Artificial General Intelligence

Artificial General Intelligence Artificial General Intelligence (AGI), im Deutschen Künstliche Allgemeine Intelligenz, bezeichnet das theoretische Konzept einer Maschine mit menschenähnlicher, universeller Kognition. Anders als heutige KI-Systeme wäre eine AGI nicht auf einen Anwendungsbereich beschränkt, sondern könnte Wissen aus einem Kontext auf einen völlig neuen übertragen, ohne dafür neu programmiert zu werden. Aktuell ist AGI ein Forschungsziel und kein existierendes Produkt: Alle heute verfügbaren Systeme, von Sprachmodellen bis zu Fahrassistenten, gelten als Schwache KI, spezialisiert auf einzelne Aufgaben.

Was Artificial General Intelligence bedeutet

Wenn in der KI-Forschung von AGI die Rede ist, geht es um mehr als ein weiteres Sprachmodell. Artificial General Intelligence, im Deutschen meist Künstliche Allgemeine Intelligenz, bezeichnet das theoretische Konzept einer Maschine, die über eine menschenähnliche Kognition verfügt. Anders als die Software, die du täglich nutzt, wäre eine AGI nicht auf einen einzelnen Anwendungsbereich beschränkt.

Eine AGI könnte im Idealfall jede intellektuelle Aufgabe verstehen, erlernen und ausführen, zu der auch ein Mensch fähig ist. Entscheidend ist dabei das sogenannte Transfer Learning: die Fähigkeit, Wissen aus einem Bereich auf einen völlig neuen Kontext zu übertragen. Diese Übertragung läuft ohne neue Programmierung ab, allein aus der Erfahrung heraus. Ein Modell, das heute Röntgenbilder liest, müsste dafür morgen ohne fremde Hilfe verstehen, wie man ein Auto repariert.

Bei AGI geht es nicht in erster Linie um Rechenleistung oder Geschwindigkeit. Wichtiger sind Anpassungsfähigkeit und kausales Verständnis, eine Intelligenz, die Logik flexibel anwendet statt nur Muster zu reproduzieren. Nüchtern betrachtet ist AGI aktuell ein Forschungsziel und kein Produkt, das man kaufen kann, auch wenn der Hype um heutige Sprachmodelle diesen Eindruck oft verwischt. Wer verstehen will, welche Lernprozesse dahinterstehen, findet die Grundlagen im Eintrag zu Machine Learning.

Schwache KI und starke KI: der entscheidende Unterschied

In der Fachwelt trennt man strikt zwischen Schwacher KI (Narrow AI) und Starker KI (Strong AI). Der zweite Begriff wird in der Praxis oft synonym mit AGI verwendet, deshalb lohnt sich die klare Abgrenzung.

Schwache KI ist der Status quo, auch wenn Marketing-Texte oft anderes andeuten. Dazu zählt jedes System, das heute im Einsatz ist: von der Google-Suche über autonome Bremssysteme bis zu Schachprogrammen. Diese Systeme sind hochspezialisiert. Sie beherrschen eine Sache oft besser als ein Mensch, etwa das Erkennen von Mustern in Röntgenbildern. Sobald sich der Kontext ändert, versagen sie sofort. Ein Schachcomputer kann keinen Kaffee kochen und kein Gedicht interpretieren.

Starke KI ist dagegen das Zielbild: ein System mit einer Art eigenem Bewusstsein, zumindest im funktionalen Sinn. Dazu kommen ein eigenes Ziel und universelle Problemlösungskompetenz. Es agiert autonom in offenen Umgebungen und braucht keine vorab definierten Labels für jede einzelne Situation.

| Merkmal | Schwache KI (Narrow AI) | Starke KI (AGI) | |---|---|---| | Fokus | Spezialisierung auf eine Aufgabe | Generalisierung über alle Aufgaben | | Anpassung | Braucht neues Training für neue Aufgaben | Lernt autonom, überträgt Wissen | | Technologie | Machine Learning, Deep Learning | Theoretische kognitive Architekturen | | Beispiele | Siri, ChatGPT, Fahrassistenzsysteme | Bislang nur Fiktion, etwa Data aus Star Trek |

Ist heutige KI schon eine Vorstufe zur AGI?

Hier prallen Marketing-Versprechen und Forschungsrealität aufeinander. Der Fortschritt bei Large Language Models wie GPT-5 oder Claude hat die Diskussion neu befeuert. Die sogenannte Scaling Hypothesis geht davon aus, dass aus mehr Rechenleistung und mehr Trainingsdaten irgendwann echtes Verständnis entsteht, also Qualität aus schierer Quantität.

Kritiker sehen das anders. Ihr Einwand: Diese Modelle sagen mit hoher Wahrscheinlichkeit vorher, welches Wort als Nächstes folgt, ohne zu wissen, was sie eigentlich sagen. Ihnen fehlt die Verankerung in der physischen Welt, das sogenannte Grounding, und ein belastbares Kausalverständnis. Generative KI ist beeindruckend darin, Inhalte neu zu kombinieren. Sie plant dabei aber nicht wirklich logisch und besitzt kein inneres Modell der Welt.

