AGI/Singularität: 10.000 Prognosen analysiert

Künstliche allgemeine Intelligenz (AGI) liegt vor, wenn ein KI-System bei allen Aufgaben die menschlichen kognitiven Fähigkeiten erreicht. Wir haben 10.000 KI-Forscher‘, führende Unternehmer‘ und Community-Prognosen zum AGI-Zeitplan analysiert:

Wird AGI/Singularität eintreten? AGI ist unvermeidlich laut den meisten KI-Experten.

Wann werden wir AGI erreichen? Zwischen Ende der 2020er und Anfang der 2030er Jahre. Der AGI-Zeitplan hat sich nach dem Start von ChatGPT verkürzt.

Zeitplan der künstlichen allgemeinen Intelligenz

Der obige Zeitplan skizziert das voraussichtliche Jahr der Singularität, basierend auf Erkenntnissen aus 10 Umfragen mit über 6.000 Teilnehmern, Antworten von 18 KI-Forschern und Community-Erkenntnissen aus den Prognosemärkten Manifold, Kalshi und Metaculus.

Wie oben zu sehen ist, erwarten die Umfrageteilnehmer zunehmend, dass die Singularität früher eintritt als zuvor angenommen. Erfahren Sie mehr über die Methoden, mit denen wir diese Grafik erstellt haben.

AGI-Prognosen aus Prognosemärkten

Für Prognosen aus Prognosemärkten & Community-Erkenntnisse haben wir Folgendes verwendet:

3.900 Prognosen von Manifold, Kalshi und Metaculus, Online-Prognosemärkten, auf denen Teilnehmer auf die Wahrscheinlichkeit und den Zeitpunkt künftiger Ereignisse wetten, um Gewinn oder Ansehen zu erzielen. Wir haben auch das durchschnittliche prognostizierte Datum aus diesen Prognosemärkten einbezogen.

Weitere zentrale Fragen zu AGI

Wie ist unser aktueller Stand bei AGI?

Obwohl schwache KI den Menschen bei bestimmten Aufgaben übertrifft, existiert keine intelligente Maschine. Einige Forscher geben an, dass große Sprachmodelle neu entstehende generalistische Fähigkeiten zeigen.¹ Laut unserem AGI-Benchmark sind Maschinen weit davon entfernt, autonom wirtschaftlichen Wert zu schaffen.

Wie können wir AGI erreichen?

Entweder indem wir mehr Rechenleistung und Daten hinter aktuelle Architekturen wie Transformer stellen oder indem wir neue Ansätze erfinden. Es gibt noch keinen wissenschaftlichen Konsens über die Methode zur Erreichung von AGI oder zu ihrer Validierung.

Unten sehen Sie eine Zusammenfassung der Prognosen, aus denen sich dieser Zeitplan zusammensetzt, oder sehen Sie sich die vollständige Tabelle an.

Ergebnisse großer Umfragen unter KI-Forschern

Wir haben die Ergebnisse von 10 Umfragen mit mehr als 6.000 KI-Forschern und -Experten untersucht, in denen diese schätzten, wann AGI/Singularität eintreten könnte.

Die Prognosen variieren zwar, aber die meisten Umfragen deuten auf eine Wahrscheinlichkeit von 50 % hin, AGI zwischen 2040 und 2061, zu erreichen; manche schätzen, dass Superintelligenz innerhalb weniger Jahrzehnte folgen könnte.

Expertenumfrage zu Fortschritten in der KI

Im Oktober 2023 befragte KI Impacts 2.778 KI-Forscher dazu, wann AGI erreicht werden könnte. Diese Umfrage enthielt nahezu identische Fragen wie die Umfrage von 2022. Basierend auf den Ergebnissen der Expertenumfrage zu Fortschritten in der KI wird geschätzt, dass hochgradige maschinelle Intelligenz bis 2040 eintritt.²

Expertenumfrage zu Fortschritten in der KI

Die Umfrage wurde mit 738 Experten durchgeführt, die auf den Konferenzen NIPS und ICML 2021 publiziert haben. Basierend auf den Ergebnissen der Expertenumfrage zu Fortschritten in der KI schätzen die Experten, dass eine Chance von 50 % besteht, dass hochgradige maschinelle Intelligenz bis 2059. eintritt.³

Die Experten sagten außerdem voraus, dass Hardwarekosten, algorithmische Fortschritte und die Arbeit an Trainingsdatensätzen die größten Faktoren für den KI-Fortschritt sein würden.

Umfrage zur Prognose des KI-Fortschritts

Baobao Zhang befragte 2019 296 KI-Experten und bat sie zu prognostizieren, wann Maschinen den durchschnittlichen menschlichen Arbeitnehmer bei der Ausführung von über 90 % der wirtschaftlich relevanten Aufgaben übertreffen würden. Nach den Ergebnissen der Umfrage zur Prognose des KI-Fortschritts schätzte die Hälfte der Befragten, dass dies vor 2060 eintreten würde.⁴

Umfrage unter KI-Experten zum AGI-Zeitplan

Die Prognosen aus der Umfrage unter KI-Experten zum AGI-Zeitplan von 2019⁵ lauten:

• 45 % der Befragten prognostizieren ein Datum vor 2060.
• 34 % aller Teilnehmer prognostizierten ein Datum nach 2060.
• 21 % der Teilnehmer prognostizierten, dass die Singularität niemals eintreten würde.

Umfrage zu den potenziellen Auswirkungen von KI auf die Arbeitsplatzverdrängung

Ross Gruetzemacher befragte 2018 165 KI-Experten, um die potenziellen Auswirkungen von KI auf die Arbeitsplatzverdrängung zu bewerten. Die Experten sollten schätzen, wann KI-Systeme in der Lage sein würden, 99 % der Aufgaben zu erledigen, für die Menschen derzeit bezahlt werden, und zwar auf einem Niveau, das dem eines durchschnittlichen Menschen entspricht oder es übertrifft.

Basierend auf den Ergebnissen der Umfrage zu den potenziellen Auswirkungen von KI auf die Arbeitsplatzverdrängung prognostizierte die Hälfte der Befragten, dass dieser Meilenstein vor 2068 erreicht wird, während 75 % erwarteten, dass er innerhalb der nächsten 100 Jahre eintritt.⁶

Umfrage unter KI-Experten der Konferenzen NIPS und ICML

Im Mai 2017 wurden 352 KI-Experten befragt, die auf den Konferenzen NIPS und ICML 2015 publiziert hatten.⁷

Basierend auf den Umfrageergebnissen der Konferenzen NIPS und ICML schätzen Experten die Chance auf 50 %, dass AGI bis 2060. eintritt. Allerdings gibt es je nach Region erhebliche Meinungsunterschiede:

• Asiatische Befragte erwarten AGI in 30 Jahren,
• Nordamerikaner erwarten sie in 74 Jahren.

Zu den wichtigen Berufsfunktionen, die bis 2030 voraussichtlich automatisiert werden, gehören Callcenter-Mitarbeiter, Lkw-Fahrer und Einzelhandelsverkäufer.

Umfrage zum künftigen Fortschritt der künstlichen Intelligenz

Vincent C. Muller, Präsident der European Association for Cognitive Systems, und Nick Bostrom von der University of Oxford, der über 200 Artikel zu Superintelligenz und künstlicher allgemeiner Intelligenz (AGI) veröffentlicht hat, führten die Umfrage zum künftigen Fortschritt der künstlichen Intelligenz in den Jahren 2012 und 2013 durch. 550 Teilnehmer beantworteten die Frage: Wann wird AGI wahrscheinlich eintreten?⁸

Nach den Ergebnissen der Umfrage zum künftigen Fortschritt der künstlichen Intelligenz:

• Die befragten KI-Experten schätzen, dass AGI wahrscheinlich (über 50 % Chance) zwischen 2040 und 2050 entstehen wird und mit hoher Wahrscheinlichkeit (90 % Chance) bis 2075. erscheinen wird.
• Sobald AGI erreicht ist, geben die meisten Experten an, dass sie sich relativ schnell zu Superintelligenz weiterentwickeln wird, mit einem Zeitrahmen von nur 2 Jahren (unwahrscheinlich, 10 % Wahrscheinlichkeit) bis zu etwa 30 Jahren (hohe Wahrscheinlichkeit, 75 %).

