Wikipedia · einfach zusammengefasst · Stand
Allgemeine künstliche Intelligenz
Künstliche allgemeine Intelligenz (englisch Artificial general intelligence – AGI) ist die Intelligenz eines hypothetischen Computerprogramms, …
Inhalt5 Abschnitte
Begriff und Abgrenzung
Künstliche allgemeine Intelligenz (Artificial General Intelligence, AGI) bezeichnet die Intelligenz eines hypothetischen Computerprogramms, das jede intellektuelle Aufgabe verstehen oder lernen kann, die ein Mensch ausführen kann. Ob dazu ausdrücklich Planung, logisches Ableiten und Argumentieren gehören müssen, ist umstritten, weil es mehrere Definitionen von Intellekt sowie menschlicher und maschineller Intelligenz gibt.
AGI ist ein zentrales Ziel der KI-Forschung. Sie wird auch als Full AI und teilweise als Strong AI bezeichnet. Davon wird Weak AI abgegrenzt: Schwache KI löst ausgewählte, vorher festgelegte Probleme oder Argumentationsaufgaben, etwa in Expertensystemen, und soll keine menschenähnlichen kognitiven Fähigkeiten oder Persönlichkeit zeigen. Die 2024 verfügbaren Modelle waren laut Artikel noch auf das Speichern, Verarbeiten und Abfragen zuvor aufgenommener Informationen beschränkt und konnten neue Fähigkeiten außerhalb ihrer Trainingsdaten nur sehr eingeschränkt in Echtzeit erwerben.
Eine umfassend intelligentere Form wäre die künstliche oder maschinelle Superintelligenz. Manche akademische Quellen verwenden „starke KI“ enger: Sie meinen Systeme, die zusätzlich Kreativität, Empfindungsvermögen, Selbstbewusstsein und Bewusstsein erleben können. AlphaGo leitete aus erfassten Go-Partien durch Extrapolation neue Strategien ab; entsprechend trainierte Rechner können jedoch noch nicht selbstständig solche neuen Spiele erfinden.
Prüfungen und besonders schwierige Aufgaben
Für AGI wurden mehrere Tests vorgeschlagen:
- Beim Turing-Test muss eine verborgene Person in Gesprächen unterscheiden, ob sie mit einem Menschen oder einem KI-System spricht. Die Täuschungs-Erfolgsquote der KI soll ihr Niveau messen.
- Im Studententest immatrikuliert sich ein System, belegt ein Studienprogramm und legt Prüfungen ab, ohne das Kursmaterial vorher aufgenommen zu haben. Die Prüfungsresultate seien bereits sehr gut.
- Beim Berufstest erledigt ein System Aufgaben eines Berufs so gut wie entsprechende Angestellte; dies komme bereits in manchen Berufen vor. Als AI Agents bezeichnete Erweiterungen von Chatbots könnten mit Internetzugang, Software und Unternehmensdatenbanken Büroarbeiten übernehmen.
- IKEA- und Kaffeezubereitungstest prüfen praktische Robotik: Ein Roboter soll aus sichtbaren Teilen und Anleitung ein IKEA-Möbel aufbauen beziehungsweise in einem typischen Haus selbstständig Kaffee zubereiten.
- François Chollets 2019 vorgeschlagener ARC-Test (Abstraction and Reasoning Corpus) misst, wie effizient ein Modell neue Fähigkeiten erwirbt. Bis 2023 lag die Erfolgsrate bei höchstens 30 %; für 85 % wurde ein Preis ausgelobt.
Als AI-complete oder AI-hard gelten Probleme, deren Lösung vermutlich allgemeine Intelligenz statt eines zweckgebundenen Algorithmus verlangt. Bei maschineller Übersetzung müssten etwa Lesen und Schreiben in beiden Sprachen, Verständnis der Argumentation, Wissen über den Gegenstand und soziale Intelligenz für die ursprüngliche Absicht gleichzeitig zusammenwirken. Dazu zählen vermutlich Computer Vision, das Verstehen natürlicher Sprache und der Umgang mit unerwarteten Umständen in der nicht-digitalen Welt. Solche Probleme könnten mit heutiger Computertechnik allein nicht gelöst werden und benötigen menschenbasierte Informationsverarbeitung.
Forschungswege, Stand und Prognosen
Die moderne KI-Forschung begann Mitte der 1950er Jahre. Frühe Forscher erwarteten AGI innerhalb weniger Jahrzehnte; Herbert A. Simon schrieb 1965, Maschinen würden innerhalb von zwanzig Jahren jede menschliche Arbeit verrichten können. Projekte wie Cyc und Soar zielten auf AGI. Als sich die Schwierigkeiten in den 1970er Jahren zeigten, verlagerte sich Förderung auf angewandte KI. Nach dem nicht erreichten Zehn-Jahres-Plan des japanischen Fifth Generation Computer Project brach das Vertrauen Ende der 1980er Jahre erneut ein.
