Der Robot-College-Student-Test ist ein von Ben Goertzel vorgeschlagener Maßstab für allgemeine künstliche Intelligenz: Eine Maschine soll sich an einer Hochschule einschreiben, dieselben Lehrveranstaltungen wie menschliche Studierende besuchen, die Prüfungen ablegen und einen Abschluss erwerben.
Zusammenfassung
Der Vorschlag stammt von einem der Popularisatoren des AGI-Begriffs und zielt auf eine Fähigkeit, die sprachliche und aufgabenbezogene Tests nicht erfassen: das eigenständige Erlernen neuen Stoffes über einen längeren Zeitraum.
Anders als der Turing-Test ist er nicht über Täuschung, sondern über einen institutionell beglaubigten Nachweis definiert. Seine besondere Schwierigkeit liegt weniger im Bestehen einzelner Prüfungen – moderne Sprachmodelle erreichen bei vielen akademischen Prüfungsformaten hohe Werte – als im Durchlaufen eines mehrjährigen Prozesses mit wechselnden Anforderungen, kumulativem Aufbau und praktischen Bestandteilen.
Anforderung
Der Test verlangt nicht das Beantworten von Prüfungsfragen, sondern die Absolvierung eines Studiums unter denselben Bedingungen wie menschliche Studierende. Daraus folgen mehrere Anforderungen, die über Wissensabfrage hinausgehen:
- Kumulatives Lernen. Der Stoff späterer Semester baut auf früherem auf; Wissen muss über lange Zeiträume verfügbar bleiben und in neuen Zusammenhängen anwendbar sein.
- Erwerb aus regulären Quellen. Der Stoff wird über Vorlesungen, Lehrbücher und Übungen aufgenommen, nicht über einen Trainingsvorgang.
- Aufgabenvielfalt. Ein Studium umfasst Klausuren, schriftliche Arbeiten, Referate, Laborpraktika und Gruppenarbeit.
- Selbstorganisation. Kursauswahl, Zeiteinteilung, Fristen und Prüfungsanmeldungen sind eigenständig zu bewältigen.
- Soziale Interaktion. Rückfragen an Lehrende, Zusammenarbeit in Gruppen, institutionelle Kommunikation.
Einordnung
Goertzel formulierte den Test im Umfeld seiner Bemühungen, AGI als eigenständiges Forschungsprogramm zu etablieren – er gab gleichnamige Sammelbände heraus und initiierte 2008 die Konferenzreihe AGI. Der Vorschlag steht neben dem Kaffee-Test von Steve Wozniak und dem Employment-Test von Nils Nilsson in einer Reihe von Alternativen zum Turing-Test.
Die drei Vorschläge prüfen unterschiedliche Dimensionen: Der Kaffee-Test zielt auf verkörperte Alltagskompetenz, der Employment-Test auf ökonomische Ersetzbarkeit, der Robot-College-Student-Test auf Lernfähigkeit über die Zeit. Letzterer ist damit derjenige, der Chollets Bestimmung von Intelligenz als Effizienz des Fähigkeitserwerbs am nächsten kommt – allerdings ohne dessen Kontrolle von Vorwissen und Trainingserfahrung.
Die verborgene Anforderung
Der eigentliche Gehalt des Vorschlags tritt erst hervor, wenn man ihn gegen die heutige Praxis der Modellbewertung hält. Sprachmodelle werden geprüft, indem man ihnen Aufgaben vorlegt und die Antwort bewertet – ein Vorgang ohne Vorher und Nachher. Ein Studium ist das Gegenteil: Es ist ein Verlauf, in dem der Zustand am Ende von allem abhängt, was dazwischen geschah.
Das trifft eine Eigenschaft heutiger Systeme, die in Einzelaufgaben nicht sichtbar wird. Ein Sprachmodell lernt während seines Einsatzes nichts hinzu; was innerhalb eines Gesprächs aufgenommen wird, ist mit dessen Ende verloren, und die Gewichte bleiben unverändert.
