Was man in diesem Spiel erkannte, hing vom geografischen Standpunkt des Betrachters ab. Manche Beobachter in den Vereinigten Staaten interpretierten die Siege von AlphaGo nicht nur als Triumph der Maschine über den Menschen, sondern auch als Sieg der westlichen Technologieunternehmen über den Rest der Welt. In den vorangegangenen zwei Jahrzehnten hatten Silicon-Valley-Unternehmen die weltweiten Technologiemärkte erobert. Unternehmen wie Facebook und Google hatten sich zu den Standardplattformen für Internetnutzer, die sich vernetzen oder etwas suchen wollten, entwickelt. Im Zuge dessen hatten sie lokale Start-ups in verschiedenen Ländern von Frankreich bis Indonesien geschluckt oder ins Aus befördert. Diese Internet-Giganten hatten den Vereinigten Staaten eine digitale Vorherrschaft beschert, die ihrer militärischen und wirtschaftlichen Macht in der realen Welt entsprach. Mit AlphaGo, einem Produkt des britischen KI-Start-ups DeepMind, das 2014 von Google übernommen worden war, schien der Westen im Begriff zu sein, diese Dominanz auch im Zeitalter der künstlichen Intelligenz aufrechtzuerhalten.

Doch als ich während des Spiels von Ke Jie aus meinem Bürofenster blickte, sah ich etwas ganz anderes. Der Hauptsitz meines Wagniskapitalfonds befindet sich im Pekinger Stadtteil Zhongguancun (ausgesprochen »dschong-gwan-suun«), einem Gebiet, das oft als chinesisches Silicon Valley bezeichnet wird. In Zhongguancun schlägt heute das Herz der chinesischen KI-Bewegung. Die hiesigen Menschen empfanden die Siege von AlphaGo gleichermaßen als Herausforderung und als Inspiration. Sie erwiesen sich als Chinas »Sputnik-Moment« für die Entwicklung künstlicher Intelligenz.

Als die Sowjetunion im Oktober 1957 den ersten von Menschenhand geschaffenen Satelliten in die Erdumlaufbahn schoss, hatte dies unmittelbare und tiefgreifende Auswirkungen auf die amerikanische Psyche und Regierungspolitik. Das Ereignis löste in der breiten Öffentlichkeit der USA Besorgnis über die wahrgenommene technologische Überlegenheit der Sowjetunion aus. Die Amerikaner verfolgten den Lauf des Satelliten am Nachthimmel und lauschten im Radio seinen Funksprüchen. Das Ereignis führte zur Gründung der National Aeronautics and Space Administration (NASA), löste eine umfangreiche staatliche Subventionierung mathematischer und naturwissenschaftlicher Bildungsangebote aus und begründete letztlich den Wettlauf ins All. Diese landesweite US-amerikanische Mobilisierung trug zwölf Jahre später Früchte, als Neil Armstrong als erster Mensch überhaupt den Mond betrat.

Seinen ersten prominenten Sieg feierte AlphaGo im März 2016, als es den legendären koreanischen Spieler Lee Sedol in einer Fünf-Spiele-Serie schlug. Das Ereignis wurde von den meisten US-Amerikanern kaum wahrgenommen, lockte aber mehr als 280 Millionen chinesische Zuschauer an.² Über Nacht wurde China von einem KI-Fieber erfasst. Die Aufregung nahm zwar nicht ganz die Ausmaße der amerikanischen Reaktion auf Sputnik an, doch sie entzündete inmitten der chinesischen Technologiegemeinschaft ein Feuer der Leidenschaft, das bis heute brennt.

Wenn sich chinesische Investoren, Unternehmer und staatliche Stellen gemeinsam auf eine Branche konzentrieren, können sie die Welt in ihren Grundfesten erschüttern. Tatsächlich treibt China seine Investitionen, seine Forschung und seine unternehmerischen Aktivitäten im KI-Bereich in historischem Maßstab voran. Geld für KI-Start-ups fließt aus den Schatullen von Risikokapitalgebern, Technologiegiganten und der chinesischen Regierung. Auch unter chinesischen Studenten hat sich das KI-Fieber ausgebreitet; sie schreiben sich für Aufbaustudiengänge ein und verfolgen Vorlesungen internationaler Forscher auf ihren Smartphones. Start-up-Gründer überarbeiten nach Kräften ihr Geschäftsmodell, optimieren es oder verpassen ihm zumindest einen neuen Anstrich, um auf der KI-Welle mitreiten zu können.

