KI-Kurzgeschichte: Von symbolischer Logik zu hundertmilliardenparametrigen großen Modellen
In 70 Jahren KI-Entwicklung gab es drei Wellen und zwei Winter — von der symbolistischen Logik-Deduktion, über konnektionistische neuronale Netze, bis hin zum behaviouristischen bestärkenden Lernen, die schließlich zum heutigen Zeitalter der großen Modelle verschmolzen. Die Geschichte der KI zu verstehen, hilft uns, den Ursprung der „Intelligenz" heutiger großer Modelle zu erkennen.
1. Theoretische Grundlagen und die Geburt des Symbolismus (1940er–1950er)
Bevor Computer wirklich allgegenwärtig waren, begannen Pioniere darüber nachzudenken, ob „Maschinen wie Menschen denken können". Die Forschung dieser Zeit konzentrierte sich hauptsächlich auf mathematische Modellierung von Gehirnneuronen, die Erkundung der Berechnungstheorie und die Automatisierung logischen Schließens. Die Dartmouth-Konferenz von 1956 erklärte die „Künstliche Intelligenz" (Artificial Intelligence) offiziell zu einer eigenständigen Disziplin.
1.1 Kerntheorien und Meilensteine
- Die erste Idee neuronaler Netze (1943): Der Neurophysiologe Warren McCulloch und der Mathematiker Walter Pitts schlugen das MP-Neuronenmodell vor. Sie versuchten erstmals, den Arbeitsmechanismus menschlicher Gehirnneuronen mit einfachen mathematischen Formeln zu abstrahieren und bewiesen, dass „Neuronennetzwerke berechenbar sind" — dies wurde zum Urvater aller heutigen tiefen Netze.
- Turings ultimative Frage (1950): Der Vater der Informatik, Alan Turing, veröffentlichte eine geschichtsverändernde Arbeit „Computing Machinery and Intelligence" und schlug den berühmten Turing-Test vor. Er umging die philosophische Debatte „Was ist Intelligenz?" und gab ein pragmatisches operatives Kriterium vor: Wenn eine Maschine in einem Gespräch nicht von einem Menschen unterschieden werden kann, besitzt sie Intelligenz.
- Die formelle Etablierung der Disziplin (1956): Auf dem Dartmouth Summer Workshop versammelten sich junge Gelehrte wie John McCarthy und Marvin Minsky. McCarthy verwendete in seinem Antrag erstmals den Begriff „Artificial Intelligence" — dieses Jahr gilt daher als das Geburtsjahr der KI.
Der Aufstieg des Symbolismus
In der frühen KI-Forschung dominierte der Symbolismus absolut. Da die damaligen Computer hauptsächlich mit Logikschaltungen arbeiteten, dachten die Gelehrten selbstverständlich: Das Wesen der Intelligenz ist die Deduktion von Symbolen. Solange wir das Wissen der Welt in maschinenlesbare Symbole (Konzepte, Regeln) übersetzen und diese dann mit einer logischen Inferenz-Engine (z. B. IF-THEN-Regeln) verarbeiten, kann die Maschine wie ein Mensch denken. Dies ist ein top-down Ansatz, der stark auf menschliches Expertenwissen angewiesen ist.
2. Das goldene Zeitalter des Symbolismus und die erste KI-Welle (1960er–1970er)
In den ersten zehn Jahren nach ihrer Geburt erlebte die KI eine Phase blinder Euphorie. Die Forscher glaubten, da Maschinen bereits mathematische Theoreme beweisen konnten, stünde ein Programm, das jedes menschliche Problem löst, kurz bevor.
2.1 Die glorreichen Tage der Expertensysteme
Der Höhepunkt des Symbolismus war das Expertensystem. Indem man die „Erfahrungsregeln (Rules)" von Spitzenexperten verschiedener Domänen in den Computer eingab, konnte das System in bestimmten vertikalen Bereichen Diagnosen oder Entscheidungen auf hohem Niveau treffen.
| Expertensystem | Entstehungsjahr | Historische Bedeutung und praktischer Wert |
|---|---|---|
| Dendral | 1965 | Das erste Expertensystem, das aus Massenspektrometriedaten chemische Molekülstrukturen ableiten konnte — auf dem Niveau menschlicher Chemieexperten. |
| MYCIN | 1977 | Diagnostizierte Blutinfektionen und empfahl Antibiotika mit einer Genauigkeit von 69 % — besser als viele Nicht-Fachärzte jener Zeit. |
| XCON | 1980 | Das erste erfolgreiche kommerzielle Expertensystem, das Digital Equipment Corporation (DEC) half, Computersysteme automatisch nach Kundenanforderungen zu konfigurieren und dem Unternehmen jährlich 40 Millionen Dollar sparte. |
Doch hinter dem Glanz der Expertensysteme verbarg sich eine unüberwindbare Kluft.