Umfrage mit KI-Experten, die an der AGI-09-Konferenz teilnahmen

Basierend auf den Umfrageergebnissen von 21 KI-Experten, die 2009 an der AGI-09-Konferenz teilnahmen, wird AGI etwa 2050 eintreten, möglicherweise früher.⁹ Unten sehen Sie ihre Einschätzungen zu bestimmten KI-Leistungen: das Bestehen des Turing-Tests, das Bestehen der dritten Klasse, wissenschaftliche Durchbrüche auf Nobelpreisniveau und das Erreichen übermenschlicher Intelligenz.

Abbildung 1: Ergebnisse der Umfrage, die an die Teilnehmer der Konferenz Artificial General Intelligence 2009 (AGI-09) verteilt wurde.

Community-Einblicke

Wir haben außerdem die AGI-Prognosen von Samotsvety Forecasting und der Metaculus-Community sowie die Ergebnisse der Prognosemärkte Manifold, Kalshi und Polymarket ausgewertet:

Samotsvety Forecasting

Samotsvety Forecasting ist ein Team von Prognostikern, das probabilistische Vorhersagen zu realen Ereignissen trifft, insbesondere in den Bereichen Geopolitik, Technologie und globale Risiken, und dabei strukturiertes Denken und quantitative Methoden einsetzt. Sie verfügen über eine starke Wettbewerbsbilanz auf großen Prognoseplattformen und in Turnieren (z. B. INFER/CSET-Foretell), wo ihre Genauigkeit anhand formaler Bewertungsmetriken wie dem Brier-Score gemessen wird.¹⁰

Im Januar 2026 aktualisierte das Team seine AGI-Prognosen mit 8 Prognostikern.¹¹ Hier sind die aggregierten Ergebnisse:

• 10 % Wahrscheinlichkeit, dass wir AGI im Jahr 2026 erreichen
• 50 % Wahrscheinlichkeit, dass wir AGI bis 2041 erreichen
• 90 % Wahrscheinlichkeit, dass wir AGI bis 2164 erreichen

In einer früheren Prognose von 2022 schätzte das Team eine Wahrscheinlichkeit von 32 % für AGI innerhalb von 20 Jahren (bis ca. 2042) und 73 % bis 2100, beides niedriger als ihre aktuellen Projektionen.¹²

Manifold Market

Mit Stand August 2026 prognostizierten über 1.100 Mitwirkende des Manifold-Marktes das Jahr, in dem eine KI erstmals einen „hochwertigen, adversariellen Turing-Test“ besteht, als 2034.¹³

Kalshi Prediction Market

Mit Stand August 2026 geben die Mitwirkenden am Prognosemarkt Kalshi an, dass eine Chance von 45 % besteht, dass OpenAI AGI bis 2030 erreichen wird.¹⁴

Polymarket

Ergebnisse der Polymarket-Prognosen im August 2026 zeigten, dass eine Wahrscheinlichkeit von 9 % besteht, dass OpenAI AGI bis 2027 erreicht.¹⁵

Metaculus-Community-Prognosen

Mit Stand August 2026:

• 1.800 Teilnehmer beantworteten die Frage „Wann wird das erste schwach allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und die Prognose lautet 2028.¹⁶
• 180 Teilnehmer beantworteten die Frage „Wann wird eine KI erstmals einen langen, informierten, adversariellen Turing-Test bestehen?“ und ihre Prognose lautet 2029.¹⁷
• 1.900 Teilnehmer beantworteten die Frage „Wann wird das erste allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und ihre Prognose lautet 2033.¹⁸

Im Jahr 2022 beantworteten 81 Teilnehmer die Frage „Wann werden Top-Prognostiker erwarten, dass die erste künstliche allgemeine Intelligenz entwickelt und demonstriert wird?“ und ihre Prognose war 2035.¹⁹

Einblicke von KI-Unternehmern & einzelnen Forschern

Auch KI-Unternehmer stellen Schätzungen an, wann wir die Singularität erreichen werden, und sie sind optimistischer als Forscher. Das ist zu erwarten, da sie von einem gesteigerten Interesse an KI profitieren.

Ihre Meinungen über Geschwindigkeit und Entwicklungspfad gehen auseinander. Amodei von Anthropic erwartet, dass AGI aufgrund des raschen, sich selbst verstärkenden Fortschritts in naher Zukunft eintrifft, während Hassabis von DeepMind sie für plausibel hält, aber vorsichtig bleibt und auf ungelöste Herausforderungen bei wissenschaftlicher Kreativität und autonomer Selbstverbesserung verweist.

Hier sind die Prognosen von 15 der bekanntesten KI-Unternehmer und -Forscher:

• Shane Legg, Mitbegründer von DeepMind Technologies, definiert minimale AGI als einen künstlichen Agenten, der das gesamte Spektrum kognitiver Aufgaben zuverlässig ausführen kann, das ein durchschnittlicher Mensch bewältigen kann, ohne auf eine Weise zu versagen, die uns überraschen würde, wenn eine Person dieselbe Aufgabe erhielte. Seine Prognose im Januar 2026 lautet, dass eine Chance von 50 % besteht, dass minimale AGI bis 2028 eintritt.
  • Laut Legg bedeutet das Erreichen minimaler AGI nicht, dass wir die höchsten Formen menschlicher Intelligenz, wie große wissenschaftliche Durchbrüche oder künstlerische Leistungen, vollständig verstehen oder reproduzieren können. Vollständige AGI wäre erreicht, sobald KI das gesamte Spektrum menschlicher Kognition erreichen kann.²⁰
• Dario Amodei, CEO von Anthropic, äußerte auf dem Weltwirtschaftsforum 2026 in Davos großes Vertrauen, dass Systeme auf AGI-Niveau in naher Zukunft bevorstehen. Er erklärte, dass AGI wahrscheinlich innerhalb weniger Jahre eintreten wird (2027), möglicherweise früher als weithin erwartet.
  • Er argumentiert, dass rasche Fortschritte bei der Programmierung und der Automatisierung der KI-Forschung zentral sind, da sie KI-Systeme in die Lage versetzen, die meisten Softwareentwicklungsaufgaben Ende-zu-Ende zu bewältigen und ihre eigene Entwicklung durch Feedbackschleifen zu beschleunigen.
  • Auch wenn er Einschränkungen wie Hardwareverfügbarkeit und Trainingszeit einräumt, hält er einen längeren Zeitplan für unwahrscheinlich und erwartet eine rasche Beschleunigung, sobald diese Schleifen ausgereift sind.²¹
• Auf derselben Veranstaltung im Jahr 2026 vertrat Demis Hassabis, Gründer von DeepMind, eine vorsichtigere Haltung und wiederholte eine Schätzung von ungefähr 50 % Chance, AGI bis zum Ende des Jahrzehnts (2030) zu erreichen.
  • Hassabis stimmt zu, dass die Fortschritte in überprüfbaren Bereichen wie Programmierung und Mathematik schnell sind, betont jedoch, dass wissenschaftliche Entdeckungen und kreatives Denken weiterhin schwieriger bleiben.
  • Er hebt ungelöste Einschränkungen bei der Entwicklung neuer Fragen und Theorien hervor und äußert Unsicherheit über vollständig autonome Selbstverbesserung, insbesondere in komplexen realen Bereichen, was seiner Ansicht nach die AGI-Zeitpläne unsicherer macht.
• Angesichts der Fortschritte der KI beim logischen Denken, Programmieren und in der Mathematik erklärt Eric Schmidt, ehemaliger CEO von Google, dass wir innerhalb von 3–5 Jahren auf eine künstliche allgemeine Intelligenz zusteuern (wie im April 2025 erklärt).²²
• Elon Musk erwartet die Entwicklung einer künstlichen Intelligenz, die klüger ist als der klügste Mensch, bis 2026.²³
• Im Februar 2025 prognostizierte der Unternehmer und Investor Masayoshi Son dies innerhalb von 2–3 Jahren (d. h. 2027 oder 2028).
• Im März 2024 prognostizierte Nvidia-CEO Jensen Huang, dass KI innerhalb von fünf Jahren bei jedem Test die menschliche Leistung erreichen oder übertreffen werde: 2029.²⁴
• Louis Rosenberg, Informatiker, Unternehmer und Autor, bis 2030.
• Ray Kurzweil, Informatiker, Unternehmer und Autor von 5 nationalen Bestsellern, darunter The Singularity Is Near: zuvor 2045, im Jahr 2024, 2032.²⁵
• Im Jahr 2023 stellte Hinton fest, dass AGI 5–20 Jahre dauern könnte.²⁶
• Sam Altman, CEO von OpenAI, bis 2035. Er erwähnte 2024 in seinem Blog „The Intelligence Age“ „einige tausend Tage“.
• Ajeya Cotra, eine KI-Forscherin, analysierte das Wachstum der Trainingsrechenleistung und schätzte eine Chance von 50 %, dass KI mit menschenähnlichen Fähigkeiten bis 2040 entstehen wird.²⁷
• Patrick Winston, MIT-Professor und Direktor des MIT Artificial Intelligence Laboratory von 1972 bis 1997, erwähnte 2040, und betonte, dass es sich zwar um ein Datum handelt, das eintreten würde, es aber schwer zu schätzen.
• Jürgen Schmidhuber, Mitbegründer des KI-Unternehmens NNAISENSE und Direktor des Schweizer KI-Labors IDSIA, bis 2050.²⁶

