ArtikelWarren Sturgis McCulloch and Walter PittsForschung
Die Arbeit lieferte das theoretische Fundament für künstliche neuronale Netze, Automatentheorie und moderne KI. Sie schlug erstmals die Brücke zwischen biologischen Prozessen, formaler symbolischer Logik und universeller Berechenbarkeit.
Das Papier formulierte künstliche Neuronen über boolesche Zustände (0 oder 1) und nutzte symbolische Logik zur formalen Beschreibung. Indem McCulloch und Pitts zeigten, dass Netze mit Schleifen unbestimmt weit zurückliegende Ereignisse referenzieren können, etablierten sie die logische Ausdrucksstärke rekurrenter Strukturen. Die Arbeit demonstrierte die prinzipielle Berechenbarkeit von Denkvorgängen im Rahmen der Turing- und Church-Theorie.
Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.
Inhaltlich ähnlich, ermittelt über die KI-Suche.
Artikel:Alan Turing
Der Wikipedia-Artikel fasst Alan Turings 1950 in Mind erschienenes Grundlagenwerk 'Computing Machinery and Intelligence' zusammen. Turing ersetzt darin die vage Frage 'Können Maschinen denken?' durch das operative Imitation Game (heute bekannt als Turing-Test) und analysiert systematisch typische Gegenargumente.
Link:J. McCarthy, M. L. Minsky, N. Rochester, C. E. Shannon
Im August 1955 formulierten John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon den Förderantrag für ein zweimonatiges Forschungsprojekt am Dartmouth College im Sommer 1956. Das Dokument gilt als Geburtsstunde des Begriffs 'Artificial Intelligence' und skizziert die methodischen Grundannahmen, wie Maschinen Sprache erlernen, Abstraktionen bilden und neuronale Netze simulieren können.
Artikel:Wikipedia-Autoren
Der Wikipedia-Artikel beleuchtet das Leben und Werk des US-amerikanischen Psychologen Frank Rosenblatt (1928–1971), der durch die Erfindung des Perceptrons und seine Beiträge zu künstlichen neuronalen Netzen bekannt wurde.
Artikel:David E. Rumelhart, Geoffrey E. Hinton & Ronald J. Williams
Die Forschungsarbeit von David E. Rumelhart, Geoffrey E. Hinton und Ronald J. Williams stellt das Backpropagation-Verfahren für neuronale Netze vor. Der Algorithmus passt Verbindungsgewichte schrittweise an, um Abweichungen zwischen Soll- und Ist-Ausgaben zu minimieren.
Artikel:Kashu Yamazaki, Viet-Khoa Vo-Ho, Darshan Bulsara, Ngan Le
Ein Übersichtsartikel analysiert Spiking Neural Networks (SNNs) als dritte Generation künstlicher neuronaler Netze. SNNs nutzen biologisch inspirierte Spikes zur Informationsübertragung und bieten durch hohe Sparsity und zeitliche Kodierung enorme Energie- und Rechenvorteile gegenüber klassischen tiefen neuronalen Netzen, insbesondere für autonome Robotik und Edge-Anwendungen.
Link:Melanie Lefkowitz
Ein Rückblick der Cornell University beleuchtet das Leben und Werk von Frank Rosenblatt, der 1958 mit dem Perzeptron das erste künstliche neuronale Netzwerk vorstellte. Trotz heftiger Kritik seiner Zeitgenossen und des darauffolgenden KI-Winters bilden seine Algorithmen das Fundament moderner Deep-Learning-Systeme.
Dieser Inhalt wurde teilweise mithilfe von KI erstellt.
