Intelligente Maschinen

Wir Menschen betrachten Dinge von außen und suchen nach Ähnlichkeiten, nicht selten unterlaufen uns dabei aber auch Fehler. Ein Walfisch ist kein Fisch, auch wenn bei zusammengesetzten Substantiven das letzte stets die Bedeutung trägt. Ein Fensterbrett ist ein Brett, ein Holzofen ist ein Ofen, ein Walfisch aber ist kein Fisch. Er ist ein Säugetier und die Ähnlichkeit zu Fischen verdankt er dem selben Lebensraum, nicht seiner Abstammung.

Ganz ähnlich verhält es sich mit modernen Maschinen. Ob wir ihnen Intelligenz attestieren, ob sie dem Menschen zum Verwechseln ähnlich sehen und seinen Aufgaben in allen Bereichen gewachsen sind, ihn in Vielem gar übertreffen, sagt vor allem etwas über die Art unserer Wahrnehmung aus, nicht über das Wesen des technischen Gerätes. Der Wal ist vielen Fischen an Größe und Flexibilität überlegen, ganz ähnlich wie die Künstliche Intelligenz uns in Geschwindigkeit, Menge der Daten im Zugriff und weiteren Aspekten überlegen ist. Dennoch bleibt der Wal ein Säugetier, er atmet Luft, bringt Nachkommen lebend zur Welt und trägt zahlreiche Merkmale seiner Abstammung in sich. Er wird nie zum Fisch werden. Ebenso bleibt ein Androide eine Maschine, die sich nicht natürlich vermehrt und sowohl der Hardware als auch der Software nach gebaut, nicht gezeugt ist. Sie verfügt über kein eigenes Erleben, kein inneres Streben und keine ästhetische oder moralische Einsicht.

Zur Verdeutlichung soll im Folgenden der Weg aufgezeichnet werden, den die aktuelle "künstliche Intelligenz" (Stand 2026) physisch genommen hat, um zu jenen komplexen Einheiten zu werden, mit denen wir täglich umgehen. Dabei sollen vor allem Unterschiede und deren Konsequenzen aufgezeigt werden, sowohl in den jeweiligen Möglichkeiten als auch in deren Einschränkungen.

Die ersten Rechenhilfen

Für Tätigkeiten, die unsere physischen Möglichkeiten übersteigen, aber auch für regelmäßige Aufgaben, denen wir uns entziehen wollen, nutzen wir seit jeher Werkzeuge. Von einfachen Alltagshilfen wie Faustkeilen, später Messern, Schaufeln und Haushaltsgegenständen gelangten wir zu immer komplexeren Techniken, die in alle Lebensbereiche vordrangen.

So ist schon aus den alten Kulturen Mesopotamiens bekannt, dass zur Verwaltung von Ernteerträgen, für Buchhaltung und Handel einfache Rechenhilfen genutzt wurden. Dies führte zu größerer Effizienz sowie Nachvollziehbarkeit und dürfte so manchen Streit geschlichtet haben.

Noch heute ist vielen der Name der wohl bekanntesten Rechenhilfe des Altertums geläufig, der Abakus, den es in verschiedenen Entwicklungsstufen gab:

Etwa zwischen 2700 und 2300 v. Chr. nutzten sumerische und babylonische Händler Tontafeln mit geritzten Spalten und Rechensteinen. Diese waren für das damals gebräuchliche Sexagesimalsystem konzipiert, ein Zahlensystem mit der 60 als Basis.

Später gab es den Staubabakus, eine kleine Platte aus Holz oder Stein, die mit Sand bedeckt wurde, um Zahlen und Spalten einzutragen, die dann wieder glattgestrichen wurden.

Die Römer nutzten den Handabakus, eine Weiterentwicklung aus Bronze mit geschlitzten Rillen und verschiebbaren Metallknöpfen, die auf das Dezimalsystem angepasst waren.

Sehr alt und weit verbreitet waren auch Tonkugeln, die bereits vor der Erfindung der Schrift genutzt wurden, um Warenmengen festzuhalten.

Im nebenstehenden Modell können Sie sich mit dem System des Abakus vertraut machen.

Der klassische antike Abakus funktioniert aufgrund vertikaler Spalten. Rechts werden die Einer dargestellt, links davon die Zehner, dann Hunderter und Tausender. Pro Spalte kann man Zahlen von 0 bis 9 darstellen, zweigeteilt in einen unteren Bereich mit 4 Rechensteinen und einen oberen mit einem Stein. Der obere Rechenstein zeigt jeweils an, ob mit den unteren Steinen der Bereich von 0 bis 4 oder von 5 bis 9 dargestellt wird. Auf diese Weise kann jede beliebige Zahl bis 9999 dargestellt werden und es können Tausender, Hunderter, Zehner und Einer addiert oder subtrahiert werden.

An dieser Stelle sollten wir festhalten, dass der Abakus noch nicht rechnet. Als Werkzeug hat er schon eine ansehnliche Komplexität erreicht, aber das Addieren und der Übertrag verbleiben noch beim Menschen.

Das Sprossenrad

Während der Abakus eine reine Zählhilfe war, liegt mit dem Sprossenrad bereits die Entwicklung zu einer eigenständigen Rechenmaschine vor. Es werden Werte gespeichert und der Apparat kann einfache Operationen wie Addition und Subtraktion durchführen. Der simple Aufbau sollte also nicht darüber hinwegtäuschen, dass hier bereits ein großer Schritt in Richtung Automatisierung stattfand.

Das System besteht aus zwei Einheiten.

1. Das Sprossenrad
An eine Scheibe können bis zu 9 Pins befestigt werden. Bei den meisten Modellen konnte man diese mit einem einfachen Handgriff oder auch einem Stellhebel ein- oder ausklappen. Die Rechenoperation wurde durch das Drehen der Scheibe ausgelöst, die einmal um 360 Grad rotiert, wieder in ihre Ausgangsposition gebracht wurde. Dies konnte beidseitig, nach links und nach rechts durchgeführt werden.