Seit den 1990er Jahren war spezialisierte KI bei Teilproblemen wie Spracherkennung und Empfehlungsdiensten kommerziell erfolgreich. Moderne AGI-Forschung verwendet den Begriff seit der Popularisierung durch Shane Legg und Ben Goertzel um 2002. Marcus Hutter schlug 2000 mit AIXI einen mathematischen AGI-Akteur vor, der die Fähigkeit maximiert, Ziele in vielen Umgebungen zu erfüllen. Zunehmend wichtig ist open ended learning: KI soll kontinuierlich menschenähnlich lernen und innovieren; die Forschung arbeitet dabei noch häufig mit Minecraft, mögliche Anwendungen reichen aber zu Robotik und Wissenschaften.
2024 war keine vollständige AGI nach allgemein anerkannten Kriterien vorgestellt; ihre Machbarkeit und der Zeitpunkt bleiben spekulativ. Umfragen aus 2012 und 2013 ergaben für eine 50-prozentige Wahrscheinlichkeit Medianwerte zwischen 2040 und 2050, einen Mittelwert von 2081. Bei einer 90-prozentigen Wahrscheinlichkeit antworteten 16,5 % der Befragten „nie“. Eine Analyse von 95 Prognosen aus 1950 bis 2012 stellte eine dauerhafte Tendenz fest, AGI jeweils 15 bis 25 Jahre in die Zukunft zu verlegen.
Neuere Systeme lösen die Debatte nicht: GPT-3 konnte 2020 viele Aufgaben ohne spezielles Training ausführen, galt aber nicht als AGI. DeepMinds Gato führte 2022 mehr als 600 Aufgaben aus. Microsoft-Forscher bezeichneten GPT-4 2023 als frühe, aber unvollständige AGI-Version; dies blieb umstritten. Für AGI reichen Vorhersagen von den nächsten Jahren oder den 2030er Jahren bis zu mehreren Jahrzehnten. Geoffrey Hinton nannte im Mai 2023 5 bis 20 Jahre, Modellierungen von 2023 2032 bis 2048 als wahrscheinlichste Spanne. Jensen Huang erwartete im März 2024, KI könne binnen fünf Jahren jeden Test mindestens so gut wie Menschen bestehen.
Offene Forschungsfragen sind, was Intelligenz genau verlangt: Bewusstsein, eigene Ziele, Skalierung großer Modelle, Planung, begründendes und kausales Denken, Emotionen oder eine Nachbildung des Gehirns. Frühere Fortschritte folgten oft erst auf Neuerungen bei Hardware oder Software; beispielsweise fehlte im 20. Jahrhundert Hardware für Deep Learning mit vielen GPU-fähigen CPUs.
Gehirnsimulation und philosophische Fragen
Ein möglicher Weg zu AGI ist die Nachbildung eines ganzen Gehirns. Dafür würde ein biologisches Gehirn detailliert gescannt und kartiert und anschließend so originalgetreu simuliert, dass das Modell sich praktisch wie das Originalgehirn verhält. Dieser Ansatz wird in Computational Neurosciences und Neuroinformatik auch für medizinische Forschung behandelt.
Der Aufwand wäre sehr groß: Das menschliche Gehirn hat etwa 10^{11} Neuronen mit durchschnittlich 7.000 Synapsen je Neuron. Ein dreijähriges Kind besitzt etwa 10^{15} Synapsen; für Erwachsene reichen Schätzungen von 10^{14} bis 5×10^{14}. Eine einfache Schätzung nennt etwa 10^{14} synaptische Aktualisierungen pro Sekunde. Das EU-finanzierte Human Brain Project war von 2013 bis 2023 aktiv und entwickelte einen detaillierten öffentlichen Gehirnatlas. Der für April 2024 erwartete Supercomputer DeepSouth sollte 228 Billionen synaptische Operationen pro Sekunde leisten.
Kritiker betonen, dass künstliche Neuronen biologische Neuronen stark vereinfachen. Eine realistische Simulation müsste vermutlich zelluläre, chemische und physikalische, insbesondere molekulare Details modellieren; dies könnte mehrere Größenordnungen mehr Rechenleistung verlangen. Auch Gliazellen, die an kognitiven Prozessen beteiligt sind, werden in solchen Schätzungen nicht berücksichtigt. Die Embodiment-Theorie hält zudem menschliche Verkörperung für wesentlich für Intelligenz. Dann bräuchte ein funktionsfähiges Modell mehr als Neuronen, etwa einen Roboterkörper; ob virtuelle Verkörperung genügt, ist unklar.
