Was ist allgemeine künstliche Intelligenz

Was ist allgemeine künstliche Intelligenz?

Allgemeine künstliche Intelligenz (AGI) bezeichnet eine angestrebte Form der KI, die sich in ganz unterschiedliche Aufgaben einarbeiten und erworbenes Wissen auf unbekannte Probleme übertragen kann. Die Abkürzung steht für Artificial General Intelligence. Im Deutschen ist auch die Bezeichnung künstliche allgemeine Intelligenz gebräuchlich. Als Maßstab dient häufig die geistige Leistungsfähigkeit des Menschen. Welche Fähigkeiten ein System dafür nachweisen müsste, ist in der Forschung umstritten.

Das entscheidende Wort ist „allgemein“. Ein System kann innerhalb eines Fachgebiets bessere Ergebnisse erzielen als jeder Mensch. Diese Spitzenleistung verrät noch wenig darüber, was geschieht, wenn sich die Aufgabe grundlegend ändert. Für AGI zählt, wie viel von seinem Wissen das System dann weiterverwenden kann und wie viel neue Anleitung es braucht.

Was bedeutet menschliches Niveau bei einer AGI?

Menschen unterscheiden sich in Ausbildung und Erfahrung. Ein Vergleich mit Fachleuten setzt eine andere Hürde als ein Vergleich mit Erwachsenen, die zum ersten Mal vor einer Aufgabe stehen. Ebenso wichtig ist das Zeitbudget. Darf das KI-System eine Lösung tausendmal ausprobieren, während eine Person einen Versuch hat, sollte im Ergebnis stehen, wie viele Versuche beide Seiten gebraucht haben.

Ein Ansatz der AGI-Forschung betrachtet deshalb zwei Leistungsdimensionen getrennt. Die Leistungstiefe gibt an, wie gut ein System eine bestimmte Aufgabe bewältigt. Die Leistungsbreite beschreibt, über wie viele unterschiedliche Aufgabenbereiche diese Fähigkeit reicht. Ein Leistungsprofil zeigt beides. Bei einem einzigen Mittelwert kann eine außergewöhnliche Stärke verdecken, dass wesentliche Fähigkeiten fehlen.

Was ist der Unterschied zwischen KI, AGI und Superintelligenz?

Künstliche Intelligenz ist der Oberbegriff. Die Kürzel ANI, AGI und ASI unterscheiden Systeme nach dem Umfang ihrer Fähigkeiten und nach ihrem Leistungsniveau. Sie bezeichnen weder bestimmte Produkte noch technische Entwicklungsstufen, die automatisch aufeinanderfolgen.

Sind starke KI und allgemeine KI dasselbe?

Im allgemeinen Sprachgebrauch wird „starke KI“ häufig als Synonym für AGI verwendet. In der Philosophie des Geistes hat der Begriff eine weitere Bedeutung. Dort geht es um die Frage, ob ein Computer tatsächlich etwas verstehen oder mentale Zustände haben kann. Die Leistungsfähigkeit einer Maschine und ihr mögliches Bewusstsein sind verschiedene Forschungsfragen.

Für eine verhaltensbezogene Definition von AGI lässt sich festlegen, welche Aufgaben ein System unter welchen Bedingungen lösen soll. So entsteht eine überprüfbare Behauptung. Ob das System beim Lösen etwas erlebt, lässt sich aus seiner Antwort allein nicht ableiten. Auch eine menschenähnliche Stimme oder die Verwendung des Wortes „ich“ gibt über diese Frage keine verlässliche Auskunft.

Welche Fähigkeiten müsste eine AGI haben?

Wissen übertragen und aus wenig Erfahrung lernen

Im maschinellen Lernen bedeutet Generalisierung zunächst, dass ein Modell auch mit bisher ungesehenen Eingaben zurechtkommt. Für allgemeine Intelligenz zählt die Reichweite dieser Generalisierung. Neue Daten können den Trainingsdaten sehr ähnlich sein. Eine unbekannte Aufgabenstellung kann hingegen eine andere Darstellung, veränderte Regeln oder eine neue Art von Ziel verlangen.

Transfer gelingt, wenn früher erworbenes Wissen beim Lösen des neuen Problems hilft. Manchmal führt Vorwissen auch in die falsche Richtung. Die Forschung spricht von negativem Transfer, wenn Vorwissen die Lernleistung bei der Zielaufgabe verschlechtert. Eine Prüfung auf Transfer sollte daher erfassen, ob das Modell erkennt, welche Teile einer früheren Lösung weiterhin gelten.