2. Das Zählrad
An dem Zählrad befanden sich Zacken, insgesamt 10 Stück, die durch die Ziffern 0 bis 9 markiert wurden. Im Gegensatz zu den variablen Pins des Sprossenrads gibt es hier also Zähne wie bei einem Zahnrad. Das Zählrad war in einem Abstand zum Sprossenrad montiert, der es dessen variablen Pins erlaubte, das Zählrad pro ausgeklapptem Stift um eine Position weiter zu bewegen.

Mit dieser Mechanik konnte man also am Sprossenrad den Operanden einstellen, also die Zahl, die man für die gewünschte Rechenoperation benötigte und durch die Drehrichtung am Sprossenrad wurde das Zählrad entweder um die eingestellte Zahl erhöht oder vermindert. Es konnten also Additionen und Subtraktionen im Bereich von 0 bis 9 durchgeführt werden.

Der praktische Nutzen dürfte zu dem Zeitpunkt gering gewesen sein, da es noch keinen Zehnerübertrag gab und man für die kleinen Beträge natürlich noch keine Unterstützung benötigte. Aber das Prinzip war geboren und der Schritt zur Automatisierung sollte nicht unterschätzt werden.

Die mehrstellige Sprossenradmaschine

Die nächsten Erweiterungsschritte des Sprossenrads sind nur zwei Bausteine.

1. Erweiterung auf mehrere Stellen
Durch die Aneinanderreihung beliebig vieler Scheiben lässt sich die Zahl der Stellen erweitern. Jede weitere Scheibe fügt eine Zehnerpotenz hinzu. Nebenstehend ist ein Beispiel mit drei Stellen zu sehen. Jedes Zählrad hat sein eigenes Sprossenrad, sodass Zahlen von 0 bis 999 dargestellt und Additionen wie Subtraktionen in diesem Bereich durchgeführt werden können. Grundsätzlich (also nicht im Modell hier) kann man die Anzahl nach Bedarf erhöhen.

Ganz so einfach funktionieren die Berechnungen mit dieser Ausbaustufe aber noch nicht, denn das bloße Hinzufügen von Scheiben löst keinen Zehnerübertrag aus. Dreht das Einerrad von der 9 auf die 0 weiter, muss das Zehnerrad um eine Position vorrücken, genau so, wie beim schriftlichen Addieren.

2. Der Zehnerübertrag
Zur Durchführung eines Übertrags erhält jedes Zählrad eine weitere Nocke an der Ziffer 0. Läuft das Rad beim Addieren von 9 nach 0, betätigt diese einen Schieber, um das nächste Rad eine Position weiterzudrehen. Beim Subtrahieren geschieht dasselbe in Gegenrichtung: Läuft das Rad von 0 nach 9, wird der Schieber für das "Borgen" gespannt und die nächste Stelle um eine Stelle zurückgedreht (im Beispiel gelb für +1 und orange für -1). Der Durchgang durch die 0 gibt dabei den Auslöser, nicht das bloße Erreichen, denn 5-5 ergibt 0 ohne weiteren Übertrag.

Der Reihenfolge nach wirkt der Schieber erst, wenn alle Stellen abgearbeitet wurden. Grund dafür ist die Übertragskette: Bei 777+1 löst der Übertrag der Einerstelle einen Vorschub auf der Zehner- und dann auch auf der Hunderterstelle aus. Würde hier nicht abgewartet, käme es zum Konflikt zwischen Addition und Übertrag. Aus diesem Grund wurde die Kurbeldrehung in Phasen eingeteilt: Zuerst greifen die Sprossenräder in die Zählräder (0 bis 180 Grad), dann werden die Schieber vorbereitet (bis 270 Grad). Die Ausführung folgt dann am Ende (bis 360 Grad). In der Demo rechts lässt sich das mit dem Schieberegler (Phasen-Gleiter) in einzelnen Schritten nachvollziehen. Ob oder wo ein Übertrag stattfindet, ist farblich gekennzeichnet.

Über- und Unterlauf
Beim Subtrahieren gibt es eine Besonderheit zu beachten. Da die Maschine keine negativen Zahlen kennt, erhält man bei der Berechnung von 5-8 das Ergebnis 997. Dies geschieht, da hinter der 000 rückwärts weitergezählt wird. Um auf den korrekten Wert der negativen Zahl zu kommen nutzt man das sogenannte Zehnerkomplement. Damit ist eine Darstellung negativer Zahlen gemeint, nach der im Beispiel die 997 für eine -3 steht. 997 + 3 ergibt nämlich 000, wodurch man als korrektes Ergebnis -3 erhält. Das funktioniert auf der anderen Seite ähnlich, wo das Zählwerk bei 999+1 überläuft und wieder bei 000 beginnt. In unserem Beispiel weist eine Zeile unter dem Zähler auf beide Fälle hin; im Zusammenhang mit dem Binärsystem werden wir weiter unten auf dieses Prinzip abgewandelt noch einmal zu sprechen kommen.

Mit der Sprossenradmaschine ist also eine wesentliche Etappe erreicht. Nach Eingabe eines Operanden betätigt man die Kurbel, und die Maschine führt Addition oder Subtraktion samt Zehnerübertrag selbstständig aus und speichert das Ergebnis im Zählwerk. Gerade bei großen Mengen an Zahlen entstand hier eine wertvolle Hilfe. Die Grundmechanik ist noch heute aus mechanischen Registrierkassen bekannt, sie arbeiten nach einem ganz ähnlichen Prinzip, wenn auch mit Tasten statt Sprossenrädern.

Ähnlich wie beim Abakus besteht aber noch eine Hürde: Die Maschine rechnet, aber sie folgt noch keinem Programm. Der Mensch muss jeden Operanden selbst einstellen und jede Kurbeldrehung führt immer nur eine Operation aus. Die Reihenfolge der Schritte liegt allein beim Anwender. Wie sich eine Abfolge von Schritten mechanisch festlegen lässt, zeigt ein Blick in eine ganz andere Richtung, auf Uhrwerke und Spieluhren.