2.2 Der erste KI-Winter (1974–1980)
Mit der Zeit wurde klar, dass der Weg, „menschliches Wissen in Regeln zu schreiben", immer enger wurde. Drei fatale Grenzen des Symbolismus führten schließlich zur vollständigen Streichung der Forschungsgelder:
Wissenserwerbs-Engpass: Manches Wissen können selbst Menschen nicht artikulieren (z. B. wie man eine Katze erkennt) — das sogenannte „Polanyi-Paradoxon". Expertensysteme konnten nur klar formulierbare Regeln hartkodieren und waren unfähig, selbstständig zu lernen.
Kombinatorische Explosion & Sprödigkeit: Es gab zu viele reale Situationen, vollständige Aufzählung war extrem schwierig; zudem fehlte gesunder Menschenverstand — sobald das System leicht vom Regelwerk abwich, brach es direkt zusammen.
Unzureichende Rechenleistung & Finanzierungsabriss: Die damalige Hardware konnte die explodierende logische Inferenz schlicht nicht bewältigen, und die DARPA-Forschungsförderung wurde drastisch gekürzt.
3. Expertensysteme (Programme, die menschliche Erfahrung in Code übersetzen) und die zweite KI-Welle (1980er)
In den 80er Jahren, mit der Verbreitung von Mikrocomputern und spezialisierten LISP-Maschinen, wurden Expertensysteme erneut von der Wirtschaft begeistert aufgenommen. Die japanische Regierung lancierte sogar das ehrgeizige „Fifth Generation Computer Systems"-Projekt, um Maschinen zu bauen, die natürliche Sprache verstehen konnten — was weltweit panikartige Folgeinvestitionen auslöste.
3.1 Aufstieg und Fall kommerzieller Anwendungen
In dieser Ära entwickelte nahezu jedes große multinationale Unternehmen sein eigenes Expertensystem (ein Programm, das die Erfahrung menschlicher Experten in Zehntausende von IF-THEN-Codezeilen übersetzt). Doch die Wartung dieser Systeme wurde zur extremen Qual. Wenn die Regelbasis mehrere zehntausend Regeln überschritt, führte das Ändern einer neuen Regel oft zu Konflikten mit zehn anderen bestehenden Regeln. Mit dem Leistungssprung universeller PCs Ende der 80er wurden teure und geschlossene spezialisierte KI-Maschinen völlig wettbewerbsunfähig.
❄️ Der zweite KI-Winter (1987–1993)
1987 brach der KI-Hardwaremarkt vollständig zusammen. Das „Fifth Generation"-Projekt scheiterte kläglich, weil es zu weit von praktikabler Hardware-Architektur entfernt war. Die Investitionen der Unternehmen in Expertensysteme waren verloren, die KI-Forschung stürzte erneut in die Tiefe, und der Begriff „Künstliche Intelligenz" wurde in der akademischen Welt sogar zum Schimpfwort für Geldverschwendung.
3.2 Der Konnektionismus überwintert im Verborgenen
In diesen beiden Auf- und Abschwüngen existierte jedoch ein völlig anderer Denkansatz — der Konnektionismus, also das, was wir heute neuronale Netze nennen.
Der Konnektionismus wurde bereits 1958 von Frank Rosenblatt in Form des Perzeptrons (Perceptron) vorgeschlagen. Es simuliert, wie das Gehirn durch Anpassung der Verbindungsgewichte zwischen Neuronen lernt. Statt der Maschine explizite „Regeln" beizubringen, gibt man ihr eine große Menge an „Beispielen", damit sie selbst verallgemeinert. Allerdings bewies Minsky 1969 in seinem Buch Perceptrons mit strenger Mathematik die Grenzen damaliger einschichtiger Netze (sie konnten das einfache XOR-Problem nicht lösen). Dies ließ den Konnektionismus während des goldenen Zeitalters des Symbolismus auf der Ersatzbank sitzen — bis sich das Blatt in den 90er Jahren wendete.
