AGI

AGI (englisch Artificial General Intelligence, deutsch Künstliche Allgemeine 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.

Eine universell akzeptierte Definition existiert nicht. Verbreitet sind kognitionsorientierte Lesarten, die auf Allgemeinheit und Lerntransfer abstellen, ebenso wie ökonomische, die das Übertreffen menschlicher Leistung in den meisten wirtschaftlich relevanten Aufgaben verlangen.

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 und xAI.

Der Begriff ist dabei dreifach aufgeladen. Wissenschaftlich, weil seine Grundbegriffe – Intelligenz, Allgemeinheit, menschliches Niveau – operational umstritten sind. Kommerziell, weil Investitionen, Talentakquise und Verträge darauf Bezug nehmen, ob und wann AGI erreicht sei. Politisch, weil staatliche Sicherheitsinstitute Entwicklungsverläufe verfolgen, die man mit dem Begriff verbindet.

Mit den großen Sprachmodellen ab 2020 und den Reasoning-Modellen ab 2024 hat die Debatte erheblich an Intensität gewonnen – eine konsensfähige Definition aber nicht hervorgebracht.

Begriffsgeschichte

Der Ausdruck artificial general intelligence taucht zuerst 1997 in einem Aufsatz des amerikanischen Physikers Mark Gubrud auf. Er bestimmte AGI dort als KI-Systeme, die das menschliche Gehirn in Komplexität und Geschwindigkeit erreichen oder übertreffen, mit allgemeinem Wissen umgehen und Schlüsse daraus ziehen können.

Popularisiert wurde der Begriff ab 2002 durch den Computerwissenschaftler Shane Legg und den KI-Forscher Ben Goertzel – unabhängig von Gubrud und ohne Kenntnis seiner Arbeit. Goertzel gab gleichnamige Sammelbände heraus und initiierte 2008 die Konferenzreihe AGI.

In den 2010er Jahren griffen Industrievertreter den Begriff auf: zunächst DeepMind mit Legg als Mitgründer, später OpenAI (2015), Anthropic (2021) und 2025 die Meta Superintelligence Labs.

Definitorische Vielfalt

Es existiert keine einheitliche Definition für AGI; 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

Der einflussreichste moderne Maßstab ist ARC-AGI von François Chollet (2019). Der Abstraction and Reasoning Corpus prüft, ob ein System aus wenigen Beispielen eine Regel erschließt, die es nie gesehen hat – konstruiert so, dass ein großer Trainingskorpus nicht weiterhilft.

Seine drei Generationen erzählen die Debatte im Kleinen:

Bemerkenswert ist Chollets eigene Einordnung des Sprungs von 2024: Das Modell sei keine AGI, da es einfache neue Aufgaben weiterhin fehlerhaft löse. Jede überschrittene Fassung hat bislang eine nächste hervorgebracht.

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).

Die beiden höchsten Stufen sind (4) Innovators (Systeme, die neue Erkenntnisse beitragen können) und (5) Organizations (Systeme, die die Arbeit ganzer Organisationen übernehmen können).

Abgrenzungen

Die Nachbarbegriffe unterscheiden sich weniger im Gegenstand als in der Frage, die sie stellen. Daran hängt, ob AGI als nah oder fern erscheint.

Fähigkeit oder Wirkung. ANI, AGI und ASI bilden eine Stufenfolge der Fähigkeit: Was kann das System? Transformative AI fragt stattdessen nach der Folge: Was löst es aus? Beides ist unabhängig voneinander erfüllbar – ein kognitiv allgemeines System, das zu teuer im Betrieb bliebe, wäre AGI ohne transformativ zu sein.

Fähigkeit oder Wirtschaftlichkeit. HLMI verlangt zusätzlich, dass die Maschine die Aufgabe kostengünstiger erledigt als ein Mensch. Der Eintritt hängt damit nicht nur an der Technik, sondern an Lohnniveaus und Betriebskosten: Dieselbe Maschine kann in einer Volkswirtschaft HLMI sein und in einer anderen nicht.

Fähigkeit oder Bewusstsein. Searles Unterscheidung zwischen starker und schwacher KI betrifft nicht die Reichweite, sondern den ontologischen Status. Ein System kann in seinem Sinne schwach und zugleich vollständig allgemein sein. Die im Deutschen verbreitete Gleichsetzung von „schwacher KI” mit ANI verwischt das.

Strittig ist auch die Stufenfolge selbst. Sie unterstellt eine eindimensionale Skala, während Fähigkeiten empirisch ungleich verteilt sind: Systeme erreichen in einzelnen Domänen übermenschliches Niveau und scheitern gleichzeitig an Aufgaben, die Kinder lösen.

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.