Weitere Kommentare und Entwicklungen zu AGI

AAAI-Präsidiumspanel zur Zukunft der KI-Forschung

475 Befragte, hauptsächlich aus dem akademischen Bereich (67 %) und Nordamerika (53 %), wurden zu Fortschritten in der KI befragt. Obwohl die Umfrage des AAAI-Präsidiumspanels 2025 zur Zukunft der KI-Forschung keinen Zeitplan für AGI abfragte, gaben 76 % der Befragten an, dass eine Skalierung der derzeitigen KI-Ansätze wahrscheinlich nicht zu AGI führen würde.²⁸

OpenAI erweitert seine Robotik-Ambitionen

OpenAI verstärkt seinen Fokus auf Robotik als Teil seines Ziels, die künstliche allgemeine Intelligenz voranzubringen. Das Unternehmen stellt Spezialisten für humanoide Robotersysteme ein und bildet ein Team, das Algorithmen entwickelt, die Robotern helfen, in der physischen Welt selbstständig zu lernen und zu handeln.

Dies markiert eine Abkehr von OpenAIs früherem Fokus auf Sprach- und Bildmodelle. Das Unternehmen will nun fortgeschrittenes logisches Denken mit physischer Interaktion verbinden, was darauf hindeutet, dass es Robotik als wesentlichen Schritt auf dem Weg zur Erprobung und Erreichung von AGI betrachtet.

Kontext und Implikationen

Nachdem OpenAI um 2020 sein erstes Robotikteam zurückgefahren hatte, kehrt das Unternehmen nun in die aktive Entwicklung auf diesem Gebiet zurück. Neueinstellungen und mögliche Partnerschaften deuten auf ein erneuertes Bestreben hin, Roboter zu bauen, die in der realen Welt lernen und Objekte manipulieren können.

Durch die Kombination großer KI-Modelle mit Sensordaten will OpenAI Systeme schaffen, die außerhalb digitaler Umgebungen denken und handeln können. Die Einstellung von Experten für humanoide Robotik deutet außerdem auf langfristige Ziele hin, die über Automatisierung hinausgehen und auf Roboter abzielen, die sicher mit Menschen zusammenarbeiten können.²⁹

Microsofts Bericht über frühe Experimente mit GPT-4

Microsoft Research untersuchte 2023 eine frühe Version von OpenAIs GPT-4. Der Bericht behauptete, dass es eine größere allgemeine Intelligenz zeigte als frühere KI-Modelle und in Bereichen wie Mathematik, Programmieren und Recht auf menschlichem Niveau abschnitt. Dies löste eine Debatte darüber aus, ob GPT-4 eine vorläufige Form künstlicher allgemeiner Intelligenz war. ³⁰

Der Weg zur künstlichen allgemeinen Intelligenz – Bericht des MIT

Der Bericht „The road to artificial general intelligence“ (Der Weg zur künstlichen allgemeinen Intelligenz) vom August 2025 erwartet, dass frühe AGI-ähnliche Systeme zwischen 2026 und 2028 entstehen könnten und in bestimmten Bereichen menschenähnliches Denken, multimodale Fähigkeiten über Text, Audio und physische Schnittstellen sowie begrenzte zielgerichtete Autonomie zeigen.

Der Bericht kombiniert aggregierte Prognosen und legt eine 50 % Wahrscheinlichkeit nahe, dass mehrere generalisierte Meilensteine wie Wissenstransfer und breites logisches Denken bis 2028 erreicht werden.

Langfristigere Projektionen schätzen, dass Maschinen die menschliche Leistung bei allen wirtschaftlich wertvollen Aufgaben bis etwa 2047 übertreffen könnten, abhängig von Fortschritten bei der Recheneffizienz, algorithmischen Durchbrüchen und autonomem Lernen.³¹

KI Frontiers zu AGI-Wahrscheinlichkeiten

Adam Khoja und Laura Hiscott von KI Frontiers, einer Plattform für KI-Debatten und -Dialoge, schätzen eine 50 % Wahrscheinlichkeit, AGI bis 2028 zu erreichen, und eine 80 % Wahrscheinlichkeit bis 2030, basierend auf ihrer quantitativen AGI-Definition.³²

Khoja und Hiscott bewerten den Fortschritt in Richtung künstlicher allgemeiner Intelligenz anhand einer Definition, die von Khoja, Dan Hendrycks und ihren Mitautoren entwickelt wurde.³³ Ihr Rahmenwerk misst zehn kognitive Fähigkeiten und vergibt für GPT-4 eine Punktzahl von 27 % und für GPT-5 eine Punktzahl von 57 %. Das deutet darauf hin, dass sich aktuelle Modelle etwa auf halbem Weg zur definierten AGI-Schwelle befinden.

Khoja und Hiscott argumentieren, dass traditionelle Diskussionen über AGI-Zeitpläne unpräzise sind, weil sie auf uneinheitlichen Definitionen beruhen. Ihr standardisiertes Rahmenwerk soll Klarheit schaffen, indem es spezifische Stärken und Schwächen aktueller Modelle identifiziert. Sie stellen fest, dass Lesen, Schreiben, Mathematik und Allgemeinwissen menschliche Ausgangswerte erreichen oder übertreffen und keine begrenzenden Faktoren mehr darstellen.

Die Autoren heben verbleibende Lücken beim visuellen Denken, der intuitiven Physik, der auditiven Verarbeitung, der wahrnehmungsabhängigen Geschwindigkeit sowie dem visuellen und auditiven Arbeitsgedächtnis hervor. Sie berichten von raschen Verbesserungen bei Benchmarks wie SPACE und MindCube und legen nahe, dass diese Lücken wahrscheinlich durch fortgesetzte inkrementelle Forschung geschlossen werden können. Sie stellen außerdem fest, dass Halluzinationen weiterhin ein Problem darstellen, angesichts der Leistungsunterschiede zwischen führenden Modellen jedoch beherrschbar sind.