Komplexe Rechenmaschinen: das austauschbare Programm

Die Spieluhr hat gezeigt, wie sich eine Folge von Schritten mechanisch festlegen lässt, an der Uhr sehen wir eine Möglichkeit selbständigen Ablaufs über eine gewisses Zeit hinweg und im Getriebe haben wir die mögliche Komplexität solcher Maschinen angedeutet. Eben so deutlich zeigt sich aber auch der noch vorhandene Mangel: Eine Walze spielt immer dasselbe Stück und sie rechnet nicht, das Aufziehen einer Uhr ist immer noch eine menschliche Routine und die Komplexität eines Getriebes ändert nichts am Grundprinzip. Für eine Maschine, die mehr können soll als addieren, sobald jemand die Kurbel dreht, fehlt vor allem die Möglichkeit, Operanden austauschen zu können.

1. Die Lochkarte
Dieser Schritt beginnt nicht an der Rechenmaschine, sondern am Webstuhl. Joseph-Marie Jacquard führt Anfang des 19. Jahrhunderts eine Steuerung ein, bei der das Muster nicht mehr in einer festen Walze sitzt, sondern in einem Stapel gelochter Karten. Jede Karte hebt oder senkt die Kettfäden für einen Schuss. Dieselbe Mechanik kann damit unterschiedliches Tuch weben, indem man den Stapel austauscht. Erstmalig läuft das Programm getrennt vom Gerät.

Teilweise montiertes Modell der Analytical Engine von Charles Babbage.

2. Die Rechenmaschine mit Programm
Charles Babbage überträgt dieses Prinzip dann auf das Rechnen. In der analytischen Maschine, entworfen ab den 1830er Jahren und nie fertig gebaut, soll eine Karte den Operanden liefern, eine andere die Operation. Das Ergebnis soll schließlich zurück in die Maschine laufen. Ein Mensch stellt also nicht mehr jede Stelle von Hand ein und er dreht auch nicht mehr für jeden Schritt selbst an einer Kurbel, sondern er legt die Folge ein. Ada Lovelace beschreibt 1843 in ihren Anmerkungen zu einem Aufsatz über diese Maschine: Verarbeiten lässt sich nicht nur die Zahl, sondern jede Größe, die sich in Zeichen fassen lässt. Die Kurbel hört damit auf, der Denkschritt zu sein.

3. Die Grenze dieser Stufe
Gebaut ist damit noch nichts, was man auf den Tisch stellen könnte, und das Prinzip bleibt mechanisch. Jede weitere Stelle kostet ein weiteres Rad, jeder Schritt einen Eingriff von Zahn in Zahn. Die Maschine wird groß, langsam und verschleißend, denn eine längere Folge bedeutet nur mehr Karten, nicht weniger Mechanik. Aufgrund des Verschleißes entsteht zudem der Wunsch nach einem Schalten ohne Zahn und ohne Kurbel.

Schalten ohne Zahnrad: Das Wasser-Modell und der Transistor

Das folgende Modell zeigt, wie sich logische Schaltungen mithilfe von Transistoren darstellen lassen. Um die Vorstellung zu erleichtern, zeigen wir das zunächst an einem Beispiel mit Wasser, weil das gut mit Elektrizität vergleichbar ist: Der Wasserdruck entspricht der Spannung (Volt), und die Durchflussmenge pro Zeiteinheit entspricht dem Strom (Ampere). Gäbe es keine Platz- oder Verschleißprobleme, wäre es möglich, auf diese Weise jeden beliebigen Computer, selbst mit der komplexesten Software, mechanisch zu bauen. Zwar gab es bereits vor dem Transistor elektrische Schalter ohne Zahnräder (Relais und Vakuumröhren), doch diese waren groß, verbrauchten viel Strom und waren störanfällig. Erst der Transistor machte das Schalten klein, schnell und robust genug für Computer, die wir heute nutzen.

1. Kleiner Strahl steuert großen Fluss
In der Hauptleitung drückt das Wasser gegen eine gefederte Klappe, die den Durchfluss sperrt. Über eine kleine Steuerleitung (B) leiten wir nun einen sehr schwachen Wasserstrahl auf einen Hebel. Dieser Druck reicht aus, um die Klappe zu öffnen. Das Ergebnis: Ein winziger Impuls in der Steuerleitung setzt den massiven Durchfluss in der Hauptleitung frei. Somit haben wir ein Ventil, bzw. einen mechanisch-hydraulischen Schalter.

2. Vom Ventil zum Transistor
Ersetzt man das Wasser durch Elektronen und das mechanische Ventil durch eine äußerst dünne Halbleiterschicht (aus Silizium), erhält man auf der mikroskopischen Ebene genau dasselbe Prinzip: den Transistor. Der Steuerstrom an der Basis (B) öffnet das „Ventil“ zwischen Kollektor (C) und Emitter (E) – berührungslos, geräuschlos und milliardenfach pro Sekunde. Heutige Prozessoren nutzen vorwiegend eine verwandte Bauform, den Feldeffekttransistor, der nicht durch Strom, sondern durch eine an das „Gate“ angelegte Spannung gesteuert wird. Das Schaltprinzip bleibt dasselbe.

3. Aufbau logischer Gatter
Mit diesen Schaltertypen lassen sich komplexe Rechenschaltungen aufbauen. Im interaktiven Modul auf der rechten Seite können Sie die Grundbausteine der digitalen Logik ausprobieren:

• Transistor: Der Grundbaustein. Zeigt entweder das mechanische Wasserventil oder die physikalischen Anschlüsse (Kollektor, Basis, Emitter) eines NPN-Transistors an.
• UND-Gatter (AND): Zwei in Reihe geschaltete Ventile. Wasser oder Strom fließt am Ausgang nur, wenn an beiden Steuerleitungen (A und B) Druck anliegt.
• ODER-Gatter (OR): Zwei parallel geschaltete Ventile. Ein Signal an einer der beiden Steuerleitungen reicht aus, um den Ausgang zu aktivieren.
• NICHT-Gatter (NOT): Der Inverter. Steuerdruck schließt das Ventil: Ohne Signal fließt Wasser; bei einem Signal wird der Durchfluss gestoppt. Der Einfachheit halber verwendet das Modell ein Ventil, das im ausgeschalteten Zustand offen ist. Ein einzelner Transistor ist im ausgeschalteten Zustand ausgeschaltet; daher benötigt ein echter Inverter zusätzlich einen Widerstand oder, in moderner CMOS-Technologie, ein komplementäres Transistorpaar.
• NAND & NOR: Die invertierten Kombinationen. Sie bilden die universelle Grundlage, auf der ganze Speicherchips und Prozessorarchitekturen aufbauen. Die Animation stellt die Logik vereinfacht dar; tatsächliche Schaltungen sind anders verdrahtet, beispielsweise sind bei NAND die Transistoren in Reihe geschaltet, während sie bei NOR parallel geschaltet sind.

