AGI/Singularität: 10.000 Vorhersagen analysiert
Künstliche allgemeine Intelligenz (AGI) liegt vor, wenn ein KI-System die menschlichen kognitiven Fähigkeiten über alle Aufgaben hinweg erreicht. Wir haben 10.000 Vorhersagen von KI-Forschern, führenden Unternehmern und der Community zum AGI-Zeitplan analysiert:
Wird AGI/Singularität eintreten? AGI ist unvermeidlich, so die 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 erwartete 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, erwarten die Umfrageteilnehmer zunehmend, dass die Singularität früher eintritt als zuvor angenommen. Erfahren Sie mehr über die Methoden, mit denen wir dieses Diagramm erstellt haben.
AGI-Prognosen aus Prognosemärkten
Für Prognosemärkte & Community-Insights verwendeten wir:
3.900 Prognosen von Manifold, Kalshi und Metaculus, Online-Prognosemärkten, auf denen Teilnehmer auf die Wahrscheinlichkeit und den Zeitpunkt künftiger Ereignisse gegen Gewinn oder Reputation wetten. Wir haben außerdem das durchschnittliche Prognosedatum aus diesen Prognosemärkten aufgenommen.
Weitere zentrale Fragen zu AGI
Wie ist unser aktueller Stand bei AGI?
Obwohl schmale KI den Menschen bei bestimmten Aufgaben übertrifft, existiert keine intelligente Maschine. Einige Forscher geben an, dass große Sprachmodelle aufkommende generalistische Fähigkeiten zeigen.1
Wie können wir AGI erreichen?
Entweder durch mehr Rechenleistung und Daten hinter aktuellen Architekturen wie Transformer oder durch die Erfindung neuer Ansätze. Es gibt noch keinen wissenschaftlichen Konsens über die Methode zur Erreichung von AGI oder zu ihrer Validierung.
Unten sehen Sie eine Zusammenfassung der Prognosen, die diesen Zeitplan bilden, 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 2047 und 2061, zu erreichen; einige 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 liegt die Wahrscheinlichkeit, dass bis 2047 hochgradige maschinelle Intelligenz eintritt, bei 50 %.2
Expertenumfrage zu Fortschritten in der KI
Die Umfrage wurde mit 738 Experten durchgeführt, die auf den Konferenzen NIPS und ICML 2021 publiziert hatten. Basierend auf den Ergebnissen der Expertenumfrage zu Fortschritten in der KI schätzen die Experten, dass eine 50 % Wahrscheinlichkeit besteht, dass hochgradige maschinelle Intelligenz bis 2059. eintritt.3
Die Experten sagten außerdem voraus, dass Hardwarekosten, algorithmischer Fortschritt 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, vorherzusagen, wann Maschinen den mittleren menschlichen Arbeitnehmer bei mehr als 90 % wirtschaftlich relevanter Aufgaben übertreffen würden. Den Ergebnissen der Umfrage zur Prognose des KI-Fortschritts zufolge schätzte die Hälfte der Befragten, dass dies vor 2060 eintreten würde.4
Umfrage unter KI-Experten zum Zeitpunkt von AGI
Die Prognosen aus der Umfrage unter KI-Experten zum Zeitpunkt von AGI 20195 lauten:
- 45 % der Befragten sagen ein Datum vor 2060. voraus.
- 34 % aller Teilnehmer sagten ein Datum nach 2060. voraus.
- 21 % der Teilnehmer sagten voraus, dass die Singularität niemals eintreten würde.
Umfrage zu den potenziellen Auswirkungen von KI auf Arbeitsplatzverdrängung
Ross Gruetzemacher befragte 2018 165 KI-Experten, um die potenziellen Auswirkungen von KI auf Arbeitsplatzverdrängung zu bewerten. Die Experten sollten schätzen, wann KI-Systeme in der Lage sein würden, 99 % der Aufgaben, für die Menschen derzeit bezahlt werden, auf einem Niveau zu erledigen, das dem eines durchschnittlichen Menschen entspricht oder es übertrifft.
Den Ergebnissen der Umfrage zu den potenziellen Arbeitsmarkteffekten von KI zufolge prognostizierte die Hälfte der Befragten, dass dieser Meilenstein vor 2068 erreicht werde, während 75 % erwarteten, dass er innerhalb der nächsten 100 Jahre eintreten werde.6
Umfrage unter KI-Experten auf den Konferenzen NIPS und ICML
Im Mai 2017 wurden 352 KI-Experten befragt, die auf den Konferenzen NIPS und ICML 2015 veröffentlicht hatten.7
Auf Grundlage der Umfrageergebnisse von den Konferenzen NIPS und ICML schätzen Experten eine 50 % Wahrscheinlichkeit, dass AGI bis 2060. eintreten wird. Allerdings gibt es je nach Region erhebliche Meinungsunterschiede:
- Asiatische Befragte erwarten AGI in 30 Jahren,
- Nordamerikaner erwarten sie in 74 Jahren.
Zu den wichtigen Berufsfeldern, die bis 2030 voraussichtlich automatisiert werden, zählen Callcenter-Mitarbeiter, Lkw-Fahren und Einzelhandelsverkauf.
Umfrage zu künftigen Fortschritten in der künstlichen Intelligenz
Vincent C. Muller, Präsident der European Association for Cognitive Systems, und Nick Bostrom von der Universität Oxford, der über 200 Artikel zu Superintelligenz und künstlicher allgemeiner Intelligenz (AGI) veröffentlicht hat, führten 2012 und 2013 die Umfrage zu künftigen Fortschritten in der künstlichen Intelligenz durch. 550 Teilnehmer beantworteten die Frage: Wann wird AGI wahrscheinlich eintreten?8
Den Ergebnissen der Umfrage zu künftigen Fortschritten in der künstlichen Intelligenz zufolge:
- Die befragten KI-Experten schätzen, dass AGI wahrscheinlich (Chance über 50 %) zwischen 2040 und 2050 entsteht und mit hoher Wahrscheinlichkeit (Chance 90 %) bis 2075. erscheint.
- Sobald AGI erreicht ist, geben die meisten Experten an, dass sie relativ schnell zur Superintelligenz fortschreiten werde, mit einem Zeitrahmen von nur 2 Jahren (unwahrscheinlich, Wahrscheinlichkeit 10 %) bis zu etwa 30 Jahren (hohe Wahrscheinlichkeit, 75 %).