Laut Khoja, Hiscott und Hendrycks ist das größte verbleibende Hindernis das kontinuierliche Lernen und die langfristige Speicherung von Erinnerungen. Derzeitige Systeme können Informationen nicht über Sitzungen hinweg behalten, und die Überwindung dieser Einschränkung erfordert mindestens einen bedeutenden Durchbruch. Die Autoren betonen jedoch, dass große KI-Labore diesen Bereich inzwischen priorisieren.

Aus früherem übermäßigen Optimismus bei KI-Prognosen lernen

Bedenken Sie, dass KI-Forscher früher überoptimistisch waren. Beispiele hierfür sind:

• Geoff Hinton behauptete 2016, dass wir bis 2021 oder 2026 keine Radiologen mehr brauchen würden. Bisher ist die Radiologie nicht vollständig automatisiert, und Krankenhäuser benötigen Tausende von ihnen.³⁴
• KI-Pionier Herbert A. Simon im Jahr 1965: „Maschinen werden innerhalb von zwanzig Jahren in der Lage sein, jede Arbeit zu verrichten, die ein Mensch verrichten kann.“³⁵
• Japans Fifth Generation Computer hatte 1980 einen Zehnjahresplan mit Zielen wie „ungezwungene Gespräche führen“. ³⁶

Diese historische Erfahrung hat dazu beigetragen, dass die meisten heutigen Wissenschaftler davor zurückschrecken, AGI in kühnen Zeiträumen wie 10–20 Jahren vorherzusagen, aber dies hat sich mit dem Aufstieg der generativen KI geändert.

Verstehen, was Singularität ist

Künstliche Intelligenz macht uns Angst und fasziniert uns zugleich. Fast jede Woche gibt es in den Nachrichten eine neue KI-Angstmeldung, etwa Entwickler, die Angst vor dem haben, was sie geschaffen haben, oder Bots abschalten, weil sie zu intelligent geworden sind.³⁷

Die meisten dieser Mythen entstehen durch Fehlinterpretationen von Forschung durch Personen außerhalb der KI- und GenAI-Bereiche. Manche Interessengruppen behaupten, KI zu fürchten, weil sie von mehr Regulierung profitieren könnten oder weil es ihnen mehr Aufmerksamkeit bringen könnte.

Die größte Angst im Zusammenhang mit KI ist die Singularität (auch als künstliche allgemeine Intelligenz oder AGI bezeichnet), ein Ereignis, von dem erwartet wird, dass es zu einem raschen Anstieg der Maschinenintelligenz führt. Dies wird erwartet, wenn ein System menschliches Denken mit übermenschlicher Geschwindigkeit und einem schnell zugänglichen, nahezu perfekten Gedächtnis kombiniert. Nach Ansicht einiger Experten impliziert Singularität auch maschinelles Bewusstsein.

Eine solche Maschine könnte sich selbst verbessern und menschliche Fähigkeiten übertreffen. Schon bevor künstliche Intelligenz ein Forschungsthema der Informatik war, beschäftigten sich Science-Fiction-Autoren wie Asimov mit dieser Frage. Sie entwickelten Mechanismen (d. h. Asimovs Robotergesetze), um das Wohlwollen intelligenter Maschinen sicherzustellen, was heute häufiger als Alignment-Forschung bezeichnet wird.

Warum Experten glauben, dass AGI unvermeidlich ist: zentrale Argumente & Belege

AGI zu erreichen klingt nach einer gewagten Prognose, erscheint aber als ziemlich vernünftiges Ziel, wenn man bedenkt, dass menschliche Intelligenz festgelegt ist und maschinelle Intelligenz wächst. Es ist nur eine Frage der Zeit, bis Maschinen uns übertreffen, sofern es keine harte Grenze ihrer Intelligenz gibt. Eine solche Grenze haben wir bislang nicht gefunden.

Menschliche Intelligenz ist festgelegt, sofern wir unsere kognitiven Fähigkeiten nicht irgendwie mit Maschinen verschmelzen. Elon Musks Neural-Lace-Start-up zielt darauf ab, aber die Forschung zu Gehirn-Computer-Schnittstellen befindet sich noch in einem frühen Stadium.³⁸

Maschinelle Intelligenz hängt von Algorithmen, Rechenleistung und Daten ab.

• Die Rechenleistung wächst exponentiell, da Investitionen in F&E und Rechenzentren fließen.
• Bisher ist es uns gut gelungen, Maschinen mit den nötigen Algorithmen zu versorgen, um ihre Rechenleistung und ihr Gedächtnis effektiv zu nutzen.
• Schließlich erzeugen Unternehmen und Privatpersonen digitale Daten in immer größerem Tempo. Synthetische Daten können Modelle verschlechtern oder verbessern. Selbst wenn sie verschlechtern, ist dies dank Datenkuratierung ein lösbares Problem.

Jüngste Errungenschaften

Opus 4.6

Im Februar 2026 veröffentlichte Claude Opus 4.6 mit einem 1M Kontextfenster und beeindruckenden Benchmark-Ergebnissen.

Anthropic konzentriert sich außerdem auf Anwendungsfälle, indem es Plugins wie Claude Legal veröffentlicht, Markdown-Dateien, die Modellen helfen, sich in bestimmten Domänen zurechtzufinden. Obwohl dies nur eine kleinere Ergänzung zu Claude war, löste es einen Ausverkauf an der Börse aus, darunter SaaS- und Rechtssoftware.³⁹

Gemini Deep Think

Ein weiteres Beispiel ist der Gemini-Deep-Think-Modus von DeepMind, der bei der Internationalen Mathematik-Olympiade 2025 Goldmedaillen-Niveau erreichte – ein bedeutender Schritt für die Fähigkeit von KI, komplexe Probleme zu durchdenken.

Gemini arbeitete ausschließlich in natürlicher Sprache und löste fünf von sechs Aufgaben innerhalb des offiziellen Zeitfensters von 4.5 Stunden, wobei es klare, für Menschen lesbare Beweise erzeugte, ohne auf formale symbolische Werkzeuge zurückzugreifen.

Seine Fähigkeiten beruhen auf mehreren Innovationen: Der Deep-Think-Modus ermöglicht die parallele Erkundung von Lösungswegen, das Training bezieht mathematische Beweise auf Expertenniveau ein, und bestärkendes Lernen verfeinert seinen strategischen Ansatz.

Dieser Fortschritt zeigt, dass fortgeschrittene KI nun zu anspruchsvollem, nachvollziehbarem Denken auf einem Niveau fähig ist, das einst den besten menschlichen Problemlösern vorbehalten war.⁴⁰

Opencrawl

Opencrawl ist ein Open-Source-Projekt, um LLMs in Agenten zu verwandeln. Es wurde zu einem der beliebtesten Projekte auf GitHub und stieß das Opencrawl-Ökosystem an.

Exponentielles Wachstum

Die folgende Analogie hilft, exponentielles Wachstum zu verstehen. Auch wenn Maschinen derzeit nicht hochintelligent erscheinen mögen, können sie in naher Zukunft ziemlich klug werden.

Jüngstes Wachstum der KI-Rechenleistung

Abbildung 2: Die Abbildung zeigt eine Zusammenfassung der Muster des Rechenwachstums in verschiedenen Kategorien: alle nennenswerten Modelle (oben links), Frontier-Modelle (oben rechts), führende Sprachmodelle (unten links) und Top-Modelle führender Unternehmen (unten rechts).

Die Rechenressourcen für das Training von KI-Modellen haben erheblich zugenommen, wobei etwa zwei Drittel der Leistung von Sprachmodellen auf Verbesserungen der Modellgröße zurückgeführt werden.

