Künstliche allgemeine Intelligenz, allgemein als AGI abgekürzt, bezeichnet eine hypothetische Form der künstlichen Intelligenz, die in der Lage ist, jede intellektuelle Aufgabe, die ein Mensch bewältigen kann, zu verstehen, zu lernen und auszuführen, anstatt sich eng auf einen einzelnen Bereich zu spezialisieren. Sie wird typischerweise der „schwachen KI" gegenübergestellt, den spezialisierten Systemen - von Schach-Engines bis zu Bildklassifikatoren - die heute die eingesetzte KI dominieren. Bis 2025 gilt kein System allgemein als AGI, und die genaue Definition des Begriffs bleibt unter Forschern, Führungskräften und Philosophen umstritten.
Definitionen
Es gibt keine einheitlich akzeptierte Definition von AGI. Vorgeschlagene Kriterien reichen von der Übertreffung menschlicher Leistung in einer breiten Palette kognitiver Aufgaben über die Fähigkeit, Fähigkeiten über Domänen hinweg zu erlernen und zu übertragen, ohne aufgabenspezifisches Nachtraining, bis hin zu wirtschaftlich bedeutsamen Schwellenwerten, etwa einem System, das die meisten Remote-Arbeitsaufgaben bewältigen kann, die ein Mensch ausführt. Einige Organisationen, darunter OpenAI, haben vertragliche oder wirtschaftliche Definitionen verwendet, die AGI an ein Niveau automatisierter wirtschaftlicher Wertschöpfung koppeln, statt an rein technische Kriterien - eine Wahl, die Kritiker als eher geschäftlichen Meilenstein denn als wissenschaftlichen Maßstab bezeichnen.
Geschichte des Begriffs
Der Begriff geht der aktuellen KI-Blüte voraus. Der Physiker Mark Gubrud verwendete „künstliche allgemeine Intelligenz" in einem Papier von 1997, das Nanotechnologie und militärische Risiken diskutierte; der Begriff wurde später Mitte der 2000er-Jahre in KI-Forschungskreisen übernommen und popularisiert, insbesondere durch einen 2007 herausgegebenen Sammelband mit dem Titel „Artificial General Intelligence", der mit dem Forscher Ben Goertzel verbunden ist. Seine Verwendung nahm zu, als sich eigene Organisationen um dieses Ziel bildeten: OpenAI übernahm AGI als explizite Mission bei seiner Gründung 2015, und Google DeepMind, das von Demis Hassabis 2010 als DeepMind mitgegründet wurde, bevor es 2014 von Google übernommen wurde, hat seine Mission seit seiner Gründung ebenfalls auf AGI ausgerichtet.
Wege und Prognosen
Zu den vorgeschlagenen Ansätzen für AGI gehören die Skalierung bestehender Großsprachmodell- und Basis-Modell-Architekturen mit mehr Daten und Rechenleistung - die dominierende Branchenwette seit etwa 2020 -, die Kombination von Sprachmodellen mit expliziter Planung und Werkzeugnutzung, wie in KI-Agenten-Systemen, hybride neuro-symbolische Architekturen, die neuronale Netze mit logischem Denken verbinden, sowie Ansätze, die auf verkörperter Interaktion mit der physischen Welt basieren. Umfragen unter KI-Forschern zeigen große Uneinigkeit über Zeitpläne, wobei die Median-Prognosen für „hochgradige maschinelle Intelligenz" in aufeinanderfolgenden Umfragen zwischen 2016 und 2023 früher ausfielen, obwohl einzelne Schätzungen von wenigen Jahren bis zu vielen Jahrzehnten reichen.
Debatte über die Nähe
Branchenführer haben stark unterschiedliche Einschätzungen abgegeben. Sam Altman und andere Führungskräfte haben AGI als innerhalb des aktuellen Jahrzehnts erreichbar beschrieben, während Hassabis gemäßigtere Zeitpläne angeboten hat, die verbleibende wissenschaftliche Lücken betonen. Das Aufkommen von Denkmodell-Systemen wie OpenAI o1 ab 2024, die zur Inferenzzeit zusätzliche Rechenleistung für mehrstufige Probleme aufwenden, wird von einigen als Beleg für beschleunigten Fortschritt in Richtung allgemeiner Fähigkeiten angeführt, von anderen jedoch als inkrementelle Verbesserung bei engen Benchmark-Leistungen statt echter Allgemeinheit betrachtet.
Kritik und Skepsis
Forscher wie Gary Marcus und François Chollet haben argumentiert, dass Benchmark-Gewinne großer Sprachmodelle oft eher Gedächtnisleistung oder Interpolation über Trainingsdaten widerspiegeln als robuste Generalisierung, und verweisen auf anhaltende Fehler bei neuartigen Denkproblemen. Chollets ARC-AGI-Benchmark wurde ausdrücklich entwickelt, um dieser Kritik zu widerstehen, indem er Abstraktion bei Aufgaben testet, die wahrscheinlich nicht in Trainingsdaten vorkommen. Bedenken hinsichtlich AGI sind eng mit der breiteren Debatte über Superintelligenz und existenzielle KI-Risiken verbunden, da viele Sicherheitsargumente annehmen, dass AGI, sobald erreicht, sich schnell über menschliche Aufsicht hinaus selbst verbessern könnte - eine Behauptung, die von Skeptikern bestritten wird, die aktuelle Architekturen ohne weitere konzeptionelle Durchbrüche als grundlegend begrenzt ansehen.