Der Entscheidungstheoretiker, der KI mitbegründete: Wie Herbert Simons Weihnachtsdenkmachine alles veränderte

Januar 1956. Carnegie Institute of Technology. Ein 39-jähriger Professor — von Ausbildung Politikwissenschaftler, bereits unter Ökonomen berühmt dafür, dass er argumentiert, dass niemand irgendetwas optimiert — eröffnet seine Klasse für mathematische Modellierung mit einem Satz, der nicht wahr sein durfte: Über Weihnachten haben Al Newell und ich eine Denkmaschine erfunden.

Die Maschine existierte kaum als Maschine. Während der Ferienpause hatten Simon, Allen Newell und Programmierer Cliff Shaw den Logic Theorist entwickelt — und bevor er jemals auf einem Computer lief, hatten sie ihn von Hand simuliert: die Unterprogramme des Programms wurden auf 3×5 Indexkarten geschrieben, die an Simons Familie und Studenten verteilt wurden, wobei jeder Mensch die Regeln eines einzelnen Komponenten ausführte. Eine denkende Maschine, zuerst an Menschen getestet. In diesem Sommer lief sie auf Hardware und wurde beim Dartmouth-Workshop präsentiert — dem Treffen, das der künstlichen Intelligenz ihren Namen gab.

Die Geschichte wird normalerweise unter Computerhistorie abgelegt. Sie gehört ebenso zur Entscheidungstheorie — denn der Logic Theorist war kein schnellerer Rechner. Es war Simons Theorie der begrenzten Rationalität, die in Code umgesetzt wurde: Wenn menschliche Intelligenz durch Abkürzungen und selektive Suche anstatt durch erschöpfende Berechnung funktioniert, dann kann auch eine Maschine, die Abkürzungen und selektive Suche verwendet, intelligent sein. Alles, was Simon im Bereich KI aufgebaut hat, folgt aus diesem einen Schritt.

Der Lebenslauf, der nicht existieren sollte

Herbert Alexander Simon (1916–2001) promovierte in Politikwissenschaft (Chicago, 1943), schrieb Administrative Behavior (1947) über die tatsächlichen Entscheidungsprozesse in Organisationen und verbrachte fünf Jahrzehnte an der Carnegie Mellon University, wo er in den Bereichen Wirtschaft, Psychologie, Informatik und Wissenschaftsphilosophie tätig war. Die Auszeichnungen zeigen die Bandbreite: der ACM Turing Award 1975 mit Allen Newell für grundlegende Beiträge zur künstlichen Intelligenz und zur Psychologie der menschlichen Kognition; der Nobelgedächtnispreis für Wirtschaftswissenschaften 1978 für bahnbrechende Forschung zur Entscheidungsfindung in wirtschaftlichen Organisationen; die U.S. National Medal of Science 1986. Er bleibt einer der wenigen Menschen, die sowohl den Turing- als auch den Nobelpreis erhalten haben — für das, was er als ein einziges Forschungsprogramm betrachtete.

Dieses Programm: Intelligenz so zu verstehen, wie sie tatsächlich funktioniert — bei Menschen, in Organisationen, in Maschinen — unter den realen Grenzen von Informationen, Berechnungen und Zeit. Die theoretische Hälfte hat den perfekt rationalen Wirtschaftsmenschen zurückgezogen. Die ingenieurtechnische Hälfte stellte die offensichtliche nächste Frage: Wenn Intelligenz eine begrenzte Suche ist, können wir sie dann bauen?

Der Logiktheoretiker: Beweis durch Abkürzung

Der Logic Theorist griff die Theoreme von Whitehead und Russells Principia Mathematica — dem Denkmal der formalen Logik des frühen Jahrhunderts — an und bewies 38 der ersten 52 im zweiten Kapitel. Die Methode war die Botschaft: Anstatt jede Ableitung mühsam durchzugehen (brute force, die die Hardware der damaligen Zeit nicht überstanden hätte), verwendete sie Heuristiken, um vielversprechende Wege auszuwählen, arbeitete rückwärts von Zielen und hörte auf, als sie einen gültigen Beweis hatte, anstatt den besten. Heuristische Suche und Satisficing — Simons Entscheidungstheorie, die mit Maschinen-Geschwindigkeit läuft.

