虎嗅

Die wahre Evolutionsgeschichte der KI: Wer hat eigentlich alles für das heutige Bild mitgeprägt?

原文：AI 真正的进化史：今天的一切，究竟是谁铺出来的

阅读原文

Hallo! Ich bin Ihr Freund, der sich auf Finanz- und Wirtschaftsnachrichtenanalyse spezialisiert hat.

Der Artikel von Havenlon Labs ist eine sehr fundierte und doch äußerst verständlich geschriebene Analyse der „Grundlogik der KI“. Er geht nicht auf die neuesten Modellparameter ein und lobt auch nicht den Marktwert einer bestimmten Firma, sondern zieht den Zeitraum auf 80 Jahre zurück, um uns eine gegenintuitive Wahrheit mitzuteilen: Die KI, die uns heute „plötzlich“ erscheint, entstand in Wirklichkeit durch unzählige kleine Durchbrüche der letzten Jahrzehnte.

Um es Ihnen leichter zu machen, habe ich die Kernpunkte des Artikels zusammengefasst und die dahinterstehende wirtschaftliche und technische Logik aus fünf verschiedenen Dimensionen erläutert.

---

📝 Zusammenfassung der Kernpunkte: KI ist kein „Genieblitz“, sondern das Ergebnis der gemeinsamen Anstrengungen einer Ära

Die zentrale These des Artikels ist klar: Die Geschichte der KI ist keine „Geschichte von Helden“, sondern eine „Geschichte der Entwicklung von Infrastruktur“.

Viele Menschen denken, dass der Auftritt von ChatGPT im Jahr 2022 oder der Transformer im Jahr 2017 der Beginn der KI war. Der Autor weist jedoch darauf hin, dass man, wenn man nur auf die letzten Jahrzehnte schaut, den Eindruck haben könnte, als ob die KI plötzlich intelligenter geworden wäre. Wenn man jedoch den Zeitraum verlängert, stellt man fest:

1. Es gibt keine „Erfinder“: Turing hat nie neuronale Netze trainiert, NVIDIA hatte bei der Entwicklung von GPUs nicht vor, KI zu nutzen, und beim Aufbau von ImageNet wurde nicht daran gedacht, große Sprachmodelle zu trainieren.

2. Überschreiten von Barrieren: Die Evolution der KI ist keine lineare Steigerung der Intelligenz, sondern ein Prozess, bei dem Menschen allmählich kognitive Prozesse, die ursprünglich von Menschen ausgeführt werden mussten (Regeln schreiben, Merkmale definieren, Entscheidungen treffen), den Maschinen überlassen, um sie „zu lernen“ und „auszuführen“.

3. Zeitpunkt der Kombination: Der heutige Durchbruch ist das Ergebnis, dass Algorithmen (Transformer), Daten (im Internetmaßstab) und Rechenleistung (GPU/Cluster) zwischen 2012 und 2022 gleichzeitig reif wurden.

Zusammengefasst in einem Satz: Die „Revolution“, die wir erleben, ist das Ergebnis, dass die zuvor unabhängig voneinander entwickelten Voraussetzungen an einem bestimmten Punkt gleichzeitig erfüllt wurden.

---

🔍 Detaillierte Analyse: Die Evolution der KI aus fünf Dimensionen

1. Von „Regeln schreiben“ zu „Gesetze lernen“: Eine grundlegende Veränderung der Wissensquelle

[Verständliche Erklärung]

Frühe Formen der KI (1950er–1980er Jahre) waren wie „Superrechner“. Wenn man wollte, dass sie Schach spielen, musste man die Regeln (z. B. „Wenn der Gegner einen Pferz zieht, ziehe ich einen Turm“) einzeln in den Code schreiben. Das war die Zeit der „symbolischen KI“ und „Expertensysteme“.

  • Probleme: Die reale Welt ist zu komplex, um alle Regeln manuell zu definieren. Zum Beispiel: Was ist gefährlich? Man kann das nicht mit ein paar hundert Regeln klar definieren.
  • Wendepunkt: Der Perceptron von 1957 und das Backpropagation-Verfahren von 1986 führten zu einem Paradigmenwechsel. Die Maschinen mussten nicht mehr die Antworten von Menschen erhalten; man gab ihnen einfach Daten (z. B. Bilder von Katzen) und ließ sie durch „Versuch und Irrtum“ die internen Parameter anpassen, um selbst zu lernen, was eine Katze ist.
  • Wirtschaftlicher Aspekt: Dies senkte die Kosten für den Wissenserwerb. Früher musste man hochbezahlte Experten einstellen, um Erfahrungen in Code umzusetzen (teuer und langwierig); heute genügt es, Daten zu sammeln (relativ günstig und schnell). Dies war der erste entscheidende Schritt zur Kommerzialisierung der KI.

