In der Informatik bezieht sich Computational Intelligence (CI) auf Konzepte, Paradigmen, Algorithmen und Implementierungen von Systemen, die darauf ausgelegt sind, in komplexen und sich verändernden Umgebungen „intelligentes“ menschliches Verhalten nachzuahmen. Diese Systeme zielen darauf ab, komplexe Aufgaben in einer Vielzahl von technischen oder kommerziellen Bereichen zu bewältigen und bieten Lösungen, die unter anderem Muster erkennen und interpretieren, Prozesse steuern, Entscheidungsfindungen unterstützen oder Fahrzeuge oder Roboter in unbekannten Umgebungen autonom manövrieren. Die Konzepte und Paradigmen zeichnen sich durch die Fähigkeit aus, zu lernen oder sich an neue Situationen anzupassen, zu verallgemeinern, zu abstrahieren, zu entdecken und zu assoziieren. Naturanaloge oder von der Natur inspirierte Methoden spielen dabei eine Schlüsselrolle.
CI-Ansätze befassen sich in erster Linie mit komplexen Problemen der realen Welt, für die mathematische oder traditionelle Modellierung aus verschiedenen Gründen nicht geeignet ist: Die Prozesse lassen sich mit vollständigem Wissen nicht genau beschreiben, sie sind für mathematische Herangehensweisen zu komplex, sie beinhalten gewisse Unsicherheiten während des Prozesses, wie beispielsweise unvorhergesehene Veränderungen in der Umgebung oder im Prozess selbst, oder die Prozesse sind einfach stochastischer Natur. Daher sind CI-Techniken in der Regel auf Prozesse ausgerichtet, die unzureichend definiert, komplex, nichtlinear, zeitabhängig und/oder stochastisch sind.
Eine Definition der IEEE Computational Intelligence Society von 2025 beschreibt CI als die Theorie, das Design, die Anwendung und die Entwicklung von biologisch und linguistisch motivierten Berechnungsparadigmen. Traditionell sind die drei Hauptsäulen der CI neuronale Netze, Fuzzy-Systeme und evolutionäre Algorithmen (Evolutionary Computation). ... CI ist ein sich weiterentwickelndes Gebiet und umfasst derzeit neben den drei Hauptkomponenten auch Berechnungsparadigmen wie ambient intelligence, künstliches Leben, cultural learning, artificila endokrine networks, social reasoning und artificial hormone networks. ... In den letzten Jahren gab es eine explosionsartige Zunahme der Forschung im Bereich Deep Learning, insbesondere im Bereich der deep convolutional neural networks. Heutzutage ist Deep Learning zur Kernmethode der künstlichen Intelligenz geworden. Tatsächlich basieren einige der erfolgreichsten KI-Systeme auf CI. (Übersetzt mit DeepL.com)
Die allgemeinen Anforderungen für die Entwicklung eines „intelligenten Systems“ sind letztlich immer dieselben, nämlich die Simulation und Nachahmung intelligenten menschlichen Denkens und Handelns in einem bestimmten Anwendungsbereich. Dazu muss das Wissen über diesen Bereich in einem Modell dargestellt werden, damit es verarbeitet werden kann. Die Qualität des resultierenden Systems hängt weitgehend davon ab, wie gut das Modell nach der Entwicklungs- oder Lernphase die relevanten Aspekte der Realität abbildet. Manchmal eignen sich datengesteuerte Methoden, um ein gutes Modell zu finden, und manchmal liefern logikbasierte Wissensrepräsentationen bessere Ergebnisse. In realen Anwendungen kommen in der Regel hybride Modelle zum Einsatz.