4. Der Aufstieg des maschinellen Lernens und die Wiederbelebung des Konnektionismus (1990er–2000er)
In den 90er Jahren vollzog die KI-Forschung eine wichtige pragmatische Wende. Statt täglich darüber zu diskutieren, wie man „menschenähnliche magische Intelligenz" erreichen könne, verlagerte sich der Fokus darauf, wie man mit strengen statistischen Methoden reale Klassifikations- und Vorhersageprobleme lösen kann. Dies war der Aufstieg des traditionellen Maschinellen Lernens (Machine Learning).
4.1 Von starren Regeln zur „Suche nach mathematischen Grenzen"
1997 besiegte IBMs „Deep Blue" den Schachweltmeister Garri Kasparow — ein spektakulärer Triumph für den Symbolismus. Doch die akademische Welt erkannte sofort, dass dies lediglich ein Sieg von „Rechenleistung + massiv hartkodiertem Wissen" war; Deep Blue verstand nicht wirklich, was Schachspielen bedeutet.
Gleichzeitig stiegen klassische Machine-Learning-Algorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random Forests kometenhaft auf und wurden für mehr als ein Jahrzehnt zum absoluten Mainstream.
Wenn frühere Expertensysteme dem Computer beibrachten: „Wenn die E-Mail ‚Gewinn' enthält, dann ist es Spam", so war der Ansatz des maschinellen Lernens: Menschen legen zunächst einige Kernmerkmale fest (Feature Engineering) — wie „E-Mail-Länge", „Häufigkeit spezieller Wörter", „Vertrauenswürdigkeit des Absenders" — und geben dann zehntausende annotierte E-Mails in den Computer ein. In diesem mehrdimensionalen Raum agiert die Support Vector Machine (SVM) wie ein Mathematiker mit einem Lineal: Sie nutzt strenge Kernelfunktionen, um zwischen normalen E-Mails und Spam eine „möglichst breite, möglichst sichere mathematische Trennlinie" zu ziehen.
Obwohl SVMs in vielen Aufgaben äußerst erfolgreich waren, hatten sie eine fatale Schwäche: Feature Engineering war stark von Menschen abhängig. Um beispielsweise ein Bild einer Katze zu erkennen, mussten menschliche Wissenschaftler der Maschine beibringen: „extrahiere zuerst Kanten", „suche dann nach dreieckigen Ohren" — die Maschine konnte das Aussehen einer Katze nicht selbst herausfinden! Dies bedeutete, dass die Obergrenze der Modellfähigkeiten durch menschliche Kognition fest verschlossen war.
4.2 Backpropagation lässt neuronale Netze wieder auferstehen
Die wahre Grundlage des Deep Learning wurde in dieser Zeit gelegt:
In dieser Winterschlafphase klärten Geoffrey Hinton und andere den Kernwert der Backpropagation (Fehlerrückführung) weiter auf: Wenn ein mehrschichtiges neuronales Netz eine falsche Vorhersage trifft, kann dieser Fehler wie Wasserwellen Schicht für Schicht zurückgereicht werden, um jedem alten Neuron der verborgenen Schichten zu sagen: „Welchen Anteil an diesem Fehler du zu verantworten hast — korrigiere dich beim nächsten Mal!"
Dies durchbrach schließlich die Fesseln der 60er Jahre für neuronale Netze und machte Netze mit verborgenen Schichten möglich. Aber weil es damals zu wenig Daten gab und die Hardware zu schwach war (es gab nicht einmal anständige Grafikkarten), konnten neuronale Netze traditionelle ML-Modelle wie SVMs noch nicht vollständig schlagen. Bis drei Zündpunkte zusammenkamen.
5. Die Deep-Learning-Revolution und die Dominanz des Konnektionismus (2010er)
In den 2010er Jahren, mit der Reife von Big Data (z. B. das ImageNet-Projekt), dem Durchbruch der Rechenleistung (massiver GPU-Einsatz für Parallelberechnung) sowie algorithmischen Verbesserungen (Lösung des Vanishing-Gradient-Problems), läutete „Deep Learning" donnernd die dritte KI-Welle ein.