Vom Schalter zur Zahl

Die Gatter aus dem vorigen Abschnitt kennen nur zwei Zustände: Das Ventil ist offen oder geschlossen, es fließt Strom oder nicht. Abakus und Sprossenrad kannten dagegen zehn Stellungen pro Stelle. Warum also nicht dezimal weiterrechnen?

Jetzt wird es ein wenig mathematisch. Wer das im Detail nicht alles nachvollziehen möchte, dem sei versichert, dass es hier um kein völlig neues Verfahren geht, sondern um die Übertragung schon bekannter Prinzipien auf ein anderes Material. Ungewohnt ist eigentlich nur die Basis, und auch sie ist keine Erfindung, sondern eine Anpassung: Ein Abakus lässt sich mit jeder Basis bauen, ein Schalter dagegen kennt nur zwei Stellungen. Das Material bestimmt also, wie gezählt wird, nicht das Prinzip. Was wir bisher mechanisch umgesetzt haben, wird nun nahezu verschleißfrei auf mikroskopisch kleinem Raum mit Spannungsunterschieden nachgebaut. Da elektrische Impulse die mechanischen ersetzen, lassen sich außerdem ganz andere Geschwindigkeiten erzielen. Der große Sprung besteht also weniger darin, was getan wird, als vielmehr darin, wie es getan wird.

1. Zwei Zustände sind verlässlicher als zehn
Ein elektrischer Schalter lässt sich zuverlässig auf zwei Spannungsbereiche festlegen, grob gesagt „niedrig" und „hoch". Selbst wenn die Spannung durch Störungen, Erwärmung oder Alterung etwas schwankt, bleibt die Unterscheidung eindeutig. Zehn verschiedene Spannungsstufen sauber auseinanderzuhalten, wäre dagegen fehleranfällig, zumal Milliarden Schaltvorgänge pro Sekunde stattfinden. Deshalb rechnen moderne Computer meist im Binärsystem, und eine einzelne Stelle mit den Werten 0 oder 1 nennt man ein Bit.

2. Stellenwerte: dasselbe Prinzip mit anderer Basis
Am Abakus hatte jede Spalte den zehnfachen Wert der rechten Nachbarin. Im Binärsystem verdoppelt sich der Wert pro Stelle. Der Aufbau ist derselbe, nur die Basis ist eine andere:

Abakus (dezimal):   Tausender  Hunderter  Zehner  Einer
                       1000       100       10      1

Schalter (binär):      Achter    Vierer    Zweier  Einer
                         8         4         2       1

        8   4   2   1
       [0] [1] [1] [0]   =  4 + 2  =  6

Mit vier Schaltern lassen sich 16 Werte darstellen, von 0000 (0) bis 1111 (15). Jeder weitere Schalter verdoppelt diese Zahl. Mit acht Bit sind es 256 Werte, mit 64 Bit, wie in heutigen Prozessoren üblich, mehr als achtzehn Trillionen.

3. Negative Zahlen: das Zweierkomplement
Bei der Sprossenradmaschine haben wir gesehen, dass das Zählwerk keine negativen Zahlen kennt: Wer von fünf acht abzieht, erhält 997, und diese 997 steht für −3. Wir haben das Zehnerkomplement genannt. Im Binärsystem geschieht genau dasselbe, hier heißt es Zweierkomplement:

Dreistellig dezimal:   5 − 8  →  997   (steht für −3)
Vierstellig binär:     5 − 8  →  1101  (steht für −3)

Die folgende Tabelle zeigt, wie die 16 Bitmuster gelesen werden können. Dieselben Schalterstellungen bedeuten je nach Vereinbarung einmal 0 bis 15 und einmal −8 bis 7. Die Hälfte der Muster, nämlich jene mit einer 1 an der vordersten Stelle, steht dabei für negative Zahlen:

Das Umkehren des Vorzeichens ist denkbar einfach: Man kippt alle Schalter um (aus 0 wird 1 und umgekehrt) und addiert eins. Aus 0011 (3) wird so erst 1100 und dann 1101, also −3. Der Vorteil dieser Darstellung liegt darin, dass die Maschine nicht mehr subtrahieren muss. Sie addiert einfach die negative Zahl, und der Übertrag über die letzte Stelle hinaus fällt weg:

Dezimal, dreistellig:     5 − 3  =    5 + 997  =  1002  →  002  =  2
Binär, vierstellig:       5 − 3  =  0101 + 1101  =  10010  →  0010  =  2

Dasselbe gilt beim Überlauf: Wie das dreistellige Zählwerk bei 999+1 auf 000 springt, springt ein vierstelliges Binärwerk bei 1111+1 auf 0000. Liest man die Muster mit Vorzeichen, springt 7 bei Addition von 1 auf −8. Wie viele Stellen eine Zahl hat, ist also keine Nebensache, sondern bestimmt, wo der Wertebereich endet und wo er überläuft.

Damit haben wir Zahlen, positive wie negative, in einer Form, mit der Schalter umgehen können. Wie die Gatter daraus ein Rechenwerk bilden, zeigt der folgende Exkurs. Wie eine Folge solcher Rechenschritte als Programm festgelegt wird, zeigt der nächste Abschnitt.

0 + 0 = 00
0 + 1 = 01
1 + 0 = 01
1 + 1 = 10

Ein wenig Assembler

Im vorigen Abschnitt haben wir Zahlen als Schalterstellungen kennengelernt. Nun fehlt eine Maschine, die ihnen folgt: der Assembler.

