Zeitlinie der KI-Entwicklung

Kurt Gödel veröffentlichte seine Unvollständigkeitssätze und bewies, dass jedes hinreichend mächtige formale System Aussagen enthält, die innerhalb dieses Systems weder bewiesen noch widerlegt werden können. Diese Entdeckung erschütterte nicht nur die mathematische Gemeinschaft, sondern hatte auch tiefgreifende Auswirkungen auf die Berechnungstheorie und die künstliche Intelligenz.

Alonzo Church und Alan Turing schlugen unabhängig voneinander die berühmte Church-Turing-These vor. Diese These besagt, dass jede effektiv berechenbare Funktion Turing-berechenbar ist. Damit wurde die intuitive Vorstellung von „Berechenbarkeit“ formalisiert und das Fundament der Informatik gelegt.

Alan Turing führte in seiner bahnbrechenden Arbeit „On Computable Numbers, with an Application to the Entscheidungsproblem“ das Konzept der Turing-Maschine ein. Dieses abstrakte Berechnungsmodell kann jeden mathematisch berechenbaren Prozess simulieren.

Alonzo Church schlug den Lambda-Kalkül vor, ein formales System zur Definition und Anwendung von Funktionen. Der Lambda-Kalkül gilt als theoretische Grundlage der funktionalen Programmierung. Der ursprüngliche Lambda-Kalkül von 1936 war typlos; Church fügte 1940 einfache Typen hinzu („A Formulation of the Simple Theory of Types“) und schuf damit eines der frühesten explizit getypten Systeme.

Warren McCulloch und Walter Pitts veröffentlichten „A Logical Calculus of the Ideas Immanent in Nervous Activity“ und führten das erste künstliche Neuronenmodell ein (McCulloch-Pitts-Neuron). Dieses Modell vereinfachte Neuronen zu binären Schwellwertschaltern und legte den Grundstein für die spätere Erforschung neuronaler Netze.

Norbert Wiener veröffentlichte „Cybernetics: Or Control and Communication in the Animal and the Machine“ und begründete damit die neue Disziplin der Kybernetik. Die Erforschung der Selbstregulierung von Systemen durch Rückkopplungsmechanismen hatte tiefgreifende Auswirkungen auf KI und Robotik.

Claude Shannon veröffentlichte „A Mathematical Theory of Communication“ und legte damit den Grundstein für die Informationstheorie. Konzepte wie Entropie, Kodierung und Informationsmenge wurden zu zentralen Werkzeugen für das Verständnis von Daten und die Verarbeitung von Informationen.

In „Computing Machinery and Intelligence“ ersetzte Turing die mehrdeutige Frage „Können Maschinen denken?“ durch das Imitationsspiel, bei dem eine befragende Person anhand eines schriftlichen Dialogs Maschine und Mensch unterscheiden soll. Es ist ein Verhaltenskriterium, kein Beweis für Bewusstsein.

1955 verwendeten John McCarthy, Marvin Minsky, Nathaniel Rochester und Claude Shannon im Vorschlag für das Dartmouth Summer Research Project den Begriff „artificial intelligence“ und skizzierten ein Forschungsprogramm für den Sommer 1956.

Der Dartmouth-Workshop im Sommer 1956 trug dazu bei, den Namen „artificial intelligence“ und die Forschungsagenda als Identität eines neuen akademischen Feldes zu etablieren; der Begriff stand bereits im Vorschlag von 1955.

Allen Newell und Herbert Simon entwickelten den „Logic Theorist“, eines der frühen praxistauglichen KI-Programme. Dieses Programm konnte Theoreme aus den Principia Mathematica beweisen und wird häufig zu den frühen KI-Programmen gezählt. Newell und Simon erhielten 1975 den Turing-Preis.

Frank Rosenblatt schlug das Perzeptron-Modell vor, ein einflussreiches frühes künstliches neuronales Netzwerkmodell. Das Perzeptron ist ein einfacher linearer binärer Klassifikator, der durch Anpassung von Gewichten lernt, Eingabedaten zu klassifizieren.

John McCarthy entwickelte am MIT Lisp, eine frühe, eng mit der KI-Forschung verbundene Hochsprache. Lisps Flexibilität und leistungsstarke symbolische Verarbeitung machten es zur bevorzugten Sprache der KI-Forschung.