Weniger als zwei Monate, nachdem Ke Jie sich ein letztes Mal AlphaGo geschlagen geben musste, veröffentlichte die chinesische Zentralregierung einen ehrgeizigen Plan zum Aufbau von Fähigkeiten der künstlichen Intelligenz.³ Er sah zusätzliche Mittel, politische Unterstützung und eine staatliche Koordinationsrolle für die Entwicklung von KI vor. Für die bis 2020 und 2025 zu erreichenden Fortschritte wurden klare Zielmarken vorgegeben, während das Endziel lautete, China bis 2030 in das weltweit führende Land der Innovation im Bereich der künstlichen Intelligenz zu verwandeln, führend in puncto Theorie, Technologie und Anwendung. Im Jahr 2017 hatten chinesische Wagniskapitalgeber bereits auf diesen Aufruf reagiert: Sie investierten Rekordsummen in Start-ups, die sich mit künstlicher Intelligenz beschäftigten, und zeichneten für 48 Prozent aller Risikokapitalfinanzierungen im KI-Bereich weltweit verantwortlich.⁴ Damit übertrafen sie erstmals die Vereinigten Staaten.

Die zunehmende Unterstützung seitens der chinesischen Regierung lässt sich auf einen Paradigmenwechsel im Verhältnis zwischen künstlicher Intelligenz und Wirtschaft zurückführen. Während die Forschung zu künstlicher Intelligenz über Jahrzehnte hinweg langsam, aber stetig voranschritt, hat dieser Fortschritt erst in jüngster Zeit so weit an Fahrt aufgenommen, dass diese akademischen Leistungen in reale Anwendungen übersetzt werden konnten.

Mit den technischen Herausforderungen, die damit verbunden waren, einen Menschen beim Go-Spiel zu schlagen, war ich bereits vertraut. Als junger Doktorand, der 1986 an der Carnegie Mellon University künstliche Intelligenz erforschte, wurde ich von Raj Reddy betreut, einem Pionier der KI-Forschung. Unter seiner Leitung entwickelte ich 1986 das erste Software-Programm, dem es gelang, ein Mitglied des Weltmeisterschaftsteams für das Spiel Othello zu besiegen.⁵ Dabei handelte es sich um eine vereinfachte Version von Go, die auf einem Brett mit acht mal acht Feldern gespielt wurde. Es war damals eine ziemliche Leistung, doch die zugrunde liegende Technologie war nicht in der Lage, etwas anderes als einfache Brettspiele in Angriff zu nehmen.

Dasselbe galt, als das von IBM entwickelte Deep Blue 1997 den Schachweltmeister Garry Kasparow in einem Match besiegte, das den Titel The Brain’s Last Stand (deutsch: »Des Gehirns letztes Gefecht«) erhielt. Dieses Ereignis hatte die Besorgnis geweckt, dass unsere Roboter-Oberkommandanten demnächst mit ihrer Eroberung der Menschheit beginnen würden. Doch abgesehen davon, dass es den Aktienkurs von IBM ankurbelte, hatte das Match keinen spürbaren Einfluss auf das Leben in der echten Welt. Es gab nur wenige praktische Anwendungen künstlicher Intelligenz, und die Forscher hatten jahrzehntelang gearbeitet, ohne einen wirklich grundlegenden Durchbruch zu erzielen.