Assembler gilt selbst unter Programmierern oft als Buch mit sieben Siegeln. Die Sprache steht der Maschinensprache sehr nah, und wer den Komfort moderner Programmierumgebungen gewohnt ist, empfindet kurze Befehle, Register, Speicheradressen und Zahlen in binärer oder hexadezimaler Schreibweise schnell als kompliziert. Dabei sind die Grundbegriffe überschaubar. Die Maschine unten kommt mit fünfzehn Befehlen aus. Und Hexadezimal ist nur eine Kurzschreibweise für Bitgruppen: Vier Bit ergeben eine Ziffer von 0 bis 9 oder A bis F, aus 1101 wird also D. Wer ein wenig mit dem Modell experimentiert, wird schnell merken, wie wenig Magie in der Arbeitsweise eines Prozessors steckt.

Hinweise zum obigen Modell

Die Maschine arbeitet in einem ständig wiederholten Dreiklang: Zuerst wird der Befehl aus der Zelle geholt, auf die der Befehlszähler zeigt, und dann ins Befehlsregister eingetragen. Dann wird der Befehlszähler um eins erhöht. Schließlich wird der Befehl ausgeführt, indem Werte zwischen Speicher, Registern und Rechenwerk hin- und hergetragen werden. Der Befehl selbst muss vorher entschlüsselt (dekodiert) werden. Dieses Prinzip gilt bis heute, auch wenn echte Prozessoren deutlich mehr Befehle, breitere Wörter und ein anderes Befehlsformat haben als unser Modell.

• Einzelschritt: Wählen Sie "Addition" und gehen Sie den Programmablauf Schritt für Schritt durch. Beobachten Sie, wie die Figur zuerst jeden Befehl holt und erst dann ausführt.
• Countdown mit Schleife (Weiche): Starten Sie den "Countdown". Solange das Ergebnis nicht "null" ist, kippt die Weiche am Befehlszähler auf "Sprung". Erst wenn das Z-Flag leuchtet, geht es weiter. Ein solcher bedingter Sprung unterscheidet eine Rechenmaschine, die man bedienen muss, von einer, die durch ein Programm gesteuert ist.
• Daten ändern: Wählen Sie bei der Addition Zelle 13 oder 14 an und tragen Sie andere Zahlen ein, bevor Sie starten.
• Befehle sind Zahlen: Tragen Sie bei der Addition in Zelle 2 den Wert 128 ein. Aus dem ADD (112) wird ein SUB, und die Maschine rechnet 3−4. Das Ergebnis lautet 255, denn auch hier läuft der Zähler über die Null hinweg zurück.
• Unterlauf: Das Programm "Unterlauf" zeigt dasselbe Zweierkomplement wie zuvor die Sprossenradmaschine. Stellen Sie die Anzeige auf "binär", dann sehen Sie, dass das N-Flag mit der ersten Stelle zusammenhängt.
• Selbständerung: Im letzten Programm überschreibt die Maschine einen ihrer eigenen Befehle, was möglich ist, weil Programm und Daten im selben Speicher liegen. Dieser Gedanke geht auf John von Neumann zurück und ist bis heute Grundlage der meisten Rechner.

Assembler und Maschinensprache

Was in den Speicherzellen steht, ist "Maschinensprache": reine Zahlen, hier acht Bit pro Zelle, links der Befehl, rechts der Operand. Im Befehlsregister sehen Sie diese Teilung jetzt als Bitmuster. Für Menschen ist das mühsam zu lesen und noch mühsamer zu schreiben. Deshalb gibt es den "Assembler": eine Kurzschreibweise, in der jeder Befehl einen Namen hat (LDA, ADD, JNZ) und als Sprungziel eine Marke statt einer Zahl. Ein Programm, das ebenfalls Assembler heißt, übersetzt den Text Zeile für Zeile in die Zahlen. Eine Zeile wird dabei zu genau einer Zelle.

Unter der Maschine steht ein Textfeld, das beim Programmwechsel mit dem Quelltext gefüllt wird. Ändern Sie ihn und wählen Sie "Assemblieren und laden". Zwei Anweisungen sind keine Befehle, sondern Hinweise an den Assembler: ORG legt fest, ab welcher Zelle geschrieben wird, DB schreibt eine Zahl direkt in eine Zelle. Nach einem Semikolon beginnt ein Kommentar.

• Text und Zahlen vergleichen: Stellen Sie die Anzeige auf "binär" und halten Sie den Quelltext neben den Speicher. Jede Zeile ist eine Zelle, jeder Name ein Bitmuster.
• Schleife verlängern: Ändern Sie im Countdown LDI 5 in LDI 9, assemblieren Sie neu und starten Sie.
• Eigenes Programm: Löschen Sie den Text und rechnen Sie 6+7:

        LDI 6
        MOV B,A
        LDI 7
        ADD
        STA 15
        HALT
  

• Fehlermeldung: Tippen Sie LDX 5. Der Assembler nennt Zeile und Grund, so wie es auch echte Assembler tun.
• Endlosschleife mit Marke:

  start: INC
         JMP start
  

  Wann leuchtet das Z-Flag? Genau dann, wenn A nach 255 wieder bei 0 ankommt.

Von festen Regeln zur Statistik

Bis hierher war der Weg eine Treppe aus Festlegungen: Der Abakus zählt, das Sprossenrad rechnet, die Lochkarte macht aus der Rechnung ein austauschbares Programm, der Transistor ersetzt den Zahn durch den Schalter, und der Befehlszyklus aus Holen und Ausführen verbindet alles. An keiner Stelle hat die Maschine geraten.

Wenn wir Maschinen über rein mathematische oder klar strukturierte Aufgaben hinaus einsetzen wollen, merken wir schnell, dass die Welt deutlich komplexer ist als ein Algorithmus. Beim Versuch, die Gegebenheiten des täglichen Lebens in eindeutige Regeln zu fassen, stoßen wir rasch an Grenzen.

Wie etwa sollte man einer Maschine mit festem Code erklären, was eine Katze ist?

  
WENN Objekt hat 4 Beine UND
    WENN Objekt hat spitze Ohren UND
        WENN Objekt hat Fell DANN...

