Im Anschluss an die Dartmouth-Konferenz ebneten einige kluge Köpfe den Weg der Künstlichen Intelligenz durch funktionsfähige Computerprogramme, die unser Denken formal nachbilden sollten.
So versuchten Allen Newell und Herbert A. Simon, die Ideen von John McCarthy in konkrete Programmcodes zu übersetzen. Ihr Experiment „The Logic Theorist“ aus dem Jahr 1956 zeigte erstmals, dass Computer mehr leisten können als bloßes Rechnen.
Die Programme waren in der Lage, eigenständig logische Schlüsse zu ziehen.
Dazu erhielt die Maschine verschiedene Axiome eines Standardwerks der Mathematik, der „Principia Mathematica“, die den Anspruch verfolgte, die gesamte Mathematik auf reine Logik zurückzuführen. Dem Programm gelang es, selbstständig neue Theoreme abzuleiten und dabei teilweise sogar elegantere Lösungswege zu finden.
Damit war nachgewiesen:
Computerprogramme können formale logische Beweise autonom erzeugen.
Newell und Simon schlossen daraus, dass Denken als Prozess der Informationsverarbeitung verstanden werden könne – ein Prozess, den man analysieren, modellieren und simulieren kann. Deshalb gilt „The Logic Theorist“ bis heute als erstes intelligentes Computerprogramm.
Um die starke Fokussierung auf bloße Logik zu überwinden, entwickelten Newell und Simon wenige Jahre später den „General Problem Solver“ (GPS) – ein Programm, das grundsätzlich jedes Problem lösen sollte, ob mathematisch, logisch oder praktisch.
Hier liegt einer der zentralen Ausgangspunkte eines bis heute wirkenden Vorurteils der KI-Forschung:
Der Anspruch, menschliches Denken und Handeln vollständig formalisieren und nachbilden zu können.
Die Grundidee des GPS war vergleichsweise einfach. Jedes Problem lässt sich als Kombination aus einem Anfangszustand, einem Zielzustand und einer Reihe möglicher Zwischenschritte beschreiben. Der General Problem Solver sollte diesen Weg finden – Schritt für Schritt, logisch und systematisch.
Er arbeitete nach dem Prinzip der sogenannten Means-Ends-Analysis.
Diese Methode, Probleme als Suchaufgaben zu begreifen und den optimalen Weg zum Ziel algorithmisch zu bestimmen, war revolutionär. Sie begründete ein neues Paradigma der Informatik:
Das Suchen als zentrale Form maschineller Problemlösung.
Heute begegnet uns dieses Prinzip nahezu täglich. Algorithmen durchsuchen für Sprachmodelle wie ChatGPT riesige Datenräume nach der wahrscheinlichsten nächsten Antwort. Schachprogramme ermitteln den besten Zug unter Millionen möglicher Varianten.
Die Abkürzung „GPS“ steht heute allerdings umgangssprachlich nicht mehr für den „General Problem Solver“, sondern für das weit verbreitete „Global Positioning System“. Doch auch dieses Navigationssystem folgt demselben Grundprinzip, indem es den optimalen Weg von A nach B berechnet.
Obwohl fast alle modernen KI-Verfahren direkt oder indirekt an diese Geburtsstunde der Suchalgorithmen anknüpfen, scheiterte der General Problem Solver letztlich an einer fundamentalen Grenze:
Bereits bei kleineren Aufgaben wuchs die Zahl möglicher Schritte exponentiell.
Dieses Phänomen – die „kombinatorische Explosion“ – verweist auf ein Problem, das weniger aus mangelnder Rechenleistung resultiert als aus der Struktur des Suchraums selbst.
Die kombinatorische Explosion führt uns die Komplexität menschlichen Denkens und unserer Umwelt eindrücklich vor Augen. Selbst moderne Rechner wären überfordert, sämtliche theoretisch möglichen Varianten vollständig zu berechnen.
Bemerkenswert ist dabei die Parallele zum Menschen:
Auch wir sind nicht in der Lage, alle denkbaren Möglichkeiten systematisch durchzurechnen.
Wir können aber Komplexität reduzieren. Wir arbeiten mit Heuristiken. Wir beziehen Erfahrungswissen ein.
Intelligenz zeigt sich damit nicht bloß als maximale Berechnung.
Sie zeigt sich vor allem als die sinnvolle Begrenzung von Möglichkeiten.