1958 General Problem Solver (Gemini 3.0)

Wie man einem Computer das Denken beibringt (oder es zumindest versucht)

Einführung

Wir schreiben das Jahr 1958. Computer sind noch riesige, raumfüllende Ungetüme, die primär dafür bekannt sind, ballistische Flugbahnen für das Militär zu berechnen oder Volkszählungsdaten zu sortieren. In dieser Ära der Röhren und Lochkarten tritt ein Trio von Visionären auf den Plan – Allen Newell, J.C. Shaw und Herbert A. Simon – und stellt eine Frage, die fast schon blasphemisch klingt: Kann man diesen Rechenmaschinen beibringen, Probleme so zu lösen, wie ein Mensch es tut?

Nicht einfach nur schneller rechnen. Sondern denken.

Ihr wissenschaftlicher Artikel „Report on a general problem-solving program“ ist nichts Geringeres als die Geburtsurkunde der symbolischen Künstlichen Intelligenz. Sie stellen darin den „General Problem Solver“ (GPS) vor. Der Name allein zeugt von einem Selbstbewusstsein, das man heute wohl als „typisch Silicon Valley“ bezeichnen würde, nur dass das Silicon Valley damals noch aus Obstplantagen bestand. Die Idee war radikal: Weg von der Vorstellung des Computers als glorifizierter Taschenrechner, hin zum Computer als Symbolverarbeiter, der Probleme durch logisches Schlussfolgern löst.

Kernidee

Die revolutionäre Kernidee des GPS lässt sich in einem Satz zusammenfassen: Problemlösen ist ein Prozess der Suche in einem Labyrinth.

Newell, Shaw und Simon postulierten, dass intelligentes Verhalten nicht magisch ist, sondern aus der Manipulation von Symbolen besteht. Die wichtigste Innovation war die Trennung von Wissen und Strategie. Vor dem GPS waren Computerprogramme meist „Hard-Coded“ für eine einzige Aufgabe – etwa Schach zu spielen oder Integrale zu lösen. Der GPS hingegen sollte eine universelle „Denkmaschine“ sein. Man füttert sie mit den Regeln einer Welt (z. B. Logik oder Schach), und der GPS wendet seine universellen Lösungsstrategien darauf an. Es war der erste Versuch, eine Software zu schreiben, die nicht etwas Spezielles kann, sondern alles lernen könnte, solange man es ihr logisch beschreibt.

Ziele bzw. Forschungsfragen

Die Autoren verfolgten mit dem GPS zwei eng miteinander verknüpfte Ziele, die sowohl die Informatik als auch die Psychologie betrafen:

Die Konstruktion einer intelligenten Maschine: Das technische Ziel war offensichtlich. Können wir ein Programm schreiben, das eine Vielzahl unterschiedlicher Probleme lösen kann, ohne dass wir für jedes Problem den Programmcode neu schreiben müssen?
Die Simulation menschlichen Denkens: Das war der eigentliche Clou. Simon und Newell waren nicht nur an KI interessiert, sondern auch an kognitiver Psychologie. Ihre Forschungsfrage lautete: Wenn wir einen Computer so programmieren, dass er Probleme löst, und er dabei die gleichen Zwischenschritte und Fehler macht wie ein Mensch – haben wir dann verstanden, wie das menschliche Gehirn funktioniert?

Sie wollten beweisen, dass „Denken“ im Grunde nichts anderes ist als Informationsverarbeitung. Wenn ein Mensch „Ich weiß nicht weiter“ murmelt und einen Schritt zurückgeht, und der Computer in seinem Speicher dasselbe tut (Backtracking), dann – so die These – ist die zugrundeliegende Struktur identisch.

Konzept

Das Konzept des GPS ist bis heute faszinierend elegant. Es basiert auf wenigen, aber mächtigen Bausteinen:

1. Der Problemraum (Problem Space):

Stellen Sie sich vor, Sie stehen in einem Labyrinth. Ihr Startpunkt ist der „Ist-Zustand“ (z. B. „Ich habe Hunger“). Ihr Ziel ist der „Soll-Zustand“ (z. B. „Ich bin satt“). Der Weg dorthin führt über viele Abzweigungen. Jeder Punkt im Labyrinth ist ein Zustand, und jede Abzweigung ist eine Entscheidung. Der GPS sieht jedes Problem als eine Reise durch einen solchen Raum voller Möglichkeiten.