Newell und Simon entwickelten von 1957 bis 1959 mit Mitarbeitern wie J. C. Shaw den General Problem Solver (GPS). Er war das erste KI-Programm, das menschliches Problemlösen zu simulieren versuchte, indem es die Lösungstechnik vom Wissen über das jeweilige Problemgebiet trennte; es nutzte Zielzerlegung und Teilzielsuche (Mittel-Ziel-Analyse).

Frank Rosenblatt bewies die Konvergenzeigenschaft des Perzeptron-Lernalgorithmus und zeigte, dass das Perzeptron bei linear trennbaren Daten garantiert konvergiert.

Unimate wurde zum ersten Roboter, der an einem Montageband arbeitete. General Motors setzte ihn 1961 im Werk Trenton in New Jersey ein, um eine Druckgussmaschine zu entladen und die noch heißen Gussteile von der Maschine zu nehmen. Unimation baute diese Maschinen für Arbeiten, die für Menschen schwierig, gefährlich oder eintönig waren.

In seiner MIT-Doktorarbeit von 1963 beschrieb Larry Roberts ein System, das Szenen mit einfachen polyedrischen Körpern aus Bildern interpretierte, eine wichtige frühe Grundlage des dreidimensionalen maschinellen Sehens.

Das MIT startete Project MAC 1963 unter der Leitung von Robert Fano zur Erforschung von Timesharing, Berechnung und maschinengestützter Kognition. Das 1959 gegründete MIT Artificial Intelligence Project wirkte später darin mit; beide waren nicht ein einziges 1959 gegründetes Labor.

Joseph Weizenbaum schuf am MIT ELIZA, einen der frühen Chatbots. ELIZA simulierte das Gespräch eines Psychotherapeuten durch Mustererkennung und löste tiefgreifende Reflexionen über die Mensch-Computer-Interaktion aus.

SRI International entwickelte Shakey, einen frühen autonom mobilen Roboter, der seine Umgebung wahrnehmen, Wege planen und Aufgaben ausführen konnte. Shakey kombinierte Computer Vision, NLP und Planungsalgorithmen.

Marvin Minsky und Seymour Papert veröffentlichten „Perceptrons“, eine strenge Analyse dessen, was einschichtige Perzeptrons darstellen können und was nicht. Das Buch wird oft mit dem späteren Rückgang des Interesses an neuronalen Netzen verbunden; Finanzierungsänderungen hatten jedoch auch mit begrenzter Rechenleistung, enttäuschten Erwartungen und politischen Entscheidungen zu tun.

Alain Colmerauer, Philippe Roussel und ihre Mitwirkenden entwickelten in Marseille die erste Version von Prolog, wandten Prädikatenlogik auf die Programmierung an und brachten Logikprogrammierung und symbolische KI voran.

Der britische Wissenschaftler James Lighthill legte der britischen Regierung einen pessimistischen Bericht über die KI-Forschung vor, der zu erheblichen Kürzungen der Fördermittel führte.

Marvin Minsky veröffentlichte das „Frame Paper“ und schlug die Frame-Theorie zur Wissensrepräsentation vor. Diese Theorie beeinflusste die spätere objektorientierte Programmierung und Methoden der Wissensrepräsentation.

Die Stanford University entwickelte MYCIN, ein Expertensystem für die medizinische Diagnose. Es demonstrierte die Praxistauglichkeit von Expertensystemen, wurde jedoch aufgrund haftungsrechtlicher Bedenken nie klinisch eingesetzt.

DEC setzte XCON (eXpert CONfigurer) ein, ein Expertensystem zur Konfiguration von VAX-Computersystemen. Die Entwicklung begann 1978 an der Carnegie Mellon University, der erste Einsatz erfolgte 1979, und ab 1980 lief das System voll im Betrieb. XCON war eines der ersten kommerziell erfolgreichen Expertensysteme und sparte dem Unternehmen jährlich Millionen.

Nach kritischen Bewertungen und Förderkürzungen gerieten Teile der KI-Forschung in den 1970er Jahren in eine Abschwungphase. Der „erste KI-Winter“ ist eine rückblickende Periodisierung; Zeitpunkt und Ausmaß unterschieden sich je nach Land und Teilgebiet.