Was ist der wesentliche Unterschied zwischen Deep Learning und traditionellem maschinellem Lernen? Das Kennzeichen: automatische Merkmalsextraktion (Representation Learning). Wenn das Netz tief genug ist (Dutzende bis Hunderte von Schichten), kann das neuronale Netz rohe Pixel direkt aufnehmen: Seine unteren Schichten lernen selbstständig, Kanten zu erkennen, die mittleren Schichten lernen Felltexturen, und die oberen Schichten erkennen direkt: „Das ist eine Katze." In dieser Revolution ließen die stolzen Menschen endlich los und erlaubten dem Netz, die wichtigsten visuellen, sprachlichen und textuellen Merkmale selbst zu finden.
5.1 Durchbrüche in Bild und Wettbewerb
2012 nahm das von Hinton und seinem Team entwickelte AlexNet (ein klassisches Convolutional Neural Network, CNN) am berühmten ImageNet-Bildklassifikationswettbewerb teil. Während andere mühsam mit traditionellen Methoden handgefertigte visuelle Merkmale extrahierten, schlug AlexNet mit brachialer Dimensionsreduktion zu und halbierte die Fehlerquote von 26 % auf 15,3 % — ein Schock für die gesamte traditionelle Computer-Vision-Community. Aufgrund dieser erdrückenden Dominanz wurde in den folgenden Jahren kaum eine Arbeit ohne Deep Learning auf Top-Konferenzen akzeptiert!
In den folgenden Jahren raste die KI-Technologie unaufhörlich voran:
| Durchbruchsjahr | Meilenstein | Weitreichende Auswirkungen |
|---|---|---|
| 2014 | GANs (Generative Adversarial Networks) vorgeschlagen | Zwei Netze „kämpfen gegeneinander" (eines fälscht, eines entlarvt), wodurch KI atemberaubend realistische Bilder erzeugen kann. |
| 2015 | ResNet (Residual Network) vorgestellt | Führte innovativ „Shortcut"-Strukturen ein und löste das Problem, dass tiefere Netze überhaupt nicht mehr trainiert werden konnten — neuronale Netze konnten nun Hunderte oder Tausende von Schichten stapeln. |
| 2016 | AlphaGo besiegt Lee Sedol | Der Höhepunkt der Kombination von Deep Learning und bestärkendem Lernen, durchbrach die Behauptung „Maschinen können Menschen im Go niemals schlagen" und erschütterte die Welt. |
Behaviourismus und bestärkendes Lernen
AlphaGo repräsentierte den Sieg einer weiteren Denkschule — des Behaviourismus. Er betrachtet Intelligenz als Ergebnis dynamischer Interaktion zwischen Agent und Umwelt, ähnlich wie beim Trainieren eines Welpen zum Sitzen: richtiges Verhalten wird belohnt, falsches bestraft. Durch kontinuierliches selbstständiges Ausprobieren und Spielen in riesigen virtuellen Umgebungen entdeckte AlphaGo Strategien, die selbst menschliche Spitzenspieler nie zuvor gesehen hatten.
5.2 Transformer: Die Wiege der großen Modelle
2017 begann sich das Schicksalsrad zu drehen. Google schlug in der Arbeit „Attention Is All You Need" eine völlig neue Deep-Learning-Architektur vor — den Transformer.
Früher, beim Verarbeiten eines Satzes (z. B. mit RNN-Modellen), konnte die KI nur Wort für Wort von links nach rechts lesen und vergaß nach dem Lesen des Endes oft den Anfang. Der Self-Attention-Mechanismus des Transformers durchbrach diese Beschränkung vollständig: Er erlaubt der KI, den gesamten Satz „auf einen Blick" zu erfassen, und wenn sie das Wort „Apple" sieht, automatisch aus dem Kontext zu erschließen, ob die Frucht oder das Telefonunternehmen von Steve Jobs gemeint ist.
Er ist von Natur aus für parallele Berechnung geeignet, kann unbegrenzt viele Daten aufnehmen und nahezu unendlich tief gestapelt werden. In diesem Moment war das Fundament für große Sprachmodelle (LLMs) gelegt.