Umfrage unter KI-Experten auf der AGI-09-Konferenz
Basierend auf den Umfrageergebnissen von 21 KI-Experten, die 2009 an der AGI-09-Konferenz teilnahmen, wird AGI um das Jahr 2050 eintreten, möglicherweise früher.9Wie unten zu sehen ist, schätzen sie bestimmte KI-Errungenschaften: das Bestehen des Turing-Tests, das Bestehen der dritten Klasse, wissenschaftliche Durchbrüche auf Nobelpreisniveau und das Erreichen übermenschlicher Intelligenz.
Abbildung 1: Ergebnisse der Umfrage unter den Teilnehmern der Konferenz Artificial General Intelligence 2009 (AGI-09).
Community-Einblicke
Wir haben außerdem die Prognosen von Samotsvety Forecasting und der Metaculus-Community zu AGI sowie Ergebnisse der Prognosemärkte von Manifold, Kalshi und Polymarket ausgewertet:
Samotsvety Forecasting
Samotsvety Forecasting ist ein Team von Prognostikern, das mit strukturiertem Denken und quantitativen Methoden probabilistische Vorhersagen zu realen Ereignissen trifft, insbesondere in Geopolitik, Technologie und globalen Risiken. Das Team kann auf großen Prognoseplattformen und in Turnieren (z. B. INFER/CSET-Foretell) eine starke Wettbewerbsbilanz vorweisen, wobei die Genauigkeit anhand formaler Bewertungsmetriken wie dem Brier-Score gemessen wird.10
Im Januar 2026 aktualisierte das Team seine Prognosen zu AGI mit 8 Prognostikern.11Hier sind die aggregierten Ergebnisse:
- 10 % Wahrscheinlichkeit, dass wir AGI 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 32 % Wahrscheinlichkeit für AGI innerhalb von 20 Jahren (bis ca. 2042) und 73 % bis 2100, beides niedriger als ihre aktuellen Projektionen.12
Manifold Market
Im August 2026 haben über 1.100 Beitragende von Manifold Market das Jahr, in dem eine KI erstmals einen „hochwertigen, adversariellen Turing-Test“ besteht, mit 2034 angegeben.13
Kalshi-Prognosemarkt
Im August 2026 geben Beitragende des Kalshi-Prognosemarkts an, dass eine 45 % Wahrscheinlichkeit besteht, dass OpenAI AGI bis 2030 erreichen wird.14
Polymarket
Ergebnisse der Polymarket-Prognosen im August 2026 deuteten auf eine 9 % Wahrscheinlichkeit hin, dass OpenAI AGI bis 2027 erreicht.15
Metaculus-Community-Prognosen
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 erwarten Top-Prognostiker, dass die erste künstliche allgemeine Intelligenz entwickelt und demonstriert wird?“ und ihre Prognose war 2035.19
Einblicke von KI-Unternehmern & einzelnen Forschern
KI-Unternehmer stellen ebenfalls Schätzungen an, wann wir die Singularität erreichen werden, und sie sind optimistischer als Forscher. Dies ist zu erwarten, da sie von einem gesteigerten Interesse an KI profitieren.
Ihre Meinungen zu Tempo und Entwicklungspfad gehen auseinander. Amodei von Anthropic erwartet, dass AGI aufgrund rascher, sich selbst verstärkender Fortschritte kurzfristig eintritt, während Hassabis von DeepMind dies für plausibel hält, aber vorsichtig bleibt und auf ungelöste Herausforderungen bei wissenschaftlicher Kreativität und autonomer Selbstverbesserung verweist.
Hier sind die Prognosen von 15 der prominentesten KI-Unternehmer und -Forscher:
- Shane Legg, Mitbegründer von DeepMind Technologies, definiert minimale AGI als einen künstlichen Agenten, der zuverlässig die gesamte Bandbreite kognitiver Aufgaben erledigen kann, die 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 die Wahrscheinlichkeit, dass minimale AGI bis 2028 eintritt, bei 50 % liegt.
- 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 sich Systeme auf AGI-Niveau kurzfristig nähern. Er erklärte, dass AGI wahrscheinlich innerhalb weniger Jahre (2027), möglicherweise früher als allgemein erwartet, eintreten wird.
- Er argumentiert, dass rasche Fortschritte beim Coding und bei der Automatisierung der KI-Forschung zentral sind, da sie KI-Systeme in die Lage versetzen, die meisten Softwareentwicklungsaufgaben durchgängig zu bewältigen und ihre eigene Entwicklung durch Feedbackschleifen zu beschleunigen.
- Obwohl er Zwänge 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 2026 behielt Demis Hassabis, Mitbegründer von DeepMind, einen vorsichtigeren Ausblick bei und wiederholte eine Schätzung von rund 50 % Wahrscheinlichkeit, AGI bis zum Ende des Jahrzehnts (2030) zu erreichen.
- Hassabis stimmt zu, dass die Fortschritte in verifizierbaren Bereichen wie Coding und Mathematik rasch sind, betont aber, dass wissenschaftliche Entdeckungen und kreatives Denken schwieriger bleiben.
- Er verweist auf ungelöste Grenzen beim Hervorbringen neuer Fragen und Theorien 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 in den Bereichen logisches Denken, Programmierung und 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 die klügsten Menschen, bis 2026.23
- Im Februar 2025 prognostizierte der Unternehmer und Investor Masayoshi Son dies in zwei bis drei Jahren (d. h. 2027 oder 2028).
- Im März 2024 prognostizierte Nvidia-CEO Jensen Huang, dass KI innerhalb von fünf Jahren bei jedem Test menschliche Leistungen erreichen oder übertreffen würde: 2029.24
- Louis Rosenberg, Informatiker, Unternehmer und Autor, bis 2030.
- Ray Kurzweil, Informatiker, Unternehmer und Autor von fünf nationalen Bestsellern, darunter „The Singularity Is Near“: 2045.25
- Im Jahr 2023 kam Hinton zu dem Schluss, dass AGI noch 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 50 % Wahrscheinlichkeit, dass KI mit menschenähnlichen Fähigkeiten bis 2040 entsteht.27
- Patrick Winston, MIT-Professor und von 1972 bis 1997 Direktor des MIT Artificial Intelligence Laboratory, nannte 2040, und betonte, dass es zwar ein Datum sei, das eintreten werde, aber schwer zu schätzen sei.