Japan kündigte das Fifth-Generation-Computer-Projekt (FGCS) im Oktober 1981 auf einer Konferenz von JIPDEC und MITI an – ein auf zehn Jahre angelegtes nationales Vorhaben zur Entwicklung von Computern, die logisches Schließen und Wissensverarbeitung beherrschen. Offiziell begann das Projekt im April 1982 mit der Gründung des ICOT (Institute for New Generation Computer Technology).

David Rumelhart, Geoffrey Hinton und Ronald Williams veröffentlichten ihre Arbeit zum Backpropagation-Algorithmus, der das Training mehrschichtiger neuronaler Netze ermöglichte.

In den späten 1980er-Jahren erfüllten sich Erwartungen nicht, die den Ergebnissen vorausgeeilt waren. Hersteller von Lisp-Maschinen unterlagen universellen Workstations, mehrere KI-Unternehmen schlossen, und die DARPA-Förderung für KI-Grundlagenforschung sank zwischen 1987 und 1989.

In den 1990er-Jahren begannen statistische Methoden die KI-Forschung zu dominieren. Hidden-Markov-Modelle (HMMs) in der Spracherkennung, Naive Bayes und Entscheidungsbäume im maschinellen Lernen erzielten durchweg gute Ergebnisse.

Das US-Militär setzte im Golfkrieg KI-gestützte Planungs- und Logistiksysteme ein und demonstrierte damit das Potenzial der KI in der praktischen Anwendung.

Tim Berners-Lee erschuf das World Wide Web. Die Verbreitung des Internets veränderte die Lebensweise der Menschen und stellte der KI beispiellose Datenressourcen zur Verfügung.

Der Abschwung klang allmählich ab, statt an einem bestimmten Datum zu enden. Viele Forschende wandten sich bescheideneren, erreichbaren Zielen zu, während die Wiederbelebung neuronaler Netze und probabilistischer Methoden den Grundstein für eine neue Ära legte.

Vladimir Vapnik und andere schlugen die Support Vector Machine (SVM) vor, eine leistungsstarke Klassifikations- und Regressionsmethode. SVM erzielte hervorragende Ergebnisse bei der Textklassifikation und Handschrifterkennung.

IBMs Deep Blue besiegte den Schachweltmeister Garri Kasparow und demonstrierte damit die Fähigkeit der KI, menschliche Fähigkeiten in klar definierten Aufgaben zu übertreffen.

Sepp Hochreiter und Jürgen Schmidhuber schlugen LSTM vor, eine spezielle Art von RNN, die langfristige Abhängigkeiten lernen kann. LSTM erzielte große Erfolge in der Spracherkennung und Sprachmodellierung.

Yann LeCun entwickelte LeNet-5, ein CNN zur Erkennung handgeschriebener Ziffern. LeNet-5 war eines der ersten Deep-Learning-Modelle, die in großem Umfang kommerziell eingesetzt wurden: AT&T/NCR nutzte es ab 1993 zum Lesen von Schecks, der US-Postdienst ab Ende der 1990er-Jahre zur Erkennung von Postleitzahlen.

Yoshua Bengio, Réjean Ducharme, Pascal Vincent und Christian Jauvin schlugen ein neuronales probabilistisches Sprachmodell vor, das verteilte Wortdarstellungen und Wahrscheinlichkeiten von Wortfolgen gemeinsam lernt, um den Fluch der Dimensionalität zu mildern. Das Netz ist vorwärtsgerichtet, nicht rekurrent.

Ab 2004 brachte ein CIFAR-Programm Geoffrey Hinton, Yann LeCun, Yoshua Bengio und weitere Forschende regelmäßig zusammen. Es koordinierte Arbeiten, die zur Deep-Learning-Renaissance beitrugen, war aber kein einzelner universeller Startpunkt.

Geoffrey Hinton und seine Kollegen schlugen Deep Belief Networks (DBN) vor, zusammen mit einem schnellen, gierigen Algorithmus, der sie Schicht für Schicht trainiert. Dieses schichtweise Vortraining trug dazu bei, das Interesse an tiefen neuronalen Netzen wiederzubeleben.

Forscher begannen, GPUs zur Beschleunigung des Deep-Learning-Trainings einzusetzen. Die parallele Rechenleistung von GPUs machte das Training großer neuronaler Netze erst möglich.