Deep Blue hatte sich letztlich auf »brachiale« Weise zum Sieg gekämpft, wobei es sich weitgehend auf eine maßgeschneiderte Hardware stützte, die es ihm ermöglichte, nach jedem Zug rasch verschiedene Positionen zu generieren und auszuwerten. Es war zudem auf die Hilfe echter Schachmeister angewiesen, die der Software lenkende Heuristiken hinzufügten. Der Sieg war zweifellos eine beeindruckende Leistung der Ingenieurskunst, doch er gründete auf einer seit Langem etablierten Technologie, die nur in sehr begrenzten Bereichen funktionierte. Sobald man Deep Blue aus der geometrischen Schlichtheit eines quadratischen Schachbretts von acht mal acht Feldern herauslöste, wirkte es überhaupt nicht sehr intelligent. Und schließlich gefährdete es nur einen einzigen Job: den des Schachweltmeisters.

Diesmal liegen die Dinge anders. Das Spiel von Ke Jie gegen AlphaGo vollzog sich zwar innerhalb der Grenzen eines Go-Bretts, weist aber einen engen Bezug zu den einschneidenden Veränderungen in der echten Welt auf. Zu diesen Veränderungen zählt auch der chinesische KI-Rausch als Ergebnis der Spiele von AlphaGo und der zugrunde liegenden Technologie, die das Programm zum Sieg führte.

AlphaGo basiert auf Deep Learning, einem bahnbrechenden Ansatz künstlicher Intelligenz, der die kognitiven Fähigkeiten von Maschinen entscheidend verbessert hat. Programme, die auf Deep Learning gründen, können jetzt besser als Menschen Gesichter identifizieren, Sprache erkennen und Kredite vergeben. Jahrzehntelang schien die Revolution der künstlichen Intelligenz immer fünf Jahre entfernt zu sein. Doch mit der Entwicklung von Deep Learning in den letzten Jahren ist diese Revolution endlich eingetreten. Sie wird eine Ära massiver Produktivitätszuwächse einleiten, aber auch zu großen Verwerfungen auf den Arbeitsmärkten führen sowie tiefgreifende sozialpsychologische Auswirkungen auf die Menschen haben – denn künstliche Intelligenz wird menschliche Arbeitskraft in allen möglichen Branchen ersetzen.

Während des Ke-Jie-Spiels waren es nicht die KI-gesteuerten Killerroboter, vor denen einige prominente Technologen warnen, die mich erschreckten. Es waren vielmehr die realen Dämonen, die durch Massenarbeitslosigkeit und die daraus resultierenden sozialen Unruhen heraufbeschworen werden könnten. Die Bedrohung von Arbeitsplätzen wird weitaus schneller eintreten, als von den meisten Experten erwartet, und sie wird sich nicht an der Arbeitskleidung der Menschen festmachen, sondern gut wie schlecht ausgebildete Arbeitskräfte gleichermaßen treffen. Am Tag des bemerkenswerten Spiels zwischen AlphaGo und Ke Jie entthronte Deep Learning den besten Go-Spieler der Welt. Dieselbe arbeitsplatzfressende Technologie kommt bald in eine Fabrik und ein Büro in Ihrer Nähe.

Doch im selben Spiel entdeckte ich auch einen Hoffnungsschimmer. Zwei Stunden und 51 Minuten nach Spielbeginn war Ke Jie an seine Grenzen gestoßen. Er hatte in diesem Spiel sein Bestes gegeben, doch er wusste, dass es nicht reichen würde. Tief über das Brett gebeugt, schürzte er seine Lippen, während seine Augenbrauen zu zucken begannen. Als er erkannte, dass er seine Emotionen nicht mehr im Zaum halten konnte, nahm er seine Brille ab und wischte seine Tränen mit dem Handrücken von den Augen. Es geschah blitzschnell, doch seine Gefühlsregung war für alle sichtbar.