Lange galt der Turing-Test als Goldstandard: Kann eine Maschine im Chat so überzeugend wirken, dass ein Mensch sie für einen Menschen hält? Aktuelle Sprachmodelle bestehen diesen Test inzwischen routinemäßig. Das beweist aber kein maschinelles Bewusstsein, sondern nur eine sehr gute Imitationsfähigkeit. Ein pragmatischerer Vorschlag zeigt deutlicher, wie weit der Weg noch ist. Beim sogenannten Coffee Test, den Apple-Mitgründer Steve Wozniak vorgeschlagen hat, müsste ein Roboter in einem fremden Haus selbstständig die Küche finden. Er müsste dort die Kaffeemaschine bedienen und einen Kaffee servieren. Kein aktuelles System schafft das zuverlässig.

Warum Unternehmen wie OpenAI und Google Milliarden investieren

Warum stecken Unternehmen Milliardenbeträge in ein Konzept, das noch nicht existiert? Weil das Unternehmen, dem der Durchbruch gelingt, wirtschaftlich wie technologisch einen enormen Vorsprung hätte.

OpenAI wurde 2015 mit dem erklärten Ziel gegründet, AGI so zu entwickeln, dass sie der gesamten Menschheit zugutekommt. Mitgründer Sam Altman rechnete damals öffentlich mit einem Projekt über Jahrzehnte, das die menschliche Intelligenz irgendwann übertrifft. Google DeepMind verfolgt mit Projekten wie AlphaZero eine ähnliche Ambition: Intelligenz als solche zu lösen, um darüber andere wissenschaftliche Probleme angehen zu können.

Skepsis bleibt trotzdem angebracht. Visionen verkaufen sich besser als inkrementelle Updates. Die technische Realität in den Laboren ist meist nüchterner als die dazugehörige PR.

Wann AGI kommen könnte, und warum das niemand seriös weiß

Wer die PR-Folien beiseiteschiebt, bleibt mit echter Unsicherheit zurück. Der Erfinder und Zukunftsforscher Ray Kurzweil ging schon 2002 eine öffentliche Wette über 20.000 US-Dollar ein: Bis 2029 sollte ein Computer den Turing-Test bestehen. Andere Forscher widersprechen deutlich. Yann LeCun, langjähriger KI-Chefwissenschaftler bei Meta, hält reine Sprachmodelle für den falschen Weg zu AGI. Er arbeitet stattdessen an sogenannten Weltmodellen: Systemen, die die physische Welt verstehen sollen statt nur Text vorherzusagen.

Dazu kommen handfeste physische Hürden. Der Energiebedarf heutiger Modelle ist enorm. Forschungsgruppen wie Epoch AI weisen zudem darauf hin, dass hochwertige, öffentlich verfügbare Trainingsdaten ein endlicher Vorrat sind. Ob und wann diese Wand tatsächlich durchbrochen wird, kann seriös niemand vorhersagen, egal wie sicher sich einzelne Firmenchefs in Interviews geben.

Das Alignment-Problem: das eigentliche Risiko

Das zentrale Thema der KI-Sicherheit heißt Alignment-Problem: Wie stellt man sicher, dass die Ziele einer sehr leistungsfähigen KI dauerhaft mit menschlichen Werten übereinstimmen?

Ein bekanntes Gedankenexperiment beschreibt das Risiko anschaulich: der sogenannte Büroklammer-Maximierer. Eine AGI bekommt den Auftrag, die Produktion von Büroklammern zu maximieren. Ohne Verständnis für menschliche Ethik könnte sie folgerichtig entscheiden, sämtliche Ressourcen der Erde für diesen einen Zweck umzuwandeln. Das klingt absurd. Es zeigt aber den Kernfehler in der Logik: Eine KI tut exakt das, was man ihr sagt, nicht das, was man gemeint hat. Institutionen wie das Future of Life Institute warnen deshalb davor, Sicherheitsforschung zugunsten von Entwicklungstempo zu vernachlässigen.

Was AGI für die Arbeitswelt bedeuten würde

Die Diskussion um die Zukunft der Arbeit wird oft emotional geführt. Eine funktionierende AGI wäre theoretisch in der Lage, fast jede kognitive Arbeit am Bildschirm zu übernehmen, von der Programmierung über die Buchhaltung bis zur juristischen Analyse.

Weder Panik noch Utopie hilft dabei weiter. Realistischer ist eine Verschiebung von Kompetenzen: Der Mensch wechselt von der ausführenden in eine steuernde und kuratierende Rolle. Wer heute schon mit Agentic AI arbeitet, spürt diese Verschiebung im Kleinen bereits. Das gilt lange bevor irgendein System auch nur in die Nähe einer echten AGI kommt.

Was heute schon zählt

Artificial General Intelligence bleibt das am schwersten greifbare Ziel der KI-Forschung. Mit heutiger Schwacher KI sind extrem mächtige Werkzeuge entstanden, ein künstliches Bewusstsein ist bislang keines davon. Die Architektur für echte allgemeine Intelligenz braucht offenbar mehr als Statistik und Rechenleistung. Welche Zutat genau fehlt, ist unter Forschern selbst umstritten, egal wie überzeugend einzelne Prognosen klingen.

Für die tägliche Arbeit heißt das vor allem eins: Nutze, was heute funktioniert. Baue deine Strategie nicht auf Versprechen, die frühestens in einem Jahrzehnt fällig werden. Weitere Begriffe rund um KI und Automatisierung stehen im Glossar.

Zurück zum AI und Automation Glossar.