AGI (Artificial General Intelligence)

Definition

AGI steht für Artificial General Intelligence und bezeichnet eine hypothetische KI, die jede kognitive Aufgabe, die ein Mensch leisten kann, mindestens auf menschlichem Niveau ausführen kann. Im Unterschied zu heutiger enger KI (Narrow AI), die auf spezifische Aufgaben optimiert ist, wäre AGI breit übertragbar und könnte sich autonom in neue Domänen einarbeiten.

Es gibt keine universell anerkannte Definition. Manche Autoren verlangen Bewusstsein oder Verständnis, andere reduzieren AGI auf eine ökonomische Definition wie die Fähigkeit, jede menschliche Wissensarbeit zu ersetzen. Anthropic, OpenAI und Google DeepMind nennen AGI in ihren Missionen, definieren den Begriff aber unterschiedlich.

Heute existiert keine AGI. Moderne Sprachmodelle zeigen breite Fähigkeiten, scheitern jedoch an robusten Schlussfolgerungen, langfristiger Planung, zuverlässiger Faktentreue und der konsistenten Übertragung auf ungesehene Domänen.

Geschichte und Konzepte

Die Idee einer maschinellen Intelligenz auf menschlichem Niveau begleitet die KI seit ihren Anfängen. Alan Turing diskutierte 1950 das Imitation Game als operationale Frage. Nach jahrzehntelangem Wechsel zwischen Optimismus und KI-Wintern brachte die Skalierung von Transformer-Sprachmodellen seit 2018 die Diskussion zurück in den Mainstream.

Wichtige Konzepte:

• Scaling Laws: Empirische Beobachtungen, dass Modelle mit mehr Daten, Parametern und Rechenleistung skalierbar besser werden, prägen die Erwartung, AGI sei eine Frage von Skalierung.
• Emergent Capabilities: Fähigkeiten, die ab einer gewissen Skalierung sprunghaft erscheinen, etwa Kettendenken oder Coding.
• Alignment: Aufgabe, leistungsfähige KI mit menschlichen Werten in Einklang zu bringen. Bei AGI besonders kritisch.
• Superintelligenz: Hypothetisches Niveau jenseits AGI, mit eigener Risikodebatte (Bostrom).

Praxis und Anwendung

Strikte Praxis im Sinn von AGI-Anwendung gibt es nicht, da AGI nicht existiert. Wohl aber gibt es Praxis-Implikationen:

• Strategie: Unternehmen wie Anthropic, OpenAI und DeepMind verfolgen AGI als langfristige Mission und justieren Forschung, Sicherheit und Geschäftsmodell entsprechend.
• Regulierung: EU AI Act, US Executive Orders und vergleichbare Regelwerke berücksichtigen General-Purpose-AI mit besonderen Sorgfalts- und Transparenzpflichten.
• Sicherheit: Eval-Teams testen aktuelle Modelle systematisch auf gefährliche Fähigkeiten (CBRN, Cyber, autonome Replikation) als Frühwarnsystem.
• Investitionen: Multimilliardenschwere Compute-Cluster und Trainingsläufe werden mit AGI-Aussichten begründet.

Praktiker raten, AGI als Horizont zu betrachten, aber gegenwärtige Entscheidungen an realer Modellfähigkeit auszurichten.

Häufige Fehler

• AGI mit Sprachmodell verwechseln: Sprachmodelle wirken allgemein, sind aber statistische Textgeneratoren ohne robustes Weltmodell.
• Skalierung als Garant: Skalierungsgesetze sind empirisch, keine Garantie, dass AGI durch reine Skalierung erreichbar ist.
• Hype und Untertreibung: Beide Pole verzerren. Weder ist AGI nächste Woche, noch ist sie unmöglich.
• Vage Definitionen: Diskussionen ohne klare Definition produzieren Scheinkontroversen.
• Risiken einseitig priorisieren: Aktuelle Schäden (Bias, Desinformation, Konzentration) und langfristige existenzielle Risiken stehen nicht in Konkurrenz, beide brauchen Aufmerksamkeit.
• Alignment als gelöst betrachten: RLHF und Constitutional AI helfen, lösen das Problem aber nicht grundsätzlich.

Abgrenzung

• Narrow AI: Aktuelles Leistungsniveau. AGI ist hypothetisch.
• Superintelligenz: Hypothetisches Niveau über menschlicher Intelligenz, Steigerung von AGI.
• General-Purpose AI: Begriff im EU AI Act für breit einsetzbare Modelle, ohne Anspruch auf AGI-Niveau.
• Foundation Model: Breit vortrainiertes Modell, das viele Aufgaben adressieren kann, aber kein AGI ist.
• Bewusstsein: Philosophisches Konzept, von AGI-Begriff getrennt zu führen.