ANI (englisch Artificial Narrow Intelligence, deutsch schwache oder enge künstliche Intelligenz) bezeichnet KI-Systeme, die auf einen begrenzten Aufgabenbereich spezialisiert sind und ihre Fähigkeiten nicht selbständig auf andere Domänen übertragen können. Sämtliche bis heute existierenden KI-Systeme fallen unter diese Kategorie; ANI dient in der Debatte primär als Kontrastbegriff zur hypothetischen AGI.
Zusammenfassung
Der Begriff entstand als retrospektive Abgrenzung: Erst mit der Formulierung eines Ziels allgemeiner künstlicher Intelligenz wurde ein Name für dasjenige nötig, was tatsächlich existiert.
ANI-Systeme können in ihrem Zuschnitt menschliche Leistungen erheblich übertreffen – Schachprogramme, Bilderkennung, Proteinstrukturvorhersage –, scheitern aber außerhalb ihres Trainingsbereichs.
Die Einordnung großer Sprachmodelle ist umstritten: Ihre Anwendungsbreite spricht gegen eine enge Spezialisierung, ihre Generalisierungsdefizite bei neuartigen Aufgaben gegen die Einstufung als allgemein. Die Dreiteilung ANI–AGI–ASI ist in der populären und unternehmerischen Kommunikation verbreitet, in der Fachliteratur jedoch weniger etabliert als in Übersichtsdarstellungen.
Begriffsgeschichte
Anders als AGI hat ANI keinen datierbaren Ursprung in einer Fachpublikation. Der Ausdruck entstand als Rückbildung: Nachdem sich Artificial General Intelligence ab etwa 2002 als Bezeichnung für das ursprüngliche, in der Zwischenzeit aufgegebene Programm der KI-Forschung etabliert hatte, brauchte es einen Namen für das, was die Disziplin tatsächlich hervorbrachte.
Populär wurde die Dreiteilung ANI–AGI–ASI durch Übersichtsdarstellungen und Sachbuchliteratur der 2010er Jahre; in der begutachteten Fachliteratur ist sie deutlich seltener anzutreffen als in der öffentlichen Debatte.
Zu unterscheiden ist ANI von der älteren, auf John Searle zurückgehenden Gegenüberstellung von schwacher und starker KI. Searles Unterscheidung ist keine über Fähigkeitsreichweite, sondern über den ontologischen Status: Ein System starker KI besitzt nach dieser Lesart tatsächlich einen Geist, während ein System schwacher KI Geistiges lediglich simuliert.
Ein System könnte demnach in Searles Sinne schwach und zugleich allgemein sein. Die im Deutschen verbreitete Übersetzung von ANI als schwache KI verwischt diesen Unterschied und hat für erhebliche begriffliche Unklarheit gesorgt.
Bemerkenswert ist außerdem, dass die Grenze des Begriffs mitwandert. Was heute als eng gilt, galt zur Zeit seiner Entstehung als anspruchsvoll und allgemein – Schachspielen war jahrzehntelang der Maßstab für maschinelle Intelligenz schlechthin, bis es beherrscht wurde.
Diese Verschiebung ist als AI-Effekt beschrieben worden: Sobald eine Fähigkeit maschinell verfügbar ist, wird sie nachträglich als bloße Rechenleistung umgedeutet und aus dem Intelligenzbegriff ausgegliedert.
Merkmale
Als kennzeichnend für ANI gelten:
- Aufgabenbindung. Das System ist für einen definierten Zweck trainiert und optimiert.
- Fehlender Transfer. Erworbene Fähigkeiten lassen sich nicht ohne erneutes Training auf andere Domänen übertragen.
- Kein Selbstbezug auf das eigene Ziel. Das System verändert seinen Aufgabenzuschnitt nicht selbständig.
- Übermenschliche Leistung im Zuschnitt möglich. Enge Spezialisierung schließt hohe Leistung nicht aus, sondern begünstigt sie häufig.