Laut einem Artikel aus dem Jahr 2024⁴¹ hat das Wachstum des Rechenaufwands beim Training von KI-Modellen kontinuierlich um etwa 4-5x pro Jahr zugenommen, was Trends bei nennenswerten Modellen, Frontier-Modellen und führenden Unternehmen wie OpenAI, Google DeepMind und Meta KI widerspiegelt (siehe Abbildung 2).

Die Wachstumsrate hat sich jedoch seit 2018 etwas verlangsamt, insbesondere bei Frontier-Modellen; Sprachmodelle verzeichneten jedoch bis Mitte 2020 ein schnelleres Wachstum von bis zu 9x/Jahr, danach verlangsamte sich das Tempo auf 4-5x/Jahr.

Der allgemeine Trend des KI-Rechenwachstums bleibt stark, und Projektionen deuten darauf hin, dass die Wachstumsrate von 4-5x/Jahr anhalten wird, sofern keine neuen Herausforderungen oder Durchbrüche auftreten. Dieses Wachstum zeigt sich auch in den Skalierungsstrategien führender KI-Unternehmen, wobei es zwischen ihnen leichte Unterschiede gibt.

Trotz einer Verlangsamung des Wachstums bei Frontier-Modellen entsprechen die heute veröffentlichten größeren Modelle wie GPT-4 und Gemini Ultra weitgehend der prognostizierten Wachstumskurve.

Wenn klassisches Rechnen langsamer wird, könnte Quantencomputing die Lücke füllen

Klassisches Rechnen hat uns ziemlich weit gebracht. KI-Algorithmen auf klassischen Computern können bei bestimmten Aufgaben wie Schach oder Go die menschliche Leistung übertreffen. Zum Beispiel schlug AlphaGo Zero AlphaGo mit 100 zu 0. AlphaGo hatte zuvor die besten Spieler der Welt geschlagen.⁴² Wir nähern uns jedoch den Grenzen der Geschwindigkeit klassischer Computer.

Das mooresche Gesetz, das auf der Beobachtung beruht, dass sich die Anzahl der Transistoren in einem dichten integrierten Schaltkreis etwa alle zwei Jahre verdoppelt, bedeutet, dass sich die Kosten für Rechenleistung etwa alle zwei Jahre halbieren.

Andererseits glauben die meisten Experten, dass das mooresche Gesetz in diesem Jahrzehnt an sein Ende gelangt.⁴³ Es gibt jedoch Bestrebungen, die Effizienz der Datenverarbeitung weiter zu verbessern.

Zum Beispiel überraschte DeepSeek die globalen Märkte mit seinem Modell R1, indem es ein Reasoning-Modell zu einem Bruchteil der Kosten seiner Konkurrenten wie OpenAI lieferte.

Quantencomputing, noch eine aufstrebende Technologie, kann nach dem Ende des mooreschen Gesetzes zur Senkung der Rechenkosten beitragen. Quantencomputing beruht auf der gleichzeitigen Auswertung verschiedener Zustände, während klassische Computer jeweils nur einen Zustand berechnen können.

Die besondere Natur des Quantencomputings kann genutzt werden, um neuronale Netze effizient zu trainieren, derzeit die beliebteste KI-Architektur in kommerziellen Anwendungen. KI-Algorithmen, die auf stabilen Quantencomputern laufen, haben das Potenzial, die Singularität auszulösen.

Warum glauben einige Experten, dass wir AGI nicht erreichen werden?

Es gibt drei Hauptargumente gegen die Bedeutung oder Existenz von AGI. Wir haben sie zusammen mit den gängigen Gegenargumenten untersucht:

1- Intelligenz ist mehrdimensional

Daher wird AGI anders sein, nicht unbedingt überlegen gegenüber menschlicher Intelligenz.

Das stimmt, und menschliche Intelligenz unterscheidet sich auch von tierischer Intelligenz. Manche Tiere sind zu geistigen Leistungen fähig, wie Eichhörnchen, die sich monatelang merken, wo sie Hunderte Nüsse versteckt haben.

Yann LeCun, einer der Pioniere des Deep Learning, ist der Ansicht, dass wir das Wort AGI aufgeben und uns auf „fortgeschrittene maschinelle Intelligenz“ konzentrieren sollten.⁴⁴ Er argumentiert, der menschliche Geist sei spezialisiert, und Intelligenz sei eine Sammlung von Fähigkeiten sowie die Fähigkeit, neue Fertigkeiten zu erlernen. Jeder Mensch kann eine Teilmenge der Aufgaben menschlicher Intelligenz bewältigen.⁴⁵

Es ist für uns als Menschen auch schwer, den Spezialisierungsgrad des menschlichen Geistes zu verstehen, da wir das gesamte Spektrum der Intelligenz nicht kennen und nicht erfahren können.

In Bereichen, in denen Maschinen übermenschliche Intelligenz zeigten, konnten Menschen sie schlagen, indem sie maschinenspezifische Schwächen ausnutzten. So konnte ein Amateur ein Go-Programm schlagen, das mit Go-Programmen gleichzieht, die Weltmeister besiegen, indem er die Schwächen des Programms untersuchte und ausnutzte.⁴⁶

2- Intelligenz ist nicht die Lösung für alle Probleme

Wissenschaft

Selbst die beste Maschine, die vorhandene Daten analysiert, kann möglicherweise kein Heilmittel gegen Krebs finden. Sie müsste in den meisten Bereichen reale Experimente durchführen und Ergebnisse analysieren, um neues Wissen zu entdecken.

Mehr Intelligenz kann zu besser konzipierten und durchgeführten Experimenten führen und so mehr Entdeckungen pro Experiment ermöglichen. Die Geschichte der Forschungsproduktivität sollte dies zeigen, aber die Daten sind ziemlich verrauscht, und es gibt abnehmende Erträge in der Forschung. Wir stoßen auf schwierigere Probleme wie die Quantenphysik, während wir einfachere Probleme wie die newtonsche Bewegung lösen.

Schließlich sind perfekte Vorhersagen in manchen Bereichen aufgrund der inhärenten Zufälligkeit oder Unmessbarkeit des Bereichs möglicherweise nicht möglich. Selbst mit einer Fülle von Daten können wir bestimmte Lebensverläufe nicht mit hoher Genauigkeit vorhersagen.⁴⁷

Wirtschaft

Intelligenz ist nicht der entscheidende Faktor für die Schaffung wirtschaftlichen Werts.

• Der IQ, das am häufigsten anerkannte Maß für menschliche Intelligenz, korreliert bei Werten über ~$40k nicht mit dem Nettovermögen (siehe Abbildung unten):

Abbildung 3: IQ korreliert bei niedrigen Vermögensniveaus mit Wohlstand.⁴⁸

Abbildung 4: Der IQ korreliert nicht mit Wohlstand, wenn wir hohe Vermögensniveaus betrachten. Dieses Diagramm entspricht dem obigen, nur dass Nettoeinkommen unter $40k ausgeblendet wurden.

• In der Welt der Investitionen gilt die Intelligenz des Teams eines Unternehmens nicht als Wettbewerbsfaktor. Es wird implizit angenommen, dass andere Unternehmen ebenfalls intelligente Strategien erkennen können. Investoren bevorzugen Unternehmen mit unfairen Vorteilen wie geistigem Eigentum, Größe, exklusivem Zugang zu Ressourcen usw. Die meisten dieser unfairen Vorteile lassen sich nicht allein durch Intelligenz nachbilden.

3- AGI ist nicht möglich, weil es nicht möglich ist, das menschliche Gehirn zu modellieren

Theoretisch ist es möglich, jede Rechenmaschine, einschließlich des menschlichen Gehirns, mit einer relativ einfachen Maschine zu modellieren, die grundlegende Berechnungen durchführen und auf unendlich viel Speicher und Zeit zugreifen kann. Dies ist die allgemein anerkannte Church-Turing-Hypothese von 1950. Wie gesagt erfordert sie jedoch bestimmte schwierige Bedingungen: unendlich Zeit und unendlich Speicher.

