AGI

AGI (englisch Artificial General Intelligence, deutsch Künstliche Allgemeine Intelligenz oder Allgemeine Künstliche Intelligenz) bezeichnet eine hypothetische Form künstlicher Intelligenz, die kognitive Aufgaben über praktisch alle relevanten Domänen hinweg auf menschlichem Niveau oder darüber bewältigen kann. Anders als Artificial Narrow Intelligence (ANI), die auf eng begrenzte Aufgabenbereiche spezialisiert ist, soll ein AGI-System Wissen verallgemeinern, Fähigkeiten zwischen Domänen übertragen und neuartige Probleme ohne aufgabenspezifische Umprogrammierung lösen können. Eine universell akzeptierte Definition existiert nicht; verbreitet sind sowohl kognitionsorientierte Lesarten (Allgemeinheit und Lerntransfer) als auch ökonomisch ausgerichtete Definitionen (Übertreffen menschlicher Leistung in den meisten wirtschaftlich relevanten Aufgaben).

Zusammenfassung

AGI ist seit den frühen 2000er Jahren als Forschungsziel etabliert und gilt heute als erklärtes Hauptziel mehrerer führender KI-Unternehmen (OpenAI, Anthropic, Google DeepMind, Meta Superintelligence Labs, xAI). Der Begriff ist gleichzeitig wissenschaftlich, kommerziell und politisch aufgeladen: Wissenschaftlich, weil zentrale Grundbegriffe — Intelligenz, Allgemeinheit, menschliches Niveau — operational umstritten sind; kommerziell, weil Investitionen, Talentakquise und Vertragsbeziehungen (etwa zwischen OpenAI und Microsoft) auf die Frage Bezug nehmen, ob und wann AGI erreicht sei; politisch, weil staatliche AI-Safety-Institute und Regierungen Entwicklungsverläufe verfolgen, die mit dem Begriff verbunden werden. Mit dem Erscheinen großer Sprachmodelle ab 2020 und Reasoning-Modellen ab 2024 hat die Debatte erheblich an Intensität gewonnen, eine konsensfähige Definition aber nicht erreicht.

Begriffsgeschichte

Der Ausdruck artificial general intelligence taucht zuerst 1997 in einem Aufsatz des amerikanischen Physikers Mark Gubrud auf, der AGI als „KI-Systeme, die das menschliche Gehirn in Komplexität und Geschwindigkeit erreichen oder übertreffen, mit allgemeinem Wissen umgehen, dieses manipulieren und Schlüsse daraus ziehen können”, bestimmte. Popularisiert wurde der Begriff 2001 durch den Computerwissenschaftler Shane Legg und den AI-Forscher Ben Goertzel; Goertzel gab gleichnamige Sammelbände heraus und initiierte 2008 die Konferenzreihe AGI. In den 2010er Jahren wurde der Begriff zunehmend von Industrievertretern aufgegriffen, zunächst von DeepMind (mit Legg als Mitgründer), später von OpenAI (gegründet 2015), Anthropic (gegründet 2021) und 2025 von Meta Superintelligence Labs.

Definitorische Vielfalt

Es existiert keine einheitliche Definition; mehrere konkurrierende Bestimmungen werden parallel verwendet:

• Kognitionsorientiert: Ein AGI-System kann jede intellektuelle Aufgabe, die ein Mensch leisten kann, ebenfalls leisten — einschließlich Lernen, Schlussfolgern, Planen, Wahrnehmen, Sprachverarbeitung und sozialer Interaktion.
• Ökonomisch: OpenAI definiert AGI in seiner Satzung als „hochautonome Systeme, die den Menschen in den meisten wirtschaftlich wertvollen Aufgaben übertreffen”. Diese Lesart bindet AGI explizit an ökonomische Wertschöpfung.
• Komplexitätsorientiert (Gubrud 1997): AGI rivalisiert mit dem menschlichen Gehirn in Komplexität, Geschwindigkeit und Allgemeinheit.
• Operational (DeepMind / Morris u. a. 2023): AGI als gestufte Größe, gemessen an Breite und Tiefe der Leistung über ein Benchmark-Spektrum.
• Strong AI / Weak AI (Searle 1980): Bei strong AI wird zusätzlich Bewusstsein oder genuines Verstehen unterstellt; AGI bleibt davon analytisch trennbar.

Die Wahl der Definition hat erhebliche praktische Konsequenzen. So ist nach OpenAIs ökonomischer Definition AGI plausibel bereits in greifbarer Nähe; nach Chollets generalisierungsorientierter Lesart hingegen liegt sie deutlich ferner.