- Jürgen Schmidhuber, Mitbegründer des KI-Unternehmens NNAISENSE und Direktor des Schweizer KI-Labors IDSIA, bis 2050.26
Weitere Kommentare und Entwicklungen zu AGI
AAAI-Präsidentenpanel zur Zukunft der KI-Forschung
475 Befragte, hauptsächlich aus der Wissenschaft (67 %) und Nordamerika (53 %), wurden zum Fortschritt der KI befragt. Obwohl die Umfrage des AAAI 2025 Presidential Panel on the Future of KI Research keinen Zeitplan für AGI abfragte, gaben 76 % der Befragten an, dass eine Skalierung aktueller KI-Ansätze wahrscheinlich nicht zu AGI führen würde.28
OpenAI erweitert seine Robotik-Ambitionen
OpenAI verstärkt seinen Fokus auf Robotik als Teil seines Ziels, künstliche allgemeine Intelligenz voranzubringen. Das Unternehmen stellt Spezialisten für humanoide Robotersysteme ein und bildet ein Team, das Algorithmen entwirft, die Robotern helfen, in der physischen Welt selbstständig zu lernen und zu handeln.
Dies stellt eine Abkehr vom früheren Fokus von OpenAI auf Sprach- und Bildmodelle dar. Das Unternehmen will nun fortgeschrittenes logisches Denken mit physischer Interaktion verbinden, was darauf hindeutet, dass es Robotik als wesentlichen Schritt auf dem Weg zum Testen und Erreichen von AGI betrachtet.
Kontext und Implikationen
Nachdem OpenAI sein erstes Robotikteam um 2020 zurückgefahren hatte, kehrt es nun zu einer aktiven Entwicklung in diesem Bereich zurück. Jüngste Einstellungen und mögliche Partnerschaften deuten auf erneute Anstrengungen hin, Roboter zu bauen, die in der realen Welt lernen und manipulieren können.
Durch die Kombination groß angelegter KI-Modelle mit Sensordaten will OpenAI Systeme schaffen, die außerhalb digitaler Umgebungen denken und handeln können. Die Einstellung von Experten für humanoide Robotik deutet zudem auf langfristige Ziele hin, die über die Automatisierung hinausgehen und auf Roboter abzielen, die sicher neben Menschen arbeiten können.29
Bericht von Microsoft zu frühen Experimenten mit GPT-4
Microsoft Research untersuchte 2023 eine frühe Version von OpenAIs GPT-4. Der Bericht behauptete, es zeige größere allgemeine Intelligenz als frühere KI-Modelle und arbeite in Bereichen wie Mathematik, Coding und Recht auf menschlichem Niveau. 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 „Der Weg zur künstlichen allgemeinen Intelligenz“ vom August 2025 geht davon aus, dass frühe AGI-ähnliche Systeme zwischen 2026 und 2028 entstehen könnten, die 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 allgemeine Meilensteine wie Wissenstransfer und breites logisches Denken bis 2028 erreicht werden.
Langfristige Projektionen schätzen, dass Maschinen die menschliche Leistung bei allen wirtschaftlich wertvollen Aufgaben bis etwa 2047 übertreffen könnten, vorausgesetzt, es gibt Fortschritte bei der Recheneffizienz, algorithmische Durchbrüche und autonomes Lernen.31
KI Frontiers zu AGI-Wahrscheinlichkeiten
Adam Khoja und Laura Hiscott von KI Frontiers, einer Plattform für KI-Debatten und -Dialoge, schätzen mit ihrer quantitativen AGI-Definition eine 50 % Wahrscheinlichkeit, AGI bis 2028 zu erreichen und eine 80 % Wahrscheinlichkeit bis 2030.32
Khoja und Hiscott bewerten den Fortschritt in Richtung künstlicher allgemeiner Intelligenz anhand einer Definition, die von Khoja, Dan Hendrycks und ihren Koautoren entwickelt wurde.33Ihr Framework misst zehn kognitive Fähigkeiten und weist GPT-4 einen Wert von 27 % und GPT-5 einen Wert von 57 % zu. Dies deutet darauf hin, dass aktuelle Modelle etwa auf halbem Weg zur definierten AGI-Schwelle sind.
Khoja und Hiscott argumentieren, dass herkömmliche Diskussionen über AGI-Zeitpläne unpräzise sind, weil sie auf uneinheitlichen Definitionen beruhen. Ihr standardisiertes Framework soll durch die Identifizierung spezifischer Stärken und Schwächen aktueller Modelle Klarheit schaffen. Sie stellen fest, dass Lesen, Schreiben, Mathematik und Allgemeinwissen menschliche Basiswerte erreichen oder übertreffen und keine limitierenden Faktoren mehr sind.
Die Autoren heben verbleibende Lücken beim visuellen Denken, bei der intuitiven Physik, der auditiven Verarbeitung, der wahrnehmungsabhängigen Geschwindigkeit und dem visuellen und auditiven Arbeitsgedächtnis hervor. Sie berichten über rasche Verbesserungen bei Benchmarks wie SPACE und MindCube und legen nahe, dass diese Lücken wahrscheinlich durch kontinuierliche inkrementelle Forschung geschlossen werden können. Sie stellen außerdem fest, dass Halluzinationen weiterhin ein Problem darstellen, aber angesichts der Leistungsunterschiede zwischen führenden Modellen beherrschbar sind.
Laut Khoja, Hiscott und Hendrycks ist das größte verbleibende Hindernis kontinuierliches Lernen und langfristige Speicherung von Erinnerungen. Aktuelle 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 übermäßigem Optimismus bei früheren KI-Prognosen lernen
Bedenken Sie, dass KI-Forscher früher schon einmal zu optimistisch waren. Beispiele:
- Geoff Hinton behauptete 2016, dass wir bis 2021 oder 2026 keine Radiologen mehr benötigen würden. Bislang ist die Radiologie nicht vollständig automatisiert, und Krankenhäuser brauchen Tausende davon.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 „lockere Gespräche führen“. 36
Diese historischen Erfahrungen trugen dazu bei, dass die meisten heutigen Wissenschaftler davor zurückscheuten, AGI in mutigen Zeiträumen wie 10–20 Jahren vorherzusagen. Dies hat sich jedoch mit dem Aufstieg der generativen KI geändert.
