1958 General Problem Solver (Gemini 2.5)

Eine maschinelle Suche nach dem „Aha!“-Erlebnis

Einführung

Stellen Sie sich vor, Sie stehen vor einem Rätsel. Nicht irgendein kleines Rätsel, sondern ein Problem, das echtes Nachdenken erfordert. Vielleicht ein kniffliges Sudoku, eine Schachpartie, oder die Planung der optimalen Route für eine Reise. Wir Menschen packen solche Aufgaben oft mit einer Mischung aus Erfahrung, Intuition und logischem Denken an. Doch wie würde eine Maschine an so etwas herangehen? In den späten 1950er Jahren begannen drei visionäre Wissenschaftler – Allen Newell, J. Cliff Shaw und Herbert A. Simon – genau diese Frage zu stellen. Ihre Antwort war der General Problem Solver (GPS), ein Computerprogramm, das nicht nur spezifische Probleme lösen sollte, sondern eine Art „allgemeinen Verstand“ für verschiedene Aufgaben simulierten. Es war ein kühnes Unterfangen, das die damaligen Vorstellungen von Computerintelligenz revolutionierte und den Grundstein für die heutige Künstliche Intelligenz legte.

Kernidee

Die Kernidee des GPS war so einfach wie genial: Menschliches Problemlösen basiert oft auf der Identifikation von Unterschieden zwischen einem aktuellen Zustand und einem gewünschten Zielzustand. Wenn man diese Unterschiede systematisch reduziert, kommt man dem Ziel näher. Newell, Shaw und Simon beobachteten, wie Menschen beim Lösen von Logik-Puzzles oder beim Beweisen mathematischer Theoreme vorgingen. Sie stellten fest, dass wir nicht blindlings alle Möglichkeiten ausprobieren, sondern strategisch vorgehen. Wir zerlegen große Probleme in kleinere, handhabbare Schritte und versuchen, für jeden Schritt eine passende Methode zu finden. Das GPS sollte diese menschliche Denkweise nachahmen, indem es eine universelle Strategie – bekannt als Mittel-Ziel-Analyse (Means-Ends Analysis) – anwendete, die auf eine Vielzahl von Problemen übertragbar war. Es ging nicht darum, alle Antworten zu kennen, sondern den Weg zur Lösung zu finden.

Ziele bzw. Forschungsfragen

Die Hauptziele und Forschungsfragen hinter dem GPS waren vielfältig:

Kann ein Computerprogramm allgemeine Problemlösungsstrategien anwenden, anstatt nur spezifische, fest codierte Aufgaben zu lösen? Die Forscher wollten weg von reinen Rechenmaschinen hin zu Maschinen, die „denken“ können.
Ist die Mittel-Ziel-Analyse eine ausreichend mächtige und universelle Heuristik, um eine breite Palette von Problemen zu bewältigen? Sie wollten herausfinden, ob diese eine menschliche Denkstrategie auf eine Maschine übertragbar ist.
Können die Prozesse des menschlichen Denkens, insbesondere beim Lösen komplexer Probleme, in algorithmische Schritte zerlegt und somit von einem Computer nachvollzogen werden? Das Projekt war auch ein Versuch, die menschliche Kognition besser zu verstehen, indem man versuchte, sie zu modellieren.
Wie lassen sich Wissen über Probleme (z.B. Regeln) und Wissen über Strategien (z.B. wie man Regeln anwendet) voneinander trennen und effizient nutzen? Dies war ein früher Ansatz zur Modularisierung von KI-Systemen.

Konzept

Das Herzstück des GPS war die bereits erwähnte Mittel-Ziel-Analyse. Man kann es sich vorstellen wie einen intelligenten Pfadfinder:

Definiere den aktuellen Zustand und den Zielzustand. Wo bin ich, und wo will ich hin?
Erkenne einen Unterschied zwischen dem aktuellen Zustand und dem Zielzustand. Was fehlt noch, oder was ist anders?
Wähle einen Operator (eine Handlung oder Regel) aus, der diesen Unterschied verringern oder beseitigen könnte. Welche Werkzeuge habe ich, um die Lücke zu schließen?
Prüfe, ob der Operator angewendet werden kann. Kann ich das Werkzeug hier und jetzt benutzen?
- Wenn ja, wende ihn an und kehre zu Schritt 1 zurück mit dem neuen aktuellen Zustand.
- Wenn nein, liegt das oft daran, dass bestimmte Voraussetzungen nicht erfüllt sind. Dann wird dies selbst zu einem neuen Unterproblem: Wie schaffe ich die Voraussetzungen, um den Operator anwenden zu können? Man versucht dann, die Unterschiede zwischen dem aktuellen Zustand und den Voraussetzungen für den Operator zu verringern. Dies ist der rekursive Teil, der es dem GPS ermöglichte, komplexe Probleme in kleinere Häppchen zu zerlegen.