6. Das Zeitalter der großen Modelle und die Dämmerung allgemeiner Intelligenz (2018–heute)
Als der Transformer auf grenzenlose Rechenleistung und riesige Datenmengen traf, wurde das Paradigma der KI-Entwicklung für immer verändert. Wissenschaftler entdeckten ein erstaunliches Phänomen: Die auf Self-Attention basierende Architektur scheint niemals „satt" zu werden. Frühere Deep-Learning-Modelle stießen irgendwann an eine Intelligenz-Decke, doch der Transformer passt perfekt zur massiven GPU-Parallelberechnung — je mehr Daten man ihm gibt und je tiefer das Netz wird, desto besser wird seine Leistung, scheinbar unbegrenzt.
6.1 Etablierung des „Pre-training + Fine-tuning"-Paradigmas: Vom Spezialisten zum Generalisten
Früher machten wir KI nach dem Motto „ein kleines Modell pro Aufgabe": Ein Modell wurde speziell für Übersetzung trainiert, ein anderes für Chat — wie das Ausbilden von „Spezialisten", die jeweils nur ein Handwerk beherrschen. Doch ab 2018, mit der Veröffentlichung von OpenAIs GPT-1 und Googles BERT, änderte sich die Situation zu einem neuen Paradigma der „rohen Gewalt".
Zunächst kommt das Pre-Training, das 99 % der Kernintelligenz großer Sprachmodelle ausmacht. Wissenschaftler schütteten Billionen von Wörtern aus dem Internet — Artikel, klassische Werke, Computercode, sogar enzyklopädisches Wissen — in riesige Transformer-Netzwerke. Und die Trainingsaufgabe war lediglich simples „Text-Vervollständigen" (das nächste Wort vorhersagen).
Um das jeweils „nächste Wort" in menschlicher Sprache extrem präzise vorherzusagen, war das Modell gezwungen, in seinen Hunderten von Milliarden Neuronenparametern die gesamten Funktionsgesetze der Welt zu internalisieren und zu verdichten! Es beherrscht nicht nur Subjekt-Prädikat-Objekt-Grammatik, weiß dass „Apple" eine rote Frucht ist, sondern begreift auch die Logik hinter „Newton entdeckte die Gravitation, weil ein Apfel fiel". Es ist wie ein Kind, das nie bewusst ein Grammatikbuch auswendig gelernt hat, aber durch extensives Lesen von Millionen Büchern automatisch die Fähigkeit erworben hat, die komplexe Welt zu verstehen.
Von GPT-2 (1,5 Milliarden Parameter) zu GPT-3 (175 Milliarden Parameter) entdeckten Wissenschaftler erschüttert die emergenten Fähigkeiten (Emergent Abilities) — wenn das Modell groß genug wird, schlägt die Quantität in beängstigende Qualität um. Selbst ohne jegliches spezifisches Training „begriff" das Modell mit riesigen Parametern von selbst logisches Schlussfolgern, Code-Schreiben und In-Context-Learning. Dies musste ihm kein Mensch speziell per Code beibringen.
6.2 Der Durchbruch generativer KI und der nukleare Moment von ChatGPT
Nachdem man ein belesenes, weltwissensreiches großes vortrainiertes Modell hatte, fehlte noch ein letzter Schritt zum perfekten persönlichen KI-Assistenten: Fine-Tuning. Denn das vortrainierte Modell war nur daran gewöhnt, blind Text fortzusetzen — es verstand die „Anweisungen" des Nutzers nicht und wusste nicht, wie es sich in einer geordneten Frage-Antwort-Interaktion verhalten sollte.
Im November 2022 führte OpenAI geschickt die RLHF (Reinforcement Learning from Human Feedback)-Technik ein. Sie stellten eine große Zahl von Experten ein, um die Antworten des Modells zu bewerten und zu korrigieren. Dies ist vergleichbar damit, einem extrem intelligenten, aber ungefilterten Genie klare Kommunikationsgrenzen und Etikette-Richtlinien zu setzen und es mit Nachdruck in einen sanften, strukturierten und verständnisvollen Gesprächsassistenten zu formen. So wurde ChatGPT geboren.
Über Nacht war KI kein langweiliges Laborspielzeug mehr, sondern wurde zum universellen intelligenten Gehirn in den Händen jedes gewöhnlichen Menschen.
Darauf folgte die stürmische multimodale Ära:
- 2023: Die Erschließung multipler Sinne. Bildgenerierungsmodelle wie Midjourney und Stable Diffusion gestalteten die digitale Kunstindustrie neu. Das im selben Jahr veröffentlichte GPT-4 vereinte extrem anspruchsvolles visuelles Bildverständnis mit langkettigem logischem Assoziations- und Schlussfolgerungsvermögen.