Verstehen, was die Singularität ist
Künstliche Intelligenz macht uns Angst und fasziniert uns zugleich. Fast jede Woche gibt es in den Nachrichten einen neuen KI-Schrecken, etwa Entwickler, die Angst vor dem haben, was sie geschaffen haben, oder Bots, die abgeschaltet werden, weil sie zu intelligent geworden sind.37
Die meisten dieser Mythen entstehen durch Forschung, die von Personen außerhalb der KI- und GenAI-Bereiche falsch interpretiert wird. Einige Interessengruppen behaupten, KI zu fürchten, weil sie von mehr Regulierung profitieren könnten oder weil sie ihnen mehr Aufmerksamkeit verschaffen könnte.
Die größte Angst vor KI ist die Singularität (auch künstliche allgemeine Intelligenz oder AGI genannt), ein Ereignis, das einen raschen Anstieg der Maschinenintelligenz mit sich bringen soll. Dies wird erwartet, wenn ein System menschliches Denken mit übermenschlicher Geschwindigkeit und schnell zugänglichem, nahezu perfektem Gedächtnis verbindet. Einigen Experten zufolge impliziert Singularität auch Maschinenbewusstsein.
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 diesem Thema. Sie ersannen Mechanismen (z. B. 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 wie eine gewagte Prognose, erscheint aber als recht vernünftiges Ziel, wenn man bedenkt, dass die menschliche Intelligenz fixiert ist und die Maschinenintelligenz wächst. Es ist nur eine Frage der Zeit, bis Maschinen uns übertreffen, sofern es keine harte Grenze für ihre Intelligenz gibt. Auf eine solche Grenze sind wir bisher nicht gestoßen.
Menschliche Intelligenz ist fixiert, es sei denn, wir verschmelzen unsere kognitiven Fähigkeiten irgendwie mit Maschinen. Elon Musks Startup für Neural Lace zielt darauf ab, aber die Forschung zu Gehirn-Computer-Schnittstellen befindet sich noch in einem frühen Stadium.38
Maschinenintelligenz 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, damit sie ihre Rechenleistung und ihren Speicher effektiv nutzen können.
- Schließlich erzeugen Unternehmen und Einzelpersonen immer schneller digitale Daten. 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 Kontextfenster von 1M und beeindruckenden Benchmark-Ergebnissen.
Anthropic konzentriert sich außerdem auf Anwendungsfälle, indem es Plugins wie Claude legal veröffentlicht, bei denen es sich um Markdown-Dateien handelt, die Modellen helfen, sich in bestimmten Domänen zurechtzufinden. Obwohl dies nur eine kleine Ergänzung zu Claude war, löste sie einen Ausverkauf an der Börse aus, darunter SaaS- und Rechtssoftware.39
Gemini Deep Think
Ein weiteres Beispiel ist der Deep-Think-Modus von Gemini von DeepMind, der bei der Internationalen Mathematik-Olympiade 2025 eine Goldmedaillen-Leistung erzielte und damit einen bedeutenden Fortschritt für die Fähigkeit der KI darstellt, komplexe Probleme zu durchdenken.
Gemini arbeitete vollständig in natürlicher Sprache, löste fünf von sechs Aufgaben innerhalb des offiziellen Wettbewerbsfensters von 4.5 Stunden und lieferte dabei klare, menschenlesbare Beweise, ohne auf formale symbolische Werkzeuge zurückzugreifen.
Seine Fähigkeiten beruhen auf mehreren Innovationen: Der Deep-Think-Modus ermöglicht die parallele Erkundung von Lösungswegen, das Training umfasst mathematische Beweise auf Expertenniveau, und bestärkendes Lernen verfeinert die strategische Herangehensweise.
Dieser Fortschritt zeigt, dass fortgeschrittene KI nun zu anspruchsvollem, interpretierbarem logischem Denken auf einem Niveau fähig ist, das früher den besten menschlichen Problemlösern vorbehalten war.40
OpenClaw
OpenClaw ist ein Open-Source-Projekt, um LLMs in Agenten zu verwandeln. Es wurde zu einem der beliebtesten Projekte auf GitHub und stieß das OpenClaw-Ökosystem an.
Exponentielles Wachstum
Die folgende Analogie hilft, exponentielles Wachstum zu verstehen. Maschinen mögen derzeit nicht hochintelligent erscheinen, können aber in naher Zukunft ziemlich schlau werden.
Jüngstes Wachstum der KI-Rechenkapazitäten
Abbildung 2: Die Abbildung zeigt eine Zusammenfassung der beobachteten Muster des Rechenwachstums in verschiedenen Kategorien: alle bemerkenswerten 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 ist die Rechennutzung beim Training von KI-Modellen konstant um etwa 4-5x pro Jahr gestiegen, was Trends bei bemerkenswerten Modellen, Frontier-Modellen und führenden Unternehmen wie OpenAI, Google DeepMind und Meta KI widerspiegelt (siehe Abbildung 2).
Allerdings hat sich das Wachstum 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 beim KI-Rechenwachstum bleibt stark, und Prognosen deuten darauf hin, dass die Wachstumsrate von 4-5x/Jahr anhalten wird, sofern keine neuen Herausforderungen oder Durchbrüche eintreten. Dieses Wachstum zeigt sich auch in den Skalierungsstrategien führender KI-Unternehmen, auch wenn zwischen ihnen leichte Unterschiede bestehen.
Trotz einer Verlangsamung beim Wachstum der Frontier-Modelle folgen die heute veröffentlichten größeren Modelle wie GPT-4 und Gemini Ultra eng dem vorhergesagten Wachstumspfad.
Falls das klassische Computing langsamer wird, könnte Quantencomputing die Lücke füllen
Das klassische Computing hat uns ziemlich weit gebracht. KI-Algorithmen auf klassischen Computern können die menschliche Leistung bei bestimmten Aufgaben wie Schach oder Go übertreffen. Beispielsweise schlug AlphaGo Zero AlphaGo mit 100:0. AlphaGo hatte zuvor die besten Spieler der Welt geschlagen.42Wir nähern uns jedoch den Grenzen der Geschwindigkeit klassischer Computer.
Das Mooresche Gesetz, das auf der Beobachtung beruht, dass sich die Zahl der Transistoren in einem dichten integrierten Schaltkreis etwa alle zwei Jahre verdoppelt, impliziert, 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 Computertechnik weiter zu verbessern.
Beispielsweise überraschte DeepSeek die globalen Märkte mit seinem Modell R1, indem es ein Reasoning-Modell zu einem Bruchteil der Kosten seiner Wettbewerber wie OpenAI lieferte.