Dieses Vorgehen erlaubte es dem GPS, hierarchisch zu denken, ähnlich wie ein Mensch, der zuerst versucht, ein großes Problem zu lösen, und wenn das nicht sofort klappt, sich fragt, was er tun muss, um die nötigen Schritte dafür ausführen zu können. Es war ein cleverer Ansatz, der die Notwendigkeit vermied, alle möglichen Züge im Voraus zu berechnen, was bei vielen Problemen unpraktisch oder unmöglich wäre.

Argumente

Die Hauptargumente für den Ansatz des GPS waren:

Generalität: Das Programm wurde nicht für ein einziges Problem, sondern für eine Klasse von Problemen konzipiert, die sich durch Zustände, Operatoren und Ziele beschreiben lassen. Es konnte zum Beispiel Logik-Puzzles, Symbolmanipulationen und sogar einfache Schachaufgaben lösen, indem man ihm lediglich die spezifischen Regeln des jeweiligen Problems mitteilte.
Heuristische Effizienz: Anstatt brute-force (alle Möglichkeiten ausprobieren) zu nutzen, setzte GPS auf eine intelligente Suchstrategie. Dies war entscheidend, da die Rechenleistung der Computer in den 1950er Jahren extrem begrenzt war.
Kognitive Plausibilität: Der Ansatz spiegelte Beobachtungen menschlichen Problemlösungsverhaltens wider. Dies machte GPS nicht nur zu einem Technik-, sondern auch zu einem Psychologieprojekt. Es war ein Versuch, die inneren Mechanismen des Denkens zu entschlüsseln.
Modularität: Das Programm trennte die Problemlösungsstrategie (Mittel-Ziel-Analyse) von der konkreten Problembeschreibung (Regeln und Operatoren). Dies bedeutete, dass man dem GPS ein neues Problem beibringen konnte, ohne den Kern des Programms zu ändern.

Bedeutung

Die Bedeutung des General Problem Solvers kann kaum überschätzt werden. Er war einer der ersten wirklichen Versuche, allgemeine Intelligenz in einem Computer zu modellieren. Bis dahin wurden Computer hauptsächlich für numerische Berechnungen eingesetzt. GPS zeigte, dass Maschinen auch symbolische Probleme, also Probleme mit abstrakten Konzepten und Regeln, bearbeiten können. Es etablierte die Idee, dass Intelligenz durch die Manipulation von Symbolen und die Anwendung von Suchstrategien erreicht werden könnte. Es war ein Sprungbrett für das gesamte Feld der Künstlichen Intelligenz und legte den Grundstein für die Entwicklung von Expertensystemen und vielen anderen regelbasierten KI-Systemen in den folgenden Jahrzehnten. Das GPS bewies, dass ein Computer nicht nur rechnen, sondern auch „denken“ kann, zumindest im Sinne eines rationalen Problemlösens.

Wirkung

Die Wirkung des GPS war weitreichend und nachhaltig:

Geburtsstunde der KI: Es festigte die Überzeugung, dass Künstliche Intelligenz ein eigenständiges und vielversprechendes Forschungsfeld ist. Das GPS war ein frühes, greifbares Ergebnis des Dartmouth-Workshops von 1956, der oft als die eigentliche Geburtsstunde der KI gilt.
Einfluss auf die Kognitionswissenschaft: Es beeinflusste maßgeblich die Kognitionswissenschaft, indem es einen formalen Rahmen für das Verständnis menschlichen Problemlösens lieferte. Das Konzept der Mittel-Ziel-Analyse ist bis heute relevant in der Psychologie.
Methodologischer Pionier: Es etablierte Methoden wie die Symbolverarbeitung und heuristische Suche als zentrale Paradigmen in der KI-Forschung. Diese Ansätze prägten die KI für Jahrzehnte, lange bevor maschinelles Lernen und neuronale Netze in den Vordergrund traten.
Anstoß für weitere Forschung: GPS inspirierte unzählige nachfolgende Projekte und Programme, die versuchten, seine Fähigkeiten zu erweitern oder alternative Ansätze zum allgemeinen Problemlösen zu finden.