2. Objekte und Operatoren:

Um sich im Problemraum zu bewegen, braucht der GPS Werkzeuge.

Objekte sind die Dinge, mit denen er hantiert (z. B. logische Formeln oder Schachfiguren).
Operatoren sind die Handlungen, die er ausführen darf (z. B. „Ersetze A durch B“ oder „Ziehe Bauer auf E4“).

3. Die Mittel-Ziel-Analyse (Means-Ends Analysis):

Das ist das Herzstück des GPS und vielleicht der wichtigste Begriff, den Sie aus diesem Kapitel mitnehmen sollten. Anstatt wild herumzuprobieren (was Computer vorher oft taten), geht der GPS strategisch vor. Er fragt sich ständig:

„Wo bin ich?“ (Ist-Zustand)
„Wo will ich hin?“ (Ziel-Zustand)
„Was ist der Unterschied zwischen hier und dort?“

Sobald er den Unterschied erkannt hat, sucht er in seinem Gedächtnis nach einem Operator, der genau diesen Unterschied verkleinert.

Ein einfaches Beispiel aus dem Alltag:

Ziel: Ich will das Kind zur Schule bringen.
Unterschied: Das Kind ist zu Hause, die Schule ist weit weg.
Operator: Auto fahren.
Neues Problem: Das Auto steht in der Garage und ich habe keinen Schlüssel.
Neues Unterziel: Schlüssel finden.

Der GPS zerlegt also ein großes, unlösbares Problem so lange in kleine, lösbare Teilprobleme, bis er eine Handlung ausführen kann. Er baut sich eine Treppe aus Zwischenzielen.

4. Heuristiken statt Algorithmen:

Ein Algorithmus garantiert eine Lösung (wie ein Kochrezept). Eine Heuristik ist eine „Daumenregel“ – sie funktioniert oft, aber nicht immer. Der GPS benutzte Heuristiken, um nicht jeden möglichen Weg im Labyrinth gehen zu müssen, sondern nur die vielversprechenden. Das war der Schritt vom sturen Rechnen zum „intelligenten“ Rattern.

Argumente

Die Autoren argumentieren in ihrem Artikel sehr geschickt, indem sie die Leistung des GPS direkt mit menschlichem Verhalten vergleichen. Um ihre These zu stützen, führten sie Experimente mit Studenten durch. Sie gaben den Studenten Logikaufgaben und baten sie, laut zu denken, während sie diese lösten (die sogenannte „Thinking Aloud“-Methode).

Was sie aufzeichneten – das Zögern, das Planen, das Zerlegen in Teilziele – verglichen sie mit dem „Trace“ (dem Protokoll) des GPS. Das Argument war verblüffend: Die Spuren glichen sich wie ein Ei dem anderen.

Newell, Shaw und Simon argumentierten:

Da der Output des Computers (die Schritte zur Lösung) dem Output des Menschen gleicht, muss auch der Prozess ähnlich sein.
Intelligenz benötigt keine biologischen Neuronen; sie benötigt nur ein System, das Symbole manipulieren und Ziele verfolgen kann (die „Physical Symbol System Hypothesis“, die sie später noch schärfer formulierten).

Sie betonten auch, dass der GPS nicht „lernt“ im Sinne von Erfahrungswissen ansammeln (obwohl sie rudimentäre Lernmechanismen andeuteten), sondern dass seine Intelligenz in der Struktur der Problemlösung liegt. Das Argument war: Wir brauchen keine Maschine, die alles weiß, sondern eine, die weiß, wie man herausfindet, was man tun muss.

Bedeutung

Es ist kaum zu überschätzen, wie bedeutend dieser Artikel und das darin beschriebene Programm waren.

Erstens etablierte er die kognitive Psychologie als harte Wissenschaft. Vorher war Psychologie oft vage oder rein behavioristisch (Reiz-Reaktions-Schemata). Mit dem GPS gab es plötzlich ein präzises Modell des Geistes: Der Geist als Informationsverarbeiter. Man konnte Theorien über das Denken nun programmieren und testen. Wenn das Programm abstürzte, war die Theorie falsch.