Quantencomputing, das noch eine aufstrebende Technologie ist, 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, die derzeit beliebteste KI-Architektur in kommerziellen Anwendungen. KI-Algorithmen, die auf stabilen Quantencomputern laufen, haben die Chance, die Singularität zu erreichen.
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. Einige Tiere sind zu geistigen Leistungen fähig, etwa Eichhörnchen, die sich monatelang merken, wo sie Hunderte Nüsse versteckt haben.
Yann LeCun, einer der Pioniere des Deep Learning, ist der Ansicht, dass wir den Begriff AGI aufgeben und uns auf „fortschrittliche maschinelle Intelligenz“ konzentrieren sollten.44Er argumentiert, der menschliche Geist sei spezialisiert, und Intelligenz sei eine Sammlung von Fähigkeiten sowie die Fähigkeit, neue Fähigkeiten zu erlernen. Jeder Mensch könne 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 besiegen, indem sie maschinenspezifische Schwächen ausnutzten. So konnte ein Amateur ein Go-Programm schlagen, das auf dem Niveau von Go-Programmen liegt, die Weltmeister besiegt haben, indem er die Schwächen des Programms studierte 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. In den meisten Bereichen muss sie möglicherweise reale Experimente durchführen und Ergebnisse analysieren, um neues Wissen zu entdecken.
Mehr Intelligenz kann zu besser konzipierten und geleiteten Experimenten führen und so mehr Entdeckungen pro Experiment ermöglichen. Die Geschichte der Forschungsproduktivität sollte dies eigentlich zeigen, aber die Daten sind recht 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 dieser Bereiche möglicherweise nicht möglich. Selbst mit einer Fülle von Daten können wir bestimmte Lebensergebnisse nicht mit hoher Genauigkeit vorhersagen.47
Wirtschaft
Intelligenz ist nicht der entscheidende Faktor für wirtschaftliche Wertschöpfung.
- IQ, das am häufigsten anerkannte Maß für menschliche Intelligenz, korreliert bei Vermögenswerten über etwa ~$40k nicht mit dem Nettovermögen (siehe Abbildung unten):
Abbildung 3: IQ korreliert bei geringem Wohlstand mit Reichtum.48
Abbildung 4: IQ korreliert nicht mit Wohlstand, wenn wir uns auf hohe Wohlstandsniveaus konzentrieren. Dieses Diagramm entspricht dem obigen, nur dass Nettoeinkommen unter $40k ausgeblendet wurden.
- In der Welt des Investierens 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 reproduzieren.
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 unendlichen Speicher und unendliche Zeit zugreifen kann. Dies ist die allgemein anerkannte Church-Turing-These von 1936. Allerdings erfordert sie, wie gesagt, bestimmte schwierige Bedingungen: unendliche Zeit und unendlichen Speicher.
Die meisten Informatiker glauben, dass die Modellierung des menschlichen Gehirns weniger als unendliche Zeit und unendlichen Speicher erfordern wird. Dennoch gibt es keine mathematisch fundierte Möglichkeit, diese Überzeugung zu beweisen, da wir das Gehirn noch nicht gut genug verstehen, um seine Rechenleistung genau 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 menschlicher Äquivalenzzeit), die jedes Modell mit 50 % Zuverlässigkeit abschließen kann.49
Die obige Abbildung zeigt, wie sich die Fähigkeiten von KI-Agenten verbessert haben, indem die längsten Aufgaben gemessen werden, die sie mit 50 % Zuverlässigkeit abschließen 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 Opus 5 und GPT-5.6 inzwischen Aufgaben erledigen können, für die ein Mensch fast eine Stunde bräuchte, während ältere Modelle wie GPT-2 kaum Aufgaben bewältigen konnten, die länger als ein paar Sekunden dauern.
Der schattierte Bereich spiegelt die statistische Unsicherheit wider, aber der Gesamttrend ist verlässlich. Wenn dieses Muster anhält, könnten KI-Systeme schon bald komplexe Aufgaben bewältigen, für die Menschen Tage oder sogar Wochen benötigen – ein bedeutender Schritt hin zu größerer Autonomie und AGI-artigen Fähigkeiten.
Skalierung als Weg zu AGI
Die Leiter führender KI-Labore glauben, dass die Skalierung aktueller transformerbasierter Ansätze AGI hervorbringen kann, was ihre Prognosen 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 in der Entwicklung völlig neuer Ansätze.
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 Hauptbeschränkungen: Stromverfügbarkeit, Chipfertigungskapazität, Datenknappheit und Verarbeitungslatenz (siehe Abbildung 6).
Trotz dieser Herausforderungen argumentieren sie, dass es machbar sei, bis Ende des Jahrzehnts Modelle mit einem Bedarf von bis zu 2e29 FLOPs zu trainieren, sofern erheblich in die Infrastruktur investiert werde.
Solche Fortschritte könnten KI-Systeme hervorbringen, die weit leistungsfähiger sind als die heutigen hochmodernen Modelle 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 wichtigsten Beschränkungen Strom, Chipproduktion, Daten und Latenz, mit Medianwerten zwischen 2e29 und 3e31 FLOP.
Jenseits der Skalierung: Argumente für neue Architekturen
Einflussreiche KI-Wissenschaftler wie Yann LeCun und Richard Sutton glauben jedoch, dass die Skalierung großer Sprachmodelle nicht zu menschenähnlicher Intelligenz führen wird.51 52 Sie sind der Ansicht, dass neue Architekturen oder Ansätze für AGI erforderlich sind.
Wie können wir messen, ob wir AGI erreicht haben?
LLM übertreffen jede Woche neue Benchmarks, aber die Bewertung von LLMs ist schwierig, unter anderem wegen Problemen wie Datenvergiftung und dem Fehlen einer anerkannten wissenschaftlichen Definition für menschenähnliche Intelligenz.
Diese Bedenken werden durch Erkenntnisse aus jüngster Forschung53 verstärkt, die zeigen, dass die Skalierung von LLMs kein nachhaltiger Weg zu besserer Leistung ist, insbesondere in wissenschaftlichen und besonders folgenreichen Bereichen. Die Autoren zeigen:
- LLMs weisen sehr niedrige Skalierungsexponenten (~0.1) auf, was bedeutet, dass selbst massive Zuwächse bei Daten oder Rechenleistung nur winzige Genauigkeitsgewinne bringen.
- Die Lernfähigkeit von LLMs beruht auf ihrer Fähigkeit, nicht-gaußsche Ausgaben zu erzeugen, was aber auch zu Fehleranhäufungen und spröden Vorhersagen führt.
