Die 15-jährige Evolutionsgeschichte der KI-Assistenten von Siri bis Muse

Im Jahr 2011 integrierte Apple Siri in das iPhone. Damals erkannten die Menschen zum ersten Mal, dass das Handy neben der Telefonfunktion noch ein weiteres kleines Tool beherbergen kann, das mit ihnen spricht, chattet und Fragen beantwortet.

Fünfzehn Jahre später geben sich KI-Assistenten nicht mehr damit zufrieden, nur Fragen zu beantworten. Sie beginnen, E-Mails zu lesen, Dokumente zu erstellen, Programme zu schreiben, Computer zu bedienen und Aufgaben sogar weiter auszuführen, wenn der Nutzer das Gerät verlassen hat.

In diesen vergangenen fünfzehn Jahren sind fünf bahnbrechende Produkte für KI-Assistenten erschienen, die die Entwicklungsgeschichte der KI-Assistenten in fünf Phasen unterteilen:

Siri ließ Maschinen die Anweisungen von Menschen verstehen, Alexa brachte KI in die Haushalte der Nutzer, Copilot ließ große Sprachmodelle an Wissensarbeit teilhaben, Codex integrierte KI in Produktionsabläufe …

Das kürzlich erschienene Muse wiederum versucht, ein KI-Assistent zu werden, der Sie langfristig kennt.

Rückblickend auf diese Produkte stellen wir fest, dass jede Generation das zentrale Problem gelöst hat, das von der vorherigen Generation hinterlassen wurde – aber gleichzeitig neue Probleme geschaffen hat.

Es scheint niemandem gelungen zu sein, einen perfekten KI-Assistenten zu bauen. Sie sind lediglich passende Lösungen für die Anforderungen jeder Epoche.

Dennoch ist ein deutlicher Trend zu erkennen: KI-Assistenten entwickeln sich von fragenorientierten Helfern zu begleitenden Assistenten.

Und wenn KI-Assistenten von fragenorientierten zu begleitenden Helfern übergehen, hängt der Wert eines KI-Assistenten-Produkts nicht mehr nur von der Modellfähigkeit ab, sondern auch davon, welche Informationen es abrufen, welche Tools es aufrufen kann – und ob Menschen bereit sind, ihnen mehr Rechte zu übertragen.

01 Die Einführung von Siri: Der plötzliche Durchbruch der Sprachassistenten

Am 4. Oktober 2011 veranstaltete Apple die Präsentation des iPhone 4S unter dem Motto „Let's talk iPhone“.

Das Wort „talk“ hier hat eine doppelte Bedeutung: Apple stellte auf dieser Veranstaltung einen neuen Sprachassistenten namens Siri vor.

Auf der Präsentation beantwortete dieses kleine Ding eine Reihe scheinbar einfacher Fragen von Scott Forstall, dem damaligen Senior Vice President von Apple:

Brauche ich heute einen Regenschirm? Welche Restaurants gibt es in der Nähe? Weck mich morgen um … Uhr …

Eine der Demonstrationen lautete: „Erinnere mich daran, meine Frau anzurufen, wenn ich das Büro verlasse.“

Im Vergleich dazu mussten Nutzer bei herkömmlichen Handy-Apps die Uhrzeit manuell eingeben. Siri versuchte dagegen zu verstehen, dass „das Büro verlassen“ ein ortsbezogener Zustand ist: Das Handy erkennt, wenn der Nutzer einen bestimmten Bereich verlässt, und löst dann die Erinnerung aus.

Dies war das erste Mal, dass ein KI-Assistent Erinnerungsfunktionen mittels elektronischer Zäune und Kontextzusammenhang realisierte – und zugleich das erste Mal, dass ein KI-Assistent in Form eines vollständigen Produkts den Massenmarkt erreichte.

Es zeigte den normalen Verbrauchern, dass Computer nicht nur Klicks ausführen, sondern auch die Absicht hinter gesprochener Sprache verstehen können.

An dieser Stelle ist erwähnenswert, dass Steve Jobs bereits im August desselben Jahres aus Krankheitsgründen von seinem Amt als CEO zurückgetreten war (Tim Cook übernahm die Position) und am Tag nach der Präsentation verstarb. Es bleibt unklar, ob Jobs mit dem ersten Auftritt von Siri zufrieden war.