Bei der Veröffentlichung von GPT-5 am 7. August 2025 bezeichnete Altman das Modell als „a significant step along the path to AGI”; Fachmedien wie das MIT Technology Review bewerteten die tatsächliche Leistungssteigerung gegenüber vorherigen Reasoning-Modellen demgegenüber als eher inkrementell denn als Sprung Richtung AGI.

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): Zeiträume innerhalb dieses Jahrzehnts, untereinander aber weit auseinander – Hassabis nannte in Davos 50 Prozent Wahrscheinlichkeit und ein bis zwei fehlende Durchbrüche, Amodei erheblich kürzere Fristen.
• 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 – heute existierende, aufgabenspezifische KI
• ASI – Stufe jenseits von AGI
• HLMI – weitgehend synonyme Bezeichnung
• Transformative AI – wirkungsorientierte Alternativdefinition
• Strong AI – verwandter Begriff, der zusätzlich Bewusstsein impliziert
• Superintelligenz – Bostroms philosophischer Begriff
• AI Alignment – Forschungsfeld zur Ausrichtung leistungsfähiger KI an menschlichen Werten
• Existenzielles Risiko – Risikobegriff, der mit AGI verknüpft wird
• TESCREAL – kritische Sammelbezeichnung, unter die AGI-Diskurse häufig gefasst werden

Quellenangaben

1. ARC Prize Foundation (2025/2026): ARC Prize 2025: Technical Report und ARC-AGI-3: Interactive Reasoning Benchmark.
2. Bender, Emily M. / Gebru, Timnit / McMillan-Major, Angelina / Shmitchell, Shmargaret, 2021. On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT 2021), S. 610–623. DOI: 10.1145/3442188.3445922.
3. Bostrom, Nick, 2014. Superintelligence: Paths, Dangers, Strategies.
4. Bubeck, Sébastien / Chandrasekaran, Varun / Eldan, Ronen / Gehrke, Johannes / Horvitz, Eric / Kamar, Ece / Lee, Peter / Lee, Yin Tat / Li, Yuanzhi / Lundberg, Scott / Nori, Harsha / Palangi, Hamid / Ribeiro, Marco Tulio / Zhang, Yi (Microsoft Research) (2023): Sparks of Artificial General Intelligence: Early Experiments with GPT-4. arXiv: 2303.12712.
5. Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
6. 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.
7. Goertzel, Ben / Pennachin, Cassio (Hrsg.), 2007. Artificial General Intelligence.
8. Gubrud, Mark, 1997. Nanotechnology and International Security. Fifth Foresight Conference on Molecular Nanotechnology.
9. Hoffmann, Jordan / Borgeaud, Sebastian / Mensch, Arthur u. a., 2022. Training Compute-Optimal Large Language Models. DeepMind. arXiv: 2203.15556. (Chinchilla).
10. Huckins, Grace, 2025. GPT-5 Is Here. Now What? MIT Technology Review, 7. August 2025. https://www.technologyreview.com/2025/08/07/1121308/gpt-5-is-here-now-what/
11. Kahn, Jeremy, 2026. AI Luminaries at Davos Clash Over How Close Human-Level Intelligence Really Is. Fortune, 23. Januar 2026. https://fortune.com/2026/01/23/deepmind-demis-hassabis-anthropic-dario-amodei-yann-lecun-ai-davos
12. Kaplan, Jared / McCandlish, Sam / Henighan, Tom / Brown, Tom B. / Chess, Benjamin / Child, Rewon / Gray, Scott / Radford, Alec / Wu, Jeffrey / Amodei, Dario, 2020. Scaling Laws for Neural Language Models. OpenAI. arXiv: 2001.08361.
13. Legg, Shane / Hutter, Marcus, 2007. A Collection of Definitions of Intelligence. In: Frontiers in Artificial Intelligence and Applications 157, S. 17–24.
14. Marcus, Gary / Davis, Ernest (2019): Rebooting AI: Building Artificial Intelligence We Can Trust.
15. Mitchell, Melanie (2019): Artificial Intelligence: A Guide for Thinking Humans.
16. 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.
17. Nilsson, Nils J. (2005): Human-Level Artificial Intelligence? Be Serious! In: AI Magazine 26 (4), S. 68–75.
18. Russell, Stuart, 2019. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking Press.
19. Sandberg, Anders / Bostrom, Nick, 2008. Whole Brain Emulation: A Roadmap. Future of Humanity Institute, Oxford University, Technical Report 2008-3.
20. Searle, John R., 1980. Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457. DOI: 10.1017/S0140525X00005756.
21. Turing, Alan M., 1950. Computing Machinery and Intelligence. In: Mind LIX (236), S. 433–460. DOI: 10.1093/mind/LIX.236.433.

← Zurück zur Lexikon-Übersicht