In der Lernforschung heißen diese Unterschiede Nahtransfer und Ferntransfer. Beim Nahtransfer ähneln sich Ausgangsaufgabe und Zielaufgabe. Beim Ferntransfer muss das System ein gemeinsames Prinzip trotz unterschiedlicher Oberflächenmerkmale erkennen. Für die Bewertung zählt deshalb, wie stark sich die Anforderungen beider Aufgaben tatsächlich unterscheiden. Ein Wechsel der Sprache allein macht aus einem vertrauten Problem noch keine neue Problemklasse.

Wie schnell ein System dazulernt, lässt sich beobachten. Man erfasst die Leistung vor dem ersten Hinweis und nach jeder weiteren Rückmeldung. So entsteht eine Lernkurve. Zwei Systeme mit derselben Endleistung können sich darin deutlich unterscheiden, wie viele Hinweise, Trainingsbeispiele oder eigene Versuche sie bis zur Lösung brauchen.

Schlussfolgern, planen und Entscheidungen korrigieren

Schlussfolgern bedeutet, aus vorhandenen Informationen eine begründete Folgerung abzuleiten. Besonders aufschlussreich wird es, wenn mehrere Hypothesen zu denselben Beobachtungen passen. Ein System mit gutem Urteilsvermögen müsste diese Mehrdeutigkeit erkennen und eine Frage stellen können, deren Antwort zwischen den Hypothesen unterscheidet.

Planung kommt hinzu, sobald eine Entscheidung beeinflusst, was später überhaupt möglich ist. Ein brauchbarer Plan berücksichtigt Abhängigkeiten zwischen Teilschritten und lässt sich an neue Informationen anpassen. Zur Problemlösefähigkeit gehört damit auch, einen bereits begonnenen Lösungsweg aufzugeben. Eine Fehlerkorrektur lässt sich daran messen, ob nach der Rückmeldung tatsächlich eine andere, bessere Entscheidung folgt.

Wie könnte eine AGI lernen?

Es gibt bisher keine allgemein anerkannte Bauanleitung für AGI. Ein Forschungsansatz setzt auf Basismodelle. Beim Vortraining lernt ein neuronales Netz aus umfangreichen Daten und kann die gelernten Zusammenhänge später für unterschiedliche Aufgaben nutzen. Ob eine neue Fähigkeit nach einer kurzen Anleitung dauerhaft verfügbar bleibt, hängt davon ab, was sich im System verändert hat.

Beim In-Context Learning nutzt ein Sprachmodell Informationen aus der aktuellen Eingabe. Solange die Anleitung und die bisherigen Arbeitsschritte in sein Kontextfenster passen, kann das Modell darauf zurückgreifen. Nach dem Ende des Gesprächs sind sie allein dadurch noch nicht in den Modellgewichten gespeichert. Ein externer Speicher kann sie für einen späteren Abruf erhalten. Beim weiteren Training verändern sich dagegen die Modellparameter selbst.

Für das fortlaufende Lernen ergibt sich daraus eine anspruchsvolle Prüfaufgabe. Nach dem Erwerb einer neuen Fähigkeit muss man auch die bereits beherrschten Aufgaben erneut testen. Verschlechtert die Anpassung die frühere Leistung erheblich, spricht die Forschung von katastrophalem Vergessen. Für allgemeine Intelligenz wären beide Eigenschaften wertvoll. Das System müsste Neues aufnehmen und zugleich brauchbares Vorwissen bewahren.

Was hat Autonomie mit Intelligenz zu tun?

Autonomie beschreibt, wie selbstständig ein System handeln darf. Ein KI-Agent kann Werkzeuge aufrufen, Zwischenergebnisse speichern und mehrere Schritte ohne menschliche Freigabe ausführen. Wie viel Handlungsspielraum er erhält, entscheiden auch die Entwickler und Betreiber. Dieselbe Modellleistung ist mit sehr unterschiedlichen Berechtigungen vereinbar.

Bei der Bewertung zählt deshalb die Arbeitsteilung zwischen Mensch und KI-Agent. Wer legt das Ziel fest? Wer zerlegt es in Teilschritte? Wer bemerkt, dass die Ausführung vom Plan abweicht? Wenn Menschen an jeder schwierigen Stelle den nächsten Schritt vorgeben, zeigt das Ergebnis die Leistung des gesamten Teams. Um die Planungsfähigkeit des KI-Modells zu beurteilen, muss der Umfang dieser Unterstützung erkennbar sein.

AGI am Beispiel eines unbekannten Brettspiels

Stell dir ein neues Brettspiel vor. Du möchtest herausfinden, nach welcher Regel sich eine Figur von einem Feld zum nächsten bewegen darf. Auf dem Spielbrett stehen blaue und orangefarbene Felder, manche rund, andere eckig. Eine Anleitung gibt es nicht. Du kannst einen Zug ausprobieren und bekommst sofort die Rückmeldung „erlaubt“ oder „gesperrt“. Ein Mensch und ein KI-System erhalten dieselben Informationen.

