Meredith Ringel Morris ist eine US-amerikanische Informatikerin und leitende Wissenschaftlerin bei Google DeepMind im Bereich Mensch-KI-Interaktion. Sie ist Erstautorin des Rahmenwerks Levels of AGI (2023), das den Fortschritt in Richtung allgemeiner künstlicher Intelligenz als Stufenfolge statt als Schwelle beschreibt.
Zusammenfassung
Morris kommt aus der Mensch-Computer-Interaktion und nicht aus der Modellentwicklung – eine Herkunft, die sich in ihrem einflussreichsten Beitrag niederschlägt.
Das Rahmenwerk Levels of AGI trennt Leistungstiefe, Anwendungsbreite und Autonomie als eigenständige Dimensionen und argumentiert, dass Risiko aus dem Zusammenspiel von Fähigkeit und eingeräumter Handlungsfreiheit entsteht, nicht aus der Fähigkeit allein. Diese Perspektive unterscheidet sie von Beiträgen, die ausschließlich auf Modellfähigkeiten abstellen.
Neben der AGI-Debatte arbeitet Morris zu Barrierefreiheit, kollaborativen Systemen und der Gestaltung der Zusammenarbeit zwischen Mensch und KI-System.
Werdegang
Morris promovierte in Informatik an der Stanford University. Sie war langjährig bei Microsoft Research tätig, zuletzt als leitende Wissenschaftlerin, bevor sie zu Google DeepMind wechselte, wo sie die Forschung zur Mensch-KI-Interaktion leitet. Sie ist zudem als Affiliate Professor an der University of Washington tätig.
Ihre Forschungsarbeit umfasst Barrierefreiheit digitaler Systeme, kollaborative Suche, soziale Interaktion in vernetzten Umgebungen sowie die Gestaltung von Interaktionsformen zwischen Menschen und generativen Systemen.
Levels of AGI
Das 2023 veröffentlichte Rahmenwerk entstand mit sieben Mitautoren bei Google DeepMind, darunter Shane Legg. Es reagiert auf die Beobachtung, dass die Frage nach AGI ohne gestufte Begrifflichkeit nicht sinnvoll zu beantworten ist, weil Fähigkeiten ungleichmäßig verteilt sind.
Die Autorinnen und Autoren werteten bestehende AGI-Definitionen aus und leiteten Anforderungen an jede brauchbare Bestimmung ab – unter anderem, dass Fähigkeiten und nicht Mechanismen maßgeblich sind, dass Leistung und Allgemeinheit getrennt zu betrachten sind und dass AGI als Verlauf statt als Endpunkt zu beschreiben ist.
Daraus entstand eine Matrix mit sechs Leistungsstufen, jeweils getrennt für enge und allgemeine Systeme anwendbar. Der Maßstab ist dabei ausdrücklich der Vergleich mit menschlicher Leistung, ausgedrückt als Perzentil einer für die jeweilige Aufgabe qualifizierten Vergleichsgruppe:
| Stufe | Bezeichnung | Maßstab |
|---|---|---|
| 0 | No AI | keine Automatisierung |
| 1 | Emerging | so gut wie oder etwas besser als eine ungeübte Person |
| 2 | Competent | mindestens 50. Perzentil geübter Erwachsener |
| 3 | Expert | mindestens 90. Perzentil |
| 4 | Virtuoso | mindestens 99. Perzentil |
| 5 | Superhuman | übertrifft alle Menschen |
Nach dieser Einordnung sind große Sprachmodelle Emerging AGI, während einzelne enge Systeme längst die höchste Stufe erreichen – Schachprogramme und Faltungsvorhersagen für Proteine gehören dazu. Die Matrix macht damit sichtbar, was die Einwortfrage „Ist das schon AGI?” verdeckt: Die Fähigkeitsverteilung ist über Domänen hinweg extrem ungleich, und ein System kann in einer Spalte an der Spitze und in der anderen am Anfang stehen.