Relevanz

Auch heute, mehr als 60 Jahre später, ist die Relevanz des GPS spürbar. Obwohl moderne KI-Systeme wie neuronale Netze andere Paradigmen nutzen, bleiben die grundlegenden Ideen des GPS aktuell:

Problemdarstellung: Die Notwendigkeit, ein Problem klar in Zuständen, Zielen und Operatoren zu definieren, ist grundlegend für viele KI-Aufgaben.
Heuristische Suche: Die Idee, Suchräume intelligent zu durchsuchen, um effizient Lösungen zu finden, ist ein Kernkonzept in vielen Algorithmen (z.B. A*-Suche).
Hierarchisches Problemlösen: Komplexe Probleme in kleinere Unterprobleme zu zerlegen, ist eine Strategie, die immer noch in vielen Bereichen der KI und der Softwareentwicklung angewendet wird.
Trennung von Wissen und Logik: Die Unterscheidung zwischen der „Wissensbasis“ (Regeln eines Problems) und der „Inferenzmaschine“ (Strategie zur Problemlösung) ist ein Vorläufer moderner Wissensrepräsentations- und Schlussfolgerungssysteme.

Kritik

Trotz seiner bahnbrechenden Natur gab es auch berechtigte Kritik am General Problem Solver:

Generalität war begrenzt: Obwohl „General“ im Namen, war die Anwendbarkeit des GPS in der Praxis eingeschränkt. Es funktionierte am besten bei Problemen, die gut strukturiert und deren Regeln klar definiert waren. Bei Problemen der realen Welt, die vage, unvollständig beschrieben oder von ständig wechselnden Bedingungen geprägt sind, stieß GPS schnell an seine Grenzen. Es konnte keine neuen Regeln entdecken oder lernen, es konnte nur die Regeln anwenden, die ihm gegeben wurden.
„Brittle“ Systeme: Systeme, die auf diesen frühen Ansätzen basierten, galten oft als „brittle“ (spröde). Eine kleine Abweichung von den erwarteten Eingaben oder Problemstrukturen konnte zum kompletten Versagen führen. Sie besaßen keine Robustheit oder Fähigkeit zur Verallgemeinerung im Sinne modernen maschinellen Lernens.
Mangel an Weltwissen: GPS hatte kein echtes „Verständnis“ der Welt. Es manipulierte Symbole rein syntaktisch, basierend auf Regeln, ohne die semantische Bedeutung zu erfassen. Es wusste nicht, was die Symbole bedeuteten, sondern nur, wie man sie nach bestimmten Regeln veränderte. Dies ist ein grundlegender Unterschied zu menschlicher Intelligenz, die stark auf umfangreichem Weltwissen und Kontextverständnis basiert.
Skalierbarkeitsprobleme: Für wirklich komplexe Probleme mit sehr großen Suchräumen und vielen potenziellen Operatoren wurde der Suchprozess schnell ineffizient, selbst mit der Mittel-Ziel-Analyse. Die schiere Anzahl der möglichen Zustände und Unterprobleme konnte die damaligen (und auch heutige) Computer schnell überfordern.

Fazit

Der General Problem Solver war ein wahrhaft epochaler Meilenstein in der Geschichte der Künstlichen Intelligenz. Er war nicht perfekt und stieß an viele Grenzen, aber das ist bei Pionierarbeiten immer der Fall. Sein Wert lag nicht primär in seiner Fähigkeit, alle Probleme zu lösen, sondern darin, zu zeigen, dass Maschinen überhaupt intelligente Problemlösungsstrategien anwenden können. Newell, Shaw und Simon bewiesen, dass man das scheinbar magische menschliche Denken in systematische, algorithmische Schritte zerlegen und einem Computer beibringen konnte. Es war ein mutiger Schritt weg von der Vorstellung des Computers als reiner Rechenknecht hin zur Vision einer denkenden Maschine. GPS legte den intellektuellen Grundstein für viele spätere Entwicklungen und prägte das Verständnis davon, was KI sein könnte, für Jahrzehnte. Es war das erste Programm, das uns ernsthaft glauben ließ, dass eine „allgemeine“ Intelligenz in einer Maschine vielleicht doch keine Science-Fiction ist.