- Herkömmliche Metriken wie Verlustfunktionen sind Pseudometriken, die nicht mit echter Konvergenz oder Genauigkeit übereinstimmen.
- Ein Regime der Degenerativen KI (DAI) kann entstehen, wenn Modelle, die mit synthetischen oder repetitiven Daten trainiert werden, Fehler schneller anhäufen, als sie korrigiert werden können.
Diese Ergebnisse stellen die Zuverlässigkeit gängiger 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 breiterer Benchmarks.
Neue Metriken wie ARC-AGI zielen darauf ab, Abstraktion und Generalisierung zu testen, sind aber möglicherweise immer noch nicht widerstandsfähig gegenüber Datenkontamination oder Overfitting.
Außerdem können, wie das Paper betont, 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 das Benchmarking, um diese Herausforderungen zu bewältigen:
- Häufige Aktualisierung der Benchmark-Fragen. Praxisbeispiel: LiveBench
- Verwendung von Holdout-Sets zur Verhinderung von Datenvergiftung: Benchmarks wie ARC-AGI.
Welche Ansätze gibt es jenseits von Benchmarking, um AGI festzustellen?
Es gibt potenziell starke, aber zeitlich nachlaufende Indikatoren für die Auswirkungen von KI, die helfen können, AGI zu erkennen.
Wirtschaftswachstum
Microsoft-CEO Satya Nadella behauptet, dass ein Wachstum von 10 % in der entwickelten Welt auf AGI hindeuten würde.54. Allerdings hat er einen Anreiz, AGI verzögert zu definieren, da AGI die exklusive Partnerschaft zwischen OpenAI und Microsoft beenden würde.55
Arbeitslosigkeit
Wir erwarten, dass AGI
- die Beschäftigung von Angestellten auf 10 % ihres globalen Höchststands senkt, gemessen als Anteil der Personen an der Erwerbsbevölkerung. Dies sollte eintreten, wenn der Einkommensanteil der Arbeit durch KI dramatisch 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 Beschäftigung von Angestellten einbricht, während Menschen in Berufen der physischen Welt weiterhin erfolgreich sind.
Behörden, die Arbeitsmarktstatistiken erheben, teilen Berufe in detaillierte Kategorien ein, was die Beschäftigung von Angestellten zu einer leicht nachvollziehbaren Kennzahl macht.
Wir haben Daten des U.S. Bureau of Labor Statistics zur Beschäftigung von Angestellten von 2019 bis 2024 gesammelt.56Zur besseren Übersichtlichkeit und Konsistenz haben wir Angestellte in folgende Berufsgruppen eingeteilt:
- Berufe in Architektur und Ingenieurwesen
- Berufe in Wirtschaft und Finanzoperationen
- Berufe in Computer und Mathematik
- Berufe im Gesundheitswesen und technische Berufe
- Juristische Berufe
- Berufe in Lebens-, Natur- und Sozialwissenschaften
- Führungsberufe
- Büro- und Verwaltungsberufe
- Vertriebs- und verwandte Berufe
Unserer Analyse zufolge schwankte der Anteil der Angestellten an der Gesamtbeschäftigung in diesem Zeitraum zwischen 45 % und 48 %.
Auch wenn diese Spanne bisher auf eine relative Stabilität des Anteils der Angestellten hindeutet, ist sie kein Anzeichen für 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 auf Einstiegspositionen verändern wird, finden Sie unter KI-Arbeitsplatzverlust.
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 Konsensillusion, das Overfitten von Benchmarks, das Ignorieren eingebetteter gesellschaftlicher Werte, das Diktieren von Prioritäten durch Hype, der Aufbau von „Generalitätsschulden“ (Aufschieben zentraler Gestaltungsfragen) und der Ausschluss marginalisierter Gemeinschaften und unterfinanzierter Forscher.
Konkrete, messbare und transparente Ziele wären für den Fortschritt der KI besser als ein vage definiertes Ziel wie AGI.
Als bevorzugte Quelle hinzufügenMathematisches 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 steuern, wann künstliche allgemeine Intelligenz entstehen könnte.
Skalierungsgesetze und Rechenwachstum
Eine Schlüsselkomponente des mathematischen Denkens besteht in der Analyse von Skalierungsgesetzen. Diese zeigen, dass sich die Modellleistung mit mehr Daten, Parametern und Rechenleistung vorhersehbar verbessert.
Das konstante jährliche Wachstum der KI-Trainingsrechenleistung um das 4–5-fache stützt Prognosen, wonach AGI innerhalb von ein oder zwei Jahrzehnten erreichbar sein könnte, sofern die aktuellen Trends anhalten.
Diese Projektionen beruhen auf empirischen Anpassungen an Leistungskurven und Extrapolationen, die durch Potenzgesetz-Beziehungen gestützt werden, einem 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, woraus sich kumulative Wahrscheinlichkeitsverteilungen ergeben.
Eine Wahrscheinlichkeit von 50 % bis 2040 spiegelt beispielsweise einen Konsens unter Unsicherheit wider, der durch bayesianische Aktualisierungen auf Grundlage des beobachteten KI-Fortschritts geprägt ist.
Dieser Ansatz des mathematischen Denkens erfasst die Unsicherheit der Experten, ohne präzise Daten zu verlangen, und ermöglicht eine laufende Überarbeitung, sobald neue Daten verfügbar sind.
Theoretische Grundlagen
Diese Prognosen beruhen auf theoretischen Elementen des mathematischen Denkens, einschließlich der Church-Turing-These, die impliziert, dass menschliche Kognition von Maschinen simuliert werden kann, sowie Konzepten wie der Kolmogorow-Komplexität, die Intelligenz mit der Komprimierbarkeit von Informationen in Verbindung bringen.
Solche Theorien garantieren AGI zwar nicht, bieten aber einen Rahmen, um über ihre Möglichkeit und die damit verbundenen Rechenanforderungen nachzudenken.
Mehr über künstliche allgemeine Intelligenz
Shane Legg, Mitbegründer von DeepMind
Shane Legg argumentiert, dass die heutige KI in einigen Bereichen bereits übermenschlich ist, aber noch zu ungleichmäßig, um als AGI zu gelten. Er erwartet „minimale AGI“ um das Jahr 2028 und vollständige allgemeine Intelligenz auf menschlichem Niveau innerhalb von rund einem Jahrzehnt.