Da es sich bei CI um ein aufstrebendes und sich entwickelndes Gebiet handelt, gibt es keine endgültige Definition von CI, insbesondere hinsichtlich der Liste der dazugehörigen Konzepte und Paradigmen. Ausgehend von aktuellen Lehrbüchern können die folgenden Methoden und Paradigmen, die sich weitgehend ergänzen, als Bestandteile von CI betrachtet werden:
Fuzzy Systeme Neuronale Netze und insbesondere convolutional neural networks Evolutionary Computation: evolutionäre Algorithmen und insbesondere evolutionäre Mehrzieloptimierung Schwarmintelligenz Bayessche Netze (Bayesian networks) Künstliche Immunsysteme Probabilistische Methoden Maschinelles Lernen
Verhältnis von CI zu künstlicher Intelligenz und Bezüge zum Hard- und Soft-Computing Künstliche Intelligenz (KI) wird spätestens seit dem Ende 2022 einsetzenden Boom um ChatGPT und verwandte Tools in den Medien, aber auch von einem Teil der damit befassten Wissenschaftler als eine Art Oberbegriff für die unterschiedlichsten Techniken verwendet, die mit KI oder mit CI in Verbindung stehen. Die Beziehung zwischen CI und KI ist seit der Entwicklung von CI ein häufig diskutiertes Thema. Die meisten KI-/CI-Forscher, die sich mit diesem Thema beschäftigen, betrachten sie als unterschiedliche Bereiche, wobei entweder
die CI eine Alternative zur KI ist, die KI die CI einschließt, oder aber die CI die KI einschließt. mini|286x286px|Eine mögliche Sichtweise der Beziehung zwischen Hard Computing und Künstlicher Intelligenz einerseits und Soft-Computing und Computational Intelligence andererseits. Die EC beinhaltet im Wesentlichen die verschiedenen evolutionären Algorithmen. Die Sichtweise des ersten der drei Punkte geht auf Zadeh zurück, dem Begründer der Fuzzy-Set-Theorie, der maschinelle Intelligenz in Hard- und Soft-Computing-Techniken unterschied, die einerseits in der KI und andererseits in der CI zum Einsatz kommen. Im Hard Computing (HC) und in der traditionellen KI (z. B. Expertensysteme) sind Ungenauigkeit und Unsicherheit unerwünschte Eigenschaften eines Systems, während sich Soft Computing (SC) und damit CI auf den Umgang mit diesen Eigenschaften konzentrieren.Volker Nissen: In: Enzyklopaedie der Wirtschaftsinformatik. Lehrstuhl für Wirtschaftsinformatik, Universität Potsdam; abgerufen am 27. Dezember 2025. Die nebenstehende Abbildung veranschaulicht diese Sichtweise und listet die wichtigsten CI-Techniken auf. Ein weiteres häufig genanntes Unterscheidungsmerkmal ist die Darstellung von Informationen in symbolischer Form in der KI und in subsymbolischer Form in CI-Techniken.
Hard Computing ist eine konventionelle Berechnungsmethode, die auf den Prinzipien der Determiniertheit und Genauigkeit basiert. Sie erfordert ein genau definiertes analytisches Modell der zu verarbeitenden Aufgabe und ein vorab geschriebenes Programm, d. h. einen festen Satz von Anweisungen. Die verwendeten Modelle basieren auf der Booleschen Logik, bei der beispielsweise ein Element entweder Mitglied einer Menge ist oder nicht, und es gibt nichts dazwischen. Bei der Anwendung auf reale Aufgaben führen HC-basierte Systeme zu konkreten Steuerungsmaßnahmen, die durch das zu Grunde liegende Modell oder den Algorithmus definiert sind. Bei Eintritt einer unvorhergesehene Situation, die nicht in dem verwendeten Modell oder Algorithmus enthalten ist, schlägt die Maßnahme höchstwahrscheinlich fehl.
Soft-Computing hingegen basiert auf der Tatsache, dass der menschliche Verstand in der Lage ist, Informationen zu speichern und zielorientiert zu verarbeiten, auch wenn die Daten ungenau sind und keine Eindeutigkeit aufweisen. Die meisten SC-Techniken basieren auf einem Modell des menschlichen Gehirns mit probabilistischem Denken, Fuzzy-Logik und mehrwertiger Logik. Soft-Computing kann eine Fülle von Daten verarbeiten und eine große Anzahl von Berechnungen, die möglicherweise nicht exakt sind, parallel durchführen. Bei schwierigen Problemen, für die keine zufriedenstellenden exakten Lösungen auf der Grundlage von HC verfügbar sind, können SC-Methoden erfolgreich angewendet werden. SC-Methoden sind in der Regel stochastischer Natur, d. h. sie arbeiten mit zufällig definierten Prozessen, die statistisch, aber nicht präzise analysiert werden können. Bislang können die Ergebnisse einiger CI-Methoden, wie z. B. Deep Learning, nicht verifiziert werden, und es ist auch nicht klar, worauf genau sie basieren. Dieses Problem stellt eine wichtige wissenschaftliche Frage für die Zukunft dar.