Hier zeigt sich schnell, dass man mit starrer "Wenn-dann-Logik" nicht weit kommt. Eine dreibeinige Katze oder eine ohne Ohren fiele durch die Regel, ein Fuchs oder ein Hund bestünde sie. Dazu kommt ein tieferes Problem: Die Regeln sprechen von Beinen und Ohren, die Maschine bekommt aber nur eine Tabelle aus Helligkeitswerten. Um ein „Ohr" darin zu erkennen, bräuchte man wieder Regeln, und für diese wieder welche. Schon die Expertensysteme der 1980er Jahre, die Wissen in Regeln zu fassen versuchten, kämpften mit einem wachsenden, kaum noch wartbaren Gewirr von Ausnahmen. Bei Wahrnehmungsaufgaben, wie dem Erkennen von Bildern oder Sprache, blieb dieser Weg in der Praxis weitgehend erfolglos.

Zur Lösung führt ein anderer Weg: Man schreibt die Regeln nicht selbst, sondern zeigt der Maschine Beispiele. Man legt ihr etwa Tausende von Katzenbildern vor, jeweils mit dem Vermerk "Katze" oder "keine Katze". Ein Rechenverfahren verschiebt dabei Zahlenwerte so lange, bis die Beispiele möglichst oft zur angegebenen Antwort passen. Das nennt man "Training".

Gespeichert sind danach nicht die Bilder, sondern diese eingestellten Zahlen. Auf einem neuen Bild rechnet die Maschine denselben Weg noch einmal, nur mit anderen Eingangswerten.

Besonders anschaulich wird das bei Sprache. Wertet man große Textmengen aus, zeigt sich zum Beispiel: Auf "Guten" folgt sehr oft "Morgen", "Tag" oder "Abend", aber fast nie "Kühlschrank". Das Verfahren kennt dazu keine Grammatikregel und es bleibt es auch nicht bei einer Strichliste von Wortpaaren. Das Netz lernt, den gesamten vorangehenden Text in Zahlen zu fassen. Steht davor "Es ist sieben Uhr früh, ich betrete das Büro und sage: Guten", ist "Morgen" am wahrscheinlichsten, bei "Es ist zweiundzwanzig Uhr" eher "Abend". So kann es auch Sätze fortsetzen, die in keinem Trainingstext vorkamen, weil ähnliche Wörter und ähnliche Lagen ähnliche Zahlen erhalten.

Gerechnet wird wie bisher: Holen, Multiplizieren, Addieren, Vergleichen. Bei 2+2 liefert die Maschine immer 4, weil das Ergebnis in der Rechnung selbst liegt. Beim Katzenmodell liegt es in den eingestellten Zahlen, und die hängen von den gesehenen Beispielen ab. Das Modell gibt einen Wert zwischen 0 und 1 aus, der nur so gut ist, wie diese Beispiele trugen. Eine dreibeinige Katze, die in der Masse nicht vorkam, kann durchfallen, ohne dass irgendwo eine Regel verletzt wäre, denn es gibt keine.

An keiner Stelle hat die Maschine geraten, und auch hier tut sie es nicht: Die Unschärfe sitzt in den Zahlen, nicht in der Maschine. Möglich wurde das Verfahren, weil drei Dinge zusammenkamen: genügend Rechenleistung, wie sie erst winzige und schnelle Transistoren liefern, riesige Datenmengen und bessere Lernverfahren.

Neuronale Netze

Wir haben in diesem Artikel mehrfach gesehen, wie leicht Ähnlichkeit mit Verwandtschaft verwechselt wird. Der Name "Neuron" ist ein weiteres Beispiel: Das künstliche Neuron ist keine Nachbildung der Nervenzelle, sondern ein Rechenschema, das ihr in einem einzigen Zug ähnelt. Eine Nervenzelle sammelt Signale ihrer Nachbarn, gewichtet sie unterschiedlich stark und "feuert" erst, wenn die Summe einen Schwellenwert überschreitet. Genau diesen Zug hielten Warren McCulloch und Walter Pitts 1943 in einer mathematischen Form fest, und er ist bis heute der Baustein aller neuronalen Netze.

Frank Rosenblatt machte daraus 1958 das "Perzeptron" und baute es auch als Gerät, den Mark I Perceptron: 400 Fotozellen als Auge, die Gewichte als Drehwiderstände, die kleine Elektromotoren beim Lernen nachstellten. Hier schließt sich ein Kreis zum Sprossenrad, denn das Wissen der Maschine saß wieder in einer mechanisch einstellbaren Größe. Die Presse erwartete damals bald Maschinen, die sehen, sprechen und sich selbst vermehren. 1969 wiesen Marvin Minsky und Seymour Papert nach, dass ein einzelnes Perzeptron schon an einer kleinen Aufgabe scheitert: der Ausschließenden-Oder-Verknüpfung (XOR), also genau jener Summenstelle, für die der Halbaddierer oben mehrere Gatter hintereinander brauchte. Die Begeisterung kippte, und die Forschung ruhte für Jahre.

Im nebenstehenden Modell sitzt das Neuron rechts, die vier Merkmale links. Jedes Merkmal lässt sich ein- oder ausschalten (1 oder 0). Jeder Eingang hat ein Gewicht, das bestimmt, wie stark das Merkmal für oder gegen "Katze" spricht. Die Linien zeigen es: Grün-Gelb steht für Zustimmung, Rot-Orange für Widerspruch, und je dicker die Linie, desto stärker das Gewicht. Das Neuron multipliziert jeden Eingang mit seinem Gewicht, addiert alles samt dem Schwellenwert b und gibt das Ergebnis an die Aktivierung weiter. Mehr rechnet es nicht: Holen, Multiplizieren, Addieren, Vergleichen, wie in der kleinen Maschine oben.

Neu gegenüber Rosenblatts Gerät ist, dass sich die Gewichte hier nicht nur von Hand einstellen, sondern auch lernen lassen: Die Maschine vergleicht ihre Ausgabe mit der gewünschten Antwort und verschiebt jedes beteiligte Gewicht ein Stück in die Richtung, die den Fehler verkleinert. Die vier Merkmale hat dabei allerdings noch ein Mensch ausgewählt, der zweite Reiter zeigt, wie das auch ohne geht.