Der eigenständige Beitrag aus Morris’ Fachrichtung ist die zweite Dimension: sechs Stufen der Mensch-KI-Interaktion, vom System als bloßem Werkzeug über Berater und Mitarbeiter bis zum eigenständig handelnden Akteur.
Der entscheidende Punkt ist, dass höhere Fähigkeitsstufen höhere Autonomiestufen ermöglichen, aber nicht bestimmen – die Wahl bleibt eine Gestaltungsentscheidung, die sicherheits- und kontextabhängig zu treffen ist. Ein System auf Expertenniveau kann bewusst als Werkzeug ausgelegt werden; umgekehrt ist die Freigabe eines nur mäßig fähigen Systems zu autonomem Handeln riskant, obwohl seine Fähigkeitsstufe niedrig ist.
Aus dieser Trennung folgt die sicherheitspolitische Pointe des Rahmenwerks: Risiko ist keine Eigenschaft des Modells, sondern des Verhältnisses zwischen Modell und eingeräumter Handlungsfreiheit. Damit verschiebt Morris die Debatte von der Frage, wann ein Schwellenwert überschritten ist, zur Frage, welche Autonomie in welchem Anwendungsfall vertretbar ist – eine Frage, die sich nicht einmalig, sondern pro Einsatzkontext stellt.
Morris hat betont, dass die Definition mit wachsendem Verständnis der zugrunde liegenden Vorgänge zu überarbeiten sein könnte.
Weitere Forschungsschwerpunkte
Neben der AGI-Debatte arbeitet Morris seit ihrer Zeit bei Microsoft Research zu Barrierefreiheit – der Frage, wie interaktive Systeme für Menschen mit Behinderungen nutzbar werden und welche Rolle generative Systeme dabei spielen können.
Der Zusammenhang zur AGI-Arbeit ist nicht zufällig: Barrierefreiheitsforschung untersucht seit jeher, wie Fähigkeiten zwischen Mensch und System verteilt werden, und liefert damit genau das Vokabular, das die Autonomie-Achse des Rahmenwerks braucht.
Ein zweiter Strang betrifft kollaborative Systeme – gemeinsames Suchen, gemeinsames Arbeiten an geteilten Oberflächen, soziale Interaktion in vernetzten Umgebungen. Auch hier liegt der Schwerpunkt auf der Aufgabenteilung zwischen den Beteiligten, nicht auf der Leistungsfähigkeit einzelner Komponenten.
Einordnung
Das Rahmenwerk gehört zu den meistzitierten Vorschlägen zur Operationalisierung von AGI und hat die Debatte begrifflich geprägt: Der Ausdruck Emerging AGI für gegenwärtige Sprachmodelle stammt daraus.
Kritik richtet sich weniger an Morris persönlich als an der Konstruktion: Die Einstufung heutiger Systeme als AGI-Vorstufe verschiebt die Bedeutung des Begriffs, und die Messung bleibt ungelöst, da die Autoren einen ökologisch validen Benchmark fordern, ohne ihn vorzulegen.
Verwandte Begriffe
- Levels of AGI – von ihr geleitetes Rahmenwerk
- AGI – Zielbegriff, den das Rahmenwerk operationalisiert
- Shane Legg – Mitautor
- ANI – enge KI, im Rahmenwerk als eigene Achse geführt
- ASI – entspricht der Stufe Superhuman
- DeepMind – ihre Wirkungsstätte
- Sparks of AGI – Debatte, auf die das Rahmenwerk reagiert
Quellenangaben
- MIT Technology Review (2023): Google DeepMind wants to define what counts as artificial general intelligence. 16. November 2023.
- Montreal AI Ethics Institute (2023): Levels of AGI: Operationalizing Progress on the Path to AGI. Forschungszusammenfassung von Meredith Ringel Morris.
- Morris, Meredith Ringel / Sohl-Dickstein, Jascha / Fiedel, Noah / Warkentin, Tris / Dafoe, Allan / Faust, Aleksandra / Farabet, Clement / Legg, Shane (Google DeepMind) (2023): Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv: 2311.02462.
- TechXplore (2023): Researchers seek consensus on what constitutes Artificial General Intelligence. 20. November 2023.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.