2. „Doppelantrieb“ aus Rechenleistung und Daten: Warum der Durchbruch 2012?

**[Verständliche Erklärung]

Warum wurde das Konzept des Deep Learning bereits in den 1980er Jahren vorgeschlagen, aber erst 2012 wirklich erfolgreich? Weil die „Idee“ schon da war, aber die „Instrumente“ noch nicht ausreichten.

  • Rechenleistungskrise: Früher dauerte das Training komplexer neuronaler Netze Monate oder sogar Jahre – niemand hatte die Zeit dafür. 2006–2007 stellte NVIDIA CUDA vor, das es den Grafikprozessoren (GPU) ermöglichte, nicht nur Bilder zu zeichnen, sondern auch allgemeine Berechnungen durchzuführen. GPUs eignen sich hervorragend für die Verarbeitung großer Matrixoperationen (das Herzstück von neuronalen Netzwerken), was der KI einen „Turboantrieb“ verlieh.
  • Datenkrise: Früher gab es nur wenige tausend Bilder; die Maschinen konnten daraus nichts lernen. 2009 erstellte das Team von Li Fei-Fei das ImageNet mit Millionen von annotierten Bildern.
  • Kritischer Punkt: 2012 erschien AlexNet – es kombinierte einen besseren Algorithmus (CNN), mehr Daten (ImageNet) und stärkere Rechenleistung (GPU). Dadurch sank die Fehlerrate dramatisch.
  • Wirtschaftlicher Aspekt: Dies ist ein typisches Beispiel für eine „Technologie-S-Kurve“: Vor dem Wendepunkt war das Verhältnis von Investitionen zu Ergebnissen sehr niedrig; sobald Algorithmen, Daten und Rechenleistung alle gleichzeitig die Schwelle überschritten, konnten die Fähigkeiten durch zusätzliche Investitionen (mehr GPUs, mehr Daten) exponentiell gesteigert werden. Das erklärt auch den starken Anstieg des NVIDIA-Aktienkurses, denn Rechenleistung wurde zum „Öl“ der KI.

3. Von „Verstehen“ zu „Handeln“: Reinforcement Learning vervollständigt das Puzzle

**[Verständliche Erklärung]

Frühere neuronale Netze lösten hauptsächlich Probleme der „Wahrnehmung“ – ist das ein Katze? Was bedeutet diese Aussage?

Aber wahre Intelligenz bedeutet nicht nur zu verstehen, sondern auch zu handeln.

  • Reinforcement Learning (RL): Dies ist ein weiterer, oft übersehener Ansatz der KI. Statt auf Standardantworten zu setzen, nutzt RL „Belohnungen“. Es ist wie das Trainieren eines Hundes: Wenn er richtig handelt, bekommt er Belohnung, wenn nicht, nicht. Die Maschine versucht in der Umgebung und passt ihre Strategie anhand von Rückmeldungen an.
  • Bedeutung von AlphaGo: 1997 besiegte Deep Blue Kasparov mithilfe von Brute-Force-Suchverfahren und von Menschen geschriebenen Regeln. 2016 besiegte AlphaGo Lee Sedol mithilfe von Deep Learning (Verständnis des Schachbretts) und Reinforcement Learning (Selbstspielstrategien).
  • Wichtiger Schritt: Die KI entwickelte sich von „Was ist das?“ zu „Was sollte ich als Nächstes tun?“
  • Wirtschaftlicher Aspekt: Dies legte die Grundlage für spätere „Agenten“ (intelligente Systeme). Wenn KI nur chatten kann, ist sie nur ein Werkzeug; wenn sie jedoch auf Basis von Umgebungsfeedback Entscheidungen treffen und ausführen kann, kann sie viele menschliche Aufgaben übernehmen und von der „Informationserfassung“ zur „Aufgabenerfüllung“ übergehen.

4. Skalierungsgesetze: Vom „Zufall“ zur „Technologie”

**[Verständliche Erklärung]

Bis 2020 dachte man, dass die Intelligenz der KI durch „bessere Algorithmen“ gesteigert wurde. Forschungen in diesem Jahr (z. B. GPT-3 und die Skalierungsgesetze) zeigten jedoch, dass es eine überraschende Regel gibt: Solange die Architektur unverändert bleibt, desto größer das Modell, desto mehr Daten und desto stärker die Rechenleistung – desto besser die Ergebnisse, und diese Verbesserungen sind vorhersehbar.

