AGI/Singularität: 9.800 Prognosen analysiert

Künstliche allgemeine Intelligenz (AGI) liegt vor, wenn ein KI-System die menschlichen kognitiven Fähigkeiten in allen Aufgaben erreicht. Wir analysierten 9.800 KI-Forscher–, führender Unternehmer– und Community-Prognosen zum AGI-Zeitplan:

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 verkürzte sich nach dem Start von ChatGPT.

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 Sie oben sehen können, erwarten die Umfrageteilnehmer zunehmend, dass die Singularität früher eintritt als zuvor angenommen. Erfahren Sie mehr über die Methoden, die wir zur Erstellung dieser Grafik verwendet haben.

AGI-Prognosen aus Prognosemärkten

Für Prognosemärkte und Community-Erkenntnisse verwendeten wir:

Über 3.700 Prognosen von Manifold, Kalshi und Metaculus, Online-Prognosemärkten, auf denen Teilnehmer auf die Wahrscheinlichkeit und den Zeitpunkt zukünftiger Ereignisse gegen Gewinn oder Reputation handeln. Wir berücksichtigten auch das durchschnittliche Prognosedatum dieser Prognosemärkte.

Weitere Schlüsselfragen zu AGI

Wie ist unser aktueller Stand bei AGI?

Obwohl schmale KI Menschen in spezifischen Aufgaben übertrifft, existiert keine intelligente Maschine. Einige Forscher geben an, dass große Sprachmodelle aufkommende generalistische Fähigkeiten zeigen.¹ Laut unserem AGI-Benchmark sind Maschinen weit davon entfernt, eigenständig wirtschaftlichen Wert zu generieren.

Wie können wir AGI erreichen?

Entweder durch mehr Rechenleistung und Daten hinter aktuellen Architekturen wie Transformern 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 die vollständige Tabelle.

Ergebnisse wichtiger Umfragen unter KI-Forschern

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

Während die Prognosen variieren, deuten die meisten Umfragen auf eine 50%-Wahrscheinlichkeit hin, AGI zwischen 2040 und 2061 zu erreichen, wobei einige schätzen, dass Superintelligenz innerhalb weniger Jahrzehnte folgen könnte.

Expertenumfrage zum Fortschritt in der KI

Im Oktober 2023 befragte KI Impacts 2.778 KI-Forscher, wann AGI erreicht werden könnte. Diese Umfrage enthielt nahezu identische Fragen wie die Umfrage von 2022. Basierend auf den Ergebnissen der Expertenumfrage zum Fortschritt in der KI wird die hochrangige Maschinenintelligenz bis 2040 erwartet.²

Expertenumfrage zum Fortschritt in der KI

Die Umfrage wurde mit 738 Experten durchgeführt, die auf den NIPS- und ICML-Konferenzen 2021 veröffentlichten. Basierend auf den Ergebnissen der Expertenumfrage zum Fortschritt in der KI schätzen die Experten, dass eine 50%-Chance besteht, dass hochrangige Maschinenintelligenz bis 2059 eintritt.³

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

Umfrage zur Prognose des KI-Fortschritts

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

KI-Experten-Umfrage zum AGI-Zeitplan

Die Prognosen aus der KI-Experten-Umfrage zum AGI-Zeitplan von 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 Arbeitsplatzverlagerung

Ross Gruetzemacher befragte 165 KI-Experten im Jahr 2018, um die potenziellen Auswirkungen von KI auf die Arbeitsplatzverlagerung zu bewerten. Die Experten wurden gebeten zu schätzen, wann KI-Systeme in der Lage wären, 99% der Aufgaben auszuführen, für die Menschen derzeit bezahlt werden, 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 Arbeitsplatzverlagerung sagte die Hälfte der Befragten voraus, dass dieser Meilenstein vor 2068 erreicht würde, während 75% erwarteten, dass er innerhalb der nächsten 100 Jahre eintreten würde.⁶

Umfrage unter KI-Experten der NIPS- und ICML-Konferenzen

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

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

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

Einige wichtige Berufsfunktionen, die bis 2030 voraussichtlich automatisiert werden, umfassen Callcenter-Mitarbeiter, Lkw-Fahrer und Einzelhandelsverkäufer.