Diese Tränen lösten eine Welle der Sympathie und Unterstützung für Ke aus. Im Laufe dieser drei Spiele hatte Ke eine Achterbahnfahrt der menschlichen Emotionen hinter sich gebracht: Zuversicht, Unruhe, Angst, Hoffnung und Kummer. Er hatte seinen Wettbewerbsgeist offenbart, aber ich sah in diesen Spielen einen Akt wahrer Liebe: die Bereitschaft, sich mit einem unschlagbaren Gegner anzulegen – aus reiner Liebe zum Spiel, seiner Geschichte und den Menschen, die es spielen. Diejenigen, die Kes Enttäuschung miterlebten, antworteten auf gleiche Weise. AlphaGo mag das Spiel gewonnen haben, aber Ke stieg zum Volkshelden auf. Diese Verbundenheit von menschlichen Wesen, die Liebe geben und empfangen, vermittelte mir einen Eindruck davon, wie Menschen im Zeitalter der künstlichen Intelligenz Arbeit und Lebenssinn finden werden.

Ich glaube, dass eine geschickte Anwendung der KI China die bestmögliche Chance bieten wird, zu den Vereinigten Staaten aufzuschließen und sie möglicherweise zu überholen. Aber noch wichtiger ist, dass diese Veränderung allen Menschen die Möglichkeit eröffnet, wieder zu entdecken, was uns menschlich macht.

Um zu verstehen, warum das so ist, müssen wir zunächst die Grundlagen der Technologie begreifen und erkennen, wie sie unser Leben verändern wird.

Maschinelles Lernen – der Oberbegriff für das Fachgebiet, das auch Deep Learning umfasst – ist eine bahnbrechende Technologie, die jedoch das Glück hatte, ein turbulentes halbes Jahrhundert an Forschungsaktivitäten zu überleben. Seit ihrer Erfindung hat die künstliche Intelligenz eine ganze Reihe von Boom-and-Bust-Zyklen durchlaufen. Auf vielversprechende Phasen folgten »KI-Winter«, in denen ein enttäuschender Mangel an verwertbaren Ergebnissen zu erheblichen Mittelkürzungen führte. Um verstehen zu können, warum die Ankunft von Deep Learning einen so tiefen Einschnitt bedeutet, müssen wir einen kurzen Blick auf die geschichtliche Entwicklung werfen.

Mitte der 1950er-Jahre setzten sich die Pioniere der künstlichen Intelligenz ein nahezu unerreichbares, aber klar definiertes Ziel: die menschliche Intelligenz in einer Maschine nachzubilden. Diese beeindruckende Kombination aus klarer Zielvorgabe und hochkomplexer Aufgabe zog einige der größten Köpfe auf dem aufstrebenden Gebiet der Informatik an: Marvin Minsky, John McCarthy und Herbert Simon.

Als ahnungsloser Informatikstudent an der Columbia University in den frühen 1980er-Jahren beflügelte all dies meine Vorstellungskraft. Ich wurde Anfang der 1960er-Jahre in Taiwan geboren, zog aber im Alter von elf Jahren nach Tennessee und absolvierte dort die Mittel- und Oberstufe meiner schulischen Ausbildung. Nach vierjährigem Studium an der Columbia University in New York wusste ich, dass ich tiefer in die KI eindringen wollte. Bei meiner Bewerbung für verschiedene Promotionsstudiengänge im Bereich Informatik im Jahr 1983 nahm ich folgende etwas grandiose Beschreibung des Feldes sogar in mein Motivationsschreiben auf: »Künstliche Intelligenz verdeutlicht den menschlichen Lernprozess, quantifiziert den menschlichen Denkprozess, erklärt menschliches Verhalten und verkörpert das Verständnis dessen, was Intelligenz ermöglicht. Es ist der letzte Schritt in dem Bestreben des Menschen, sich selbst zu verstehen, und ich hoffe, an dieser neuen, aber vielversprechenden Wissenschaft teilnehmen zu können.«

Dieser Aufsatz half mir bei der erfolgreichen Bewerbung für die hochrangige Informatikabteilung der Carnegie Mellon University, einer Hochburg für innovative KI-Forschung. Er belegte auch meine Naivität gegenüber dem Forschungsgebiet – ich überschätzte das menschliche Vermögen, die eigene Spezies zu verstehen; gleichzeitig unterschätzte ich die Fähigkeit der KI, in begrenzten Bereichen übermenschliche Intelligenz hervorzubringen.