Operationalisierungen und Tests

Klassische Tests

• Turing-Test (Alan Turing 1950): Ein Mensch kann in einem textbasierten Dialog nicht zuverlässig zwischen Mensch und Maschine unterscheiden. Mit dem Erscheinen großer Sprachmodelle gilt der Test in seiner ursprünglichen Form als weitgehend „bestanden”, aber als Maßstab für AGI als unzureichend.
• Kaffee-Test (Steve Wozniak): Ein Roboter betritt ein fremdes Haus und kocht selbständig Kaffee. Operationalisiert eingebettete, körperlich-praktische Allgemeinheit.
• Employment-Test (Nils Nilsson): Eine KI kann eine repräsentative Auswahl menschlicher Berufe ausüben.
• Robot-College-Student-Test (Ben Goertzel): Eine KI absolviert ein Hochschulstudium und erwirbt einen Abschluss.

Moderne Benchmarks

• ARC-AGI (François Chollet, 2019): Der Abstraction and Reasoning Corpus testet Fähigkeiten zur Generalisierung aus wenigen Beispielen auf neuartige visuell-abstrakte Aufgaben. Bis 2024 lagen Top-Systeme deutlich unter menschlichem Niveau; im Dezember 2024 erzielte OpenAIs Reasoning-Modell o3 einen sprunghaften Anstieg auf Werte oberhalb des typischen menschlichen Niveaus auf ARC-AGI–1. Chollet betonte gleichwohl, das Modell sei keine AGI, da es einfache neue Aufgaben weiterhin fehlerhaft löse.
• ARC-AGI–2 (März 2025): Überarbeiteter Benchmark, der gezielt Aufgaben enthält, bei denen reines Pattern-Matching nicht ausreicht. Frontier-Modelle erreichten 2025 dort einstellige bis niedrige zweistellige Prozentwerte.
• ARC-AGI–3 (Vorstellung März 2026 bei Y Combinator): Interaktiver Benchmark mit mehrstufigen Aufgaben, die Exploration, Planung, Gedächtnis und Zielerwerb erfordern. Frontier-Modelle erzielten initial unter 1 Prozent, Menschen 100 Prozent.

Gestufte Modelle

Ein einflussreiches Stufenmodell stammt von Meredith Ringel Morris u. a. (DeepMind, 2023) und unterscheidet sechs Niveaus: No AI, Emerging, Competent, Expert, Virtuoso und Superhuman. Emerging AGI wird mit aktuellen großen Sprachmodellen identifiziert. Zusätzlich definiert das Modell sechs Autonomiestufen (von Werkzeug bis vollständig autonomem Agenten).

OpenAI verwendet intern ein eigenes fünfstufiges Schema (öffentlich bekannt geworden 2024): (1) Chatbots, (2) Reasoners (problemlösende Systeme auf Doktoratsniveau), (3) Agents (selbständig handelnde Systeme), (4) Innovators (Systeme, die neue Erkenntnisse beitragen können), (5) Organizations (Systeme, die die Arbeit ganzer Organisationen übernehmen können).

Abgrenzungen

• ANI (Artificial Narrow Intelligence): Heute existierende, aufgabenspezifische KI-Systeme.
• HLMI (Human-Level Machine Intelligence): In Umfragen unter KI-Forschenden verwendete Bezeichnung, weitgehend synonym mit AGI im kognitionsorientierten Sinne.
• ASI (Artificial Superintelligence): Stufe jenseits von AGI, in der KI menschliche Leistungen in allen relevanten Domänen erheblich übersteigt.
• Transformative AI (Open Philanthropy): Operationale Bezeichnung für KI mit Wirtschafts- und Gesellschaftswirkung vergleichbar mit der industriellen Revolution, unabhängig von kognitiver Allgemeinheit.

Wege zur AGI

Aktuelle Debatten unterscheiden mehrere mögliche Entwicklungspfade:

1. Skalierung großer Sprachmodelle: Annahme, dass Vergrößerung von Parameterzahl, Daten und Rechenleistung in Verbindung mit Reasoning-Verfahren ausreicht. Diese Hypothese wird empirisch durch Skalierungsgesetze (Kaplan u. a. 2020, Hoffmann u. a. 2022 Chinchilla) gestützt, aber seit 2024 kritisch hinterfragt.
2. Reasoning-Modelle und Chain-of-Thought-Skalierung: Mit den Reasoning-Modellen (OpenAI o1/o3, DeepSeek-R1, Anthropics und DeepMinds verwandte Systeme) wurde ab 2024 ein neues Skalierungsregime eröffnet: nicht Trainings-, sondern Inferenzrechenzeit als Hebel.
3. Neurosymbolische Ansätze: Kombination subsymbolischer Verfahren (Neural Networks) mit symbolischer Wissensrepräsentation und logischer Inferenz; vertreten u. a. von Gary Marcus.
4. Programmsynthese und kompositionelle Generalisierung: François Chollet und Mike Knoop gründeten 2024 ein eigenes Unternehmen mit dem erklärten Ziel, AGI über Programmsynthese zu erreichen, da reine Sprachmodelle aus ihrer Sicht prinzipielle Generalisierungsdefizite aufweisen.
5. Embodied AI und Robotik: Position, dass genuine Allgemeinheit nur in einer physischen Umgebung mit sensomotorischer Rückkopplung entstehe (Yann LeCun, Rodney Brooks).
6. Whole Brain Emulation: Detaillierte digitale Simulation eines biologischen Gehirns; in der Forschung als möglicher, aber praktisch ferner Pfad diskutiert (Sandberg/Bostrom 2008).