Tatsächlich war Siri keine plötzliche Eingebung von Apple: Es entstand aus dem CALO-Projekt, das von der Defense Advanced Research Projects Agency (DARPA) der USA gefördert wurde. Das SRI-Team, das an dem Projekt beteiligt war, gründete später die Firma Siri, um den kognitiven Assistenten aus dem Labor zu einem Konsumprodukt zu machen.

Im Jahr 2010 kaufte Apple Siri für 200 Millionen US-Dollar auf. Ein Jahr später wurde es tief in das iPhone 4S integriert.

Der entscheidende Schritt, den Apple vollzog, bestand darin, dem Sprachassistenten die Berechtigung zum Aufruf des Betriebssystems zu verschaffen.

Davor wandelten Spracherkennungs-Software Sprache nur in Text um. Siri konnte hingegen Anrufe, SMS, Kalender, Erinnerungen, Karten und Suchdienste aufrufen – so entstand eine vollständige Kette aus einem einzigen Satz:

Sprache wird in Text umgewandelt, das System erkennt die Absicht des Nutzers, extrahiert Uhrzeit, Ort und Kontaktperson und ruft dann die entsprechende Funktion auf.

Diese sprachinteraktive Technologie löste später auch in China eine Welle der Produktentwicklung aus. Damals gab es in China zwei typische Wege zur Vermarktung von Sprachinteraktions-Technologie.

Der erste Weg war der technische Dienstleistungsansatz, vertreten von iFlytek.

Im März 2012 veröffentlichte iFlytek die App „Xunfei Yudian“, die direkt auf Siri abzielte. Damals hatte Siri noch keine chinesische Sprachfunktion. iFlytek nutzte diese Gelegenheit, um diesen „chinesischen Siri“ zu entwickeln. Auf der Präsentation zeigte iFlytek offiziell Funktionen wie Anrufe per Sprachbefehl, SMS senden, Apps starten, Erinnerungen einstellen und Navigation.

Die Probleme, vor denen iFlytek stand, waren nicht ganz identisch mit denen von Apple.

Aus technischer Sicht gibt es im Chinesischen eine große Anzahl von Homophonen. Neben dem Mandarin gibt es komplexe Akzente und Dialekte, und Nutzer verwenden Sprachfunktionen oft in lauten Umgebungen wie Straßen, Autos oder Bahnhöfen. Apple versuchte, das Produkterlebnis durch die Integration von Hardware und Software zu schaffen, während iFlytek mehr Wert auf die grundlegende Fähigkeit zur Spracherkennung, Sprachsynthese und chinesischen Textverarbeitung legte.

Aus Marktsicht verfügte iFlytek damals nicht über ein Top-Hardware-Produktsystem wie Apple. Deshalb gründete iFlytek im Jahr 2012 gemeinsam mit Unternehmen wie Huawei, Lenovo, Changhong, Skyworth, SAIC und den drei großen Mobilfunkbetreibern eine Sprachindustrialliance. Mit diesem vernetzten Weg wollte es zur Sprachtechnologie-Plattform hinter Handys, Autos, Fernsehern, Haushaltsgeräten und Mobilfunkbetreibern werden.

Erwähnenswert ist, dass China Mobile, das damals ebenfalls davon ausging, dass Sprachtechnologie ein neuer Eingangspunkt für das mobile Internet werden könnte, nach der Demonstration von iFlyteks Xunfei Yudian 13,63 Milliarden Yuan investierte, um 15 % der Anteile von iFlytek zu erwerben – und damit offiziell Großaktionär von iFlytek wurde.

China Mobile brachte dann Ende 2012 auf Basis der Technologie von Xunfei Yudian den eigenen Sprachassistenten „Lingxi“ auf den Markt.

Baidu hingegen stieg von der anderen Seite der Suchfunktion in diesen Wettbewerb ein.

Suchmaschinen funktionieren grundsätzlich nach dem Prinzip „Nutzer stellt Frage, Maschine sucht Antwort“. Baidu, das ebenfalls nicht über Betriebssysteme und Endgerätehardware verfügte, besaß aber Daten aus Suche, Karten, Enzyklopädien, Wissensdatenbanken, Musik, App-Verteilung und lokalen Diensten.

Deshalb wollte Baidu damals diese Fähigkeiten aus dem Suchfeld in Sprachdialoge übertragen, damit Nutzer Ergebnisse erhalten, ohne Stichwörter eingeben zu müssen.

Diese Geschichte hat viele Ähnlichkeiten mit dem zweiten Suchmaschinen-Wettbewerb, der später durch ChatGPT ausgelöst wurde – nur dass der Wettbewerbsstart um zehn Jahre früher lag.