Das ImageNet-Team veröffentlichte 2009 seine Arbeit über eine mit WordNet hierarchisch organisierte große Bilddatenbank. ImageNet und die spätere Challenge wurden zu wichtiger Infrastruktur für Training und Evaluation im großen Maßstab.

Microsoft Research und die University of Toronto erzielten den ersten großen Durchbruch des Deep Learning in der Spracherkennung (Dahl, Yu, Deng 2011; Mohamed, Dahl, Hinton 2012) und senkten die Wortfehlerrate deutlich. Google setzte zwischen 2012 und 2015 Spracherkennung auf Basis von DNN und LSTM im Produktivbetrieb ein.

Das Team um Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton trat mit AlexNet beim ImageNet-Wettbewerb 2012 (ILSVRC) an und gewann mit überwältigendem Vorsprung: ein Top-5-Fehler von 15,3 %, gegenüber 26,2 % beim Zweitplatzierten.

Tomas Mikolov veröffentlichte Word2Vec, ein neuronales Netzwerkmodell zum Erlernen von Wortvektoren. Word2Vec ermöglichte es Computern, semantische Beziehungen zwischen Wörtern zu verstehen.

Ian Goodfellow schlug GAN vor, eine der wichtigsten Innovationen im Deep Learning. GAN erzeugt durch adversariales Training äußerst realistische Bilder.

Kaiming He und andere schlugen ResNet vor, das die Trainingsschwierigkeiten tiefer Netzwerke durch Skip Connections löste. ResNet ermöglichte das Training von Netzen mit Hunderten von Schichten.

DeepMinds AlphaGo besiegte den Go-Weltmeister Lee Sedol mit 4:1. Go galt als eines der für KI schwierigsten Brettspiele.

Google schlug die Transformer-Architektur vor, einen revolutionären Durchbruch in der Verarbeitung natürlicher Sprache. Der Transformer ist die Grundlage moderner großer Sprachmodelle.

OpenAI veröffentlichte GPT-3, ein großes Sprachmodell mit 175 Milliarden Parametern. GPT-3 demonstrierte erstaunliche Sprachgenerierungsfähigkeiten und löste eine breite Diskussion über AGI aus.

OpenAI veröffentlichte DALL-E (Bildgenerierung) und CLIP (Bild-Text-Kontrastlernen). Diese Modelle demonstrierten die Fähigkeit der KI, multimodale Inhalte zu verstehen und zu generieren.

OpenAI veröffentlichte Codex, ein KI-Modell, das Code versteht und generiert. GitHub Copilot wurde zum ersten breit eingesetzten KI-Programmierassistenten.

Im November 2022 veröffentlichte OpenAI ChatGPT, der erste generative Konversationsassistent für den Massenmarkt. ChatGPT erreichte in zwei Monaten 100 Millionen Nutzer und wurde damit zum schnellstwachsenden Verbraucherprodukt der Geschichte.

Stability AI veröffentlichte Stable Diffusion, ein Bildgenerierungsmodell mit frei herunterladbaren Gewichten unter einer Lizenz, die bestimmte Nutzungen einschränkt. Die Aktivität der Open-Source-Community verbreitete die Bildgenerierungstechnologie rasch.

OpenAI veröffentlichte GPT-4, ein multimodales Modell, das Bilder und Text verarbeiten kann. GPT-4 zeigte nahezu menschliche Leistungen bei professionellen und akademischen Benchmarks.

Anthropic veröffentlichte Claude, einen KI-Assistenten mit Fokus auf Sicherheit und Nützlichkeit. Claudes Design spiegelt die Betonung der KI-Sicherheit wider — KI sollte hilfreich, unbedenklich und ehrlich sein.

Meta veröffentlichte LLaMA, ein großes Sprachmodell unter einer nicht-kommerziellen Forschungslizenz. Obwohl LLaMA eine vergleichsweise geringe Parameterzahl hat, förderte seine hervorragende Leistung die Entwicklung von LLMs mit offenen Gewichten.

Das KI-Agent-Konzept begann, breite Aufmerksamkeit zu erregen. Agenten sind KI-Systeme, die eigenständig komplexe Aufgaben planen und ausführen können.

Im Februar 2024 stellte Google Gemini 1.5 mit Mixture-of-Experts-Architektur und einem experimentellen Kontextfenster von bis zu einer Million Token vor.