Zweitens definierte er die Agenda der KI-Forschung für die nächsten 30 Jahre. Der Fokus auf symbolische Repräsentation, auf Suche, auf Planung und auf Problemlösung wurde zum Standard, der als „Good Old-Fashioned AI“ (GOFAI) bekannt wurde.

Drittens war der GPS der Beweis, dass Computer mehr können als Zahlen fressen. Er bewies Logiktheoreme aus den „Principia Mathematica“ von Russell und Whitehead – und fand dabei teilweise Beweise, die eleganter waren als die der menschlichen Mathematiker. Das war der Moment, in dem die Maschine vom Werkzeug zum Kollegen (oder Konkurrenten) wurde.

Wirkung

Die unmittelbare Wirkung war ein Schock – im positiven Sinne. Die akademische Welt realisierte, dass „künstliche Intelligenz“ keine Science-Fiction mehr war, sondern realer Programmcode. Die RAND Corporation, bei der die Autoren arbeiteten, und später die Carnegie Mellon University wurden zu Mekkas der KI-Forschung.

Der GPS inspirierte zahllose Nachfolgeprojekte. Er zeigte, dass man komplexe kognitive Aufgaben formalisieren kann. Dies führte zur Entwicklung von Expertensystemen in den 70er und 80er Jahren, die versuchten, das Wissen von Ärzten oder Ingenieuren in ähnliche „Wenn-Dann“-Regeln zu gießen, wie sie der GPS im Kleinen nutzte.

Auch die Informatik profitierte: Um den GPS zu programmieren, mussten die Autoren eine völlig neue Art von Programmiersprache erfinden, die IPL (Information Processing Language). Diese war der Vorläufer von LISP, der Sprache, die über Jahrzehnte die Lingua Franca der KI bleiben sollte. Konzepte wie Listenverarbeitung, Rekursion (eine Funktion ruft sich selbst auf) und dynamische Speicherverwaltung wurden hier massiv vorangetrieben.

Relevanz

Ist der GPS heute noch relevant? Technisch gesehen: Nein. Ihr Smartphone erledigt Aufgaben im Hintergrund, an denen der GPS verzweifelt wäre. Moderne KI (wie ChatGPT) basiert auf neuronalen Netzen und Statistik, nicht auf starren Symbolregeln und Mittel-Ziel-Analysen.

Aber historisch und konzeptionell ist die Relevanz ungebrochen. Der GPS lehrte uns, Probleme formal zu definieren. Jeder, der heute Software schreibt, um einen Roboterarm zu steuern oder eine Route im Navi zu berechnen, nutzt Konzepte (wie Graphensuchverfahren), die im Geist des GPS und seiner Zeitgenossen entstanden sind.

Zudem erleben wir gerade eine Renaissance der Idee. Reine Statistik-KI (wie LLMs) macht oft dumme logische Fehler. Viele Forscher schauen wieder auf die Ideen von Newell und Simon, um moderne KI mit der robusten Logik und Planungsfähigkeit des GPS zu „verheiraten“ (Neuro-Symbolische KI). Der „alte Herr“ GPS hat also vielleicht doch noch etwas zu sagen.

Kritik

Natürlich war der GPS nicht perfekt. Im Rückblick wirkt er fast rührend naiv, und die Kritik an ihm ist ebenso lehrreich wie sein Erfolg.

Das Problem der „Spielzeugwelten“: Der GPS funktionierte brillant in sauberen, logischen Welten wie Schach oder dem „Türme von Hanoi“-Spiel. Aber sobald man ihn auf die reale Welt losließ („Geh einkaufen“ oder „Verstehe einen Witz“), brach er zusammen. Die echte Welt ist nicht logisch sauber definiert. Sie ist chaotisch, voller Ausnahmen und Unklarheiten.
Die kombinatorische Explosion: Der GPS suchte durch Ausprobieren von Pfaden. Bei einfachen Problemen geht das. Bei komplexen Problemen explodiert die Anzahl der Möglichkeiten so schnell (exponentiell), dass selbst der stärkste Supercomputer des Universums nicht fertig werden würde. Die Heuristiken des GPS waren zu schwach, um diesen Ozean an Möglichkeiten in den Griff zu bekommen.
Fehlendes Lernen: Der GPS wurde nicht klüger. Wenn er ein Problem löste, vergaß er den Weg danach wieder. Er machte beim nächsten Mal denselben Fehler wieder, bis er die Lösung neu fand. Echte Intelligenz zeichnet sich aber durch Lernen aus Erfahrung aus.
Zu starr: Kritiker wie der Philosoph Hubert Dreyfus argumentierten, dass menschliche Intelligenz nicht auf dem Abarbeiten von Regeln basiert, sondern auf Intuition, Körpergefühl und implizitem Wissen („Knowing-how“ statt „Knowing-that“). All das fehlte dem GPS komplett.