Für Satz 2.85 fand er einen eleganteren Beweis als den ursprünglichen. Bertrand Russell, der damals in seinen Achtzigern war, reagierte mit Freude, als Simon ihm darüber schrieb. Das Journal of Symbolic Logic war schwerer zu bezaubern: Es lehnte es ab, das Ergebnis zu veröffentlichen, da es einen neuen Beweis eines elementaren Theorems für nicht veröffentlichungswürdig hielt — offenbar ohne zu registrieren, dass einer der Autoren ein Computerprogramm war.

Der allgemeine Problemlöser: Strategie ohne Fachwissen

Das Nachfolgeprogramm war in genau der Richtung ehrgeiziger, die man vom Autor von Administrative Behavior erwarten würde. Der General Problem Solver — die erste Version lief 1957, der Bericht wurde 1959 von Newell, Shaw und Simon veröffentlicht — führte Mittel-Zweck-Analyse ein: Messen Sie den Unterschied zwischen dem aktuellen Zustand und dem Zielzustand, finden Sie einen Operator, der diesen Unterschied verringert, wenden Sie ihn an, wiederholen Sie den Vorgang. Navigation durch Schließen der Lücke.

Die eigentliche Innovation von GPS war architektonisch: Sie trennte die Problemlösungs-strategie vom inhalt des Problems. Derselbe Motor konnte Rätsel, Beweise oder Pläne angehen, wenn eine Beschreibung von Zuständen und Operatoren vorlag. Diese Trennung — allgemeine Methode, steckbare Domäne — wurde zu einem grundlegenden Entwurfsprinzip der KI, und die Mittel-Zweck-Analyse ist auch in modernen Planungssystemen noch erkennbar.

Die große Behauptung: Symbole und Suche

In ihrem Turing-Preis-Vortrag von 1976, Computer Science as Empirical Inquiry, destillierten Newell und Simon zwei Jahrzehnte Arbeit in die berühmteste Hypothese des Fachgebiets: ein physisches Symbolsystem hat die notwendigen und hinreichenden Mittel für allgemeine intelligente Handlungen. Geister manipulieren Symbole; Computer manipulieren Symbole; daher können Computer, entsprechend programmiert, intelligent handeln — und es ist nichts über die Symbolmanipulation hinaus erforderlich. Dies wurde zur Charta dessen, was heute als symbolische KI oder GOFAI bezeichnet wird.

Sie machten auch Vorhersagen mit Datumsangaben, und die Daten waren falsch. In ihrem 1958 Operations Research Papier sagten Simon und Newell voraus, dass innerhalb von zehn Jahren ein Digitalcomputer der Schachweltmeister sein würde, es sei denn, die Regeln würden ihn von der Teilnahme ausschließen. Der Weltmeister fiel 1997 an einen Computer — 39 Jahre nach der Vorhersage, nicht zehn. Es ist erwähnenswert, was für eine Art von Fehler das ist: der Mechanismus (heuristische Suche über einen Raum, den keine Maschine erschöpfen konnte) war genau richtig; der Zeitrahmen war um eine Generation falsch. Beide Fakten gehören in die Aufzeichnungen.

Hat Deep Learning Simon nicht widerlegt?

Hier ist der Einwand, mit dem ein Leser aus dem Jahr 2026 ankommt: moderne KI ist nicht symbolisch. Neuronale Netzwerke lernen Muster aus Daten; niemand schreibt die Heuristiken von Hand; und Richard Suttons einflussreicher Aufsatz von 2019, The Bitter Lesson, liest sich wie ein Urteil gegen Simons gesamten Ansatz — siebzig Jahre KI-Geschichte zeigen, dass allgemeine Methoden, die mit der Rechenleistung skalieren, Systeme übertreffen, die auf menschlich erstelltem Fachwissen basieren.