Anthropic veröffentlichte die Claude-3-Serie mit Opus, Sonnet und Haiku. Claude 3 Opus war bei mehreren Benchmarks (u. a. MMLU und GPQA) konkurrenzfähig mit GPT-4, blieb bei anderen jedoch zurück.

Meta veröffentlichte die Llama-3-Familie mit offenen Gewichten, einschließlich Modellen mit 8 und 70 Milliarden Parametern.

Die Europäische Union verabschiedete das KI-Gesetz, die erste umfassende horizontale Regulierung der künstlichen Intelligenz. Das Gesetz etablierte eine risikobasierte Klassifizierung und strenge Anforderungen für Hochrisiko-KI-Systeme.

OpenAI veröffentlichte das o1-Modell, ein großes Modell mit Reasoning-Fähigkeiten. o1 zeigt hervorragende Leistungen bei wissenschaftlichen und Programmieraufgaben und demonstriert „Denkfähigkeit“.

Im Oktober 2024 führte Anthropic eine öffentliche Beta der Computersteuerung für eine aktualisierte Version von Claude 3.5 Sonnet ein. Entwickler konnten Claude Bildschirme ansehen, den Cursor bewegen, klicken und Text eingeben lassen.

Anthropic veröffentlichte MCP (Model Context Protocol), einen offenen Standardprotokoll zur Verbindung von KI-Modellen mit externen Werkzeugen und Datenquellen. MCP wird zum „USB-C“ der KI-Anwendungen.

Bis 2025 reiften KI-Agenten von Forschungsdemos zu Produktionswerkzeugen. Coding-Agenten, Browser-Agenten und Multi-Step-Aufgabenagenten wurden zum Standardangebot, mit OpenAI, Anthropic, Google und Open-Source-Projekten, die alle fähige Systeme auslieferten.

Das chinesische KI-Labor DeepSeek veröffentlichte R1, ein Reasoning-Modell mit offenen Gewichten, Code und Gewichte unter MIT-Lizenz, dessen Leistung mit OpenAIs o1 konkurrierte. Die Veröffentlichung zeigte, dass Frontier-Fähigkeiten außerhalb des US-KI-Establishments erreicht werden können, und löste eine globale Neubewertung des KI-Wettbewerbs aus.

OpenAI, Oracle, SoftBank und MGX aus den Vereinigten Arabischen Emiraten kündigten gemeinsam an, über vier Jahre 500 Milliarden Dollar in den Aufbau von KI-Infrastruktur in den Vereinigten Staaten investieren zu wollen, darunter mehrere große Rechenzentren.

Anthropic veröffentlichte Claude 3.7 Sonnet und bezeichnete es als erstes allgemein verfügbares Modell mit hybridem Schlussfolgern: Nutzer können im selben Modell zwischen sofortigen Antworten und ausführlichem Nachdenken wechseln.

Im März 2025 gab Anthropic eine Finanzierungsrunde über 3,5 Milliarden Dollar bei einer Bewertung von 61,5 Milliarden Dollar bekannt und wurde damit eines der am höchsten bewerteten KI-Startups der Welt, was die weitere Kapitalkonzentration in der KI-Branche widerspiegelt.

Meta veröffentlichte die nativ multimodalen Open-Weight-Modelle Llama 4 Scout und Maverick und stellte Behemoth vor, ein noch trainierendes, nicht veröffentlichtes Lehrermodell.

Anthropic veröffentlichte die Claude-4-Familie (Opus 4 und Sonnet 4) und führte die Fähigkeit zu „erweitertem Denken“ (Extended Thinking) ein, mit signifikanten Verbesserungen in Programmierung, Schlussfolgern und Langzeitaufgaben. Claude 4 festigte Anthropics Position im Enterprise-KI-Markt.

Am 2. August 2025 wurden die Governance-Regeln und Pflichten für KI-Modelle mit allgemeinem Verwendungszweck anwendbar. Andere Vorschriften folgen eigenen Übergangsfristen; dies war kein pauschaler Beginn der vollständigen Durchsetzung.

OpenAI veröffentlichte GPT-5, ein einheitliches Flaggschiff-Modell, das die Schlussfolgerungsfähigkeiten der o-Serie mit den Konversationsfähigkeiten der GPT-Serie vereint. GPT-5 setzte eine neue Frontier in Programmierung, Mathematik und Schlussfolgern, unterstützt längere Kontexte und Werkzeugnutzung.

