KI am Limit: Wieso hat ChatGPT so große Probleme mit alten Programmiersprachen wie BASIC & FORTRAN?

In einer Welt, in der Künstliche Intelligenz (KI) scheinbar täglich neue Grenzen sprengt, komplexe Texte verfasst, Bilder generiert und sogar Musik komponiert, mag es überraschen, dass ausgerechnet die sogenannten „Altvorderen“ der Computerwelt – Sprachen wie BASIC und FORTRAN – für Modelle wie ChatGPT eine unerwartet hohe Hürde darstellen. Man könnte meinen, dass diese scheinbar einfachen, strukturell weniger komplexen Sprachen für eine hochintelligente KI ein Leichtes sein sollten. Doch der Schein trügt. Die Herausforderungen, denen sich ChatGPT und ähnliche Large Language Models (LLMs) gegenübersehen, wenn es um das Verständnis und die Generierung von Code in diesen alten Dialekten geht, sind tiefgreifend und offenbaren fundamentale Aspekte der KI-Trainingsmethodik und der Natur von Legacy-Code.

Der Aufstieg der KI und ihr Trainingsgelände

Um zu verstehen, warum ChatGPT an alten Sprachen scheitert, müssen wir zunächst verstehen, wie diese Modelle funktionieren. ChatGPT basiert auf einem neuronalen Netzwerk, das auf gigantischen Mengen von Textdaten trainiert wurde. Sein Zweck ist es, Muster zu erkennen und auf der Grundlage dieser Muster die wahrscheinlichste Abfolge von Wörtern zu generieren. Dies geschieht durch das Verarbeiten von Milliarden von Sätzen, Artikeln, Büchern und – entscheidend für unser Thema – Quellcode.

Die Trainingsdaten für moderne LLMs stammen überwiegend aus dem Internet. Das bedeutet Webseiten, Foren, digitale Bibliotheken, News-Artikel und natürlich riesige Repositories wie GitHub. Für moderne Programmiersprachen wie Python, JavaScript, Java oder C# ist diese Datenquelle ein wahres Goldmine. Es gibt unzählige Projekte, gut dokumentierten Code, Diskussionsforen auf Stack Overflow, Tutorials und aktuelle Lehrbücher. Die KI lernt also nicht nur die Syntax dieser Sprachen, sondern auch idiomatische Ausdrücke, gängige Problemlösungen und sogar die damit verbundenen Toolchains und Ökosysteme.

Das Gespenst in der Maschine: Warum alte Sprachen anders sind

Der Kern des Problems liegt nicht in der angeblichen „Einfachheit“ von BASIC oder FORTRAN, sondern in der Verfügbarkeit und Qualität der Trainingsdaten, den spezifischen Eigenheiten dieser Sprachen und dem fehlenden historischen Kontext.

1. Datenknappheit und Qualität: Der digitale Dornröschenschlaf

Der erste und vielleicht größte Stolperstein ist die schiere Datenknappheit. Programme in BASIC und FORTRAN wurden oft in einer Ära geschrieben, als das Internet entweder gar nicht existierte oder noch in den Kinderschuhen steckte. Sie sind nicht auf GitHub gehostet, werden nicht täglich auf Stack Overflow diskutiert und es gibt kaum moderne Blogs oder Tutorials dazu. Der Code existiert oft noch, aber er ist verborgen: auf alten Disketten, Magnetbändern, in proprietären Systemen, in gescannten Büchern oder auf obskuren Fan-Webseiten.

Wenn Daten überhaupt digital vorliegen, sind sie oft von geringer Qualität: schlecht transkribiert, unvollständig, ohne Kontext oder Dokumentation. Die Trainingsmodelle von ChatGPT können diese fragmentierten und oft unsauberen Daten kaum sinnvoll verarbeiten. Es fehlt die kritische Masse an hochwertigen, durchsuchbaren und kontextualisierten Beispielen, die für moderne Sprachen reichlich vorhanden ist.