Der letzte Punkt ist für das Verständnis der Abgrenzung wesentlich: ANI ist keine Aussage über das Leistungsniveau, sondern über dessen Reichweite. Ein System, das die weltbesten Menschen in einer Disziplin schlägt, bleibt ANI, solange es nur diese eine Disziplin beherrscht.
Beispiele
Klassische Fälle sind Schach- und Go-Programme, Empfehlungssysteme, Übersetzungssysteme, Bildklassifikatoren, Spracherkennung und Systeme zur Proteinstrukturvorhersage. Auch Systeme, die als Durchbrüche gelten – etwa im Bereich der Strukturbiologie – sind nach dieser Einteilung ANI, da sie außerhalb ihres Gegenstandsbereichs keine Leistung erbringen.
Einordnung großer Sprachmodelle
Die Zuordnung großer Sprachmodelle ist der strittigste Punkt der Kategorie. Für eine Einstufung jenseits von ANI spricht, dass ein einzelnes Modell ohne aufgabenspezifisches Nachtraining Texte übersetzt, Code schreibt, Fragen beantwortet und zusammenfasst – also eine Anwendungsbreite aufweist, die frühere Systeme nicht hatten.
Das Stufenmodell von Morris u. a. (2023) trägt dem Rechnung und ordnet aktuelle Sprachmodelle als Emerging AGI ein, also als unterste Stufe allgemeiner Intelligenz statt als enge KI.
Dagegen steht die Position, dass Anwendungsbreite nicht mit Allgemeinheit gleichzusetzen sei. Chollet (2019) unterscheidet zwischen skill – Leistung in Aufgaben, für die trainiert wurde – und intelligence als Fähigkeit, neue Aufgaben effizient zu erlernen.
Danach verfügen Sprachmodelle über außerordentliche Breite an skill, weil ihr Trainingskorpus außerordentlich breit war, nicht jedoch über allgemeine Intelligenz im engeren Sinne. Die anhaltend niedrigen Werte großer Modelle auf Benchmarks für neuartige Aufgaben (ARC-AGI-2, ARC-AGI-3) werden als empirische Stütze dieser Position angeführt.
Kritik am Begriff
Die Dreiteilung ANI–AGI–ASI wird als grobkörnig kritisiert. Sie unterstellt eine eindimensionale Skala, auf der Systeme fortschreiten, während Fähigkeiten empirisch ungleichmäßig verteilt sind: Modelle erreichen in manchen Bereichen Expertenniveau und scheitern gleichzeitig an Aufgaben, die Kinder lösen.
Feinere Modelle wie das sechsstufige Schema von Morris u. a. (2023) trennen deshalb Leistungstiefe und Anwendungsbreite als getrennte Dimensionen und ergänzen eine unabhängige Autonomieskala.
Hinzu kommt, dass die Kategorie ANI ausschließlich negativ bestimmt ist – als das, was noch nicht allgemein ist. Ihr Inhalt hängt damit vollständig von der jeweils verwendeten AGI-Definition ab, die selbst umstritten ist.
Verwandte Begriffe
- AGI – hypothetische allgemeine künstliche Intelligenz; Kontrastbegriff
- ASI – Stufe jenseits von AGI
- HLMI – Human-Level Machine Intelligence
- Schwache vs. starke KI – ältere, philosophisch geprägte Unterscheidung nach Searle
- Levels of AGI – feingliedrigeres Stufenmodell von Morris u. a.
- Emergent Abilities – Debatte um sprunghaft auftretende Fähigkeiten in Sprachmodellen
Quellenangaben
- Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
- Mitchell, Melanie (2019): Artificial Intelligence: A Guide for Thinking Humans.
- 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.
- Searle, John R., 1980. Minds, Brains, and Programs. In: Behavioral and Brain Sciences 3 (3), S. 417–457. DOI: 10.1017/S0140525X00005756.
← 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.