• Die Regel aus dem vorigen Abschnitt: Laden Sie "Vorschlag laden" und klicken Sie dann die gestrichelten Beispiele "Dreibeinige Katze" und "Fuchs" an. Der Vorschlag erkennt die eine als Katze und lehnt den anderen ab, ohne dass irgendwo eine Wenn-dann-Regel steht. Ob das gelingt, hängt allein an den Zahlen.
• Bei null beginnen und lernen lassen: Setzen Sie alle Gewichte auf 0. Das Neuron weiß nichts und liegt bei 50 %. Klicken Sie nun mehrmals auf "Eine Runde lernen" und beobachten Sie, wie die Linien dicker und die Chips grün werden. Mit "Ein Beispiel lernen" sehen Sie einen einzelnen Schritt: Ausgabe, Fehler, Verschiebung. Mehr passiert beim Training nicht, nur millionenfach und mit mehr Gewichten.
• Der Test mit Unbekanntem: Die gestrichelten Beispiele gehören nicht zum Training. Prüfen Sie nach dem Lernen, wie das Neuron sie einschätzt, und lernen Sie dann weitere Runden. Das Ergebnis ist nie garantiert, denn es gibt keine Regel, die es erzwingt, nur eingestellte Zahlen, die in der Regel passen, solange das Neue den Beispielen ähnelt.
• Gewicht ist Wertung: Drehen Sie das Gewicht von "Bellen" ins Positive. Der Hund wird zur Katze, und das Neuron "merkt" es nicht, denn es kennt keine Katzen, nur Gewichte.
• Schwelle oder Sigmoid: Die harte Schwelle ist leicht zu durchschauen, springt aber von 0 auf 1. Wer Gewichte in kleinen Schritten nachbessern will, braucht einen glatten Übergang, an dem man erkennt, in welche Richtung eine Änderung hilft. Darum wich Rosenblatts Stufe später solchen Kurven.
• Aus Pixeln lernen: Wechseln Sie zum zweiten Reiter und klicken Sie auf "10 Beispiele lernen", dann auf "500 Beispiele lernen". Hier bekommt das Neuron keine Merkmale, nur 25 Helligkeitswerte, wie sie auch eine Kamera liefert. Die Karte rechts zeigt, was es sich gemerkt hat. Niemand hat sie gezeichnet. Laden Sie danach "Kreuz" und "Rauschen" und beobachten Sie, wie sicher das Neuron bleibt.

Vom Neuron zum Netz
Das Problem von Minsky und Papert löst sich, indem man Neuronen in Schichten hintereinander setzt: Die Ausgaben der ersten Schicht werden zu Eingaben der nächsten. Was ein einzelnes Neuron nicht trennen kann, gelingt zwei Schichten, so wie auch der Halbaddierer erst mit mehreren Gattern funktionierte. Offen blieb, wie man alle Gewichte eines solchen Netzes sinnvoll einstellt. Das Verfahren dafür, die Rückführung des Fehlers durch die Schichten (Backpropagation), wurde 1986 durch eine Arbeit von David Rumelhart, Geoffrey Hinton und Ronald Williams allgemein bekannt. Es verschiebt jedes Gewicht ein winziges Stück in die Richtung, die den Fehler verkleinert, und das millionenfach.

Dass daraus die Systeme von heute wurden, liegt an dem, was am Ende des letzten Abschnitts stand: Rechenleistung, Daten und bessere Verfahren. Ab 2012 überholten tiefe Netze mit vielen Schichten die klassischen Methoden bei der Bilderkennung, 2017 folgte mit dem Transformer eine Bauweise, auf der heutige Sprachmodelle ruhen. Im Kern ist es dasselbe Prinzip wie im Modell nebenan, nur mit vielen Milliarden Gewichten statt fünf. Das erklärt zugleich, warum sich ein Netz weder vollständig noch in Regeln "auslesen" lässt: Sein Wissen besteht aus Zahlen, die niemand einzeln gesetzt hat.

Die Sprachmodelle führen auf den Anfang dieses Artikels zurück. Sie rechnen, welches Wort mit welcher Wahrscheinlichkeit den bisherigen Text folgt, und liefern dabei Texte, die dem Menschlichen ähneln. Ähnlichkeit ist allerdings, wie beim Wal, kein Beweis für gleiche Herkunft. Unter dem Ergebnis liegen Schalter, Zahlen und Gewichte, ohne Erleben und ohne Einsicht.

Fazit

Der Weg vom Abakus zum neuronalen Netz zeigt, wie viel sich mit Mechanik, Schaltern und Zahlen nachbauen lässt. Wenig haben wir im Gegenzug zur Art des Menschen gesagt, da davon ausgegangen werden kann, dass Leser hier von vornherein über eine gewisse Grunderfahrung verfügen. Diese Lücke soll im Folgenden geschlossen werden:

Gezeugt, nicht gebaut

Wir Menschen sind biologische Wesen. Die Art unseres Daseins in der Welt ist von vornherein in ein komplexes Beziehungssystem eingebunden. Wir beginnen mit der Entwicklung im Mutterleib, werden also gezeugt und nicht gebaut. Somit sind unsere Äußerungen auch primär nicht funktional, sondern emotional. Wir fühlen uns wohl oder unwohl, spüren Nähe oder Einsamkeit. Ein Neugeborenes ist nicht in der Lage zu rechnen, aber weiß direkt, wie es mit dem Gefühl des Hungers umgehen muss. Wir weinen, lernen aber auch bald zu lachen.

Bevor wir uns Gedanken über kausale Zusammenhänge machen, interagieren wir bereits mit der Umgebung, wir erkennen die Außenwelt, den eigenen Körper, indem wir uns als von der Mutter getrennt begreifen und erleben später in anderen Menschen Personen, wie uns selbst. Dabei kommt es nicht auf die Zahl der Rezeptoren an, sondern darauf, wie sie in einen Körper eingebunden sind, der Hunger leidet, verletzlich und sterblich ist, und der in Beziehungen, auf die er von Anfang an angewiesen ist, existiert. Der Mensch ist dem Wesen nach durch Gefühle geprägt. So etwas wie ein „reines Denken“ kommt bei ihm nicht vor, weder als Grundlage noch durch Konzentration, denn jeder Selbstvollzug erhebt sich aus der emotionalen Eingebundenheit. Die Maschine dagegen rechnet "rein", ohne weitere Bezüge.

