Zeitstrahl der KI Epoche 10 von 12

Deep Learning

2012–2017 128 Beiträge

Drei Zutaten treffen zusammen: große Netze, Grafikkarten, riesige Datenmengen.

Was in dieser Epoche geschah

2012 gewann ein Netz namens AlexNet den Bildwettbewerb ImageNet mit deutlichem Abstand: Die Fehlerquote sank von 26,2 Prozent beim Zweitplatzierten auf 15,3 Prozent. Das Netz lief auf zwei Grafikkarten, nutzte eine einfache Aktivierungsfunktion (ReLU) und eine Technik gegen Überanpassung (Dropout). Der Sprung war so groß, dass die Aufgabe damit als gelöst galt; 2017 wurde der Wettbewerb eingestellt.

In den folgenden Jahren wurde dasselbe Muster in Sprache, Übersetzung und Spracherkennung wiederholt. 2013 machte Word2Vec Wörter zu Vektoren, in denen sich Bedeutung als Abstand ausdrücken ließ. 2015 zeigte ResNet, dass sich auch sehr tiefe Netze mit 152 Schichten trainieren lassen, wenn man Verbindungen über Schichten hinweg legt.

2016 gewann AlphaGo von DeepMind mit 4:1 gegen Lee Sedol, einen der besten Go-Spieler der Welt — ein Spiel, das lange als zu komplex für Maschinen galt.

Der Meilenstein

2012 — AlexNet senkt die Fehlerquote der Bilderkennung von 26,2 auf 15,3 Prozent. Ab hier gilt: Mehr Daten und mehr Rechenleistung erzeugen bessere Ergebnisse, ohne dass jemand Regeln schreibt.

Warum diese Epoche zählt

Weil sie den Beweis liefert, dass Lernen in vielen Schichten funktioniert, sobald die Maschinen schnell genug sind. Alles, was danach kommt, ist eine Vergrößerung dieses Prinzips.

Belege

Jahreszahlen, Namen und Zitate dieser Seite wurden am 27. Oktober 2026 gegen die folgenden Arbeiten geprüft; die Wikipedia-Artikel dienen als Übersicht und Einstieg, nicht als Originalbeleg. Die Belege zu den Meilenstein-Sätzen aller Bänder stehen gesammelt unter Belege zum Zeitstrahl.

  1. Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton, ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012: 15,3 Prozent Top-5-Fehler gegenüber 26,2 Prozent beim Zweitplatzierten — en
  2. Tomas Mikolov u. a., word2vec, 2013 — en
  3. Kaiming He u. a., Deep Residual Learning for Image Recognition, arXiv 2015, CVPR 2016 (ResNet, 152 Schichten) — en
  4. David Silver u. a., Mastering the Game of Go with Deep Neural Networks and Tree Search, Nature 529, 2016 — en
  5. Der ILSVRC wurde nach der Ausgabe 2017 eingestellt — en

Beiträge aus dieser Zeit

Gezeigt werden alle Beiträge, deren Datum in diese Epoche fällt (2012–2017), neuere zuerst. Über die Suchmaske oben lässt sich die Liste auf einen Begriff eingrenzen.