Die meisten Informatiker glauben, dass die Modellierung des menschlichen Gehirns weniger als unendlich Zeit und Speicher erfordern wird. Dennoch gibt es keine mathematisch fundierte Möglichkeit, diese Überzeugung zu beweisen, weil wir das Gehirn noch nicht gut genug verstehen, um seine Rechenleistung präzise zu charakterisieren. Wir werden eine solche Maschine bauen müssen!

Wie können wir AGI erreichen?

Abbildung 5: Der Zeithorizont von Frontier-KI-Modellen zeigt die längsten Aufgaben (in menschenäquivalenter Zeit), die jedes Modell mit 50 % Zuverlässigkeit erledigen kann.⁴⁹

Die obige Abbildung zeigt, wie sich die Fähigkeiten von KI-Agenten‘ verbessert haben, gemessen an den längsten Aufgaben, die sie mit 50 % Zuverlässigkeit erledigen können.

Die zentrale Erkenntnis ist, dass die Aufgabenlänge, die Frontier-Modelle bewältigen können, exponentiell gewachsen ist und sich etwa alle sieben Monate verdoppelt. Das bedeutet, dass neuere Modelle wie Claude 3.7 Sonnet und o1 inzwischen Aufgaben erledigen können, für die ein Mensch fast eine Stunde brauchen würde, während ältere Modelle wie GPT-2 kaum Aufgaben von mehr als wenigen Sekunden bewältigen konnten.

Der schattierte Bereich spiegelt die statistische Unsicherheit wider, der Gesamttrend ist jedoch verlässlich. Wenn dieses Muster anhält, könnten KI-Systeme schon bald komplexe Aufgaben bewältigen, die Menschen Tage oder sogar Wochen kosten, ein bedeutender Schritt hin zu breiterer Autonomie und AGI-ähnlichen Fähigkeiten.

Skalierung als Weg zu AGI

Die Leiter führender KI-Labore glauben, dass die Skalierung der derzeitigen transformerbasierten Ansätze AGI hervorbringen kann, was ihre Vorhersagen über das Erreichen von AGI in wenigen Jahren befeuert.

Ein vorgeschlagener Weg zu AGI besteht darin, bestehende Architekturen wie Transformer durch mehr Rechenleistung und Daten zu skalieren, ein anderer darin, völlig neue Ansätze zu entwickeln.

Zur Unterstützung der Skalierungshypothese analysierte ein Bericht von Epoch KI aus dem Jahr 2024, ob das KI-Rechenwachstum bis 2030 anhalten kann.

Sie identifizierten vier wesentliche Einschränkungen: Verfügbarkeit von Strom, Kapazität zur Chipherstellung, Datenknappheit und Verarbeitungslatenz (siehe Abbildung 6).

Trotz dieser Herausforderungen argumentieren sie, dass es machbar ist, bis zum Ende des Jahrzehnts Modelle zu trainieren, die bis zu 2e29 FLOPs benötigen, sofern erhebliche Investitionen in die Infrastruktur getätigt werden.

Solche Fortschritte könnten KI-Systeme hervorbringen, die weit leistungsfähiger sind als heutige Spitzenmodelle wie GPT-4, und uns näher an AGI heranführen.⁵⁰

Abbildung 6: Das Diagramm veranschaulicht die geschätzten Obergrenzen für KI-Trainingsrechenleistung bis 2030 unter den zentralen Einschränkungen Strom, Chipproduktion, Daten und Latenz, mit Medianen von 2e29 bis 3e31 FLOP.

Jenseits der Skalierung: Argumente für neue Architekturen

Einflussreiche KI-Wissenschaftler wie Yann LeCun und Richard Sutton sind jedoch der Ansicht, dass die Skalierung großer Sprachmodelle nicht zu Intelligenz auf menschlichem Niveau führen wird.^{51 52} Sie glauben, dass für AGI neue Architekturen oder Ansätze nötig sind.

Wie können wir messen, ob wir AGI erreicht haben?

LLM übertreffen jede Woche neue Benchmarks, aber die Evaluierung von LLMs ist schwierig, unter anderem wegen Problemen wie Datenvergiftung und dem Fehlen einer anerkannten wissenschaftlichen Definition für Intelligenz auf menschlichem Niveau.

Diese Bedenken werden durch Erkenntnisse aus der jüngsten Forschung⁵³ verstärkt, die hervorheben, dass die Skalierung von LLMs kein nachhaltiger Weg zu besserer Leistung ist, insbesondere in wissenschaftlichen und risikoreichen Bereichen. Die Autoren zeigen, dass:

• LLMs weisen sehr niedrige Skalierungsexponenten (~0.1) auf, was bedeutet, dass selbst massive Steigerungen von Daten oder Rechenleistung nur winzige Genauigkeitsgewinne bringen.
• Die Lernfähigkeit von LLMs beruht auf ihrer Fähigkeit, nicht-gaußsche Ausgaben zu erzeugen, aber dies führt auch zu Fehleranhäufungen und fragilen Prognosen.
• Traditionelle Metriken wie Verlustfunktionen sind Pseudometriken, die nicht mit echter Konvergenz oder Genauigkeit übereinstimmen.
• Ein Regime degenerativer KI (DAI) kann entstehen, wenn Modelle, die mit synthetischen oder repetitiven Daten trainiert wurden, Fehler schneller anhäufen, als sie korrigiert werden können.

Diese Ergebnisse stellen die Zuverlässigkeit von Standard-Benchmarks infrage und unterstreichen die Notwendigkeit vielfältigerer und sich weiterentwickelnder Bewertungsstrategien.

Alte Metriken wie der Turing-Test sind den heutigen Maschinen nicht mehr gewachsen, und neue Metriken wie ARC-AGI verfügen möglicherweise nicht über die Generalisierungsfähigkeiten umfassenderer Benchmarks.

Neu aufkommende Metriken wie ARC-AGI zielen darauf ab, Abstraktion und Generalisierung zu testen, sind aber möglicherweise immer noch nicht robust gegenüber Datenkontamination oder Überanpassung.

Wie das Papier außerdem hervorhebt, können selbst „gute“ Verlustwerte zugrunde liegende Informationskatastrophen aufgrund nicht-gaußscher Schwankungen und Trainingsinstabilitäten verschleiern.⁵³

Wie können wir den Fortschritt von LLMs verfolgen?

Es gibt einige Ansätze für Benchmarking, um diese Herausforderungen zu bewältigen:

• Häufiges Aktualisieren von Benchmark-Fragen. Praxisbeispiel: LiveBench
• Verwendung von Holdout-Sets, um Datenvergiftung zu verhindern: die Benchmarks von AIMultiple, wie der AGI-Benchmark oder ARC-AGI.

Welche Ansätze gibt es jenseits von Benchmarking, um AGI festzustellen?

Es gibt potenziell starke, aber nachlaufende Indikatoren für die Auswirkungen von KI, die helfen können, AGI zu identifizieren.

Wirtschaftswachstum

Microsoft-CEO Satya Nadella behauptet, dass ein Wachstum von 10 % in den Industrieländern auf AGI hindeuten würde.⁵⁴ . Sein Anreiz besteht jedoch darin, eine verzögerte Definition von AGI zu haben, da AGI die exklusive Partnerschaft von OpenAI und Microsoft beenden würde.⁵⁵

Arbeitslosigkeit

Wir erwarten, dass AGI

• die Beschäftigung von Angestellten auf 10 % ihres globalen Höchststands zu senken, gemessen als Anteil der Erwerbspersonen. Dies dürfte eintreten, wenn der Anteil des Faktors Arbeit am Einkommen durch KI drastisch sinkt.
• während das BIP-Wachstum anhält

In einer Welt, in der Maschinen intelligenter und effizienter sind als Menschen, wäre es nicht rational, einen Menschen dafür zu bezahlen, vor einem Computer zu sitzen. Daher erwarten wir, dass die Angestelltenbeschäftigung einbricht, während Menschen weiterhin in Berufen der physischen Welt erfolgreich sind.

