Geschichte der KI – Teil 15

Die Ära der Symbolischen KI (GOFAI)

Nach der Gründung in Dartmouth dominierte in den 1960er Jahren eine Denkrichtung die KI Forschung, die direkt auf die philosophischen Grundlagen von Aristoteles und Leibniz zurückgriff: die Symbolische Künstliche Intelligenz (oft als GOFAI für Good Old Fashioned AI bezeichnet). Diese Schule vertrat die Überzeugung, dass der Schlüssel zur Intelligenz in der logischen Manipulation von Symbolen liegt. Das Gehirn wurde als ein reiner Rechenmechanismus verstanden, der Wissen in Form von klaren Regeln speichert und verarbeitet. Die Aufgabe der KI war es demnach, die gesamten rationalen Prozesse des Menschen in programmierbaren Code zu gießen.

Die Geschichte der KI ist ein über Jahrtausende gewebter Teppich, der von Mythen, Magie und mechanischer Präzision durchzogen ist. Es ist eine fortlaufende Erzählung, die bis heute spannend ist und deren neuestes Kapitel gerade jetzt mit rasanten Entwicklungen fortgeschrieben wird. 

Wir, die GEO Agentur seowerk GmbH, machen unsere Kunden in diesen neu entstehenden KI Systemen sichtbar.

Die These der Physikalischen Symbolsysteme

Die symbolische Schule basierte auf einer zentralen Hypothese, die von Allen Newell und Herbert Simon formuliert wurde: der Hypothese des Physikalischen Symbolsystems.

  • Kernidee: Ein System ist intelligent, wenn es über physische Muster (Symbole) verfügt, die sich auf Objekte in der realen Welt beziehen, und es in der Lage ist, diese Symbole nach festen Regeln zu manipulieren (zu verknüpfen, zu vergleichen, zu transformieren).

Diese These lieferte die theoretische Rechtfertigung für die Implementierung der KI auf den neuen digitalen Computern, da diese perfekt für die Verarbeitung diskreter Symbole (Zahlen, Buchstaben, logische Zustände) geeignet waren. Der menschliche Verstand war demnach ein Symbolverarbeitungssystem.

Logic Theorist und der General Problem Solver

Die bekanntesten Programme dieser Ära versuchten, die rationale Intelligenz zu simulieren:

  • Logic Theorist (LT): LT war das erste Programm, das heuristische Suchstrategien anwendete, um Beweise für mathematische Theoreme zu finden. Es war ein Proof of Concept, dass Maschinen logische Schlussfolgerungen ziehen konnten, die menschliche Mathematiker erforderten.
  • General Problem Solver (GPS): GPS war noch ambitionierter. Es sollte eine universelle Methode bieten, um jedes formal definierte Problem zu lösen. Seine Kerntechnik war die Mittel Ziel Analyse. Das Programm berechnete die Differenz zwischen dem aktuellen Zustand und dem gewünschten Zielzustand und suchte dann nach Operatoren (Regeln), um diese Differenz zu reduzieren.

Diese Programme demonstrierten die Stärke des symbolischen Ansatzes: In klar definierten, formalen Domänen (wie Schach, mathematische Beweise) konnten sie beeindruckende Leistungen erbringen. Sie untermauerten den Glauben, dass die gesamte menschliche Vernunft auf die eine oder andere Weise in diese symbolische, regelbasierte Struktur übersetzt werden könnte.

Die Herausforderung der Wissensrepräsentation

Der größte Engpass der symbolischen KI war die Wissensrepräsentation. Um ein intelligentes System zu bauen, musste man:

  • Das gesamte relevante Wissen in logische Symbole und Regeln übersetzen.
  • Alle möglichen Schlussfolgerungen aus diesem Wissen kodieren.

Dieser Prozess des Wissenserwerbs war extrem mühsam. Experten mussten stundenlang befragt werden, um ihre impliziten Regeln und ihr Fachwissen zu formalisieren.

Die Grenzen der Weltmodelle

Die symbolische KI hatte große Schwierigkeiten, mit der Unschärfe, Mehrdeutigkeit und Komplexität der realen Welt umzugehen.

  • Das Rahmenproblem (Frame Problem): Wie entscheidet man, welche Fakten in einer sich ständig ändernden Situation relevant sind und welche ignoriert werden können? Das Problem zeigte, dass es unmöglich war, alle relevanten Regeln der Welt in ein Programm zu kodieren.
  • Gemeinsinn (Common Sense): Einfache menschliche Alltagskenntnisse, die für die Kommunikation und das Handeln notwendig sind, ließen sich kaum in formale Logik übersetzen.

Der symbolische Ansatz war ein Bottom Up Versuch, Intelligenz von den einfachsten logischen Regeln an aufzubauen. Obwohl er die Grundlagen des rationalen Denkens abdeckte, scheiterte er an der immensen Komplexität der realen Welt. Dieser Mangel an Skalierbarkeit sollte bald zu einem drastischen Rückschlag für das gesamte Forschungsfeld führen.

Kostenlose Erstberatung! 

