entwicklung mechanischer Computer, die so programmiert werden konnten, dass sie Berechnungen durchführten.

Legendre und Gauss entwickelten Ende des 18. Jahrhunderts/Anfang des 19. Jahrhunderts die lineare Regression (auch bekannt als Methode der kleinsten Quadrate), um die Bewegung von Planeten vorherzusagen. Diese mathematische Technik sollte später als einfachste Form eines künstlichen neuronalen Netzwerks anerkannt werden.

Von Kempelen schuf den „Türken“, eine angebliche Schachmaschine, die durch Europa reiste und menschliche Gegner besiegte. Später stellte sich heraus, dass es sich um einen Schwindel handelte, hinter dem sich ein menschlicher Schachspieler verbarg.

Thomas Bayes’ posthum veröffentlichter Aufsatz führte das ein, was als Bayes’ Theorem bekannt wurde, ein mathematisches Prinzip, das später durch Bayes'sche Netze für KI-Systeme grundlegend werden sollte.

La Mettrie vertrat in „L'Homme Machine“ (Man Machine) die Ansicht, dass menschliche Denkprozesse rein mechanischer Natur seien.

David Hume bezeichnete die Induktion — den Prozess der Ableitung allgemeiner Prinzipien aus spezifischen Beispielen — als grundlegende Lernmethode.

Daniel Bernoulli entwickelte das Konzept des Nutzens und erweiterte die Wahrscheinlichkeitstheorie zu einem Rahmen für die Messung von Werten und Entscheidungsfindung — Prinzipien, die später grundlegend dafür werden sollten, wie KI-Systeme Ziele und Entscheidungen modellieren.

Swifts Gullivers Reisen persiflierte Llulls Ars Magna und Leibniz’ mechanische Logik durch die Maschine von Laputa — eine fiktive Maschine, die angeblich wissenschaftliche Werke ohne Intelligenz oder Lernen produzieren konnte.

Leibniz stellte sich ein universelles logisches System vor, das allen Objekten numerische Werte zuweisen würde, mit dem Ziel, eine algebraische Methode zur Lösung jedes Problems durch mechanische Argumentation zu schaffen.

Leibniz entdeckte die Kettenregel, ein mathematisches Prinzip, das später für das Training neuronaler Netze durch Algorithmen wie Backpropagation unerlässlich werden sollte.

Leibniz brachte die mechanische Berechnung durch die Entwicklung einer Rechenmaschine, die Multiplikations- und Divisionsoperationen ausführen konnte, voran.

Descartes vertrat die Theorie, dass tierische Körper wie hochentwickelte Maschinen funktionieren, während Bewusstsein und mentale Prozesse grundlegend verschieden sind.

Der erste digitale Taschenrechner — ein mechanisches Gerät, das numerische Berechnungen durchführen konnte — wurde von Blaise Pascal entwickelt.

Francis Bacons Novum Organum, benannt in Anlehnung an das Werk von Aristoteles, etablierte die empirische Methodik und das induktive Denken als Grundlagen für den Erwerb von Kenntnissen.

Der Legende nach schuf Rabbi Löw von Prag den Golem — ein künstliches Wesen, das aus Lehm geformt und auf magische Weise zum Leben erweckt wurde.

Paracelsus, der Arzt und Alchemist der Renaissance, behauptete, er habe ein humanoides Wesen hergestellt, indem er eine Kombination aus magnetischen Kräften, reproduktivem Material und alchemistischen Prozessen verwendet habe.

Im 13. Jahrhundert schuf Ramon Llull die Ars Magna, indem er ein arabisches Gerät namens Zairja anpasste, um Konzepte mechanisch zu kombinieren. Er stellte sich diese als Maschinen vor, die komplexe Kenntnisse durch die Kombination einfacher Wahrheiten generieren könnten. Dieses Konzept beeinflusste später die Arbeit von Leibniz im 17. Jahrhundert.

Al-Dschazari konstruierte ein automatisches Orchester aus mechanischen humanoiden Figuren, die so programmiert werden konnten, dass sie koordiniert Musik spielten.

Al-Khwarizmi verfasste einflussreiche mathematische Lehrbücher, die detaillierte, systematische Verfahren zur Lösung arithmetischer und algebraischer Probleme enthielten. Diese Methoden wurden über mehrere Jahrhunderte hinweg bis ins 16. Jahrhundert in der gesamten islamischen Zivilisation, in Indien und Europa weit verbreitet eingesetzt. Sein Name ist der Ursprung des Wortes „Algorithmus“, das seinen Beitrag zu systematischen Problemlösungsmethoden widerspiegelt.

Der arabische Alchemist Jabir ibn Hayyan entwickelte ein theoretisches Rahmenwerk namens Takwin, das die Möglichkeit erforschte, Leben, einschließlich menschliches Leben, durch Laborprozesse künstlich zu erschaffen.

Porphyry, ein griechischer Philosoph, schrieb die Isagogê — ein Werk, das Kenntnisse und Logik in Kategorien einteilte. Bemerkenswert ist, dass es eine visuelle Darstellung enthielt, die eine frühe Version dessen war, was wir heute als semantisches Netzwerk bezeichnen (eine Möglichkeit, Beziehungen zwischen Konzepten durch ein strukturiertes Diagramm darzustellen).

Hero von Alexandria, ein altgriechischer Erfinder, konstruierte verschiedene automatisierte Geräte, darunter mechanische humanoide Figuren. Eine seiner bemerkenswertesten Errungenschaften war die Entwicklung dessen, was manche als die erste programmierbare Maschine der Geschichte bezeichnen — ein automatisiertes Theater, das Bewegungen und Szenen nach Skript ausführen konnte.

Ktesibios, ein Ingenieur des antiken Griechenlands, entwickelte eine fortschrittliche Wasseruhr mit Alarmsystem. Dieses Gerät war bahnbrechend, da es die erste bekannte Verwendung eines Rückkopplungsmechanismus darstellte — bei dem das System seinen eigenen Betrieb basierend auf seinem aktuellen Zustand überwachen und anpassen konnte.

Aristotle made two significant contributions to the foundations of systematic thinking and problem-solving:

1) In his work Organon, he developed the syllogism - a structured method of logical reasoning where conclusions are drawn from two premises. This represented one of the first formalized systems of mechanical, step-by-step logical thinking.

2) In Nicomachean Ethics, he outlined what we now call means-ends analysis - a method of solving problems by repeatedly identifying the gap between your current state and goal state, then taking actions to reduce that gap. Interestingly, this same basic algorithm would be implemented thousands of years later in one of the first AI programs, the General Problem Solver, created by Newell and Simon in 1959.

Während der Zhou-Dynastie in China schuf ein Ingenieur namens Yan Shi und zeigte König Mu automatisierte Figuren oder „mechanische Männer“, die sich selbstständig bewegen konnten.

Im alten Ägypten und Griechenland glaubten die Menschen, dass bestimmte heilige Statuen Bewusstsein und Gefühle besaßen. Laut Schriften, die Hermes Trismegistos zugeschrieben werden, wurde angenommen, dass diese mechanischen Statuen sowohl über Sinneswahrnehmung (Sensus) als auch über Lebenskraft oder Atem (Spiritus) verfügten. Er behauptete, dass die Menschen durch das Verständnis der göttlichen Natur der Götter gelernt hätten, diese Eigenschaften in ihren konstruierten Formen nachzubilden.