Artificial General Intelligence (AGI)

Künstliche allgemeine Intelligenz (AGI) ist eine hypothetische Form der künstlichen Intelligenz (AI), die bei praktisch allen kognitiven Aufgaben menschliche Fähigkeiten erreicht oder übertrifft und neue Aufgaben erlernt, ohne eigens dafür entwickelt oder neu trainiert zu werden. Nach den meisten Definitionen ist jedes heute eingesetzte KI-System eine künstliche eng begrenzte Intelligenz (ANI), die nur innerhalb des Bereichs kompetent ist, für den sie trainiert wurde. Große Sprachmodelle (LLMs), die in vielen Bereichen schreiben, programmieren und Schlussfolgerungen ziehen, haben diese Abgrenzung jedoch zu einem viel diskutierten Thema gemacht. Im heutigen Sprachgebrauch ist starke KI ein Synonym für AGI. Mark Gubrud verwendete den Begriff 1997; die Forschenden Shane Legg und Ben Goertzel machten ihn um 2002 bekannt.

AGI definieren#

Es gibt keine einheitlich anerkannte Definition von AGI, und die wichtigsten Vorschläge messen unterschiedliche Aspekte:

• Wirtschaftliche Leistung: Die Charta von OpenAI definiert AGI als „hochgradig autonome Systeme, die Menschen bei den meisten wirtschaftlich wertvollen Tätigkeiten übertreffen“.
• Leistung und Allgemeingültigkeit: Ein Team von Google DeepMind schlug Stufen der AGI vor. Dabei wird ein System anhand zweier Achsen eingestuft: Wie gut ist seine Leistung im Vergleich zu erfahrenen Erwachsenen – von „aufstrebend“ (entspricht der Leistung eines ungelernten Menschen oder übertrifft sie leicht) bis „übermenschlich“ (übertrifft alle Menschen)? Und erbringt es diese Leistung bei einer einzigen Aufgabe oder bei einem breiten Spektrum nicht körperlicher Aufgaben, einschließlich des Erlernens neuer Fähigkeiten?
• Lerneffizienz: In „Über das Maß der Intelligenz“ (2019) definiert François Chollet Intelligenz als Effizienz beim Erwerb von Fähigkeiten: Wie schnell ein System unbekannte Aufgaben mit begrenzten Daten und Vorwissen bewältigt – und nicht, wie viele Fähigkeiten es bereits erworben hat.
• Geist und Verständnis: Die philosophische Frage lautet, ob eine Maschine tatsächlich verstehen und einen Geist haben würde – die ursprüngliche Bedeutung starker KI in John Searles Argument des chinesischen Zimmers von 1980.

Das Framework „Levels of AGI“ ordnet ein System anhand von bis zu drei Fragen ein, wobei zuerst die Allgemeinheit betrachtet wird:

Die Autoren ordneten Chatbots aus dem Jahr 2023 wie ChatGPT, Bard und Llama 2 als aufkommende AGI ein und führten alle höheren Allgemeinheitsstufen als noch nicht erreicht auf, während eng begrenzte Systeme die Skala bereits bis zu übermenschlichen Fähigkeiten abdecken, zu denen sie AlphaFold, AlphaZero und Stockfish zählten.

AGI im Vergleich zu enger KI und Superintelligenz#

• ANI: Ist innerhalb eines festgelegten Aufgabenbereichs hervorragend und benötigt neue Daten und ein erneutes Training, um etwas außerhalb dieses Bereichs zu leisten. Ein auf COCO trainierter Ultralytics YOLO26-Detektor fällt im Framework „Levels“ in die Kategorie enger KI: Er erkennt und klassifiziert 80 Objektklassen in wenigen Millisekunden pro Bild und kann ohne erneutes Training oder zusätzliche Systeme weder eine neue Klasse lernen noch eine Frage beantworten oder eine Handlung planen.
• AGI: Erreicht bei den meisten kognitiven Aufgaben das Niveau qualifizierter Menschen und überträgt Gelerntes auf Bereiche, die im Training nicht vorkamen – eine Fähigkeit, die Transferlernen heute nur zwischen eng verwandten Aufgaben ermöglicht.
• Künstliche Superintelligenz (ASI): Übertrifft die besten Menschen in praktisch jedem Bereich. Ein System, das seine eigene Intelligenz schneller verbessert, als Menschen folgen können, ist das Szenario hinter der technologischen Singularität.
• Starke KI: In der heutigen Verwendung ein Synonym für AGI. In Searles ursprünglicher Bedeutung ist es eine Maschine, die buchstäblich einen Geist hat – eine Behauptung über Verständnis, die durch Fähigkeitstests nicht geprüft wird.

