Künstliche Intelligenz

Was ist künstliche Intelligenz? Grundlagen & Begriffsbestimmung

Bereits in den 1950er-Jahren beschrieben Marvin Minsky und John McCarthy die künstliche Intelligenz pragmatisch: „Künstliche Intelligenz liegt dann vor, wenn Maschinen Dinge tun, für deren Ausführung man beim Menschen Intelligenz unterstellt.“ McCarthy prägte zudem den Satz: „Sobald es funktioniert, nennt es niemand mehr künstliche Intelligenz.“

Eine allgemeingültige Definition fällt schwer. Menschliche Intelligenz wird häufig als die Fähigkeit, abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten, umschrieben. Diesen Anspruch auf Algorithmen und Rechnersysteme zu übertragen, erfordert interdisziplinäre Ansätze aus Mathematik, Informatik, Neurobiologie und Statistik.

Gordon Moore proklamierte 1965 das Mooresche Gesetz (Moore’s Law): Die Rechenleistung von Prozessoren verdoppelt sich bei sinkenden Kosten etwa alle zwei Jahre. Diese exponentielle Hardware-Entwicklung schuf erst das Fundament, auf dem moderne KI-Systeme und neuronale Netze heute gigantische Datenmengen parallel verarbeiten können.

Die drei Evolutionsstadien der künstlichen Intelligenz

In der KI-Forschung wird die technologische Leistungsfähigkeit standardmäßig in drei Entwicklungsphasen unterteilt:

1. Schwache KI (Artificial Narrow Intelligence – ANI)

Hierbei handelt es sich um Systeme, die auf einen eng umgrenzten Problembereich spezialisiert sind. Sie besitzen kein echtes Bewusstsein und kein Transferwissen. Beispiele hierfür sind Sprachübersetzer, Bilderkennungsalgorithmen, autonome Fahrassistenzsysteme oder spezialisierte Spiele-Engines wie AlphaGo.

2. Allgemeine KI (Artificial General Intelligence – AGI)

AGI (starke KI) beschreibt Systeme, die intellektuelle Aufgaben auf dem Niveau eines Menschen über nahezu alle Wissensdomänen hinweg bewältigen können. Dazu gehören vernunftbasiertes Schlussfolgern, strategische Planung, Abstraktionsvermögen und das eigenständige Erlernen völlig neuartiger Fähigkeiten ohne vorheriges Spezialtraining.

3. Künstliche Superintelligenz (Artificial Superintelligence – ASI)

Ein hypothetischer Zustand, in dem künstliche Systeme die besten menschlichen Gehirne in sämtlichen Disziplinen um ein Vielfaches übertreffen – einschließlich wissenschaftlicher Forschung, Systemoptimierung und sozialer Kompetenz. Der Übergang zu einer solchen Intelligenzexplosion wird in der Zukunftsforschung als technologische Singularität bezeichnet.

Paradigmenwechsel: Regelbasierte Systeme vs. Maschinelles Lernen

Die Architektur künstlicher Intelligenz hat in den letzten Jahrzehnten einen fundamentalen Methodenwechsel vollzogen:

Klassische regelbasierte Systeme (Symbolische KI)

Die ersten Jahrzehnte der Informatik basierten auf Wenn-Dann-Regeln (Expertensysteme). Ein bekanntes Beispiel ist der Schachcomputer Deep Blue (1997): Seine Bewertungsfunktionen und Strategieregeln wurden von menschlichen Großmeistern und Programmierern fest codiert. Der Rechner nutzte reine Rechenkraft (Brute-Force) und Heuristiken, um Millionen Zugkombinationen je Sekunde durchzurechnen.

Maschinelles Lernen & Deep Learning (Subsymbolische KI)

Im Gegensatz zu starren Regeln ermöglicht Maschinelles Lernen (Machine Learning) Algorithmen, eigenständig Muster aus empirischen Daten zu extrahieren. Neuronale Netze und Deep-Learning-Architekturen lernen Gewichte und Zusammenhänge selbst. Googles AlphaZero demonstrierte dies eindrucksvoll: Ausgestattet nur mit den Spielregeln lernte das System Go, Schach und Shogi ausschließlich durch Partien gegen sich selbst (Reinforcement Learning) und besiegte binnen weniger Stunden jede bisherige menschliche und maschinelle Konkurrenz.

Exponentielles Wachstum & Technologische Singularität

Der Begriff der Singularität stammt ursprünglich aus der Mathematik und theoretischen Physik (Zustände, an denen herkömmliche physikalische Gesetze ihre Gültigkeit verlieren, wie im Inneren Schwarzer Löcher). In der Technologie beschreibt die Singularität den Moment, ab dem sich KI-Systeme autonom selbst verbessern und der technische Fortschritt eine Geschwindigkeit erreicht, die menschliche Prognosemodelle übersteigt.

Das menschliche Gehirn ist evolutionsbiologisch auf lineares Denken programmiert. Exponentielle Wachstumsphasen – wie sie in der Computertechnik durch das Mooresche Gesetz seit Jahrzehnten ablaufen – werden von der Gesellschaft systematisch unterschätzt.