Welche Frage bringt dich der Lösung näher?

Der erste Versuch ist erlaubt. Die Figur zieht von einem blauen Kreis auf ein orangefarbenes Quadrat. Damit passen zunächst mehrere Erklärungen zur Beobachtung. Vielleicht muss sich die Farbe ändern. Vielleicht muss sich die Form ändern. Oder das Zielfeld muss immer orange sein. Aus einer einzigen Beobachtung lässt sich zwischen diesen Hypothesen noch nicht wählen.

Der zweite Testzug liefert mehr Information, obwohl beide genau einen Versuch kosten. Auch nach einem erlaubten Zug ist der Farbwechsel zunächst die beste der betrachteten Erklärungen. Um sie weiter zu prüfen, bietet sich ein Zug zwischen zwei gleichfarbigen Feldern an. Erlaubt das Spiel auch diesen Zug, muss die Erklärung überarbeitet werden.

Woran würdest du Wissenstransfer erkennen?

Für die nächste Runde verschwindet das Spielbrett. Auf jeder Karte steht jetzt ein Wort. Manche Wörter bezeichnen Tiere, andere Pflanzen. Die neue Aufgabe lautet, mit möglichst wenigen Versuchen die Regel für eine zulässige Kartenfolge zu erschließen. Nach Farben oder Feldformen zu suchen, führt hier ins Leere. Übertragbar ist die Methode. Man stellt konkurrierende Vermutungen auf und wählt den Versuch, bei dem sie unterschiedliche Ergebnisse vorhersagen.

Ob die neue Regel tatsächlich einen Wechsel zwischen den Kategorien verlangt, muss das System erst herausfinden. Als Transfer zählt hier schon, dass es die Untersuchung sinnvoll beginnt. Für die Auswertung wären die Zahl der Versuche und die Reaktion auf einen Widerspruch aussagekräftiger als eine wortreiche Erklärung nach dem Spiel. Die Aufgabe prüft einen Baustein allgemeiner Intelligenz. Weitere Aufgaben müssten zeigen, wie weit diese Fähigkeit reicht.

Wie wird allgemeine künstliche Intelligenz getestet?

Ein AGI-Test braucht eine überprüfbare Definition dessen, was er messen soll. Ein Wissenstest erfasst, welche Antworten ein System abrufen oder herleiten kann. Ein Test zur Lernfähigkeit muss zusätzlich festhalten, welche Informationen erst während der Prüfung verfügbar wurden. Der Befund zum Faktenwissen lässt sich dann getrennt von der gemessenen Lernleistung ausweisen.

Eine verwandte Unterscheidung stammt aus der Psychologie. Kristalline Intelligenz bezeichnet den Rückgriff auf erworbenes Wissen. Fluide Intelligenz bezeichnet die Fähigkeit, neue Beziehungen zu erkennen und ungewohnte Probleme durch Schlussfolgern zu lösen. Für die KI-Forschung ist diese Unterscheidung beim Testdesign hilfreich. Wer Faktenwissen prüfen will, braucht andere Testaufgaben als jemand, der abstraktes Denken untersuchen möchte.

Was misst der ARC-AGI-Benchmark?

François Chollet schlug vor, Intelligenz über die Effizienz zu untersuchen, mit der neue Fähigkeiten erworben werden. Beim ursprünglichen Abstraction and Reasoning Corpus (ARC) besteht jede Aufgabe aus farbigen Rastern. Einige Paare zeigen eine Eingabe und die passende Ausgabe. Das System muss die zugrunde liegende Transformation erschließen und auf eine weitere Eingabe anwenden. Für die Bewertung muss das vorhergesagte Raster mit der erwarteten Lösung übereinstimmen.

ARC-AGI-3 untersucht eine andere Situation. Ein Agent erkundet eine interaktive Umgebung und erhält durch seine Aktionen neue Beobachtungen. Zu den Anforderungen gehört, ein Ziel und die Wirkung möglicher Handlungen zu erschließen. Jetzt wird neben der erreichten Lösung der Weg dorthin messbar. Wie viele Aktionen braucht der Agent im Vergleich zu menschlichen Teilnehmern? Ein guter Wert belegt eine Fähigkeit unter diesen Testbedingungen. Über Sprachverständnis oder langfristige Planung außerhalb der Testumgebung gibt er für sich genommen wenig Auskunft.

Wie aussagekräftig sind Benchmark-Ergebnisse?