Im September 2012 zeigte Baidu auf dem Sondersymposium für Sprach- und Bildtechnologien im Rahmen der Baidu World Conference seine eigenen Technologien zur Spracherkennung und Bilderkennung – zwei Bereiche, in denen künstliche Intelligenz zuerst weit verbreitet Anwendung fand.

Am 25. Dezember 2012 wurde die Android-Version des „Baidu Sprachassistenten“ offiziell veröffentlicht. Damals prägte Baidu einen sehr internettypischen Slogan für dieses Produkt: „Gesagt, getan“.

Im Vergleich zu Assistenten, die nur lokale Befehle ausführen konnten, lag der größte Unterschied des Baidu Sprachassistenten in der Suchfunktion: Er war verbunden mit den seit Jahren gesammelten Daten von Baidu aus Webseiten, Enzyklopädien, Wissensdatenbanken, Karten und Lebensdiensten und konnte direkt Fragen zu Mathematik, Aktien, Wetter und Geographie beantworten.

Aus genau diesem Grund entstand aber auch ein weiterer Fehler bei diesem Produkt. Damals stellten einige Nutzer fest, dass das Produkt zwar Sprache korrekt erkennen konnte, aber häufig nur die Suchergebnisse von Baidu öffnete, statt die Frage direkt zu verstehen und eine Antwort zu formulieren.

Diese Nutzungserfahrung ließ viele Nutzer denken, dass es sich nur um ein halbfertiges Produkt handelte.

Trotzdem lag Baidu bei diesem Produkt mit einer Technologie richtig: Als technisches Verkaufsargument wählte Baidu, tiefe neuronale Netze für die chinesische Spracherkennung einzusetzen. Laut den damals von Baidu veröffentlichten offiziellen Daten sank die Fehlerrate der Spracherkennung des Baidu Sprachassistenten um 25 %, nachdem die Technologie der tiefen neuronalen Netze eingeführt wurde.

Zu den tiefen neuronalen Netzen ist noch zu ergänzen, dass Baidu 2013 an der geheimen Auktion von DNNresearch teilnahm, das von Geoffrey Hinton und seinen Studenten gegründet wurde. Bei dieser geheimen Auktion, an der Microsoft, Google, DeepMind und Baidu teilnahmen, bot Baidu zwar einen hohen Preis von 44 Millionen US-Dollar, aber letztendlich wählte Hinton aus verschiedenen Gründen Google.

Nach dieser Auktion war Baidu noch überzeugter von der Bedeutung der KI-Technologie und gründete 2014 das Institut für Deep Learning. Robin Li übernahm persönlich die Leitung als erster Direktor und legte damit die KI-Strategie von Baidu fest.

Was die intelligenten Sprachassistenten betrifft, holte Baidu um 2017 herum Jing Kun, der an der Entwicklung von Microsoft Xiaoice beteiligt war, in das Suchproduktteam. Das Suchteam sollte einen neuen intelligenten Sprachassistenten entwickeln – den späteren Duer.

Nachdem Siri den Sprachassistenten in die Öffentlichkeit gebracht hatte, konnte die intelligente Sprachtechnologie aufgrund früher technischer Engpässe in den ersten zehn Jahren des mobilen Internets nicht zu einer Eingangstechnologie werden. Sie löste eher eine technische Vision aus: Was können wir noch tun, nachdem Maschinen die Anweisungen von Menschen verstehen können?

02 Alexa und der „Krieg der hundert Smart-Speaker“: Der Eingangspunkt und Boom im Smart-Home-Bereich

Im November 2014 veröffentlichte Amazon ein neues Gerät mit ungewöhnlichem Aussehen: einen schwarzen Zylinder von der Größe einer Chips-Tüte.

Es hat keinen Bildschirm und keine komplizierten Tasten, kann aber im Wohnzimmer oder in der Küche aufgestellt werden und wartet rund um die Uhr darauf, dass der Besitzer seinen Namen ruft. Sein Name ist Alexa.

Viele Jahre später erinnerte sich Amazon-Gründer Jeff Bezos in einem Brief an die Aktionäre: „Kein Verbraucher hat uns darum gebeten, Echo herzustellen. Wenn man die Nutzer 2013 gefragt hätte, ob sie einen schwarzen Zylinder zum Chatten in der Küche aufstellen wollen, hätten die meisten wahrscheinlich abgelehnt …“

Echo war kein Nutzerbedarf, der durch Marktforschung