Staatliche Stellen, die Arbeitsmarktstatistiken erheben, ordnen Berufe detaillierten Kategorien zu, was die Angestelltenbeschäftigung zu einer leicht nachvollziehbaren Kennzahl macht.

Wir haben Daten des U.S. Bureau of Labor Statistics zur Angestelltenbeschäftigung von 2019 bis 2024 gesammelt.⁵⁶ Zur besseren Übersicht und Konsistenz haben wir Angestellte in folgende Berufsgruppen eingeteilt:

• Berufe in Architektur und Ingenieurwesen
• Berufe in Wirtschaft und Finanzoperationen
• Berufe in Informatik und Mathematik
• Berufe im Gesundheitswesen und technische Gesundheitsberufe
• Rechtsberufe
• Berufe in den Lebens-, Natur- und Sozialwissenschaften
• Führungsberufe
• Büro- und Verwaltungsberufe
• Vertriebs- und verwandte Berufe

Laut unserer Analyse schwankte das Verhältnis von Angestellten zur Gesamtbeschäftigung in diesem Zeitraum zwischen 45 % und 48 %.

Auch wenn diese Spanne bislang auf relative Stabilität beim Anteil der Angestelltenbeschäftigung hindeutet, ist sie kein Hinweis auf einen langfristigen Trend, und wir erwarten in den kommenden Jahren deutlichere Verschiebungen, da sich Automatisierung und KI-Einführung beschleunigen. Weitere Prognosen dazu, wie KI die Beschäftigung von Angestellten und Berufseinsteigern verändern wird, finden Sie unter KI-Arbeitsplatzverluste.

Sollten wir überhaupt AGI anstreben?

Es gibt Informatiker, die warnen, dass die Fokussierung auf AGI als ultimatives Ziel die KI-Forschung verzerren könnte.⁵⁷ Zu den Kritikpunkten gehören: die Schaffung einer Illusion von Konsens, das Überanpassen an Benchmarks, das Ignorieren eingebetteter gesellschaftlicher Werte, die Priorisierung durch Hype, die Anhäufung von „Allgemeinheitsschulden“ (das Aufschieben zentraler Designfragen) sowie der Ausschluss marginalisierter Gemeinschaften und ressourcenschwacher Forschender.

Konkrete, messbare und transparente Ziele wären für den Fortschritt der KI besser als ein vage definiertes Ziel wie AGI.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Mathematisches Denken hinter AGI-Prognosen

Mathematisches Denken ist zentral für das Verständnis und die Prognose von AGI-Zeitplänen. Viele Projektionen beruhen auf quantifizierbaren Trends und formalen Modellen, die Erwartungen darüber leiten, wann künstliche allgemeine Intelligenz entstehen könnte.

Skalierungsgesetze und Rechenwachstum

Ein zentraler Bestandteil mathematischen Denkens ist die Analyse von Skalierungsgesetzen. Diese zeigen, dass sich die Modellleistung mit mehr Daten, Parametern und Rechenleistung vorhersagbar verbessert.

Das konstante jährliche Wachstum der KI-Trainingsrechenleistung um das 4–5-Fache stützt Prognosen, wonach AGI innerhalb von ein bis zwei Jahrzehnten erreichbar sein könnte, sofern die aktuellen Trends anhalten.

Diese Projektionen beruhen auf empirischen Anpassungen an Leistungskurven und Extrapolationen, gestützt durch Potenzgesetz-Beziehungen, ein Kernkonzept der mathematischen Modellierung.

Probabilistische Prognosen

Forscher wenden bei AGI-Prognosen auch probabilistische Methoden an. Umfragen bitten Experten häufig, die Wahrscheinlichkeit zu schätzen, dass AGI bis zu bestimmten Jahren entwickelt wird, wodurch kumulative Wahrscheinlichkeitsverteilungen entstehen.

Eine 50 % Wahrscheinlichkeit bis 2040 spiegelt beispielsweise einen Konsens unter Unsicherheit wider, der durch eine bayesianische Aktualisierung auf Basis des beobachteten KI-Fortschritts geprägt ist.

Dieser Ansatz des mathematischen Denkens erfasst die Unsicherheit der Experten, ohne genaue Zeitpunkte zu verlangen, und ermöglicht eine laufende Überarbeitung, sobald neue Daten verfügbar werden.

Theoretische Grundlagen

Diese Prognosen beruhen auf theoretischen Elementen des mathematischen Denkens, darunter die Church-Turing-These, die besagt, dass menschliche Kognition von Maschinen simuliert werden kann, sowie Konzepte wie die Kolmogorow-Komplexität, die Intelligenz mit der Komprimierbarkeit von Informationen in Verbindung bringen.

Auch wenn solche Theorien AGI nicht garantieren, bieten sie einen Rahmen, um über deren Möglichkeit und die damit verbundenen rechentechnischen Anforderungen nachzudenken.

Mehr über künstliche allgemeine Intelligenz

David Silver, Principal Research Scientist bei Google DeepMind

Er erklärt, dass künstliche allgemeine Intelligenz (AGI) KI-Systeme bezeichnet, die in der Lage sind, ein breites Spektrum von Aufgaben zu erlernen und darin zu glänzen, ähnlich wie Menschen, die Experten in so unterschiedlichen Bereichen wie Wissenschaft, Musik oder Sport werden können.

Anders als schwache KI, die auf eine einzige Funktion beschränkt ist, strebt AGI danach, die menschliche Anpassungsfähigkeit und allgemeine Problemlösungsfähigkeit nachzubilden.

Er merkt an, dass AGI zwar ein langfristiges Ziel ist, das Erreichen echter Intelligenz auf menschlichem Niveau jedoch wahrscheinlich mehrere Durchbrüche erfordert und sich schrittweise entwickeln wird (siehe Video unten).

Ilya Sutskever, Mitbegründer und Chief Scientist von OpenAI

Im TED-Talk „The Exciting, Perilous Journey Toward AGI“ untersucht er die raschen Fortschritte auf dem Weg zur künstlichen allgemeinen Intelligenz (AGI).

Er prognostiziert, dass AGI in den nächsten 5 bis 10 Jahren entstehen könnte, räumt jedoch Unsicherheit bei diesem Zeitplan ein.

Sutskever hebt sowohl das immense Potenzial als auch die tiefgreifenden Risiken von AGI hervor und betont die Notwendigkeit, ihre Entwicklung mit menschlichen Werten in Einklang zu bringen. Trotz der Herausforderungen ist er optimistisch, dass die Menschheit diese mächtige Technologie sicher lenken kann (siehe Video unten).

Ray Kurzweil, Informatiker und Unternehmer

Er blickt auf über sechs Jahrzehnte KI-Fortschritt zurück und zeichnet die Fähigkeit der Menschheit nach, intelligentzfördernde Werkzeuge zu bauen – von primitiven Geräten bis hin zu großen Sprachmodellen.

Er prognostiziert außerdem, dass künstliche allgemeine Intelligenz bis 2029 eintreffen und bis 2045 zur technologischen Singularität führen wird. Er hebt exponentielle Fortschritte bei Rechenleistung, Medizin und Biotechnologie hervor.

Er sagt außerdem Durchbrüche wie KI-generierte Heilmittel, digitale klinische Studien und Longevity Escape Velocity voraus, bei der wissenschaftlicher Fortschritt das Leben unbegrenzt verlängern könnte (siehe Video unten).

Yann LeCun, Träger des Turing-Preises

Erfahren Sie, warum LLMs uns keine Intelligenz auf menschlichem Niveau geben können, und welche neuesten KI-Ansätze dorthin führen:

Prognosen zur künstlichen allgemeinen Intelligenz

Methodik der Singularitätsgrafik

Um das erwartete Jahr der AGI-Entwicklung in der Grafik darzustellen, verwendeten wir den gewichteten Durchschnitt der Prognosen für jedes Jahr innerhalb jeder Kategorie. Wenn es beispielsweise 2022 mehrere Prognosen von Prognosemärkten gab, berechneten wir deren gewichteten Durchschnitt und trugen diesen Wert ein.