Zu Beginn meines Promotionsstudiums hatte sich das Feld der künstlichen Intelligenz in zwei Lager aufgespalten: Man folgte entweder dem »regelbasierten« Ansatz oder jenem der »neuronalen Netze«. Forscher im regelbasierten Lager (manchmal auch »symbolische Systeme« oder »Expertensysteme« genannt) versuchten, Computern das Denken beizubringen, indem sie eine Reihe logischer Regeln kodierten: Wenn X, dann Y. Dieser Ansatz funktionierte bei einfachen und klar definierten Spielen (»Spielzeugproblemen«) gut, er versagte aber, sobald sich die Gesamtheit der möglichen Entscheidungen oder Spielzüge ausdehnte. Um die Software besser für reale Probleme anwendbar zu machen, versuchte das regelbasierte Lager, Experten zu den in Angriff genommenen Problemen zu befragen und deren Einsichten daraufhin in die Algorithmen des Programms einzuarbeiten (daher der Name »Expertensysteme«).

Das Lager der »neuronalen Netze« ging jedoch einen anderen Weg. Anstatt dem Computer Regeln beizubringen, die ein menschliches Gehirn durchdrungen hatte, versuchten diese Fachleute, das menschliche Gehirn selbst nachzubauen. Angesichts der Tatsache, dass die verwickelten Neuronennetze in tierischen Gehirnen die einzige Quelle uns bekannter Intelligenz waren, hielten sie es für sinnvoll, diese Quelle unmittelbar zu untersuchen. Ihr Ansatz imitiert die zugrunde liegende Architektur des Gehirns und konstruiert Schichten von künstlichen Neuronen, die Informationen in einer Struktur, die unseren Netzwerken von biologischen Neuronen ähnelt, empfangen und übertragen können. Im Gegensatz zum regelbasierten Ansatz geben die Entwickler neuronaler Netze diesen Netzen im Allgemeinen keine Regeln an die Hand, nach denen sie Entscheidungen treffen können. Sie füttern sie stattdessen einfach mit möglichst vielen Beispielen für ein bestimmtes Phänomen – Bilder, Schachpartien, Klänge – und lassen die Netze selbst Muster innerhalb der Daten identifizieren. Mit anderen Worten: Je weniger menschliche Eingriffe, desto besser.

Unterschiede zwischen den beiden Ansätzen zeigen sich darin, wie sie sich einem einfachen Problem nähern, etwa um festzustellen, ob eine Katze in einem Bild vorkommt. Der regelbasierte Ansatz würde versuchen, Wenn-dann-Regeln festzulegen, um das Programm bei der Entscheidungsfindung zu unterstützen: »Wenn zwei Dreiecksformen vorkommen, die auf einer runden Form aufliegen, dann ist wahrscheinlich eine Katze auf dem Bild zu sehen.« Der Ansatz der neuronalen Netze würde stattdessen das Programm mit Millionen von Beispielfotos mit der Bezeichnung »Katze« oder »keine Katze« füttern, sodass das Programm selbst herausfinden könnte, welche Merkmale in den Millionen von Bildern am engsten mit der Bezeichnung »Katze« korrelieren.

In den 1950er- und 1960er-Jahren lieferten frühe Versionen künstlicher neuronaler Netze vielversprechende Ergebnisse, sodass ein großer Medienrummel entstand. Doch 1969 holten Forscher aus dem regelbasierten Lager zum Gegenschlag aus und überzeugten viele auf dem Gebiet Tätige davon, dass neuronale Netze unzuverlässig und nur bedingt nützlich waren. Der Ansatz der neuronalen Netze kam schnell aus der Mode, und die KI versank in den 1970er-Jahren in eine ihrer ersten »Winterschlaf«-Phasen.

