[
  {
    "id": "theme-deep-learning-breakthrough",
    "title": "Maschinen schlagen Menschen — und dann Probleme",
    "dateFrom": "1997-01-01",
    "dateTo": "2021-12-31",
    "description": "Erst der Wettkampf: Deep Blue gewinnt 1997 mit roher Rechenleistung gegen Kasparow, Watson 2011 mit Sprachverarbeitung bei Jeopardy!, AlphaGo 2016 mit gelernter Intuition gegen Lee Sedol. Dazwischen zeigt AlexNet 2012 auf dem ImageNet-Wettbewerb, dass dieselbe Technik auch dort trägt, wo es keinen Gegner gibt — und AlphaFold wendet sie 2021 auf ein offenes Problem der Biologie an.",
    "epochId": "epoch-deep-learning"
  },
  {
    "id": "theme-early-ai-foundations",
    "title": "Gründung der KI als Forschungsfeld",
    "dateFrom": "1956-01-01",
    "dateTo": "1958-12-31",
    "description": "Der Dartmouth Workshop begründet 1956 die KI als eigenständiges Forschungsfeld und gibt ihr ihren Namen. John McCarthy, der ihn vorgeschlagen hatte, schafft kurz darauf mit LISP die Programmiersprache, in der das Feld die nächsten Jahrzehnte denken wird.",
    "epochId": "epoch-symbolic-ai"
  },
  {
    "id": "theme-generative-ai-mainstream",
    "title": "Generative KI erreicht den Massenmarkt",
    "dateFrom": "2022-01-01",
    "dateTo": "2100-12-31",
    "description": "ChatGPT löst einen öffentlichen Durchbruch für generative KI aus; EU-Regulierung und produktionsreife autonome Agenten folgen als direkte Konsequenzen dieses Durchbruchs.",
    "epochId": "epoch-generative-ai"
  },
  {
    "id": "theme-ki-winter",
    "title": "Die KI-Winter",
    "dateFrom": "1973-01-01",
    "dateTo": "1990-12-31",
    "description": "Zweimal endete eine Phase großer Erwartungen an die KI mit dem Rückzug der Geldgeber: 1973 nach dem Lighthill-Report, der britische Forschungsförderung weitgehend zum Erliegen brachte, und Ende der Achtziger nach dem Zusammenbruch des Markts für Expertensysteme. Beide Male lag die Ursache weniger im Scheitern der Technik als im Abstand zwischen Versprechen und Einlösung.",
    "epochId": "epoch-symbolic-ai"
  },
  {
    "id": "theme-maschinelle-uebersetzung",
    "title": "Von einer Sprache in die andere",
    "dateFrom": "1954-01-01",
    "dateTo": "2100-12-31",
    "description": "Übersetzen ist die älteste durchgehende Aufgabe des Feldes: Sie war schon ein Vorhaben, als es das Wort für Künstliche Intelligenz noch nicht gab, und sie ist bis heute nicht abgeschlossen. Jede Generation hat sie anders angefasst — als Regelwerk, das Sätze nach Grammatik umbaut; als Statistik über Millionen von Satzpaaren; als Netz, das beide Sprachen in denselben Raum legt.\n\nDas Thema sammelt diese Wechsel und die Erwartungen, die sie begleiteten. Wo eine Methode für erledigt erklärt wurde und wo sie an derselben Stelle wieder scheiterte, sagt mehr über das Feld als jede einzelne Vorführung.",
    "epochId": "epoch-vorgeschichte"
  },
  {
    "id": "theme-maschinelles-denken-als-frage",
    "title": "Maschinelles Denken als Frage",
    "dateFrom": "1936-01-01",
    "dateTo": "1955-12-31",
    "description": "Kann eine Maschine denken? Der erste brauchbare Beitrag zu dieser Frage besteht darin, sie zu ersetzen: nicht durch eine Definition, sondern durch ein nachprüfbares Verfahren.",
    "epochId": "epoch-vorgeschichte"
  },
  {
    "id": "theme-multimodalitaet",
    "title": "Bilder erzeugen, Bilder verstehen",
    "dateFrom": "2014-01-01",
    "dateTo": "2100-12-31",
    "description": "Erst lernen Maschinen, Bilder zu erzeugen, die echt aussehen; dann, Bilder zu lesen. Zwischen beidem liegen neun Jahre und ein Wechsel der Methode — und am Ende Modelle, die Text, Bild und Ton in einem System verarbeiten.",
    "epochId": "epoch-deep-learning"
  },
  {
    "id": "theme-neuronale-netze",
    "title": "Neuronale Netze, zweimal entdeckt",
    "dateFrom": "1958-01-01",
    "dateTo": "1990-12-31",
    "description": "Rosenblatts Perceptron zeigt 1958 einen lernfähigen, am Nervensystem orientierten Ansatz — und gerät nach Kritik an seinen Grenzen für zwei Jahrzehnte aus dem Blick. Erst die Beschreibung der Rückpropagierung 1986 macht mehrschichtige Netze praktisch trainierbar und legt die Grundlage für alles, was drei Jahrzehnte später als Deep Learning firmiert.",
    "epochId": "epoch-symbolic-ai"
  },
  {
    "id": "theme-rechenleistung",
    "title": "Die Maschinen unter den Modellen",
    "dateFrom": "2007-01-01",
    "dateTo": "2100-12-31",