Aktuelle Debatten

„Sparks of AGI”

Microsoft Research veröffentlichte im März 2023 das Papier Sparks of Artificial General Intelligence: Early Experiments with GPT–4 (Bubeck u. a.), das in GPT–4 frühe Anzeichen allgemeiner Intelligenz zu erkennen meinte. Der Aufsatz wurde sowohl als Einladung zu ernsthafter Forschung als auch als Marketingoperation kritisiert.

Altmans Aussagen und ihre Revisionen

OpenAI-CEO Sam Altman äußerte sich zwischen 2023 und 2025 mehrfach zur Frage, ob AGI bereits erreicht sei oder unmittelbar bevorstehe. Im Januar 2025 schrieb er, OpenAI „wisse nun, wie AGI zu bauen sei”; in späteren Äußerungen relativierte er diese Aussage und betonte, das Unternehmen ziele nun auf Superintelligenz.

Scaling-Laws-Debatte

In der zweiten Jahreshälfte 2024 berichteten mehrere Quellen über eine mögliche Verlangsamung der Skalierungsgewinne reiner Sprachmodelle. Die Veröffentlichung der Reasoning-Modelle (OpenAI o3 im Dezember 2024) wurde teilweise als empirische Antwort darauf gedeutet, teilweise als Indiz für die Reife klassischer Skalierung.

Vertragsrechtliche Bedeutung

Die OpenAI-Microsoft-Vereinbarung enthält Berichten zufolge Klauseln, die die wechselseitigen Rechte und Pflichten bei Erreichen von AGI neu regeln würden. Dies macht die Frage, wann AGI „erreicht” sei, zu einem rechtlich und finanziell folgenreichen Definitionsproblem.

Prognosen

Prognosen zum Eintrittszeitpunkt variieren erheblich:

• Industrievertreter (2024–2026): Sam Altman, Dario Amodei, Demis Hassabis und Mark Zuckerberg äußerten sich öffentlich zu AGI-Zeiträumen innerhalb dieses Jahrzehnts.
• Ray Kurzweil: Seit 1999 unverändert AGI bis 2029; Singularität bis 2045.
• AI-Impacts-Umfragen (2016, 2022, 2023): Mediane Schätzungen unter befragten KI-Forschenden für high-level machine intelligence verschoben sich zwischen 2022 und 2023 deutlich nach vorne, mit Zeiträumen typischerweise zwischen 2040 und 2060 und großer Streuung.
• Skeptische Positionen: Yann LeCun, Gary Marcus und Melanie Mitchell verweisen auf prinzipielle Grenzen aktueller Architekturen und halten Zeiträume innerhalb dieses Jahrzehnts für unplausibel.

Kritik

Konzeptuelle Einwände

• Definitionsunschärfe: Ohne konsensfähige Definition von „Intelligenz”, „Allgemeinheit” und „menschlichem Niveau” sei die Frage nach AGI selbst nicht hinreichend bestimmt (Melanie Mitchell, François Chollet).
• Intelligenz vs. Skill: Chollet unterscheidet in On the Measure of Intelligence (2019) zwischen skill (Leistung in trainierten Aufgaben) und intelligence (Fähigkeit, neue Aufgaben effizient zu lernen). Aktuelle Systeme verfügten über hohe skill, aber begrenzte intelligence im engeren Sinne.
• Anthropomorphismus: Die Übertragung des Begriffs Intelligenz von menschlich-biologischen auf maschinell-computationale Systeme blende strukturelle Unterschiede aus.

Empirisch-technische Einwände

• Skalierungsgrenzen: Yann LeCun, Gary Marcus und François Chollet bezweifeln, dass die Skalierung großer Sprachmodelle zu echter Allgemeinheit führt; sie verweisen auf fehlendes Weltmodell, mangelhaftes Reasoning und Generalisierungsdefizite.
• Benchmark-Saturierung: Etablierte Benchmarks werden regelmäßig von neuen Modellen überschritten, ohne dass die zugrundeliegenden kognitiven Fähigkeiten zwingend vorhanden sind (Stichwort benchmark contamination).