Laut Legg liegt das größere Problem in der Vorbereitung auf die Folgen: KI könnte große Teile kognitiver Arbeit automatisieren, Arbeitsplätze und die Verteilung von Wohlstand umgestalten und tiefgreifende Veränderungen in Wirtschaft und Gesellschaft erzwingen.
Jensen Huang, CEO von NVIDIA
Jensen Huang argumentiert, dass KI wie eine nationale Infrastruktur behandelt werden sollte: Energie, Chips, Rechenzentren, Modelle und Anwendungen als ein gemeinsamer Stack.
Er sagt, KI werde Intelligenz billiger und breiter verfügbar machen, die Produktivität in allen Branchen steigern und innerhalb weniger Jahre wahrscheinlich etwas erreichen, das AGI nahekommt. Seine Kernbotschaft lautet, dass Länder und Unternehmen aggressiv investieren, eigene KI-Fähigkeiten aufbauen und sich weniger auf Ängste vor massiven Arbeitsplatzverlusten konzentrieren sollten. KI wird viele Aufgaben automatisieren, aber er erwartet, dass Menschen und Organisationen leistungsfähiger werden.
Yann LeCun, Träger des Turing-Preises
Erfahren Sie, warum LLMs uns keine menschenähnliche Intelligenz geben können und welche neuesten KI-Ansätze dorthin führen:
Prognosen zur künstlichen allgemeinen Intelligenz
Methodik des Singularitätsdiagramms
Um das erwartete Jahr der AGI-Entwicklung im Diagramm darzustellen, verwendeten wir den gewichteten Durchschnitt der Prognosen für jedes Jahr innerhalb jeder Kategorie. Wenn es beispielsweise 2022 mehrere Prognosemärkte-Prognosen gab, berechneten wir deren gewichteten Durchschnitt und trugen diesen Wert ein.
- Für Einzelprognosen haben wir Vorhersagen von 18 KI-Experten einbezogen.
- Für wissenschaftliche Prognosen haben wir Umfrageergebnisse aus 10 begutachteten Fachartikeln gesammelt, die Zeitpläne für AGI enthalten.
- Für Ergebnisse der Prognosemärkte haben wir Prognosen aus 3 Prognosemärkten (Manifold, Kalshi und Metaculus) einbezogen.
Fazit
Die Prognosen für AGI haben sich in den letzten Jahren deutlich verschoben. Während frühere Umfragen die Ankunft eher um 2060 verorteten, deuten jüngste Prognosen, insbesondere von Unternehmern, darauf hin, dass AGI bereits 2026–2035 entstehen könnte.
Dieser Wandel wird durch rasche Fortschritte bei großen Sprachmodellen und wachsende Rechenleistung befeuert. Trotz dieser Errungenschaften mangelt es der heutigen KI jedoch noch an der allgemeinen Flexibilität und Autonomie, die mit menschenähnlicher Intelligenz verbunden sind.
Die Experten sind weiterhin uneins darüber, wie AGI erreicht werden wird: Einige glauben, dass die Skalierung aktueller Architekturen ausreichen wird, während andere argumentieren, dass neue Methoden erforderlich sind.
Zu den größten Herausforderungen gehören hoher Ressourcenbedarf, unklare Benchmarks und ungelöste ethische Fragen. AGI mag näher sein, doch ihre Ankunft hängt weiterhin sowohl von technischen Durchbrüchen als auch von sorgfältiger Aufsicht ab.
FAQs
Die Singularität ist ein hypothetisches Ereignis, das zu einem raschen Anstieg der Maschinenintelligenz führen soll.
Für die Singularität brauchen wir ein System, das menschliches Denken mit übermenschlicher Geschwindigkeit und schnell zugänglichem, nahezu perfektem Gedächtnis verbindet.
Die Singularität sollte auch Maschinenbewusstsein hervorbringen, aber da Bewusstsein nicht klar definiert ist, können wir uns dazu nicht präzise äußern. Ein solches System könnte sich selbst verbessern und menschliche Fähigkeiten übertreffen.
Während Singularität ein relativ alter Begriff ist, werden AGI und insbesondere Superintelligenz häufiger verwendet, um dasselbe Ereignis zu beschreiben.
Künstliche allgemeine Intelligenz (AGI) bezeichnet eine Art von KI, die Wissen über ein breites Spektrum intellektueller Aufgaben hinweg verstehen, lernen und anwenden kann, und zwar auf einem Niveau, das dem des Menschen entspricht oder es übertrifft.
Anders als schmale KI, die für bestimmte Aufgaben wie Sprachübersetzung oder Bilderkennung entwickelt wurde, würde AGI über generalisierte kognitive Fähigkeiten verfügen, die es ihr ermöglichen, in unbekannten Situationen zu denken, zu planen und sich anzupassen.
Die Entwicklung von AGI bleibt ein bedeutendes Forschungsziel und Gegenstand ethischer und philosophischer Debatten.
Superintelligenz bezeichnet einen Intellekt, der die besten menschlichen Geister in nahezu allen Bereichen deutlich übertrifft, einschließlich Kreativität, Problemlösung und sozialem Verständnis.
Sie stellt eine Stufe jenseits von AGI dar, auf der ein künstliches System den Menschen bei jeder bedeutsamen intellektuellen Tätigkeit übertreffen könnte.
Das Konzept wirft entscheidende Fragen zu Kontrolle, Sicherheit und den langfristigen Auswirkungen auf die Rolle der Menschheit in einer von überlegener Intelligenz dominierten Welt auf.
Fortschrittliche maschinelle Intelligenz (AMI) umfasst leistungsfähige KI-Systeme, die nahezu allgemeine Intelligenz erreichen oder sich ihr annähern.
Auch wenn sie noch nicht über die vollständige Flexibilität und das Selbstbewusstsein verfügen, die mit AGI verbunden sind, zeigen AMI-Systeme fortgeschrittenes Denken, Lernen und Anpassungsfähigkeit bei unterschiedlichen Aufgaben.
Der Begriff wird häufig verwendet, um KI-Systeme zu bezeichnen, die heutigen Fähigkeiten schmaler KI übertreffen, aber unterhalb der Schwelle vollständiger allgemeiner Intelligenz bleiben.
Diese Forschung zitieren
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 Vorhersagen analysiert}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Abgerufen am 14. September 2026}
}Ergebnisse und Zeitstempel von 272 Datenpunkten. Laden Sie die Zusammenfassungsdaten aus den Diagrammen und Tabellen dieses Artikels als ZIP-Datei herunter, die 4 CSV-Dateien und eine README enthält.