Der Einwand landet — teilweise. Der starke symbolische Anspruch hat nicht überlebt: Es stellte sich heraus, dass es nicht genügend Symbole gab, und die handgefertigten Wissensprogramme der 1970er und 80er Jahre stagnierten genau so, wie Sutton beschreibt. Ein ehrlicher Bericht von Simon sagt das so klar. Aber lesen Sie die eigene Schlussfolgerung von The Bitter Lesson: Die beiden Methodenfamilien, die skalieren, sind Suche und Lernen. Heuristische Suche ist Simon und Newells Beitrag zum Feld, der heute von der Spielbaum-Suche bis zu den absichtlichen Denkprozessen aktueller KI-Systeme lebendig ist. Und was tiefe Netzwerke tun — Muster erkennen, die aus massiven Erfahrungen angesammelt wurden — ist unheimlich nah an Simons Definition von Expertise. Reinforcement Learning, dessen Gründer Andrew Barto und Richard Sutton den Turing Award 2024 (angekündigt im März 2025) erhielten, ist selektive Versuch-und-Irrtum-Suche unter rechnerischen Grenzen — ein Forschungsprogramm, das Simon als verwandt erkannt hätte.

Die Bewertung ist also geteilt, und die Teilung ist lehrreich: die Architektur, auf die er gesetzt hat, hat verloren; die Theorie der Intelligenz, die darunter liegt, hat gewonnen. Maschinen wurden nicht intelligent, indem sie erschöpfend rechneten. Sie wurden intelligent durch begrenzte, heuristische, erkenntnisgetriebene Suche — auf die Behauptung, dass Simon seine Karriere setzte. Jüngste Arbeiten schließen den Kreis von der anderen Seite: Studien aus dem Jahr 2025 zeigen, dass große Sprachmodelle selbst begrenzte Rationalität aufweisen, indem sie sich in menschenähnlicher Weise von der spieltheoretischen Optimalität abweichen, während Satisficing in die Modellanpassung als Einschränkungen des Aspirationsniveaus integriert wurde.

Simons Fingerabdrücke auf moderner KI

Zeitachse: Das Leben eines Universalgelehrten

Was man von Simon in das KI-Jahrzehnt mitnehmen sollte

Vier Arbeitsprinzipien für alle, die mit begrenzten Maschinen bauen oder Entscheidungen treffen:

Wo Argumentree passt

Simon behandelte menschliche und maschinelle Intelligenz als ein Thema: begrenzte Agenten, die unter Einschränkungen suchen. Argumentree basiert auf demselben Grundsatz. Menschliche Argumente und von KI extrahierte Argumente landen in einer einsehbaren Struktur — dem Baum — wo das Denken sichtbar ist, Bewertungen knappe Aufmerksamkeit auf die stärksten Punkte lenken und der Verlauf als organisatorisches Gedächtnis bestehen bleibt.

Für Teams, deren KI-Nutzung überprüfbar sein muss, erweitert das Schwesterprodukt AIAgentree dieselbe Idee auf das maschinelle Denken selbst – es verfolgt, wie ein KI-System zu seinem Schluss gekommen ist, in der Struktur, die Simon hätte sehen wollen.

Die lange Wette

Simons Schachuhr lief viermal ab, die symbolische Architektur gab nach, und das Feld, das er mitbegründet hat, basiert nun auf Methoden, die er nicht entwickelt hat. Als Prophezeiung beurteilt, eine gemischte Bilanz. Als Wissenschaft beurteilt, etwas Rarer: die zentrale Behauptung — dass Intelligenz, wo immer sie auftritt, eine begrenzte Suche ist, die durch Erkennung geleitet wird — hat jede Architektur überdauert, die zu ihrer Prüfung verwendet wurde, einschließlich seiner eigenen.

Deshalb hat der Satz im Klassenzimmer auch siebzig Jahre später noch Bedeutung. Er kündigte kein Gadget an. Er kündigte an, dass Denken zu einem Ingenieurfach geworden war — für Köpfe, für Organisationen und jetzt für Maschinen.