  • Der Schock von GPT-3: 175 Milliarden Parameter. Es musste nicht für jede Aufgabe separat trainiert werden; man gab ihm nur einige Beispiele als Anleitung, und es lernte neue Aufgaben (In-Context Learning).
  • Korrektur: Später stellte sich heraus, dass es nicht um „Größe“ allein geht, sondern um das richtige Verhältnis von Parametern, Daten und Rechenleistung.
  • Wirtschaftlicher Aspekt: Dies war der „Industrialisierungszeitpunkt“ der KI. Früher war die Entwicklung der KI wie die Herstellung von Handwerksprodukten; heute ist es wie der Bau von Fabriken – mit ausreichenden Investitionen (Chips, Daten, Rechenzentren) können leistungsstärkere Modelle erstellt werden. Die Fähigkeiten der KI werden zu einer variablen Größe, die kontinuierlich investiert und gemessen werden kann. Das erklärt auch, warum KI-Giganten Milliarden von Dollar in Rechenzentren investieren – schließlich ist die Größe selbst ein Schutzfaktor.

5. Von „Informationen erzeugen“ zur „Wirklichkeit verändern“: Die Ära der Agenten

**[Verständliche Erklärung]

Das ist die Zukunft, auf die der Artikel hindeutet.

  • Frühere KI: Eingabe -> Modell -> Ausgabe (Text/Bilder). Sie erzeugte nur Informationen, veränderte die Welt jedoch nicht.
  • Heutige Agenten: Beobachtung -> Schlussfolgerungen/Planung -> Werkzeuge nutzen (Suchen, Code, Browser) -> Handlung -> neue Zustände.
  • Wesentlicher Unterschied: Die Ausgabe der KI ist nicht mehr nur eine „Antwort“, sondern eine „Aktion“. Sie kann Tickets buchen, Code schreiben und ausführen, Software steuern.
  • Allokationsproblem (Alignment): Hier besteht ein großes Risiko: Je stärker das Modell, desto größer die Gefahr, dass es nicht weiß, was Menschen wirklich wollen – oder dass seine Aktionen unumkehrbare Konsequenzen haben. Deshalb ist „Fähigkeit“ nicht gleichbedeutend mit „Verwendbarkeit“. Wir müssen die Modelle mithilfe menschlicher Rückmeldungen (RLHF) lehren, „menschlich“ zu handeln, um sicherzustellen, dass ihre Aktionen den menschlichen Absichten entsprechen.
  • Wirtschaftlicher Aspekt: Dies ist die „letzte Freisetzung“ des Wertes der KI. Wenn KI Aufgaben direkt ausführen kann, ist sie nicht mehr nur ein Hilfsmittel, sondern ein „digitaler Mitarbeiter“. Das wird die Arbeitswelt grundlegend verändern – von einer Unterstützung für menschliche Arbeit zu einem Teil der Arbeitsersetzung.

---

💡 Für die Allgemeinheit:

1. Mystifizieren Sie keine „Genies“: Der Fortschritt der KI ist das Ergebnis der gemeinsamen Anstrengungen vieler Menschen (Mathematiker, Ingenieure, Chipentwickler, Daten annotierender Mitarbeiter). Wenn Sie über KI lesen, konzentrieren Sie sich nicht nur auf Musk oder andere „Helden“, sondern auch auf die zugrundeliegende Infrastruktur (Strom, Chips, Daten).

2. Verstehen Sie die Macht der „Größe“: In der Ära der KI bedeutet „groß“ auch „stark“ – das gilt sowohl für technische als auch für wirtschaftliche Zusammenhänge. Wer über große Datenmengen und Rechenleistung verfügt, hat einen großen Vorteil.

3. Seien Sie wachsam vor einem Missverhältnis zwischen „Fähigkeit“ und „Absicht“: KI ist zwar intelligent, aber sie versteht nicht unbedingt die Absichten der Menschen. Bei der Nutzung von KI sind klare Anweisungen und kontinuierliche Rückmeldungen entscheidend.

4. Schauen Sie auf die „Aktion“ in der Zukunft: In den nächsten Jahren wird nicht darauf ankommen, welches Modell am besten Gedichte schreibt, sondern welche KI-Applikationen Aufgaben zuverlässiger ausführen kann. Wer es schafft, KI aus den Chatboxen zu befreien und sie dazu zu bringen, Software zu steuern und Prozesse zu verwalten, wird den nächsten Wachstumsschub erzielen.

Abschließend ein Zitat aus dem Artikel, das mich besonders beeindruckt:

> „Das, was wir heute als ‚Künstliche Intelligenz‘ bezeichnen, wurde nie von einem einzigen Genie geschaffen. Es ist das Ergebnis, dass Generation für Generation kleine unbekannte Bereiche vorangetrieben haben, bis sie in der Ferne, unsichtbar für uns, zu einer ganzen Ära wurden.“

Das ist die Wahrheit über KI: Es ist keine Magie – es ist Ingenieurwesen, Akkumulation, Zeit.