- Ab 2024 bis heute: Die Simulation der physischen Welt. Mit der Veröffentlichung fotorealistischer Videogenerierungsmodelle wie Sora und der flächendeckenden Einführung von Echtzeit-End-to-End-Sprachmodellen mit emotionaler Stimmfarbe öffnete die KI rasch ihre Wahrnehmung für eine vollständige Welt aus dreidimensionalem Raum, fließendem Licht und sogar feinen stimmlichen Emotionen.
7. Die Verschmelzung der drei KI-Denkschulen und der Blick in die Zukunft
Blickt man auf diese 70 Jahre zurück — vom maschinellen Beweisen mathematischer Theoreme (Symbolismus), über das Finden statistischer Grenzen (traditionelles maschinelles Lernen), das Gewinnen im Go durch Ausprobieren (Behaviourismus/bestärkendes Lernen), bis hin zu großen Modellen, die durch das Verschlingen riesiger Datenmengen gesunden Menschenverstand emergieren lassen (die extreme Form des Konnektionismus) — die Entwicklung der Künstlichen Intelligenz hat nie Halt gemacht.
Die heutigen großen Modelle scheinen das manuelle Schreiben starrer „Regeln" (das ursprüngliche Anliegen des Symbolismus) aufgegeben zu haben, doch tatsächlich haben sie in den impliziten Milliarden Parametern Tausender Netzwerkschichten „dunkle Regeln" gelernt und gekapselt, die weit tiefgründiger sind als menschliche Logik. Das heute in großen vortrainierten Modellen verwendete Chain-of-Thought-Schlussfolgern über lange Ketten — ist das nicht die Wiedergeburt der klassischen symbolistischen Idee von logischer Verifikation und schrittweiser Strenge in neuronalen Netzen?
Vom Gipfel des Zeitalters großer Modelle herabblickend, schreitet die zukünftige Allgemeine Künstliche Intelligenz (AGI) auf folgenden äußerst breiten und tiefgründigen Erkundungspfaden voran:
- Auf dem Weg zum nativen vereinheitlichten neuronalen Zentrum (native Multimodalität): Zukünftige Modelle sind kein Frankenstein mehr, der aus „Textmodell + Sprachmodell" zusammengestückelt ist. Architekturen wie GPT-4o nutzen dasselbe Supernetzwerk, um gleichzeitig Text, Bilder, Videostreams und extrem latenzarme, hochemotionale dreidimensionale Sprachwellenformen aufzunehmen, wahrzunehmen und zu verstehen.
- Embodied AI (verkörperte KI): Wenn ein hochintelligentes „Gehirn" nur in siliziumbasierten Rechenzentren eingesperrt ist, kann es keine Wahrheit aus der physischen Welt validieren. Durch die Kombination mit Boston-Dynamics-Robotern und humanoiden Robotern könnte die Super-KI Hände bekommen und durch Stolpern und Üben dieselben objektiven physikalischen Gesetze erlernen wie wir.
- Agentic AI (agentenbasierte KI): Die meisten LLMs verharren derzeit noch im Stadium eines „passiven Frage-Antwort-Textrechners". Im Zeitalter der KI-Agenten hingegen erhalten große Modelle die Befugnis zum selbstständigen Handeln. Mit einem einzigen natürlichen Befehl (z. B. „Recherchiere und plane alle Flüge und Hotels für meine Nordlichter-Reise nächste Woche nach Norwegen und erstelle Kalendertermine") zerlegt der KI-Agent die Aufgabe selbstständig in dutzende Unteraufgaben, öffnet einen virtuellen Browser, ruft die echten Such-APIs der Fluggesellschaften auf und führt komplexe Validierungen und Vergleiche durch. Sie sind kein passives Echo mehr, das auf Tastendruck wartet, sondern ein unermüdlicher digitaler Arbeitskräfte-Cluster.
Auf dieser spiralförmig aufsteigenden langen technologischen Reise ist die Geschichte immer verblüffend ähnlich, wiederholt sich aber nie. Wir erleben gerade den atemberaubendsten historischen Querschnitt — vom „starren Hineinprogrammieren von Regeln in Algorithmen" hin zur „maschinellen automatischen Definition der Weltgesetze".