In den folgenden Jahrzehnten erfreuten sich neuronale Netze kurzer Phasen der Aufmerksamkeit, gefolgt von einer nahezu vollständigen Aufgabe. 1986 nutzte ich eine den neuronalen Netzen vergleichbare Technik (das sogenannte Hidden-Markov-Modell), um Sphinx zu entwickeln, das weltweit erste sprecherunabhängige Programm zur Erkennung kontinuierlicher Sprache.⁶ Diese Leistung brachte mir einen Steckbrief in der New York Times ein.⁷ Doch sie reichte nicht aus, um zu verhindern, dass neuronale Netze erneut in Ungnade fielen, wo sie für den Großteil der 1990er-Jahre verharrten.

Die letztliche Wiederbelebung des Bereichs der neuronalen Netze und die heutige KI-Renaissance lassen sich auf Veränderungen an zwei der wichtigsten Rohstoffe, die neuronale Netze nähren, sowie auf einen großen technischen Durchbruch zurückführen. Neuronale Netze benötigen große Mengen an zweierlei Ressourcen: Rechenleistung und Daten. Die Daten »trainieren« das Programm, Muster zu erkennen, indem sie ihm viele Beispiele an die Hand geben, und die Rechenleistung lässt das Programm diese Beispiele mit hoher Geschwindigkeit analysieren.

Sowohl Daten als auch Rechenleistung waren in den 1950er-Jahren, als der Bereich in den Kinderschuhen steckte, knappe Güter. Doch in den letzten Jahrzehnten hat sich all dies geändert. Heute verfügt Ihr Smartphone über eine millionenfach höhere Rechenleistung als diejenige der Spitzencomputer, die die NASA 1969 einsetzte, um Neil Armstrong auf den Mond zu schicken. Und das Internet hat zu einer explosionsartigen Zunahme aller Arten von digitalen Daten – Texte, Bilder, Videos, Klicks, Einkäufe, Tweets und so weiter – geführt. Zusammengenommen hat all dies den Forschern reichlich Datenmaterial zur Verfügung gestellt, mithilfe dessen sie ihre Netzwerke trainieren können, sowie viel billige Rechenleistung für dieses Training.

Doch die Netze waren hinsichtlich ihrer Einsatzmöglichkeiten immer noch stark eingeschränkt. Um präzise Lösungen für komplexe Probleme zu finden, waren viele Schichten künstlicher Neuronen erforderlich, aber die Forscher hatten keine Möglichkeit gefunden, diese neu hinzugefügten Schichten wirksam zu schulen. Der große technische Durchbruch kam schließlich Mitte der 2000er-Jahre, als der führende Forscher Geoffrey Hinton einen Weg entdeckte, diese neuen Schichten in neuronalen Netzen effizient zu trainieren. Im Ergebnis war dies so, als würde man den alten neuronalen Netzen Aufputschmittel verabreichen: Ihr Vermögen, Aufgaben wie Sprach- und Objekterkennung auszuführen, vervielfachte sich.

Bald überflügelten diese neuen neuronalen Netze – jetzt in »Deep Learning« umbenannt – ältere Modelle bei einer Vielzahl von Aufgaben. Doch die jahrelang gehegten, tief verwurzelten Vorurteile gegenüber dem Ansatz der neuronalen Netze führten dazu, dass viele KI-Forscher diese »Randgruppe«, die hervorragende Ergebnisse erzielte, nicht beachteten. Die Wende kam 2012, als ein von Hintons Team entwickeltes neuronales Netzwerk die Konkurrenz in einem internationalen Computer-Vision-Wettbewerb vernichtend schlug.⁸

Nach Jahrzehnten der Randexistenz im Schatten der KI-Forschung stießen neuronale Netze über Nacht ins Rampenlicht vor. Dieser Durchbruch versprach, das Eis des letzten KI-Winters aufzutauen und es der KI zu ermöglichen, zum ersten Mal ihre Kraft auf eine Reihe von praktischen Problemen anzuwenden. Forscher, Futuristen und Technologie-CEOs begannen alle vom riesigen Potenzial des Feldes zu schwärmen, das menschliche Sprache entschlüsseln, Dokumente übersetzen, Bilder erkennen, Verbraucherverhalten vorhersagen, Betrug identifizieren, Kreditentscheidungen treffen, Robotern ein »Augenlicht« verleihen und womöglich sogar ein Auto steuern könnte.