2. Syntaktische und Semantische Eigenheiten: Die Sprachen der Vergangenheit

BASIC und FORTRAN sind keine monolithischen Sprachen. Gerade BASIC ist bekannt für seine unzähligen Dialekte. Commodore BASIC unterschied sich erheblich von GW-BASIC, AppleSoft BASIC oder Turbo BASIC. Befehle wie PEEK und POKE waren hardwareabhängig und funktionierten nur auf bestimmten Systemen. Das Konzept der Zeilennummern, des exzessiven Gebrauchs von GOTO-Anweisungen und der oft fehlenden Strukturierung machen den Code für ein auf moderne Paradigmen trainiertes LLM schwer verständlich. Es gibt keine standardisierte, moderne Grammatik, die ChatGPT lernen könnte, wie es bei Python oder Java der Fall ist.

FORTRAN, besonders in seinen älteren Versionen (FORTRAN IV, FORTRAN 77), hatte seine eigenen Besonderheiten: starre Spaltenformate, implizite Typdeklarationen, das Fehlen moderner Kontrollstrukturen und eine Syntax, die oft prägnant, aber wenig flexibel war. Diese Sprachen wurden für spezifische Anwendungsfälle – wissenschaftliche Berechnungen, Ingenieurwesen – entwickelt und ihre Syntax spiegelte dies wider.

LLMs sind ausgezeichnet darin, Muster zu erkennen und zu extrapolieren. Aber wenn die Muster selbst stark variieren, historisch bedingt sind und kaum in kohärenten, großen Datensätzen auftauchen, wird die Aufgabe extrem schwierig. Die KI kann sich nicht auf eine konsistente Grammatik oder einen einheitlichen Stil verlassen, wie sie es bei moderneren Sprachen tut.

3. Kontextuelles Verständnis und Historische Nuancen: Die Zeitmaschine fehlt

Code ist mehr als nur Syntax; er ist eine Lösung für ein Problem innerhalb eines bestimmten Kontextes. Ein alter BASIC-Code, der die Joystick-Eingabe eines C64 ausliest, ist nur verständlich, wenn man die Hardware und deren Funktionsweise kennt. Ein FORTRAN-Programm zur Berechnung von Flugbahnen beruht auf mathematischen Modellen und Algorithmen, die in der Domäne des Codes verankert sind.

ChatGPT hat keinen Zugriff auf diese Art von „Wissen“. Es hat keine Ahnung von den Speicherbeschränkungen eines 8-Bit-Computers, den spezifischen Register eines alten Mainframes oder den Gründen, warum bestimmte Programmierpraktiken (wie der exzessive Gebrauch von GOTO) zu ihrer Zeit üblich waren. Die KI versucht, plausible Code-Schnipsel zu generieren, aber ohne das tiefe kontextuelle und historische Verständnis, das diese Sprachen erfordern, führt dies oft zu „Halluzinationen“ – syntaktisch korrekten, aber funktional unsinnigen oder falschen Outputs.

4. Fehlende moderne Toolchain und Ökosysteme

Für moderne Sprachen gibt es ein riesiges Ökosystem: Integrierte Entwicklungsumgebungen (IDEs), Linter, Debugger, Paketmanager, Testframeworks, unzählige Bibliotheken und APIs. All diese Werkzeuge und deren Dokumentationen sind Teil der Trainingsdaten und helfen dem LLM, ein umfassendes Bild einer Programmiersprache zu entwickeln.

Für BASIC und FORTRAN fehlen diese modernen Hilfsmittel größtenteils. Die meisten Programme wurden ohne die heute üblichen Abstraktionen und Tools geschrieben. Es gibt keine modernen, weit verbreiteten Compiler oder Interpreter, deren Dokumentation die KI einbeziehen könnte. Dies beraubt das LLM einer wichtigen zusätzlichen Informationsquelle über die Funktionsweise und die typische Anwendung dieser Sprachen.

Wie LLMs Informationen verarbeiten – Die Kerninkompatibilität

Die Schwierigkeiten von ChatGPT mit alten Sprachen liegen auch in der Art und Weise, wie LLMs generell funktionieren:

