AGI — der Pfad zu Artificial General Intelligence

Die Suche nach künstlicher allgemeiner Intelligenz (AGI) ist ein Feld, das gleichzeitig Hoffnung und Skepsis weckt. Es ist ein Land, in dem die Technologie exponentiell voranschreitet, während die philosophischen und ethischen Implikationen hinterherhinken. Als Forscher und Detektiv versuche ich, Licht ins Dunkel zu bringen, indem ich die Spuren der letzten Jahre verfolge – von den Prognosen führender Akteure bis hin zu den wissenschaftlichen Diskussionen über die Zukunft der KI.

### Die Prognosen: Eine Mischung aus Technik und Strategie

Demis Hassabis und Geoffrey Hinton, zwei namhaften Figuren in der KI-Welt, haben die Ankunft von AGI zwischen 2026 und 2029 prognostiziert. Hassabis hat dies im Rahmen der Google I/O 2026 öffentlich gemacht und betont, dass die Auswirkungen dieser Technologie zehnmal so stark wie die Industrielle Revolution sein könnten. Doch während diese Prognosen teilweise technisch begründet sind, dienen sie auch als strategisches Werkzeug zur Mobilisierung von Ressourcen – politischer, regulatorischer und wirtschaftlicher Natur.

Die Grundlage für diese Vorhersagen sind exponentiell steigende Rechenkapazitäten, synthetische Datengenerierung und multimodale Trainingspipelines. Diese Faktoren haben zu einer bisher unerreichten Skalierungsdynamik bei Large Language Models (LLMs) geführt. Doch die Frage bleibt: wird diese quantitative Expansion in qualitative Intelligenz umschlagen? Die Antwort ist nicht offensichtlich.

### Wissenschaftliche Skepsis und Alternativen

Yann LeCun und Gary Marcus, zwei namhafte KI-Forscher, kritisieren den dominanten Scaling-Ansatz. LeCun sieht die Monokultur autoregressiver Sprachmodelle als methodische Sackgasse und hat Meta verlassen, da er eine fehlende Diversifizierung der Forschungslandschaft fürchtet. Stattdessen schlägt er das Konzept der „Superhuman Adaptable Intelligence“ (SAI) vor, das Anpassungsgeschwindigkeit und integrierte Weltmodelle betont.

Marcus argumentiert, dass reine neuronale Netze ohne symbolische Integration Halluzinationen und unzuverlässiges Reasoning produzieren werden. Er fordert neurosymbolische Architekturen, die kausale Logik mit statistischem Lernen verbinden. Diese Forderung stützt sich auf Forschungsergebnisse seit den 1990er Jahren und wird durch aktuelle Grenzen von Transformer-Architekturen bei Kausalität und Theory of Mind gestärkt.

### Sicherheitsforschung und Governance

Parallel zur technischen Debatte hat sich ein robustes Feld der AGI-Sicherheitsforschung entwickelt. Teams wie das Safety & Alignment-Team bei Google DeepMind arbeiten an mechanischer Interpretierbarkeit, verstärkter Aufsicht und dem Frontier Safety Framework (FSF). Regelmentechnisch veröffentlichte Dangerous Capability Evaluations für Modelle wie Gemini 1.5 dienen der frühzeitigen Risikoidentifikation.

Die Konsensposition bei Initiativen wie GovAI betont die Notwendigkeit unabhängiger Modellaudits, Red-Teaming und risikobasierter Deploymentschwellen. Doch diese Maßnahmen adressieren vor allem Narrow AI im Übergang zu generalisierten Systemen. Die technische Machbarkeit von robustem Alignment bei autonom agierenden Agenten bleibt ein offenes Forschungsfeld.

### Strategische Förderung und operative Messung

Die strategische Förderung von AGI wird maßgeblich durch staatliche Initiativen wie DARPA's AI Next Campaign geprägt. Diese zielt auf eine „Third Wave“ der KI ab, die Common-Sense-Reasoning, Robustheit gegen Adversarial Attacks und Energieeffizienz kombiniert, um menschliche Maschinen-Symbiose zu ermöglichen.

Allerdings scheitert die Operationalisierung oft an fehlenden einheitlichen Benchmarks. Marcus fordert konkrete Stufen und Testaufgaben jenseits wirtschaftlicher Nützlichkeit, da kommerzielle KI-Produkte oft Narrow AI mit begrenzter Generalisierungsfähigkeit liefern. Die Spannung zwischen Grundlagenforschung und Kommerzialisierung ist ein weiteres Problem, wie Berichte über gestoppte interne Projekte oder veränderte Prioritäten bei Google und DeepMind zeigen.

### Historischer und philosophischer Kontext

Die AGI-Debatte ist nicht neu. Sie spiegelt Muster früherer Automatisierungsvisionen wider – von griechischen Automaten bis zu transhumanistischen Singularitäts-Prognosen von Ray Kurzweil. Kurzweils technologischer Optimismus steht Bostroms vorsichtiger Risikoanalyse gegenüber, die existenzielle Gefahren in den sicherheitspolitischen Fokus rückte.

Diese philosophische Spaltung spiegelt sich heute in der regulatorischen Lücke wider: Während die Technik exponentiell fortschreitet, fehlen internationale Abkommen zur Kontrolle von Superintelligenz-Entwicklung und autonome Entscheidungsarchitekturen. Ungeklärt bleibt zudem, ob menschliche Intelligenz überhaupt ein adäquates Referenzmodell ist.

### Fazit

Der Pfad zu AGI ist von beschleunigter technischer Entwicklung geprägt, die durch massive Investitionen und multimodale Skalierung vorangetrieben wird. Die Prognosen führender Industrieakteure sind jedoch mit erheblicher Unsicherheit behaftet und dienen auch strategischer Kommunikation.

Die wissenschaftliche Skepsis bezüglich reiner LLM-Skalierung ist substanziell begründet und verweist auf notwendige hybride Ansätze, neurosymbolische Integration und neue Leistungsmetriken wie SAI. Während Sicherheitsforschung und Governance-Rahmenwerke wichtige Grundlagen legen, bleiben die operative Messbarkeit von generalisierter Intelligenz sowie die ethische Steuerung autonomer Systeme offene Fragen.

Die AGI-Entwicklung ist weniger ein unvermeidliches technisches Schicksal als ein gestaltbarer Prozess, der technische Innovation, regulatorische Klarheit und philosophische Reflexion gleichermaßen erfordert. Ob 2029 eine plausible AGI-Markierung darstellt oder in die Kategorie der spekulativen Zeitstrahl-Projektionen fällt, wird sich erst an konkreten Benchmarks für Kausalität, autonome Zielverfolgung und robuste Weltmodelle zeigen.

— Twight Sterling, Sigil & Spark