Fazit

Der General Problem Solver war ein „glorreiches Scheitern“. Er scheiterte an seinem eigenen Namen – er war eben kein genereller Problemlöser für alle Lebenslagen. Er war ein Logik-Spezialist.

Aber als wissenschaftliches Experiment war er ein triumphaler Erfolg. Er zeigte, dass kognitive Prozesse präzise beschrieben und simuliert werden können. Er entmystifizierte das Denken. Er nahm das „Geistige“ aus dem Geist und ersetzte es durch Prozesse.

Newell, Shaw und Simon zeigten der Welt, dass man Intelligenz in Code gießen kann. Auch wenn der Becher damals noch klein und löchrig war – sie haben uns gezeigt, wie man einschenkt.

Ausblick

Der GPS war der Großvater moderner „Cognitive Architectures“ wie SOAR oder ACT-R, die bis heute in der Forschung verwendet werden, um menschliches Verhalten zu modellieren. Die Idee der Mittel-Ziel-Analyse findet sich heute in jedem Planungssystem, von der Logistik der Deutschen Bahn bis zur Steuerung der Mars-Rover.

Vielleicht stehen wir heute wieder an einem ähnlichen Punkt wie 1958. Wir haben mit neuronalen Netzen eine mächtige, aber oft undurchsichtige Form der KI. Vielleicht brauchen wir einen neuen „Newell, Shaw und Simon“-Moment, der uns erklärt, wie wir Struktur und Logik zurück in unsere Maschinen bringen.

Literaturquellen

Hauptquelle: Newell, A., Shaw, J. C., & Simon, H. A. (1958). Report on a general problem-solving program. RAND Corporation. (P-1584).
Ergänzend: Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall. (Das spätere Hauptwerk, das die Ideen des GPS vollendete).

Hintergrundinformationen zu den Autoren

Es ist unmöglich, über den GPS zu sprechen, ohne dieses Triumvirat zu würdigen.

Herbert A. Simon (1916–2001): Ein Universalgelehrter, wie es sie heute kaum noch gibt. Er war Politologe, Ökonom, Psychologe und Informatiker. 1978 erhielt er den Nobelpreis für Wirtschaftswissenschaften (für seine Theorie der „begrenzten Rationalität“, die eng mit den Heuristiken des GPS verwandt ist) und 1975 den Turing Award (den „Nobelpreis der Informatik“). Er war der intellektuelle Riese, der immer das große Ganze sah.
Allen Newell (1927–1992): Der Visionär. Er war Simons Schüler und späterer Kollege. Newell war derjenige, der fest an die Computer-Metapher für das Gehirn glaubte. Er war treibende Kraft hinter der Entwicklung der KI als eigenständige Disziplin und erhielt ebenfalls den Turing Award. Er war bekannt für seine unerschöpfliche Energie und seinen Optimismus in Bezug auf KI.
J. C. (Cliff) Shaw (1922–1991): Der stille Held im Hintergrund. Shaw war der Systemprogrammierer bei der RAND Corporation. Während Simon und Newell die großen Theorien spannen, war Shaw derjenige, der sich hinsetzte und die Maschinen tatsächlich dazu brachte, das zu tun, was unmöglich schien. Er entwickelte die IPL-Sprache. Ohne sein technisches Genie wären der GPS und der Logic Theorist nur Papierideen geblieben.

Zusammen bildeten sie ein Team, das die Grenzen zwischen Psychologie, Informatik und Ökonomie einriss und das Fundament für die Welt legte, in der wir heute leben – eine Welt, in der Maschinen anfangen, Probleme zu lösen.

Disclaimer: Dieser Text ist komplett KI-generiert (Gemini 3.0 Thinking, 14.12.2025). Die darin enthaltenen Angaben wurden nicht überprüft. Zum Prompt. Zur Übersicht.