„*“ zeigt erforderliche Felder an

Dieses Feld dient zur Validierung und sollte nicht verändert werden.
  |    |  
OpenAI öffnet ChatGPT für Unternehmen. Mit Businesses in ChatGPT übernehmen Unternehmen ihr Profil und verwalten ihre eigenen Angaben selbst. So können sie mitbestimmen, welche Informationen ChatGPT über ihre Produkte und Dienstleistungen bereitstellt.
Weiterlesen
  |    |  
Am 30. Oktober 2026 wurde ein erster Entwurf (Draft-00) für ein einheitliches KI-Trainingssignal in robots.txt veröffentlicht. Google, Microsoft und OpenAI wollen sich künftig daran halten. Website-Betreiber könnten dann mit einer einzigen Regel festlegen, ob Anbieter ihre Inhalte zum Training generativer KI-Modelle nutzen dürfen.
Weiterlesen
  |    |  
Bisher mussten Unternehmen ihre Sichtbarkeit in ChatGPT mithilfe externer Tools einschätzen. Ein neues Analysetool im Business Hub von ChatGPT soll Erwähnungen und Klicks künftig selbst erfassen. Zugriff sollen nur Unternehmen haben, die ihre Inhaberschaft verifiziert haben.
Weiterlesen
  |    |  
OpenAI hat seinen Datensatz zur ChatGPT-Nutzung aktualisiert, und die Zahlen sind für alle relevant, die Sichtbarkeit in der Suche verantworten. 48 Prozent der Nachrichten sind Fragen, wie man sie klassisch an Google stellt, von Faktenwissen über Produkte bis hin zu Schritt-für-Schritt-Anleitungen. Gleichzeitig recherchieren Nutzer im Job deutlich häufiger nach Waren, Dienstleistungen und Preisen.
Weiterlesen
  |    |  
Wer nach „easy strawberry jam“ sucht, erwartet einfache Rezepte für Erdbeermarmelade. In den Daten des Rank-Tracking-Anbieters Nozzle zeigte Google stattdessen Ergebnisse zur TV-Serie „Easy“, während die AI Overview darüber weiterhin ein Marmeladenrezept lieferte. Eine Auswertung von 248 Millionen Suchergebnisseiten zeigt: Google berücksichtigt bei automatisierten Suchanfragen immer wieder nur ein einziges Wort der Suchanfrage.
Weiterlesen
  |    |  
Ein Gedanke pro Absatz, damit das Modell den Text leichter verarbeiten kann: Das ist eine gängige Empfehlung zur Optimierung von Inhalten für ChatGPT. David Konitzny, GEO-Forscher bei Peec AI, hat überprüft, wie ChatGPT Seiten tatsächlich in Abschnitte zerlegt. Seine Ergebnisse stellen diese Empfehlung infrage und verlagern den Fokus von der Absatzlänge auf die Relevanz für die Suchanfrage.
Weiterlesen
  |    |  
Microsoft stellt für Publisher und Content-Verantwortliche ein neues Planungstool für die KI-Suche bereit. Das Topics Portfolio in den Bing Webmaster Tools zeigt, in welchen Themenbereichen KI-Antworten eine Website zitieren, wie hoch die Nachfrage pro Thema ist und wie viele andere Websites dort auftauchen. Noch läuft die Funktion als Beta, mit einigen Einschränkungen.
Weiterlesen
  |    |  
Was bringt Unternehmen in die Antworten von ChatGPT, Gemini und Google AI Overviews? Julian Dziki, Gründer der SEO-Agentur Seokratie, hat dazu mehr als 240 Quellen ausgewertet und 15 GEO-Faktoren nach der Stärke ihrer Belege sortiert. Das Ergebnis: Die am besten belegten Faktoren stammen aus dem klassischen SEO.
Weiterlesen
  |    |  
Wie lange dauert es, bis eine neue Seite in der Google-Suche erscheint? Auf der Google Search Central Live Deep Dive Europe in Barcelona, organisiert von Gary Illyes und Cherry Sireetorn Prommawin, präsentierte Google konkrete Durchschnittswerte dazu. Der Zeitrahmen reicht von wenigen Sekunden bis zu mehreren Monaten und zeigt, wo Website-Betreiber Geduld aufbringen müssen.
Weiterlesen
  |    |  
Seit dem 1. Oktober 2026 enthält Googles Leitfaden für hilfreiche Inhalte zwei neue Schwerpunkte. Google erklärt, was als „Main Content“ gilt und welche vier Merkmale die Qualitätsevaluatoren dabei bewerten. Das Unternehmen warnt zudem vor gefälschten Autorenangaben, die eine Seite als minderwertig kennzeichnen.
Weiterlesen
  |    |  
Wenn ChatGPT ein YouTube-Video abruft, erhält es einen Textausschnitt mit Titel, Kanaldaten und der vollständigen Videobeschreibung. Das Transkript fehlt. Folglich ist es in erster Linie die Beschreibung, die bestimmt, was ChatGPT über ein Video weiß und wie es das Video zu einer Suchanfrage einordnet.
Weiterlesen
  |    |  
Google AI Overviews zeigen Quellen nicht mehr nur in separaten Quellenkarten an. Laut Peec AI enthielten am 20. September über alle erfassten Märkte hinweg 26,19 Prozent der Antworten externe Links direkt im Text. In Deutschland lag der Anteil mit 14,5 Prozent deutlich niedriger.
Weiterlesen
Kontakt
Leichte Sprache
crossmenu linkedin facebook pinterest youtube rss twitter instagram facebook-blank rss-blank linkedin-blank pinterest youtube twitter instagram