OpenAI hat die Rekapitalisierung seiner Struktur abgeschlossen. Das gewinnorientierte Geschäft ist nun eine Public Benefit Corporation namens OpenAI Group PBC, und die gemeinnützige OpenAI Foundation kontrolliert es weiterhin, bei gleicher Mission. Nach Angaben von OpenAI folgte die Rekapitalisierung auf fast ein Jahr Gespräche mit den Generalstaatsanwaltschaften von Kalifornien und Delaware.

Im ersten Halbjahr 2026 verließen Agentenfähigkeiten die Demonstration und kamen in ausgelieferten Unternehmensprodukten an: Agenten für Programmierung, Support und Büroautomatisierung wurden dokumentierte Funktionen, und die Infrastruktur für Werkzeugaufrufe und Mehr-Agenten-Zusammenarbeit reifte um sie herum. Wie weit die Einführung tatsächlich reichte, ist offen. Veröffentlichte Erhebungen nennen sehr unterschiedliche Produktivquoten, weil sie nicht übereinstimmen, was als Agent zählt; dieser Eintrag hält deshalb eine Richtung fest und kein Niveau.

Im ersten Halbjahr 2026 erschienen Veröffentlichungen mit offenen Gewichten von DeepSeek, Alibaba Qwen, Moonshot, Zhipu und Meta in einem Maßstab, der zuvor geschlossenen Systemen vorbehalten war; Gewichte und Modellkarten sind herunterladbar und nicht nur beschrieben. Ob eines davon die geschlossene Spitze erreicht, hängt davon ab, welcher Benchmark-Index verwendet und wie er gewichtet wird. Dieser Eintrag hält daher fest, was unter welcher Lizenz veröffentlicht wurde, und keine Rangfolge.

Nature veröffentlichte Co-Scientist, ein auf Gemini aufbauendes Multi-Agenten-System, das neuartige Forschungshypothesen zur experimentellen Überprüfung formuliert. Die Arbeit berichtet über die Validierung in drei biomedizinischen Anwendungen: Arzneimittel-Repositionierung, Entdeckung neuer Zielstrukturen und Erklärung von Mechanismen antimikrobieller Resistenz. Die Autoren stellen das System als Assistenz für Forschende dar, nicht als Ersatz, womit es begutachtete Evidenz dafür ist, dass KI an der Hypothesenbildung und nicht nur an der Auswertung mitwirkt.

Laut einem Bericht vom 11. Juni 2026 begann Meta, die Übernahmeintegration mit Manus aufzulösen, den Datenaustausch zu stoppen und die Abläufe zu trennen. Der Bericht stellt einen Zusammenhang mit chinesischen Regulierungsanforderungen her; der spätere rechtliche und operative Status ist anhand aktueller Angaben zu prüfen.

Anthropic veröffentlichte am 9. Juni 2026 das abgesicherte Fable 5 für die allgemeine Nutzung und Mythos 5 für geprüfte Project-Glasswing-Partner. US-Exportkontrollen vom 12. Juni verlangten Beschränkungen für ausländische Staatsangehörige; weil deren Nationalität nicht in Echtzeit prüfbar war, setzte Anthropic beide Modelle weltweit aus. Nach Aufhebung der Kontrollen am 30. Juni kehrte Fable 5 am 1. Juli weltweit zurück, Mythos 5 zunächst für genehmigte US-Organisationen.

Am 13. Juni 2026 leitete eine vom Generalstaatsanwalt des Bundesstaates New York angeführte Koalition mehrerer US-Bundesstaatsanwälte eine Untersuchung gegen OpenAI ein und stellte eine Vorladung zu. Diese verlangt die Herausgabe von Unterlagen zu Werbeauslieferung, Nutzerengagement und -bindung, modelleigener Schmeicheleineigung, Verarbeitung von Verbraucher- und Gesundheitsdaten sowie zum Schutz Minderjähriger und älterer Menschen. OpenAI erklärte sich zur Kooperation mit den Generalstaatsanwälten bereit und verwies auf bereits verschärfte Schutzmechanismen für Minderjährige in ChatGPT.