Sozio-technische Kritik

Aus der FAccT-Community (Emily M. Bender, Timnit Gebru, Margaret Mitchell, Angelina McMillan-Major) wird der AGI-Diskurs als Hype-Konstrukt kritisiert, das von gegenwärtigen, dokumentierten Schäden ablenke und kommerzielle wie regulatorische Interessen großer KI-Anbieter bediene. In On the Dangers of Stochastic Parrots (2021) wird zudem argumentiert, dass große Sprachmodelle nicht „verstehen”, sondern Wahrscheinlichkeitsverteilungen über Sprache reproduzieren.

Ideologiekritische Einwände

Émile P. Torres, Timnit Gebru und verwandte Autoren ordnen den AGI-Diskurs in das TESCREAL-Bundle ein und argumentieren, der Begriff erfülle weniger eine deskriptive als eine erzählerisch-strategische Funktion: Er strukturiere ein telos der Tech-Industrie, legitimiere Machtkonzentration und reproduziere ideengeschichtliche Kontinuitäten zur eugenischen Tradition quantifizierbarer Intelligenz.

Verwandte Begriffe

• [[ani|ANI (Artificial Narrow Intelligence)]] — heute existierende, aufgabenspezifische KI
• [[asi|ASI (Artificial Superintelligence)]] — Stufe jenseits von AGI
• [[hlmi|HLMI (Human-Level Machine Intelligence)]] — weitgehend synonyme Bezeichnung
• [[transformative-ai|Transformative AI]] — wirkungsorientierte Alternativdefinition
• [[starke-vs-schwache-ki|Strong AI]] — verwandter Begriff, der zusätzlich Bewusstsein impliziert
• [[superintelligenz|Superintelligenz]] — Bostroms philosophischer Begriff
• [[ai-alignment|AI Alignment]] — Forschungsfeld zur Ausrichtung leistungsfähiger KI an menschlichen Werten
• [[existenzielles-risiko|Existenzielles Risiko]] — Risikobegriff, der mit AGI verknüpft wird
• [[tescreal|TESCREAL]] — kritische Sammelbezeichnung, unter die AGI-Diskurse häufig gefasst werden

Quellenangaben

1. Gubrud, Mark (1997): Nanotechnology and International Security. Fifth Foresight Conference on Molecular Nanotechnology.
2. Turing, Alan M. (1950): Computing Machinery and Intelligence. In: Mind 59 (236), S. 433–460.
3. Searle, John R. (1980): Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457.
4. Goertzel, Ben / Pennachin, Cassio (Hrsg.) (2007): Artificial General Intelligence. Berlin: Springer. ISBN 978–3–540–23733–4.
5. Legg, Shane / Hutter, Marcus (2007): A Collection of Definitions of Intelligence. In: Frontiers in Artificial Intelligence and Applications 157, S. 17–24.
6. Nilsson, Nils J. (2005): Human-Level Artificial Intelligence? Be Serious! In: AI Magazine 26 (4), S. 68–75.
7. Bostrom, Nick (2014): Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press. ISBN 978–0–19–967811–2.
8. Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
9. Bubeck, Sébastien u. a. (2023): Sparks of Artificial General Intelligence: Early Experiments with GPT–4. arXiv: 2303.12712.
10. Morris, Meredith Ringel u. a. (2023): Levels of AGI for Operationalizing Progress on the Path to AGI. arXiv: 2311.02462.
11. Kaplan, Jared u. a. (2020): Scaling Laws for Neural Language Models. arXiv: 2001.08361.
12. Hoffmann, Jordan u. a. (2022): Training Compute-Optimal Large Language Models. arXiv: 2203.15556.
13. Bender, Emily M. u. a. (2021): On the Dangers of Stochastic Parrots. In: FAccT ’21, S. 610–623.
14. Mitchell, Melanie (2019): Artificial Intelligence: A Guide for Thinking Humans. New York: Farrar, Straus and Giroux. ISBN 978–0–374–25783–5.
15. Marcus, Gary / Davis, Ernest (2019): Rebooting AI: Building Artificial Intelligence We Can Trust. New York: Pantheon. ISBN 978–1–5247–4825–8.
16. Russell, Stuart (2019): Human Compatible: AI and the Problem of Control. New York: Viking. ISBN 978–0–525–55861–3.
17. ARC Prize Foundation (2025/2026): ARC Prize 2025: Technical Report und ARC-AGI–3: Interactive Reasoning Benchmark.
18. Gebru, Timnit / Torres, Émile P. (2024): The TESCREAL bundle: Eugenics and the promise of utopia through artificial general intelligence. In: First Monday 29 (4). DOI: 10.5210/fm.v29i4.13636.