Technik-Zeitreise: Auf welcher Hardware lief die KI der 80er und 90er?

Wenn Du heute ein KI-Modell auf Deinem Notebook startest, denkst Du vermutlich nicht darüber nach, wie absurd viel Rechenleistung dahintersteckt. Ein moderner Prozessor besitzt mehrere Kerne, riesige Caches und teilweise sogar eine eigene NPU für KI-Berechnungen. Dazu kommen GPUs, die tausende Rechenoperationen parallel ausführen können. In meinem Artikel „Lokale KI 2026: Welche Hardware dein PC wirklich braucht (Technischer Leitfaden)“ habe ich dies näher betrachtet. Aber das ist heute, in den 80er-Jahren sah die Welt anders aus, ganz anders :)

Und trotzdem wurde bereits mit künstlichen neuronalen Netzen, Expertensystemen, logischen Schlussfolgerungen und Schwarmverhalten experimentiert.

Hier eine kleine Zeitreise durch die Rechnerwelt, auf der diese Experimente stattfanden.

 

Commodore Amiga: erstaunlich viel Grafik für wenig Geld

Der Commodore Amiga war zwar keine klassische KI-Forschungsmaschine, aber seine Grafik- und Multimediafähigkeiten machten ihn für Simulationen und experimentelle Software interessant. Während viele Büro-PCs noch mit Text und einfachen Grafiken beschäftigt waren, konnte der Amiga Bewegungen vergleichsweise flüssig darstellen.

Für ein Schwarmexperiment war das durchaus praktisch. Schließlich bringt es wenig, wenn der Computer zwar die Position jedes virtuellen Vogels berechnen kann, aber die Darstellung anschließend ruckelt.

Ein Programmierer konnte beispielsweise für jeden Vogel Position, Geschwindigkeit und Richtung speichern und anschließend in jedem Berechnungsschritt überprüfen, wie sich seine Nachbarn bewegen.

Das klingt heute banal. Damals konnte allein die Darstellung einer größeren Anzahl bewegter Objekte bereits eine interessante Programmieraufgabe sein.

Atari ST: viel Rechner für relativ wenig Geld

Auch der Atari ST war für ambitionierte Programmierer interessant. Der Rechner basierte auf Motorolas 68000-Prozessor und bot eine für seine Preisklasse interessante Kombination aus Rechenleistung und grafischer Oberfläche. Natürlich war das kein Ersatz für eine wissenschaftliche Workstation, aber genau das macht die damalige Computerwelt so interessant: Viele Konzepte konnten von Forschern auf leistungsfähigen Unix-Systemen untersucht und anschließend von Hobbyprogrammierern auf wesentlich kleineren Rechnern nachvollzogen werden.

Das Experimentieren mit künstlichem Leben, neuronalen Netzen oder einfachen Agentensystemen war damit nicht ausschließlich einer kleinen Gruppe von Großforschern vorbehalten.

386 und 486: Der PC wird richtig interessant

Mit dem Intel 80386 und später dem 80486 änderte sich die Situation nochmals deutlich. 32-Bit-Prozessoren, mehr Arbeitsspeicher und steigende Taktraten machten den PC langsam aber sicher zu einer immer interessanteren Entwicklungsplattform.

Gerade C und später C++ waren hier enorm wichtig. Wer Geschwindigkeit benötigte, konnte seine Simulation relativ hardwarenah programmieren und jeden unnötigen Rechenschritt vermeiden.

Bei einer Schwarm-Simulation bedeutete das beispielsweise: Muss wirklich jeder Vogel mit jedem anderen Vogel verglichen werden? Bei zehn Objekten spielt diese Frage kaum eine Rolle, aber bei tausend Objekten wird sie plötzlich entscheidend.

Und genau solche Optimierungsprobleme sind bis heute ein wesentlicher Bestandteil von Simulationen.

Lisp-Maschinen: Der Spezialcomputer für KI

Noch faszinierender wird es bei den sogenannten Lisp Machines.

Lisp war seit den frühen Jahren der KI eine wichtige Sprache für symbolische Verarbeitung. Anders als klassische numerische Programme arbeitete Lisp stark mit symbolischen Ausdrücken und Listenstrukturen. Genau das passte hervorragend zu vielen frühen KI-Anwendungen.

In den 1980er-Jahren gab es deshalb spezielle Rechner, die für Lisp und KI-Anwendungen optimiert waren. Man kann sich das heute ein wenig wie einen Rechner mit besonders leistungsfähiger KI-Entwicklungsumgebung vorstellen – etwa wie die HP ZGX Nano G1n AI Station heute nur dass damals nicht Tensoren und Transformer im Mittelpunkt standen, sondern Symbole, Regeln, Listen und Schlussfolgerungen.

Diese Maschinen waren allerdings teuer, also so ähnlich wie HP ZGC NANO G1n AI heute. Manches änderts sich halt nie…

Und genau hier begann später eines der Probleme der damaligen KI: Allgemeine Workstations und PCs wurden immer leistungsfähiger und günstiger, während spezielle KI-Hardware ihre hohen Kosten rechtfertigen musste.

Prolog: Programmieren mit Logik statt mit klassischen Befehlen

Wenn Lisp die klassische Sprache der symbolischen KI war, gehörte Prolog zu ihren wichtigsten logischen Werkzeugen.