Am 29. Juni 2026 kündigten Samsung und SK Hynix mehrjährige Pläne über insgesamt 800 Billionen Won an, darunter vier Speicherfabriken im Südwesten Südkoreas. Dollarwerte schwanken mit dem Wechselkurs; Umfang, Genehmigungen und Umsetzung bleiben zu prüfen.

Am 1. Juli 2026 veröffentlichte Google Gemini Spark — seinen 24/7-Agentic-AI-Assistenten — für macOS, mit Echtzeit-Tracking und erweiterter App-Integration. Spark agiert dauerhaft über das digitale Leben des Nutzers hinweg — Googles Vorstoß, agentische KI auf den Verbraucher-Desktop zu bringen.

Im Juli 2026 veröffentlichte Moonshot AI die offenen Gewichte von Kimi K3 auf Hugging Face. Die Modellkarte nennt 2,8 Billionen Parameter insgesamt, davon 104 Milliarden aktiviert, ein Kontextfenster von 1.048.576 Token und die Kimi K3 License. Nach der Gesamtzahl der Parameter gehörte es bei seiner Veröffentlichung zu den größten frei herunterladbaren Sprachmodellen.

Am 1. Juli 2026 kündigte Cloudflare getrennte Kontrollen für Search, Agent und Training an und erklärte, dass neue Domains ab 15. September Training- und Agent-Crawler auf werbeführenden Seiten standardmäßig blockieren und Search erlauben würden; Betreiber können dies ändern und für Mehrzweck-Crawler gilt die strengste Regel.

Am 2. Juli 2026 kündigte Microsoft die Gründung von Microsoft Frontier Company an, eine neue operative Geschäftseinheit für Enterprise-KI-Deployments auf Basis der bestehenden Microsoft-KI-Tools. Das Projekt ist mit einer Microsoft-Investition von 2,5 Mrd. USD und 6.000 Industrie- und Engineering-Experten ausgestattet — Microsoft folgt damit Amazon und OpenAI bei der Gründung einer dedizierten KI-Deployment-Organisation.

Am 9. Juli 2026 machte OpenAI nach dem Ende einer begrenzten Vorschau die GPT-5.6-Familie allgemein verfügbar: Sol, Terra und Luna. Während der Vorschau arbeitete OpenAI eng mit Fachorganisationen und vertrauenswürdigen Partnern zusammen.

Am 2. August 2026 wurde die KI-Verordnung der EU allgemein anwendbar; das KI-Büro übernahm gemeinsam mit den nationalen Behörden Umsetzung, Aufsicht und Durchsetzung. Dieselbe Überarbeitung verschob die schwersten Hochrisikopflichten: eigenständige Systeme nach Anhang III gelten ab dem 2. Dezember 2027, in regulierte Produkte eingebettete KI ab dem 2. August 2028. Verbotene Praktiken galten bereits seit dem 2. Februar 2025, Pflichten für Allzweckmodelle seit dem 2. August 2025.

Am 2. September 2026 veröffentlichte ARC Prize geprüfte ARC-AGI-3-Ergebnisse für GPT-6 Astra über zwölf Harness-Konfigurationen. Auf demselben halbprivaten Bewertungssatz erreicht das Modell 62,71 % mit dem Standard-Harness, das ihm erlaubt, selbst gewählte Notizen mitzunehmen, und 98,55 % mit einem Provider-Adapter-Harness, das den Denkzustand zwischen Anfragen bewahrt und lange Gespräche verdichtet. Astra brauchte auf 96 % der Level weniger Züge als der Median der getesteten Menschen. Die Zahl misst ein Modell samt seinem Gerüst, weshalb hier beide stehen.

Am 3. September 2026 veröffentlichte OpenAI eine Systemkarte, die GPT-6 Astra nach dem firmeneigenen Preparedness Framework auf die Schwelle Critical für Cyberfähigkeit setzt — das erste Modell des Hauses auf dieser Stufe. Die Karte beschreibt ein Modell, das bislang unbekannte Sicherheitslücken finden und neue Wege ihrer Ausnutzung über viele gut geschützte Systeme hinweg entwickeln kann, ohne dass ein Mensch jeden Schritt führt; die heiklen Fähigkeiten liegen hinter einem Programm für vertrauenswürdigen Zugang. Die Einstufung ist OpenAIs Bewertung des eigenen Modells am eigenen Rahmen, und die Karte verwendet weder AGI noch allgemeine Intelligenz.