Ein Studierender im vierten Semester ist ein anderer als im ersten; ein Modell in der vierten Sitzung ist dasselbe wie in der ersten. Der Test verlangt damit implizit etwas, das gegenwärtige Architekturen nicht vorsehen – dauerhafte Veränderung durch Erfahrung.
Behelfslösungen – große Kontextfenster, externe Gedächtnisspeicher, nachgelagertes Feintuning – verschieben das Problem, lösen es aber nicht: Sie legen ein Archiv neben das Modell, statt das Modell zu verändern. Ob der Unterschied für das Bestehen eines Studiums praktisch erheblich wäre, ist offen; begrifflich ist er der Kern dessen, was Goertzel prüfen wollte.
Stand
Der Test ist Stand 2026 nicht bestanden, wobei sich die Bewertung durch die Entwicklung der Sprachmodelle verschoben hat.
Die Prüfungsleistung ist weitgehend gelöst: Moderne Modelle erreichen bei standardisierten akademischen Tests, Fachprüfungen und Aufgabensammlungen auf Hochschulniveau hohe Werte. Genau das legt jedoch ein Problem offen – solche Ergebnisse sind durch Benchmark-Kontamination erklärbar, da Prüfungsmaterial in großem Umfang öffentlich verfügbar ist und im Trainingskorpus enthalten sein dürfte.
Ungelöst bleiben die prozessualen Anforderungen: die eigenständige Bewältigung eines mehrjährigen Ablaufs, das Behalten und Verknüpfen über lange Zeiträume, praktische Bestandteile und die institutionelle Selbstorganisation. Gerade diese Aspekte machen den Test aussagekräftiger als die Prüfungsleistung allein.
Kritik
Institutionelle statt kognitive Bestimmung. Der Abschluss ist ein Nachweis, den eine Institution ausstellt; welche Anforderungen dahinterstehen, unterscheidet sich zwischen Fächern und Hochschulen erheblich. Ein bestandener Test wäre daher relativ auf die gewählte Einrichtung.
Anfälligkeit für Kontamination. Da Prüfungsstoff dokumentiert und öffentlich zugänglich ist, ist der Test in besonderem Maße durch Wiedererkennung statt Verstehen zu bestehen.
Verkörperungsfrage. Ob der Test physische Anwesenheit verlangt, ist in der Formulierung nicht eindeutig. Bei einem Fernstudium entfielen die robotischen Anforderungen, womit sich der Anspruch erheblich änderte.
Enger Ausschnitt. Ein Hochschulstudium prüft eine kulturell geprägte, akademisch geformte Teilmenge menschlicher Fähigkeiten. Allgemeinheit im weiteren Sinne – praktische Fertigkeiten, soziale Kompetenz außerhalb formaler Kontexte – bleibt unberührt.
Verwandte Begriffe
- AGI – Zielbegriff, dessen Prüfung der Test dienen soll
- Ben Goertzel – Urheber des Vorschlags
- Turing-Test – älterer Maßstab, gegen dessen Beschränkung sich der Vorschlag richtet
- Kaffee-Test – verwandter Vorschlag mit Betonung der Verkörperung
- Employment-Test – verwandter Vorschlag mit ökonomischer Ausrichtung
- Benchmark-Kontamination – Problem, das den Test besonders betrifft
- On the Measure of Intelligence – Bestimmung von Intelligenz als Lerneffizienz
Quellenangaben
- Chollet, François (2019): On the Measure of Intelligence. arXiv: 1911.01547.
- Goertzel, Ben (2012): What Counts as a Conscious Thinking Machine? In: New Scientist, 3. September 2012.
- Goertzel, Ben / Pennachin, Cassio (Hrsg.), 2007. Artificial General Intelligence.
- Nilsson, Nils J. (2005): Human-Level Artificial Intelligence? Be Serious! In: AI Magazine 26 (4), S. 68–75.
← 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.