• Tokenisierungsprobleme: LLMs zerlegen Text in „Token“. Für moderne Programmiersprachen sind diese Token oft sinnvoll (Variablennamen, Keywords, Operatoren). Bei sehr alten, unstrukturierten oder sogar komprimierten Code-Formaten, die in gescannten Büchern oder auf alten Systemen gefunden werden, kann die Tokenisierung ungenau sein, was das Verständnis erschwert.
• Mustererkennung vs. Rigorose Logik: LLMs sind Weltmeister im Erkennen statistischer Muster und im Generieren von „plausiblen“ Fortsetzungen. Bei natürlicher Sprache ist das oft ausreichend. Bei Code ist jedoch höchste Präzision erforderlich. Ein einziger falsch gesetzter Buchstabe oder eine fehlende Zeilennummer kann ein ganzes Programm unbrauchbar machen. Die geringste „Halluzination“ führt hier zu fatalen Fehlern. Die statistische Natur des LLMs kollidiert mit der deterministischen und exakten Natur von Programmcode.
• Schwierigkeiten bei Abstraktion und Transformation: Die Umwandlung von Code von einer alten Sprache in eine moderne (z.B. BASIC nach Python) erfordert nicht nur eine syntaktische Übersetzung, sondern oft eine tiefgreifende Transformation der Logik, um moderne Programmierparadigmen wie Objektorientierung oder strukturierte Programmierung zu berücksichtigen. ChatGPT kann zwar eine oberflächliche Übersetzung versuchen, aber das Ergebnis ist selten idiomatisch oder effizient, da es die ursprüngliche Intention und die zugrunde liegenden architektonischen Entscheidungen nicht vollständig erfassen kann.

Implikationen und Zukunftsausblick

Die Probleme von ChatGPT mit Legacy Code sind ein spannendes Beispiel für die Grenzen aktueller Künstlicher Intelligenz. Es zeigt, dass KI zwar unglaublich leistungsfähig ist, wenn sie auf große Mengen sauberer, konsistenter Daten zugreifen kann, aber an ihre Grenzen stößt, wo Daten spärlich, heterogen und kontextabhängig sind. Es ist auch ein Hinweis darauf, dass das „Verständnis“ eines LLM nicht dem menschlichen Verständnis gleicht, das auf tiefem Wissen über Geschichte, Kultur und physische Systeme basiert.

Ist es ein Problem, das es wert ist, gelöst zu werden? Für die meisten Anwendungen sind alte Programmiersprachen heute eine Nische. Die Hauptentwicklung der KI konzentriert sich auf modernere, häufiger genutzte Technologien. Dennoch gibt es weiterhin einen enormen Bedarf an Softwareentwicklung für Legacy-Systeme, da viele Unternehmen noch immer auf FORTRAN- oder COBOL-Code basieren, der Milliardenwerte bewegt.

Potenzielle Lösungsansätze könnten sein:

• Kurierte Datensätze: Das mühsame Sammeln, Aufbereiten und Annotieren von hochwertigen Daten aus alten Programmierbüchern, Archiven und Dokumentationen. Dies wäre ein enormes Unterfangen.
• Spezialisierte Modelle: Das Fine-Tuning von LLMs auf sehr spezifische Datensätze alter Sprachen könnte die Leistung verbessern, aber die Skalierbarkeit ist fraglich.
• Hybride Ansätze: Die Kombination von KI mit regelbasierten Systemen, Expertenwissen und formaler Verifikation könnte eine robustere Lösung bieten. Dies würde menschliches Fachwissen mit den Mustererkennungsfähigkeiten der KI verbinden.

Letztendlich unterstreichen die Schwierigkeiten von ChatGPT mit BASIC und FORTRAN die anhaltende Bedeutung des menschlichen Fachwissens, insbesondere im Umgang mit Nischenbereichen und der historischen Software. KI ist ein mächtiges Werkzeug, aber kein Alleskönner. Wo Daten rar sind und Kontext König ist, bleiben menschliche Programmierer und Computerexperten auf absehbare Zeit unersetzlich.

Fazit

Die vermeintliche Einfachheit alter Programmiersprachen täuscht. Für ChatGPT stellen sie eine enorme Herausforderung dar, die ihre Wurzeln in der Datenknappheit, den syntaktischen Eigenheiten, dem fehlenden historischen Kontext und der grundsätzlichen Arbeitsweise von LLMs hat. Es ist ein faszinierendes Beispiel dafür, wie die Grenzen der aktuellen Künstlichen Intelligenz nicht nur durch die Komplexität der Aufgabe selbst, sondern auch durch die Qualität und Verfügbarkeit der Daten definiert werden. Während die KI weiterhin Fortschritte macht, erinnert uns dieser spezielle Fall daran, dass die Welt des Codes tiefgründiger und vielfältiger ist, als es auf den ersten Blick erscheinen mag, und dass nicht alles, was „einfach” aussieht, auch einfach für eine Maschine zu meistern ist.