KI und CI sind eingängige Begriffe, aber sie sind sich auch so ähnlich, dass sie leicht verwechselt werden können. Die Bedeutung beider Begriffe hat sich über einen langen Zeitraum hinweg entwickelt und verändert, wobei KI zuerst verwendet wurde. Bezdek beschreibt dies eindrucksvoll und kommt zu dem Schluss, dass solche Schlagworte häufig von der Wissenschaftsgemeinschaft, dem Wissenschaftsmanagement und dem (Wissenschafts-)Journalismus verwendet und gehypt werden. Nicht zuletzt, weil KI und biologische Intelligenz mit Emotionen besetzte Begriffe sind und es nach wie vor schwierig ist, eine allgemein akzeptierte Definition für den Grundbegriff Intelligenz zu finden.
Geschichte Im Jahr 1950 entwickelte Alan Turing, einer der Gründerväter der Informatik, einen Test für Computerintelligenz, der als Turing-Test bekannt ist. Bei diesem Test kann eine Person über eine Tastatur und einen Monitor Fragen stellen, ohne zu wissen, ob ihr Gegenüber ein Mensch oder eine Maschine ist. Ein Computer gilt als intelligent, wenn der Fragesteller den Computer nicht von einem Menschen unterscheiden kann. Dies veranschaulicht die Diskussion über intelligente Computer zu Beginn des Computerzeitalters.
Der Begriff Computational Intelligence wurde erstmals 1985 als Titel der gleichnamigen Fachzeitschrift verwendet und später vom IEEE Neural Networks Council (NNC) aufgegriffen, der 1989 von einer Gruppe von Forschern gegründet wurde, die sich für die Entwicklung biologischer und künstlicher neuronaler Netze interessierten. Am 21. November 2001 wurde der NNC zur IEEE Neural Networks Society und zwei Jahre später zur IEEE Computational Intelligence Society, indem neue Interessengebiete wie Fuzzy-Systeme und evolutionäre Algorithmen mit einbezogen wurden.
Das NNC half 1994 bei der Organisation des ersten IEEE World Congress on Computational Intelligence in Orlando, Florida. Auf dieser Konferenz wurde von Bezdek die erste brauchbare Definition von Computational Intelligence vorgestellt: Ein System ist "computationally intelligent", wenn es: nur mit numerischen (Low-Level-)Daten arbeitet, über Komponenten zur Mustererkennung verfügt, kein Wissen im Sinne der (traditionellen) KI nutzt und darüber hinaus (1) rechnerische Anpassungsfähigkeit, (2) rechnerische Fehlertoleranz, (3) eine Geschwindigkeit, die der menschlichen Arbeitsgeschwindigkeit nahekommt, und (4) Fehlerquoten, die der menschlichen Leistungsfähigkeit nahekommen, aufweist oder aufzuweisen beginnt. (Übersetzung basiert auf DeepL.com)
Heute, mit maschinellem Lernen und insbesondere Deep Learning, das eine Vielzahl von überwachten, unüberwachten und bestärkenden Lernansätzen nutzt, hat sich die CI-Landschaft durch neuartige Ansätze erheblich erweitert.
Die wichtigsten algorithmischen Ansätze der CI und ihre Anwendungen Zu den bedeutendsten Anwendungsbereichen der Computational Intelligence zählen Informatik, Ingenieurwesen, Datenanalyse und Biomedizin.
Fuzzy Systeme Fuzzy-Regelsysteme basieren auf Fuzzy-Logik, welche im Gegensatz zur herkömmlichen Booleschen Logik auf Fuzzy-Mengen basiert. In beiden Logikmodellen wird eine Eigenschaft eines Objekts als Zugehörigkeit zu einer Menge definiert; in der Fuzzy-Logik wird diese Relation jedoch nicht scharf durch eine Ja/Nein-Unterscheidung definiert, sondern graduell abgestuft. Dies erfolgt mithilfe von Zugehörigkeitsfunktionen, die jedem Element eine reelle Zahl zwischen 0 und 1 als Zugehörigkeitsgrad zuweisen. Die so neu eingeführten Mengenoperationen definieren die Operatoren eines zugehörigen Logik-Kalküls, das die Modellierung von Inferenzprozessen, d. h. logischen Schlussfolgerungen, ermöglicht. Daher eignet sich Fuzzy-Logik gut für technische Entscheidungen bei Unsicherheiten oder mit ungenauen Daten, verfügt jedoch nicht über Lernfähigkeiten.