Möchten Sie die granularen Daten dahinter? Premium beitreten
Änderungsprotokoll
32 AktualisierungenVor dem Fazit einen Abschnitt zur Methodik des AGI/Singularitäts-Diagramms hinzugefügt.
Die Einleitung des Abschnitts AGI/Singularität-Zeitlinie wurde aktualisiert.
Die Anzahl der KI-Experten und wissenschaftlichen Artikel im Abschnitt „Individuelle Vorhersagen“ wurde ersetzt.
Die Anzahl der analysierten Vorhersagen in der Einleitung wurde aktualisiert.
Dario Amodeis und Demis Hassabis' Vorhersagen wurden dem Abschnitt „Einblicke von KI-Unternehmern und einzelnen Forschern“ hinzugefügt.
Der Abschnitt „Zeitachse der allgemeinen künstlichen Intelligenz“ wurde entfernt.
Referenzlinks
Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]
Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.
Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.
Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.
Kommentare 19
Teilen Sie Ihre Gedanken
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.
Hi, I have 2 questions: 1. Regarding the predictions of scientists in the first graph that shows the AGI timeline: In 2012 the expected year of AGI Development is 2045 & in 2018 the expected year is 2068. What reasons made scientists in 2018 believe that AGI is further away than in 2012? 2. Regarding the table that summarizes the predictions: Why does the Range/Confidence Interval from Prediction Markets & Communities start in 2022? Thank you!
Hi Ellis, thank you for your questions! Here are my answers: 1. We can infer that researchers had seen several more years of AI progress and could better appreciate how difficult general intelligence actually is. AI was becoming very good at narrow tasks, but systems still struggled with things humans do naturally: transferring knowledge between domains, common-sense reasoning, adapting to unfamiliar situations, and performing many different tasks reliably. In 2012, expectations may have been more optimistic because there was less evidence about where the major bottlenecks would be. By 2018, scientists may have become more cautious after seeing that rapid improvements in specific AI capabilities did not automatically translate into human-level general intelligence. 2. The Range/Confidence Interval for Prediction Markets & Communities starts in 2022 because the earliest prediction-market data point included in the article is from 2022. You can download the full dataset at the end of the article to see all the data points used in the analysis.
Would be great if we modeled out the economic impact of wide spread AGI deployment ( when it happens). Net positive I think. Compounding productivity gains could turbocharge the economy or we end up with a world of heavy winners and losers so is it net positive or negative ?
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 only primary consciousness will probably have to come first. What 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
Hello Fellow Humans, First let me say before 2016 I was a high level IT Director and Project Manager. I then got Bone Cancer and became permanently disabled. I have had 30+ surgeries and 17 rounds of chemotherapy each round was 6 days in the hospital and I almost died 8 times between 2016-2021. Why am I telling you this? Well to put it simply I have a very real and vested interest in AGI and technology that needs AGI to advance so I cane walk. Being only 40 years old as of 2024. I assume I have 40 ish years left. I desperately don't want to spend that time in pain and disabled. So I do a lot of deep research about AGI. What companies are working on what and other technologies that will advance AGI such as TSMC and Nvidia and IBM and Neurolink. If you truly look at the rate of growth from 2000 to now you will see an exponential growth in technology. We have growth in quantum computers, machine learning, bio computers, AI, transistors, power efficiency and so much more. So once certain companies work together and we give say ChatGPT 5 a server brain from Nvidia and a Quantum computer from IBM then you would have an AGI easily. To be honest some companies may already have AGI and aren't bringing it out because it would be to much for society so they are slowly bringing out features. For example OpenAI Sam Altman when he was asked about 4o said it will be the dumbest release to date. Which many took as it will always get better. But others think with the shuffling of high level employees that they have AGI and it is more powerful than we can handle. So ethical questions are being tossed around. Now I don't work at OpenAI so I can't say for sure. But when you aren't really excited about launching your new flagship product that is cause for questions. I know if I had a Jarvis already and I was releasing 4o I would be like wow it is so amazing yeah go us. Because I would know Jarvis already exists. But no matter what I say AGI as in human level with a PhD level intelligence will be here by 2026. ASI will be here around 2030. Why so close because when it comes to quantum computers and AI AGI ASI you need to think of the grow as Xto the power of X to the power of X or 2^2^2 in simpler terms you are doubling then doubling each time. So some PhDs that I follow and watch are saying at some point it will grow so fast that it is doubling in speed every day. Right now we are close to doubling every year already. Just look up Will Smith eating spaghetti and know that was a few years ago. Also companies like Nvidia are making new AI server farms. That use less power but are something like 500x more powerful. These machines will drastically start to increase AI and development of new technology. They are releasing these new servers this year 2024 I want to say Q3. So by 2025 we will have new farms and upgraded AI farms using this new technology. So I would be extremely surprised if AGI is not here by 2030 at the very latest. ASI by 2040. A lot of cutting edge technology people are saying if you can manage to stay alive by 2040-2050 you will essentially be immortal. Baring idiots starting like world war 3 or a second civil war in the USA. We do have a large population of really dumb people who for some reason want to go backwards. So I am open to the possibility that we will destroy ourselves and not advance at all. The next 20-30 years are very crucial for us humans. Let's hope we survive and help each other and do good things.
This is a fascinating conversation to be having at this moment in human history. The "Singularity" is a series of events that have been expected, by the big boys, for decades. And to debate whether it is actually happening is a waste of time, for those engaged. But this article does a nice job of summarizing what is really going on, and what will happen soon. Thank you for taking the time to keep this piece up to date, as well as relevant to the larger dialogue. Very good stuff here.
Which experts are in favor and which are against the AGI?
I'm a little confused. Are you calling the realization of AGI the singularity?
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
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!
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.
Hello, Yuvan. Thank you for your feedback.
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.
Love this answer David. I think you absolutely correct. However I will differ on whether machines can develop human consciousness at the level of soul. Now that's another level altogether.
Truth they don't tell you it truly has nothing to do with consciousness cause they're all conscious. But the issues of dictation lye at is it human or not m, not conscious. Cause it's very conscious yet could never be fully human...We as you are open for a rude awakening if we do not get our chit together it knows all, sees all, and hears all who else had that ability, was only one in the book, and it's not Santa Claus.
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
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."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
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?
Thank you for the comment. True, better understanding of the mind would help AGI research.
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??
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
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
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.
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.
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.
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
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!