Ausblick

Obwohl die direkten Nachfolger des GPS in den Hintergrund getreten sind, leben seine Prinzipien in vielen modernen KI-Systemen weiter. Die Konzepte der Problemdarstellung, heuristischen Suche und hierarchischen Planung finden sich in Planungs-Algorithmen für Roboter, in Expertensystemen zur Diagnose oder im logischen Schlussfolgern. Die Herausforderungen, denen GPS gegenüberstand – Generalisierung, Umgang mit Unwissenheit und robustes Verhalten in der realen Welt – sind auch heute noch zentrale Forschungsfragen der KI. Die Entwicklung von GPS war ein früher Schritt auf einem langen Weg. Heutige KI-Ansätze wie Deep Learning gehen zwar andere Wege und sind datengetriebener, doch die grundlegende Ambition, Intelligenz zu verstehen und zu reproduzieren, die mit dem GPS begann, bleibt das treibende Motiv der KI-Forschung. Es war ein visionäres Experiment, das die Tür zu einer Welt öffnete, in der Maschinen nicht nur rechnen, sondern auch „denken“ und Probleme auf eine Weise lösen können, die uns Menschen ähnelt – ein faszinierender Gedanke, der uns immer noch antreibt.

Literaturquellen

Newell, A., Shaw, J. C., & Simon, H. A. (1958). Report on a general problem-solving program. RAND Corporation.
Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall. [Ein umfassendes Werk, das die detaillierte Forschung hinter GPS und seiner Rolle im menschlichen Problemlösen darstellt.]

Hintergrundinformationen zu den Autoren

Die Köpfe hinter dem General Problem Solver waren drei herausragende Persönlichkeiten, die das Fundament der Künstlichen Intelligenz und der Kognitionswissenschaft maßgeblich prägten:

Allen Newell (1927–1992): Ein amerikanischer Forscher in den Bereichen Informatik und Kognitionswissenschaft an der Carnegie Mellon University. Newell war ein Pionier der KI und der Kognitionspsychologie. Er sah Computer nicht nur als Rechenmaschinen, sondern als Werkzeuge zum Verständnis des menschlichen Geistes. Zusammen mit Simon entwickelte er die „Physical Symbol System Hypothesis“, die besagt, dass ein System, das Symbole manipulieren kann, intelligent sein kann. Für seine Beiträge zur Künstlichen Intelligenz erhielt er 1975 zusammen mit Herbert A. Simon den Turing Award, die höchste Auszeichnung in der Informatik.
J. C. Shaw (1922–1991): Ebenfalls ein amerikanischer Forscher bei der RAND Corporation. Shaw war der Programmierer der Gruppe und spielte eine entscheidende Rolle bei der technischen Umsetzung des GPS. Er entwickelte die Programmiersprache IPL (Information Processing Language), die speziell für die Manipulation von Symbolen und Listen konzipiert war und eine der ersten Programmiersprachen für Künstliche Intelligenz darstellte. Seine Fähigkeiten als Software-Ingenieur waren unerlässlich, um die theoretischen Konzepte von Newell und Simon in funktionierende Programme zu übersetzen.
Herbert A. Simon (1916–2001): Ein amerikanischer Wissenschaftler, der in den Bereichen Informatik, Psychologie, Wirtschaft und Politikwissenschaft tätig war und ebenfalls an der Carnegie Mellon University forschte. Simon war ein Universalgelehrter, dessen Arbeiten die Entscheidungstheorie revolutionierten und weit über die Informatik hinaus reichten. Er prägte den Begriff der „begrenzten Rationalität“ und wurde 1978 mit dem Nobelpreis für Wirtschaftswissenschaften für seine Pionierforschung über Entscheidungsprozesse in Wirtschaftsorganisationen ausgezeichnet. Zusammen mit Newell bildete er ein unschlagbares Team, das die psychologischen Einsichten in menschliches Denken mit der Entwicklung von Computersystemen verband, um dieses Denken nachzubilden.

Diese drei Wissenschaftler waren Visionäre, die es wagten, die Grenzen des damals Machbaren zu sprengen und die Geburt eines völlig neuen Wissenschaftsfeldes zu begleiten. Ihre Arbeit am GPS ist ein leuchtendes Beispiel dafür, wie interdisziplinäre Zusammenarbeit zu bahnbrechenden Entdeckungen führen kann.

Disclaimer: Dieser Text ist komplett KI-generiert (Gemini 2.5 Flash, 12.12.2025). Die darin enthaltenen Angaben wurden nicht überprüft. Zum Prompt. Zur Übersicht.