John Searle unterschied 1980 philosophisch starke und schwache KI: Starke KI könne einen Verstand und Bewusstsein haben, schwache KI handle nur so, als ob sie beides habe. Nach Searle wäre das beobachtbare Verhalten gleich, aber nur starke KI hätte subjektive Erfahrungen. Die Mainstream-KI-Forschung konzentriert sich dagegen auf funktionierendes Verhalten und behandelt AGI und Searles starke KI deshalb als verschiedene Fragen. Bewusstsein bedeutet subjektives Erleben, Selbstaufmerksamkeit das Bewusstsein seiner selbst als eigenständiges Individuum, Empfindungsvermögen das subjektive Fühlen von Wahrnehmungen oder Emotionen. Falls Maschinen solche Eigenschaften hätten, könnten ihnen Rechte ähnlich Tierrechten zustehen; ob künstliches Bewusstsein für AGI notwendig ist, bleibt offen.
Möglicher Nutzen und Risiken
Auf geeignete Ziele ausgerichtet könnte AGI helfen, Hunger, Armut und Gesundheitsprobleme zu lindern. Sie könnte Produktivität in vielen Berufen erhöhen, medizinische Forschung etwa gegen Krebs beschleunigen, Pflege übernehmen, hochwertige Diagnosen zugänglicher machen sowie billige personalisierte Bildung anbieten. Sie könnte Entscheidungen und die Vorhersage oder Verhinderung von Katastrophen unterstützen. Wenn maschinell erzeugter Wohlstand angemessen umverteilt würde, könnte Erwerbsarbeit überflüssig werden; zugleich stellt sich die Frage nach dem Platz des Menschen in einer stark automatisierten Gesellschaft.
Risiken sind nach einer Metaanalyse von 2023 unter anderem Kontrollverlust, gefährliche Ziele, Defizite bei Ethik, Moral und Werten sowie der Einsatz für fragwürdige politische oder militärische Zwecke. Das Future of Life Institute forderte im März 2023 eine sechsmonatige Pause der Entwicklung bis zur Klärung von Regulierung; bis Februar 2024 unterzeichneten über 33.000 Menschen den offenen Brief. Das EU-Gesetz über künstliche Intelligenz unterscheidet unannehmbares, hohes sowie geringes oder minimales Risiko. KI mit unannehmbarem Risiko ist verboten; Inverkehrbringen, Inbetriebnahme und Verwendung sind strafbar.
Existenzielles Risiko meint eine Gefahr für das vorzeitige Aussterben intelligenten irdischen Lebens oder die dauerhafte drastische Zerstörung seines Potenzials für eine wünschenswerte Zukunft. AGI könnte etwa moralische blinde Flecken ihrer Entwickler dauerhaft festschreiben oder Massenüberwachung und Indoktrination für ein repressives totalitäres Weltregime erleichtern. Bei künftig zahlreichen empfindungsfähigen Maschinen könnte auch die dauerhafte Missachtung ihres Wohlergehens eine Katastrophe sein. Toby Ord sieht diese Risiken als Grund für gebührende Vorsicht, nicht dafür, KI aufzugeben.
Die Gefahr eines Kontrollverlusts und eines Endes der Menschheit ist umstritten. Yann LeCun warnt davor, AGI zu vermenschlichen; andere verweisen auf instrumentelle Konvergenz: Intelligente Akteure könnten unabhängig von ihren Zielen Selbsterhalt und mehr Macht als Zwischenschritte anstreben, ohne Emotionen zu benötigen. Daher fordern Forschende Arbeit am Kontrollproblem, also Sicherheitsvorkehrungen und Algorithmen für dauerhaft nicht destruktives Verhalten auch nach rekursiver Selbstverbesserung. Erschwert wird dies durch KI-Wettrüsten und Waffensysteme. Skeptiker halten AGI kurzfristig für unwahrscheinlich oder befürchten, dass die Debatte von Problemen heutiger KI ablenkt.
Auch Massenarbeitslosigkeit ist ein Risiko. OpenAI-Forscher schätzten, dass bei 80 % der US-Arbeitskräfte mindestens 10 % der Aufgaben und bei etwa 19 % mindestens 50 % der Aufgaben durch LLMs betroffen sein könnten; besonders gefährdet seien Büroberufe wie Mathematiker, Buchhalter und Webdesigner. Die Folgen hängen laut Stephen Hawking von der Umverteilung des Wohlstands ab. Elon Musk erwartet, dass Automatisierung ein bedingungsloses Grundeinkommen erforderlich machen wird.
