Geschichte der KI – Meilensteine richtig einordnen

Gewähltes Thema

Von regel- und suchbasierten Systemen zu neuronalen Netzen und transformerbasierten Sprachmodellen.

Warum dieses Thema? Die Zuordnung ist anhand klarer Funktionsmerkmale überprüfbar. Gleichzeitig zeigt die Vertiefung, dass die KI-Geschichte keine Reihe sauber getrennter Schubladen ist.

Kompetenzziel

Die Lernenden können ausgewählte Meilensteine der KI-Geschichte anhand ihres primären Funktionsprinzips drei Ansätzen zuordnen, ihre Zuordnung mit einem Merkmal begründen und die Entwicklung sachlich interpretieren.

Erfolgskriterien

Ich ordne alle sieben Meilensteine dem passenden Ansatz zu.
Ich begründe mindestens zwei Zuordnungen mit einem Funktionsmerkmal.
Ich unterscheide explizite Regeln/Suche von Lernen über Netzwerkgewichte.
Mein Ergebnissatz beschreibt die Entwicklung ohne zu behaupten, ältere Ansätze seien vollständig verschwunden.

Visuelle Leitidee: Zeitstrahl

Die Marker werden grün, sobald du den jeweiligen Meilenstein in deinem gewählten Zugang korrekt eingeordnet hast.

1950er → heute

1957

Perceptron

1960er

ELIZA

1970er

MYCIN

1997

Deep Blue

2012

AlexNet

2017

Transformer

2022

ChatGPT

1 · Regeln, Muster & Suche 2 · Neuronale Netze & Lernen 3 · Transformer & generative Sprachmodelle

Wähle deinen Zugang

Zugang A – Mit Unterstützung

Kernaufgabe für alle

1. Ordne jeden Meilenstein dem Ansatz zu, der sein Funktionsprinzip am besten beschreibt.

2. Begründe zwei deiner Zuordnungen mit einem Merkmal des Systems.

3. Formuliere einen sachlichen Ergebnissatz dazu, wie sich KI-Ansätze im Lauf der Geschichte entwickelt haben.

Fachbegriffe kurz erklärt

Regeln, Muster & SucheMenschen legen Regeln, Muster oder Suchverfahren explizit fest. Das System «lernt» diese Regeln nicht automatisch aus grossen Datenmengen.

Neuronale Netze & LernenDas System passt Gewichte anhand von Beispielen oder Rückmeldungen an und lernt dadurch Muster aus Daten.

Transformer & generative SprachmodelleTransformer verarbeiten Zusammenhänge in Sequenzen mit Attention. Darauf basierende Sprachmodelle können neue Texte erzeugen.

Interaktiver Zuordnungsrahmen

Drei Leitfragen

1. Sind die entscheidenden Regeln oder Suchschritte von Menschen vorgegeben?

2. Lernt das System Muster, indem es Gewichte eines neuronalen Netzes anpasst?

3. Geht es um eine Transformer-Architektur oder ein darauf aufgebautes generatives Sprachmodell?

Begründung und Ergebnissatz

Begründe zwei Zuordnungen: Satzanfang:

Zugang B – Eigenständig

Kernaufgabe für alle

1. Ordne jeden Meilenstein dem Ansatz zu, der sein Funktionsprinzip am besten beschreibt.

2. Begründe zwei deiner Zuordnungen mit einem Merkmal des Systems.

3. Formuliere einen sachlichen Ergebnissatz dazu, wie sich KI-Ansätze im Lauf der Geschichte entwickelt haben.

Begründung

Ergebnissatz

Selbstcheck

Ich habe alle sieben Meilensteine zugeordnet. Meine Begründungen nennen Merkmale und nicht nur Jahreszahlen. Ich kann Regeln/Suche von gelerntem Verhalten unterscheiden. Mein Ergebnissatz vermeidet die Aussage, dass ältere Ansätze komplett verschwunden sind.

Zugang C – Vertiefung

Zuerst: Kernaufgabe für alle

1. Ordne jeden Meilenstein dem Ansatz zu, der sein Funktionsprinzip am besten beschreibt.

2. Begründe zwei deiner Zuordnungen mit einem Merkmal des Systems.

3. Formuliere einen sachlichen Ergebnissatz dazu, wie sich KI-Ansätze im Lauf der Geschichte entwickelt haben.

Twist: AlphaGo passt nicht sauber in eine Schublade

AlphaGo besiegte 2016 Lee Sedol im Go. Welche Verfahren spielten dabei eine wesentliche Rolle? Wähle alle passenden Aussagen.