Für einen fairen Vergleich muss bekannt sein, was geprüft wurde. Sobald Testaufgaben oder ihre Lösungen in die Trainingsdaten eines Modells gelangen, lässt sich Erinnern schwer vom erstmaligen Lösen unterscheiden. Dieses Problem heißt Datenkontamination. Neu entwickelte, bis zur Prüfung unveröffentlichte Aufgaben verringern das Risiko. Ergänzend lässt sich untersuchen, wie sich die Leistung verändert, wenn die Aufgaben dieselbe Fähigkeit in einer ungewohnten Form verlangen.

Ein Blick ins Testprotokoll klärt, welche Hilfen zulässig waren. Bei einer Zero-Shot-Prüfung erhält das Modell für die aktuelle Aufgabe keine Musterlösung im Prompt. Beim Few-Shot Learning enthält der Prompt einige Aufgaben samt Musterlösung. Zero-Shot beschreibt die Eingabe während des Tests. Ob frühere Trainingsdaten ähnliche Aufgaben enthielten, ist eine gesonderte Frage.

Auch die Zahl der Versuche verändert den Messwert. Der Anteil richtiger Antworten im ersten Versuch beantwortet eine andere Frage als der Anteil der Aufgaben, die das Modell in zehn Versuchen mindestens einmal löst. Wenn nur der beste Versuch zählt, braucht es zudem ein Auswahlverfahren, das die richtige Lösung erkennt. Im praktischen Einsatz steht der dafür verwendete Lösungsschlüssel oft gar nicht zur Verfügung.

Quelle: datenbasiert.de

Geschichte der allgemeinen künstlichen Intelligenz

Die Geschichte der AGI beginnt mit einer offenen Frage. Woran könnten Menschen erkennen, dass eine Maschine geistige Arbeit leistet? Mit der Zeit rückte eine zweite Frage in den Vordergrund. Wie lässt sich prüfen, ob eine Maschine eine Fähigkeit während der Prüfung neu erwirbt? Die Zeitleiste zeigt, wie sich Forschungsziele und Messverfahren entwickelt haben.

Gibt es allgemeine künstliche Intelligenz schon?

Mit Stand 2026 gibt es keinen wissenschaftlichen Konsens, dass ein bestimmtes KI-System allgemeine künstliche Intelligenz erreicht hat. Heutige Sprachmodelle können unterschiedliche Aufgaben mit derselben Modellarchitektur bearbeiten. Wie zuverlässig ein System dabei unbekannte Probleme löst, hängt jedoch erheblich von der Art der Aufgabe und den erlaubten Hilfsmitteln ab. Genau diese Bedingungen gewichten die vorgeschlagenen AGI-Definitionen unterschiedlich.

Ist ChatGPT eine AGI?

ChatGPT ist ein KI-Produkt, dessen Fähigkeiten unter anderem vom eingesetzten Sprachmodell und von den freigeschalteten Werkzeugen abhängen. Das Produkt kann Aufgaben aus vielen Bereichen in derselben Gesprächsoberfläche bearbeiten. Für die Einordnung als AGI müsste man darüber hinaus bestimmen, was das System bei einer wirklich neuen Aufgabenstellung selbst erschließt und wie zuverlässig ihm das unter veränderten Bedingungen gelingt.

Dabei spielt die Eingabe eine oft unterschätzte Rolle. Eine Anleitung kann den entscheidenden Lösungsweg bereits enthalten. Dann belegt eine richtige Antwort vor allem, dass das Modell die Anleitung umsetzen konnte. Ermittelt das Modell den Lösungsweg selbst, ist eine andere Fähigkeit gefragt. Wer diese Leistungen vergleichen will, sollte deshalb auch die ursprüngliche Eingabe kennen. Wie sich Aufgabenstellung und Hilfestellung in einer Eingabe unterscheiden, behandelt der Beitrag zum Prompt Engineering.

Wann wird es AGI geben?

Ein belastbares Jahr lässt sich derzeit nicht angeben. Schon die Frage nach dem Zeitpunkt setzt voraus, dass vorher feststeht, welches Ereignis als Erreichen von AGI gilt. Eine wirtschaftliche AGI-Definition bewertet die Automatisierung bezahlter Arbeit. Eine kognitive AGI-Definition bewertet die Lernfähigkeit bei unbekannten Aufgaben. Selbst bei identischen Annahmen über den technischen Fortschritt können die Jahreszahlen deshalb weit auseinanderliegen.

Wenn du eine AGI-Prognose einordnen willst, achte auf das vorhergesagte Ergebnis. Ist festgelegt, welche Aufgaben das System ohne Hilfe lösen soll? Ist klar, wer die Leistung prüft und welche menschliche Vergleichsgruppe gilt? Je genauer diese Bedingungen beschrieben sind, desto leichter lässt sich später feststellen, ob die Vorhersage eingetroffen ist.