• Für Einzelprognosen bezogen wir Vorhersagen von 18 KI-Experten ein.
• Für wissenschaftliche Prognosen sammelten wir Umfrageergebnisse aus 10 begutachteten Arbeiten, die Zeitpläne für AGI liefern.
• Für Ergebnisse von Prognosemärkten bezogen wir Prognosen von drei Prognosemärkten (Manifold, Kalshi und Metaculus) ein.

FAQs

Zitieren Sie diesen Benchmark

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{AGI/Singularität: 10.000 Prognosen analysiert}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
  note   = {AIMultiple. Abgerufen am 13. August 2026}
}

Referenzlinks

1.

[2311.02462] Levels of AGI for Operationalizing Progress on the Path to AGI

2.

2023 Expert Survey on Progress in AI [AI Impacts Wiki]

3.

2022 Expert Survey on Progress in AI – AI Impacts

4.

[2206.04132] Forecasting AI Progress: Evidence from a Survey of Machine Learning Researchers

5.

When Will We Reach the Singularity? - A Timeline Consensus from AI Researchers (AI FutureScape 1 of 6)

6.

AI timelines: What do experts in artificial intelligence expect for the future? | Our World in Data

Our World in Data

7.

[1705.08807] When Will AI Exceed Human Performance? Evidence from AI Experts

8.

https://nickbostrom.com/papers/survey.pdf

9.

https://sethbaum.com/ac/2011_AI-Experts.pdf

10.

track record

11.

Update to Samotsvety AGI timelines — EA Forum

12.

Samotsvety's AI risk forecasts — EA Forum

13.

AGI When? [High Quality Turing Test] | Manifold

14.

When will OpenAI achieve AGI? Odds & Predictions

15.

OpenAI announces it has achieved AGI before 2027? Predict... | Polymarket

Polymarket

16.

When will the first weakly general AI system be devised, tested, and publicly announced?

17.

When will an AI first pass a long, informed, adversarial Turing test?

18.

When Will the First General AI Be Announced?

19.

As of July 1, 2022, when will top forecasters expect the first Artificial General Intelligence to be developed and demonstrated?

20.

The arrival of AGI | Shane Legg (co-founder of DeepMind) - YouTube

21.

The Day After AGI > World Economic Forum Annual Meeting | World Economic Forum

22.

Dr. Eric Schmidt - YouTube

23.

Tesla's Musk predicts AI will be smarter than the smartest human next year | Reuters

Reuters

24.

Nvidia CEO says AI could pass human tests in five years | Reuters

Reuters

25.

If Ray Kurzweil Is Right (Again), You’ll Meet His Immortal Soul in the Cloud | WIRED

WIRED

26.

The "Father of Artificial Intelligence" Says Singularity Is 30 Years Away

Futurism

27.

The brief history of artificial intelligence: the world has changed fast — what might be next? | Our World in Data

Our World in Data

28.

https://aaai.org/wp-content/uploads/2025/03/AAAI-2025-PresPanel-Report-Digital-3.7.25.pdf

29.

OpenAI Ramps Up Robotics Work in Race Toward AGI | WIRED

WIRED

30.

[2303.12712] Sparks of Artificial General Intelligence: Early experiments with GPT-4

31.

https://wp.technologyreview.com/wp-content/uploads/2025/08/MITTR_ArmEBrief_V12_final.pdf

32.

AGI's Last Bottlenecks | AI Frontiers

AI Frontiers

33.

https://www.agidefinition.ai/paper.pdf

34.

Geoff Hinton: On Radiology - YouTube

35.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

36.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

37.

A guide to why advanced AI could destroy the world | Vox

Vox

38.

Brain–computer interface - Wikipedia

Contributors to Wikimedia projects

39.

Data Companies Hit by AI Selloff Push Back on Claude Threat

The Wall Street Journal

40.

Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad — Google DeepMind

Google DeepMind

41.

Training compute of frontier AI models grows by 4-5x per year | Epoch AI

42.

AlphaGo Zero - Wikipedia

Contributors to Wikimedia projects

43.

Moore's law - Wikipedia

Contributors to Wikimedia projects

44.

I think the phrase AGI should be retired and replaced by "human-level AI". There is no such thing as AGI. Even human intelligence is very specialized. We do not realize that human intelligence is… | Yann LeCun | 125 comments

45.

A talk I gave at MIT recently. | Yann LeCun | 139 comments

46.

Subscribe to read

Financial Times

47.

Measuring the predictability of life outcomes with a scientific mass collaboration | PNAS

48.

IQ is largely a pseudoscientific swindle (Argument Closed) | by Nassim Nicholas Taleb | INCERTO | Medium

INCERTO

49.

https://arxiv.org/pdf/2503.14499

50.

Can AI scaling continue through 2030? | Epoch AI

51.

Unsupported browser

52.

Richard Sutton – Father of RL thinks LLMs are a dead end - Dwarkesh Podcast | Podcast on Spotify

53.

https://arxiv.org/pdf/2507.19703

54.

Inside Microsoft’s AI Bet: Satya Nadella on Leadership, Innovation and the Future - YouTube

55.

OpenAI, Microsoft Rift Hinges on How Smart AI Can Get - WSJ

The Wall Street Journal

56.

Occupational Employment and Wage Statistics (OEWS) Tables : U.S. Bureau of Labor Statistics

57.

[2502.03689] Stop treating `AGI' as the north-star goal of AI research

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 60% der Fortune 500.

Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission.

Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung.

Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Kommentare 12

Teilen Sie Ihre Gedanken

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten

Harper Ford

Sep 07, 2023 at 15:32

Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.

Antworten

Bardia Eshghi

Sep 11, 2023 at 05:04

Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!

Antworten

Yuvan Mohan

Apr 20, 2022 at 14:28

I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.

Antworten

Bardia Eshghi

Aug 23, 2022 at 07:52

Hello, Yuvan. Thank you for your feedback.

Antworten

David Wood

Mar 26, 2022 at 22:50

Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.

Antworten

Grant Castillou

Mar 15, 2022 at 17:28

It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461

Antworten

Isaac

Nov 06, 2021 at 07:01

I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."

Antworten

Cem Dilmegani

Nov 06, 2021 at 11:22

Great point! We should have read the source more carefully. I tried to explain his point better in the article.

Antworten

Elisa

Aug 31, 2021 at 05:52

I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?

Antworten

Cem Dilmegani

Sep 19, 2021 at 13:41

Thank you for the comment. True, better understanding of the mind would help AGI research.

Antworten

Lulu

Aug 25, 2021 at 15:47

mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??

Antworten

Michael Hannon

Apr 02, 2021 at 02:15

Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains

Antworten

Vyn

Jan 09, 2021 at 16:07

People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see

Antworten

Chris

May 24, 2021 at 15:45

@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?

Antworten

Cem Dilmegani

Jan 10, 2021 at 16:05

Thanks! I'll be quite happy if I get to see 2060

Antworten

Kutay Tezcan

Aug 30, 2020 at 13:33

Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.

Antworten

Magnus RC Wootton

Aug 22, 2020 at 21:46

if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.

Antworten

Cem Dilmegani

Aug 23, 2020 at 07:44

Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.

Antworten

Jannes

May 16, 2019 at 07:40

The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506

Antworten

AIMultiple

May 27, 2019 at 17:42

Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.

Antworten

B

Jul 01, 2020 at 09:00

@AIMultiple Humble response, and great article. Thanks a ton :)

Antworten

Cem Dilmegani

Jul 20, 2020 at 20:29

@B Thanks!

Antworten