    "description": "Der Bestand erklärt die Deep-Learning-Ära bisher über Architekturen und Wettbewerbe. Die zweite Hälfte der Erklärung fehlt: Dieselben Verfahren waren teilweise jahrzehntelang bekannt und wurden erst brauchbar, als die Hardware sie tragen konnte.\n\nDas Thema verfolgt, worauf gerechnet wird und wer es herstellt — von der Zweckentfremdung der Grafikkarte über eigens entworfene Beschleuniger bis zu den Rechenzentren, deren Strom- und Wasserbedarf inzwischen eine eigene Frage ist. Damit hängt es an den Bereichen Energie und Handel, nicht nur an diesem.",
    "epochId": "epoch-deep-learning"
  },
  {
    "id": "theme-rekursive-selbstverbesserung",
    "title": "Rekursive Selbstverbesserung",
    "dateFrom": "2016-01-01",
    "dateTo": "2100-12-31",
    "description": "Systeme, die an ihrer eigenen Leistung arbeiten, und die Frage, ob jede Verbesserung die nächste erleichtert. Der Gedanke ist älter als seine Umsetzung; nachweisbar wird er erst, wo ein Verfahren ohne menschliche Vorlage auskommt — ein Programm, das gegen sich selbst spielt, ein Suchverfahren, das Netzarchitekturen entwirft, ein Modell, das die Daten für sein eigenes Training erzeugt.\n\nDas Thema sammelt die Stellen, an denen sich das messen lässt, und unterscheidet sie von denen, an denen es bei der Behauptung bleibt. Die Zeitspanne beginnt dort, wo belegbare Beispiele einsetzen, nicht dort, wo die Idee zuerst formuliert wurde — findet die Recherche einen früheren Anker, wird sie nach vorn verlängert.",
    "epochId": "epoch-deep-learning"
  },
  {
    "id": "theme-sicherheit-und-regulierung",
    "title": "Sicherheit und Regulierung",
    "dateFrom": "2023-01-01",
    "dateTo": "2100-12-31",
    "description": "Zwei Wege, dieselbe Frage zu bearbeiten: ein gemeinsamer Sachstandsbericht, der niemanden verpflichtet, und ein Gesetz, das es tut. Der eine schafft die Tatsachengrundlage, das andere zieht die Rechtsfolgen.",
    "epochId": "epoch-generative-ai"
  },
  {
    "id": "theme-sprachmodelle-skalieren",
    "title": "Eine Architektur und ihre Skalierung",
    "dateFrom": "2017-01-01",
    "dateTo": "2021-12-31",
    "description": "Die Transformer-Architektur ersetzt 2017 die sequenzielle Verarbeitung durch Aufmerksamkeit und macht Sprachmodelle parallel trainierbar. BERT zeigt ein Jahr darauf, was sie im Sprachverstehen leistet, GPT-3 zeigt 2020, was mit ihr geschieht, wenn man sie um zwei Größenordnungen wachsen lässt.",
    "epochId": "epoch-deep-learning"
  },
  {
    "id": "theme-sprechen-und-hoeren",
    "title": "Sprechen und Hören",
    "dateFrom": "1971-01-01",
    "dateTo": "2100-12-31",
    "description": "Eine Maschine, die gesprochene Sprache versteht, und eine, die selbst spricht: zwei Aufgaben, die lange getrennt bearbeitet wurden und sich erst spät wieder trafen. Beide hängen an etwas, das sich schlecht in Regeln fassen lässt — an Stimmen, die sich unterscheiden, an Sätzen, die niemand sauber ausspricht, an Betonung, die die Bedeutung trägt.\n\nDas Thema verfolgt, wann Spracherkennung aus dem Labor in Geräte kam und was sie dafür brauchte. Es ist zugleich die Stelle, an der Künstliche Intelligenz für die meisten Menschen zuerst zu etwas Alltäglichem wurde — lange vor den Modellen, die geschriebenen Text erzeugen.",
    "epochId": "epoch-symbolic-ai"
  },
  {
    "id": "theme-verkoerperte-ki",
    "title": "Maschinen, die sich bewegen",
    "dateFrom": "1966-01-01",
    "dateTo": "2100-12-31",
    "description": "Ein Programm, das die Welt nur als Eingabe kennt, kann sich irren, ohne dass etwas geschieht. Ein Programm, das einen Körper steuert, kann das nicht: Wahrnehmung, Planung und Bewegung müssen zusammen und in der Zeit funktionieren, die ein Hindernis lässt.\n\nDas Thema sammelt die Versuche, beides zu verbinden — vom Roboter im Laborflur bis zum Fahrzeug im öffentlichen Verkehr. Es ist der Teil des Feldes, in dem eine Fehleinschätzung Folgen hat, die sich nicht zurücknehmen lassen, und der deshalb die Frage nach Verantwortung früher gestellt hat als die übrigen.",
    "epochId": "epoch-symbolic-ai"
  },
  {
    "id": "theme-woher-die-daten-kommen",
    "title": "Woher die Daten kommen",
    "dateFrom": "2009-01-01",
    "dateTo": "2100-12-31",
    "description": "Ein Modell kann nur wissen, was in seinen Daten steht. Wer die Daten zusammengetragen hat, unter welchen Bedingungen sie beschriftet wurden und ob die Urheber gefragt worden sind, entscheidet deshalb über mehr als die Genauigkeit — es entscheidet, wessen Sprache, wessen Bilder und wessen Auslassungen ein System übernimmt.\n\nDas Thema sammelt die Sammlungen selbst und die Auseinandersetzungen um sie: die Arbeit des Beschriftens, den Zugriff auf das offene Netz, die Klagen von Rechteinhabern. Es ist die Gegenseite zum Thema über die Rechenleistung — beide erklären, was hinter den Ergebnissen steht, die anderswo im Bestand verzeichnet sind.",
    "epochId": "epoch-deep-learning"
  }
]