Each language version is independently generated for its own context, not a direct translation.
Die Logovista-Maschine: Ein handgefertigter Übersetzer aus der Vor-Internet-Ära
Stell dir vor, du möchtest eine riesige, komplexe Maschine bauen, die englische Sätze perfekt ins Japanische übersetzt. Heute machen das riesige künstliche Intelligenzen, die Millionen von Texten „geschluckt" haben und alles auswendig lernen. Aber das, worüber Barton Wright in diesem Papier schreibt, war etwas ganz anderes: Logovista.
Es war eine Übersetzungsmaschine, die nicht durch bloßes Lernen entstand, sondern wie ein hochpräzises Uhrwerk aus handgefertigten Regeln gebaut wurde. Sie lief von den frühen 90ern bis mindestens 2012 und wurde kommerziell verkauft.
Hier ist die Geschichte dieser Maschine, einfach erklärt:
1. Das Herzstück: Ein riesiges Regelbuch statt eines Gehirns
Stell dir Logovista nicht als einen schlauen Roboter vor, der „fühlt", was gemeint ist. Stell es dir eher wie einen sehr pedantischen Bibliothekar vor, der Tausende von Regelbüchern und Wörterbüchern im Kopf hat.
- Die Regeln: Linguisten (Sprachwissenschaftler) haben jede grammatische Regel des Englischen und Japanischen von Hand in den Computer geschrieben.
- Das Wörterbuch: Ein riesiges, zentrales Wörterbuch sagte der Maschine nicht nur, was ein Wort bedeutet, sondern auch, welche Wörter es mit wem zusammenarbeiten darf (z. B. dass man „schlafen" nicht mit einem „Auto" verbinden kann).
2. Wie die Maschine dachte: Der Wahnsinn der Möglichkeiten
Wenn ein Satz in die Maschine kam, passierte Folgendes:
Stell dir vor, du wirfst einen Satz in einen Labyrinth-Generator. Die Maschine erzeugt sofort tausende von möglichen Wegen (Bedeutungen), wie dieser Satz gemeint sein könnte. Ein Satz wie „I saw the man with the telescope" könnte bedeuten: „Ich habe den Mann mit dem Fernrohr gesehen" ODER „Ich habe den Mann gesehen, der ein Fernrohr hatte".
Die Maschine hatte also Milliarden von Möglichkeiten (der Text spricht von 10³⁵ – das ist mehr als die Anzahl der Sterne im Universum!).
- Der Schiedsrichter: Um sich zu entscheiden, nutzte die Maschine ein Punktesystem. Kleine Experten-Programme (die „Experten") bewerteten jede Möglichkeit.
- Beispiel: „Ist das Wort 'Bank' hier eine Sitzgelegenheit oder ein Geldinstitut?" Die Experten gaben Punkte für die wahrscheinlichste Bedeutung basierend auf den umgebenden Wörtern.
- Der Weg mit den meisten Punkten wurde gewählt.
3. Der ewige Kampf: Mehr Regeln = Mehr Chaos
Das war der schwierigste Teil. Als die Entwickler versuchten, die Maschine besser zu machen, indem sie mehr Wörter und Regeln hinzufügten, passierte etwas Unerwartetes: Die Maschine wurde verwirrter.
Stell dir vor, du baust ein Haus. Wenn du ein neues Zimmer hinzufügst, ist das toll. Aber wenn du zu viele neue Türen und Gänge hinzufügst, ohne den Grundriss anzupassen, verirrt sich der Bewohner.
- Jede neue Regel, die man hinzufügte, um einen seltenen Satz zu verstehen, konnte versehentlich einen alten, einfachen Satz kaputt machen.
- Das Team musste ständig Rückwärts-Tests machen. Sie hatten eine Liste von 10.000 Sätzen, die sie schon kannten. Jedes Mal, wenn sie etwas änderten, prüften sie: „Haben wir damit versehentlich einen alten Satz falsch übersetzt?" Das war wie ein ständiges Aufräumen, während man gleichzeitig das Haus umbaut.
4. Warum die Benutzer nicht halfen
Die Entwickler bauten eine tolle Funktion: Die Benutzer konnten selbst eingreifen, wenn die Maschine unsicher war. Sie konnten sagen: „Nein, hier ist 'Bank' ein Geldinstitut!"
Aber die Leute nutzten das fast nie. Sie wollten einfach nur auf „Übersetzen" klicken und fertig. Auch wenn das Ergebnis nicht perfekt war, war den Benutzern die volle Automatisierung lieber als ständiges Nachbessern.
5. Das Erbe: Ein Museum für Regel-basierte KI
Das Papier ist keine Werbung dafür, dass wir wieder zu solchen Systemen zurückkehren sollten. Die moderne KI (wie ChatGPT) ist heute viel mächtiger.
Stattdessen ist dieses Dokument ein technisches Archiv.
- Der Autor hat den gesamten Quellcode, die Wörterbücher und die Regelbücher aufbewahrt, als die Firma 2012 schloss.
- Es ist wie ein Zeitkapsel, die zeigt, wie man versucht hat, Sprache rein durch Logik und Regeln zu verstehen, bevor die KI-Revolution begann.
- Es ist ein Beweis dafür, wie viel Arbeit nötig war, um Sprache „manuell" zu programmieren und wo diese Methode an ihre Grenzen stieß (nämlich bei der unendlichen Komplexität der menschlichen Sprache).
Fazit
Logovista war wie ein meisterhaftes, aber stures Uhrwerk. Es funktionierte jahrzehntelang, weil es auf harten Fakten und Regeln basierte, nicht auf Wahrscheinlichkeiten. Aber als die Sprache zu komplex wurde, um jede einzelne Regel von Hand zu schreiben, stieß das System an seine Grenzen. Heute dient dieses Archiv als historisches Zeugnis: Ein Blick darauf, wie wir Sprache zu übersetzen versuchten, bevor die Maschinen anfingen, selbst zu lernen.