Die Prognosen von Ray Kurzweil

Der Zukunftsforscher und Google-Vordenker Ray Kurzweil formulierte das Gesetz des sich beschleunigenden Nutzens (Law of Accelerating Returns):

• 2030er-Jahre: Immersion virtueller Realitäten erreicht physische Authentizität; massive Unterstützung kognitiver Prozesse durch Cloud-basierte Assistenz.
• 2040er-Jahre: Nicht-biologische Informationsverarbeitung übersteigt die biologische Kapazität der gesamten Menschheit um ein Vielfaches.
• 2045: Erreichen der technologischen Singularität durch die Verschmelzung menschlicher Kognition mit maschineller Intelligenz.

Wann erreicht KI menschliches Niveau?

In einer vielzitierten Erhebung von James Barrat unter führenden KI-Wissenschaftlern auf Konferenzen von Ben Goertzel zeichnete sich folgendes Stimmungsbild ab:

• 42 % erwarten das Erreichen von AGI bis 2030.
• 25 % schätzen den Zeitraum bis 2050.
• 10 % vermuten eine Realisierung nach 2100.
• 2 % halten eine menschenähnliche AGI für grundsätzlich unmöglich.

Stimmen führender Persönlichkeiten aus Wissenschaft und Technologie

Die Debatte um Chancen und Risiken wird seit Jahrzehnten intensiv geführt:

• „Irgendwann müssen wir erwarten, dass die Maschinen die Kontrolle übernehmen.“ – Alan Turing (1950)
• „Die Entwicklung einer vollständigen künstlichen Intelligenz könnte das Ende der Menschheit bedeuten.“ – Stephen Hawking (2013)
• „Es besteht das Risiko, dass binnen weniger Jahre etwas ernsthaft Kritisches passiert.“ – Elon Musk (2014)
• „Wir können nicht leichtfertig davon ausgehen, dass eine Superintelligenz notwendigerweise menschliche Werte teilt.“ – Nick Bostrom (2012)
• „Künstliche Intelligenz steht kurz davor, unser Leben produktiver, sicherer und kreativer zu gestalten.“ – Bill Gates (2017)
• „Was tatsächlich passiert, ist, dass die Maschinen uns alle beflügeln – sie machen uns produktiver und klüger.“ – Ray Kurzweil (2017)

Chronologie: Historische Meilensteine der KI-Entwicklung

• 1950 (Turing-Test): Alan Turing formuliert das Kriterium: Kann ein Rechner einen Menschen im Dialog überzeugen, gilt er als intelligent.
• 1956 (Dartmouth Conference): John McCarthy, Marvin Minsky und Kollegen etablieren offiziell den Begriff „Artificial Intelligence“.
• 1961 (Unimate): Der erste Industrieroboter übernimmt bei General Motors schwere Arbeiten am Fließband.
• 1964 (ELIZA): Joseph Weizenbaum simuliert am MIT einen Psychotherapeuten – der erste Meilenstein in natürlicher Sprachverarbeitung (NLP).
• 1966 (Shakey the Robot): Die Stanford University baut den ersten mobilen Roboter mit logischer Handlungsplanung.
• 1970er–1980er (AI-Winter): Unrealistische Erwartungen führen nach Budgetkürzungen zu Stagnationsphasen in der Forschungsförderung.
• 1997 (Deep Blue): IBM besiegt Schachweltmeister Garry Kasparow im Sechs-Partien-Turnier.
• 2011 (Watson & Siri): IBM Watson triumphiert bei Jeopardy!; Apple integriert Sprachassistenz nativ in Smartphones.
• 2016 (AlphaGo): DeepMind schlägt Go-Legende Lee Sedol 4:1 durch Deep Reinforcement Learning.
• 2017 (AlphaZero): Autodidaktisches Lernen meistert Schach, Shogi und Go ohne menschliche Eröffnungsbibliotheken.
• 2018 (Transformatoren & Duplex): Google präsentiert Duplex zur natürlichen Sprachinteraktion; Großmodelle revolutionieren Textverständnis.

Künstliche Intelligenz an den modernen Finanzmärkten

An den Kapitalmärkten hat sich künstliche Intelligenz vom experimentellen Nischenwerkzeug zum dominierenden Infrastrukturfaktor entwickelt. Im modernen Algorithmic Trading verarbeiten maschinelle Lernmodelle Auftragsbuchdaten (Order Book Dynamics), mikrostrukturelle Preisflüsse und unstrukturierte Sentiment-Daten in Mikrosekunden.

Die größte methodische Hürde beim Einsatz von KI auf Finanzzeitreihen ist das Data-Snooping und Overfitting: Da Finanzmärkte ein extrem schlechtes Signal-zu-Rausch-Verhältnis aufweisen, lernen komplexe Modelle häufig zufällige Marktschwankungen der Vergangenheit auswendig. Zur statistischen Absicherung quantitativer Modelle kommen daher spezialisierte mathematische Validatoren zum Einsatz – wie etwa unser interaktiver Deflated Sharpe Ratio Rechner.