Tiefe neuronale Netze Suchverfahren / Vorausplanung Reinforcement Learning (Lernen durch Rückmeldung) Transformer-Sprachmodell

Begründungsfrage

Warum widerspricht AlphaGo der Vorstellung, dass jede Epoche genau einen KI-Ansatz besitzt?

Transfer in den Berufskontext

Ein heutiges betriebliches KI-System kombiniert z. B. Regeln, Suche und ein Sprachmodell. Warum ist es riskant, seine Fähigkeiten nur nach dem Etikett «generative KI» zu beurteilen?

Aha: KI-Geschichte ist keine Treppe, bei der jede neue Stufe die alte ersetzt. Viele Systeme sind hybrid: Sie verbinden Verfahren aus verschiedenen Entwicklungslinien. AlphaGo kombinierte tiefe neuronale Netze, Reinforcement Learning und Suchverfahren. Deshalb sind Epochen und Kategorien nützliche Modelle – aber keine undurchlässigen Schubladen.

Für die Lehrperson

Vollständige Lösungen

Meilenstein	Zuordnung	Begründung
Perceptron (1957)	2 · Neuronale Netze & Lernen	Ein frühes neuronales Netz passt Gewichte anhand von Beispielen an und bildet einen lernenden Klassifikator.
ELIZA (Mitte 1960er)	1 · Regeln, Muster & Suche	ELIZA erzeugte Antworten mit vorgegebenen Mustern und Regeln; es lernte kein Sprachmodell aus grossen Datenmengen.
MYCIN (1970er)	1 · Regeln, Muster & Suche	Das Expertensystem nutzte explizite Wenn-dann-Regeln, um medizinische Empfehlungen abzuleiten.
Deep Blue (1997)	1 · Regeln, Muster & Suche	Deep Blue bewertete sehr viele Schachstellungen mit massiver Rechenleistung, Suchverfahren und Heuristiken; es war kein heutiges lernendes Sprachmodell.
AlexNet (2012)	2 · Neuronale Netze & Lernen	Das tiefe Convolutional Neural Network lernte Bildmerkmale aus grossen Mengen beschrifteter Bilder.
Transformer (2017)	3 · Transformer & generative Sprachmodelle	Die Transformer-Architektur nutzt Attention und wurde zur technischen Grundlage vieler späterer grosser Sprachmodelle.
ChatGPT (2022)	3 · Transformer & generative Sprachmodelle	ChatGPT ist ein dialogorientiertes generatives Sprachmodell, das auf der GPT-/Transformer-Linie basiert.

Mögliche Begründungen

«Deep Blue gehört zu Regeln, Muster & Suche, weil das System Schachstellungen systematisch durchsucht und mit Heuristiken bewertet.»

«AlexNet gehört zu neuronalen Netzen & Lernen, weil das Netz seine Gewichte beim Training mit vielen Bildbeispielen anpasst.»

Möglicher Ergebnissatz

«Die Geschichte der KI zeigt eine zunehmende Bedeutung lernender, datengetriebener und später transformerbasierter Verfahren; regel- und suchbasierte Methoden verschwanden jedoch nicht, sondern werden teilweise weiterhin genutzt oder mit neueren Ansätzen kombiniert.»

Lösung Vertiefung

AlphaGo: korrekt sind tiefe neuronale Netze, Suchverfahren / Vorausplanung und Reinforcement Learning. Transformer-Sprachmodell ist falsch. Der didaktische Kern ist die Einsicht, dass historische Entwicklungslinien sich überlagern.

Didaktischer Anschluss

Als nächster Schritt bietet sich der Übergang von der historischen Einordnung zu den Funktionsprinzipien von Machine Learning, Deep Learning, Reinforcement Learning und Transformer-Modellen an; so wird aus der Zeitleiste ein Verständnis dafür, warum heutige Systeme unterschiedlich arbeiten.

Quellenbasis der recherchierten Ersatzgrundlage

Stanford AI100: «A Short History of AI» · IBM: «The history of artificial intelligence» und «Deep Blue» · Google Research: «Attention Is All You Need» · Google DeepMind: AlphaGo · OpenAI: «Introducing ChatGPT» (30.11.2022). Der ursprünglich erwähnte Foliensatz lag nicht vor; deshalb wurde kein Folien-Aufgabentext oder Folien-Datensatz übernommen.