Moderne LLMs sprengen diese Kategorien. Ein Modell kann Verträge entwerfen, Wettbewerbsaufgaben in Mathematik lösen und Bilder beschreiben, doch seine Fähigkeiten sind uneinheitlich – ein Muster, das als gezackte Intelligenz bezeichnet wird – und seine Gewichte lernen nach Ende des Trainings nicht weiter.

Offene Fragen#

• Kontinuierliches Lernen: Eingesetzte Modelle passen sich nur innerhalb ihres Kontextfensters an, und weiteres Training mit neuen Daten birgt das Risiko, frühere Fähigkeiten durch katastrophales Vergessen zu verlieren.
• Zuverlässigkeit: Selbst Modelle, die Expertenprüfungen bestehen, geben selbstbewusst falsche Antworten, etwa Halluzinationen, und versagen unvorhersehbar bei einfachen Varianten von Aufgaben, die sie eigentlich lösen können.
• Die physische Welt: Systeme mit verkörperter KI müssen in realen Umgebungen wahrnehmen, planen und handeln. Weltmodelle, die vorhersagen, wie sich Szenen verändern, sind ein möglicher Weg zu dem dafür nötigen gesunden Menschenverstand.
• Ausrichtung und Kontrolle: Die Forschung zur KI-Sicherheit, einschließlich der Superausrichtung, untersucht, wie ein System, das seine Aufsichtspersonen übertreffen könnte, weiterhin die von Menschen beabsichtigten Ziele verfolgt.

Fortschritte auf dem Weg zur AGI messen#

Da die Definitionen unterschiedlich sind, unterscheiden sich auch die Tests. Die ARC-AGI-Benchmarks folgen Chollets Definition und verwenden neuartige Rätsel, die Menschen leicht lösen. Die Bewertung erfolgt anhand zurückgehaltener Testsätze, damit die Antworten nicht auswendig gelernt werden können. ARC-AGI-3, das im März 2026 gestartet wurde, ersetzte statische Gitterrätsel durch Hunderte interaktive Spielumgebungen ohne Anleitung oder vorgegebene Ziele. Ein Agent muss daher die Umgebung erkunden, die Regeln ableiten und planen. Zum Start erzielten menschliche Testpersonen 100 %, moderne KI-Systeme dagegen 0,51 %. Im September 2026 meldete die ARC Prize Foundation, dass OpenAI GPT-6 Astra im standardmäßigen Test-Harness 62,7 % und mit einem Harness, das den Argumentationszustand des Modells zwischen Zügen beibehält, 99,9 % erreichte. Sie erklärte außerdem, dass eine Sättigung des Benchmarks keine AGI beweisen würde. Wissensintensive Tests wie Humanity's Last Exam messen stattdessen fachkundiges Beantworten von Fragen.

Die Prognosen dazu, wann AGI entstehen könnte, gehen weit auseinander. Eine 2024 veröffentlichte Umfrage unter 2.778 Forschenden, die auf führenden KI-Konferenzen publiziert hatten, ergab als Gesamtprognose eine Wahrscheinlichkeit von 50 %, dass nicht unterstützte Maschinen Menschen bis 2047 bei jeder denkbaren Aufgabe übertreffen würden – 13 Jahre früher als in der Umfrage desselben Teams ein Jahr zuvor.