Der Grund dafür, dass wir das Fühlen und Werten beim Menschen verorten, liegt nicht darin, dass menschliche Worte und Sätze überzeugender klingen würden, es geht um Herkunft und die Art des Daseins. In der Philosophie wird diesbezüglich zwischen Natur und Artefakt unterschieden: Ein natürliches Wesen trägt das Prinzip seiner Entwicklung in sich, ein Artefakt hat Einheit und Zweck von außen, vom Hersteller. Auch die komplexeste Maschine bleibt in diesem Sinn ein Artefakt, ihre Funktionen sind die Zwecke derer, die sie gebaut haben. Das ist kein Mangel, sondern die Ausprägung ihrer Art. Durch bloßes Anwachsen von Komplexität wird eine Maschine kein Mensch, und durch noch so intensives Training wird kein Mensch einer Maschine an Geschwindigkeit gleichkommen.

Der Maßstab, den man nicht besitzt

Heinrich von Kleist beschreibt in seinem Aufsatz über die allmähliche Verfertigung der Gedanken beim Reden, wie ein Sprecher auf einen Gedanken zusteuert, den er noch nicht hat. Er beginnt mit einer dunklen Regung, beobachtet sich dabei und lenkt den Satz, und er merkt, ob ein Wort trifft oder verfehlt, ohne den Maßstab dafür schon formulieren zu können. Schon Platon kannte diese Schwierigkeit: Wie kann man suchen, was man nicht weiß? Wüsste man es nicht, erkennte man es beim Finden nicht. Der Mensch trägt offenbar einen Maßstab in sich, über den er nicht verfügt. Das Ziel der Maschine dagegen steht von Beginn an fest, als Fehlermaß, das ihr von außen vorgegeben wird.

Dazu kommt, dass Erkennen beim Menschen nie wertfrei ist. Wir sehen nicht erst etwas und beurteilen es dann, sondern erfassen zugleich, ob es schön oder hässlich, gut oder böse ist. Auch die Antworten einer Maschine enthalten ästhetische und ethische Urteile, aber diese stammen aus den Urteilen der Menschen, mit deren Texten sie trainiert wurde. Sie sind abgeleitet, wie das Echo eines Rufs. Nun sind auch unsere Urteile zu großen Teilen anerzogen. Wir können aber die Erziehung selbst beurteilen, als gelungen oder verfehlt, und das setzt einen Maßstab voraus, der nicht aus ihr stammt.

Woher das Licht kommt

An dieser Stelle muss ich offen sagen, wo ich stehe. Augustinus hat die Frage, woher dem Menschen der Maßstab kommt, nach dem er Wahres und Gutes erkennt, mit der Illuminationslehre beantwortet: Der Mensch erzeugt dieses Licht nicht selbst, er empfängt es und erkennt in ihm, nicht allein aus der Sinneserfahrung. Dass er es empfangen kann, gehört zu dem, was er ist, denn er ist auf dieses Licht hin geschaffen. Aus dieser christlichen Perspektive folgt, dass dem Menschen eine Seele zukommt. Wir Menschen schaffen Werkzeuge aus dem, was wir vorfinden, analog zum Schöpfer, der geschaffen hat, ohne etwas vorzufinden. Unseren Bezug zum Transzendenten, aus dem Kreativität, Freiheit und letztlich auch die Fähigkeit zur Liebe entsteht, können wir aber nicht in gleicher Weise weitergeben und das spürt man auch im Umgang mit KI-Systemen. Bei aller Komplexität sind sie nicht frei, nicht im menschlichen Sinne kreativ und eher kombinierend, als schaffend/schöpfend. Vom ursprünglichen Schöpfer sind sie eine weitere Stufe entfernt, und zwar vom Grund her, so dass es sich nicht um eine Fähigkeit handelt, die man durch Komplexität nachträglich erkaufen könnte.

Wer diese Voraussetzung nicht teilt, kann den Schritten davor trotzdem folgen. Auch ohne sie bleibt, dass wir der Maschine keinen Sinn für Wert und Wahrheit zuschreiben können, weil weder ihr Output noch ihre Herkunft uns dazu einen Grund liefert.

Werkzeug statt Nachbildung

Aus menschlicher Sicht ist die KI deshalb ein Werkzeug. Menschen schaffen Werkzeuge, wo sie ihre Fähigkeiten erweitern wollen. Eine Spitzhacke gräbt besser als die bloße Hand, ohne zur Hand zu werden, und ein Schachcomputer spielt besser als die meisten Menschen, bleibt aber auf diese eine Anwendung beschränkt. KI-Systeme erkennen Muster in einer für Menschen unerreichbaren Präzision und Geschwindigkeit, und verbunden mit einer eigenen Physis als Roboter oder Androide decken sie einen großen Teil menschlicher Tätigkeiten ab. So werden sie vielleicht zum universalen Werkzeug schlechthin. Zum Menschen werden sie dadurch nicht, denn ein Werkzeug dient Zwecken, die es sich nicht selbst setzt.

Gerade weil das Werkzeug universal ist, sind die Fragen berechtigt, was es für Arbeit und Gesellschaft bedeutet und wohin immer leistungsfähigere Systeme führen. Sie hängen an dem, was die Systeme können, nicht an dem, was sie sind. Für uns lassen sie sich aber nur beantworten, wenn wir wissen, wozu der Mensch da ist, der sich dieses Werkzeug schafft. Statt also vor allem zu fragen, wann die Superintelligenz kommt oder welche Stellen wegfallen, wäre es sinnvoller, sich wieder mehr auf das Wesen des Menschen zu besinnen und von einer fundierten Anthropologie ausgehend Gesellschaftskonzepte für die Zukunft zu diskutieren.