Prolog entstand Anfang der 1970er-Jahre in Frankreich und wurde insbesondere für logisches Schließen und sprachbezogene Anwendungen interessant. In den 1980er-Jahren wurde Prolog intensiv weiterentwickelt und auch industriell eingesetzt.

Das Konzept wirkt aus heutiger Sicht ungewohnt. Statt dem Computer einfach eine Abfolge von Befehlen zu geben, beschreibt der Programmierer Fakten und Regeln.

Zum Beispiel könnte ein stark vereinfachtes System wissen:

Vogel(Charlie).
Vogel(Charlie) -> Tier(Charlie).

Dann kann das Programm daraus ableiten, dass Charlie ein Tier ist.

Das klingt simpel. Die eigentliche Stärke liegt darin, dass solche Regeln miteinander kombiniert und für wesentlich komplexere Schlussfolgerungen verwendet werden können.

In den 1980er-Jahren war Prolog deshalb eng mit der Idee verbunden, Computer stärker mit logischem Schlussfolgern arbeiten zu lassen.

Und dann kam Japan mit der „fünften Computergeneration“

Besonders ambitioniert war das japanische Fifth Generation Computer Systems Project, das Anfang der 1980er-Jahre gestartet wurde.

Die Vision war gewaltig: Computer sollten stärker mit Wissen, natürlicher Sprache, logischem Schlussfolgern und paralleler Verarbeitung arbeiten. Prolog spielte dabei eine wichtige Rolle.

Es wurden sogar spezielle Rechnerarchitekturen und parallele Systeme entwickelt, die für logische Verarbeitung optimiert waren. Aus heutiger Sicht wirkt das fast wie eine frühe Version der Idee, spezielle Hardware für KI-Aufgaben zu entwickeln.

Der große Durchbruch blieb allerdings aus. Die technischen Herausforderungen waren enorm, und die Erwartungen an die Systeme waren teilweise deutlich höher als das, was die damalige Hardware und Software tatsächlich leisten konnten.

Neuronale Netze: Die Idee war schon da

Parallel zur symbolischen KI entwickelte sich ein zweiter großer Forschungszweig:  Neuronale Netze. 1982 veröffentlichte John Hopfield seine Arbeiten zu rekurrenten neuronalen Netzen, und Mitte der 1980er-Jahre gewann die Backpropagation-Methode für mehrschichtige neuronale Netze an Bedeutung. Diese Entwicklungen trugen wesentlich dazu bei, den konnektionistischen Ansatz wiederzubeleben. Allerdings war das Training solcher Netze mit damaliger Hardware eine Geduldsprobe.

Heute kann ein Entwickler innerhalb kurzer Zeit Modelle auf einer GPU trainieren oder fertige Modelle verwenden. Damals konnte schon ein relativ kleines neuronales Netz eine interessante Rechenaufgabe darstellen. Und an ein Sprachmodell mit Milliarden Parametern war natürlich überhaupt nicht zu denken.

Der eigentliche Star war vielleicht gar nicht die Hardware, denn wenn man diese Zeit betrachtet, fällt etwas auf. Die beeindruckendste Leistung war nicht unbedingt die Rechenleistung. Es war die Kreativität der Programmierer. Man hatte keine riesigen Datensätze, keine Cloud, keine moderne GPU und keinen KI-Assistenten, der einem den Code erklären konnte.

Man hatte einen Rechner, einen Compiler, ein Handbuch – und sehr viel Geduld. Verdammt viel Geduld, aber trotzdem entstanden Modelle, bei denen plötzlich aus einfachen Regeln komplexes Verhalten hervorging.

• Ein Schwarm aus virtuellen Vögeln musste nicht wissen, was ein Vogelschwarm ist.
• Ein Expertensystem musste nicht „denken“ wie ein Mensch.
• Ein neuronales Netz musste nicht verstehen, was ein Bild bedeutet.

Die Entwickler fanden vielmehr Wege, mit relativ einfachen technischen Mitteln bestimmte Aspekte von Intelligenz oder Verhalten nachzubilden.

Was davon steckt heute noch in unseren Rechnern?

Mehr, als man vielleicht vermuten würde.  Die damalige KI war keineswegs eine Sackgasse. Viele Konzepte wurden weiterentwickelt, miteinander kombiniert oder tauchten Jahrzehnte später in neuer Form wieder auf. Symbolische KI, logische Systeme, neuronale Netze, Optimierungsverfahren und agentenbasierte Modelle gehören weiterhin zum Werkzeugkasten der Informatik.

Der entscheidende Unterschied ist heute vor allem die Dimension.

Wo früher vielleicht einige Dutzend oder hundert virtuelle Objekte simuliert wurden, können moderne Rechner riesige Mengen an Daten und Agenten verarbeiten.

Wo früher ein kleines neuronales Netz untersucht wurde, trainieren heutige Systeme Modelle mit Milliarden oder sogar noch mehr Parametern.

Die grundlegende Frage ist aber erstaunlich ähnlich geblieben:

Wie kann aus einfachen Rechenoperationen ein Verhalten entstehen, das für uns intelligent wirkt?

Vielleicht lohnt es sich deshalb, beim nächsten KI-Hype nicht nur auf die neueste GPU oder NPU zu schauen. Manchmal reicht ein Blick zurück auf einen virtuellen Vogelschwarm aus den 1980er-Jahren, denn dort steckt bereits eine Idee, die uns bis heute beschäftigt:

Man muss nicht jede einzelne Bewegung programmieren, um ein komplexes Verhalten entstehen zu lassen.