Umfrage zum zukünftigen Fortschritt in 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 über Superintelligenz und künstliche allgemeine Intelligenz (AGI) veröffentlicht hat, führten die Umfrage zum zukünftigen Fortschritt in der künstlichen Intelligenz in den Jahren 2012 und 2013 durch. 550 Teilnehmer beantworteten die Frage: Wann wird AGI wahrscheinlich eintreten?⁸

Laut den Ergebnissen der Umfrage zum zukünftigen Fortschritt in der künstlichen Intelligenz:

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

Umfrage mit KI-Experten der AGI-09-Konferenz

Basierend auf den Umfrageergebnissen von 21 KI-Experten, die an der AGI-09-Konferenz 2009 teilnahmen, wird AGI etwa 2050 eintreten, möglicherweise früher.⁹ Unten sehen Sie ihre Schätzungen zu spezifischen KI-Errungenschaften: Bestehen des Turing-Tests, Bestehen der dritten Klasse, Vollbringen nobelpreiswürdiger wissenschaftlicher Durchbrüche und Erreichen übermenschlicher Intelligenz.

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

Community-Erkenntnisse

Wir werteten auch Samotsvety Forecasting- und Metaculus-Community-Prognosen zu AGI sowie Prognosemarktergebnisse von Manifold, Kalshi und Polymarket aus:

Samotsvety Forecasting

Samotsvety Forecasting ist ein Team von Prognostikern, das probabilistische Vorhersagen über reale Ereignisse erstellt, insbesondere in den Bereichen Geopolitik, Technologie und globale Risiken, unter Verwendung von strukturiertem Denken und quantitativen Methoden. Sie weisen eine starke Wettbewerbsbilanz auf großen Prognoseplattformen und -turnieren auf (z. B. INFER/CSET-Foretell), wobei ihre Genauigkeit mit formalen 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 aus dem Jahr 2022 schätzte das Team eine 32%-Chance für AGI innerhalb von 20 Jahren (bis ~2042) und 73% bis 2100, beide niedriger als ihre aktuellen Projektionen.¹²

Manifold-Markt

Stand April 2026 sagten über 1.100 Mitwirkende des Manifold-Marktes das Jahr, in dem eine KI erstmals einen „hochwertigen, adversariellen Turing-Test“ besteht, mit 2033 voraus.¹³

Kalshi-Prognosemarkt

Stand April 2026 geben Mitwirkende des Kalshi-Prognosemarktes an, dass eine 55%-Chance besteht, dass OpenAI AGI bis 2030 erreicht.¹⁴

Polymarket

Ergebnisse von Polymarket-Prognosen im April 2026 zeigten, dass eine 14%-Wahrscheinlichkeit besteht, dass OpenAI AGI bis 2027 erreicht.¹⁵

Metaculus-Community-Prognosen

Stand April 2026:

• 1.700 Teilnehmer beantworteten die Frage „Wann wird das erste schwach allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und die Prognose lautet 20. April 2028.¹⁶
• 180 Teilnehmer beantworteten die Frage „Wann wird eine KI erstmals einen langen, informierten, adversariellen Turing-Test bestehen?“ und ihre Prognose lautet 25. August 2029.¹⁷
• 1.800 Teilnehmer beantworteten die Frage „Wann wird das erste allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und ihre Prognose lautet Oktober 2032.¹⁸

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

Erkenntnisse von KI-Unternehmern und einzelnen Forschern

KI-Unternehmer machen ebenfalls Schätzungen, 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 unterscheiden sich hinsichtlich der Geschwindigkeit und des Entwicklungspfads. Amodei von Anthropic erwartet, dass AGI aufgrund des schnellen, selbstverstärkenden Fortschritts kurzfristig eintrifft, 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 eines durchschnittlichen Menschen ausführen kann, ohne auf eine Weise zu versagen, die uns überraschen würde, wenn einer Person dieselbe Aufgabe gestellt würde. Seine Prognose vom Januar 2026 lautet, dass eine 50%-Chance für minimale AGI bis 2028 besteht.
  • 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 starkes Vertrauen, dass AGI-Systeme kurzfristig bevorstehen. Er erklärte, dass AGI wahrscheinlich innerhalb weniger Jahre eintreten wird (2027), möglicherweise früher als allgemein erwartet.
  • Er argumentiert, dass schnelle Fortschritte bei der Codierung und KI-Forschungsautomatisierung zentral sind und es KI-Systemen ermöglichen, die meisten Software-Engineering-Aufgaben durchgängig zu bewältigen und ihre eigene Entwicklung durch Rückkopplungsschleifen zu beschleunigen.
  • Obwohl er Einschränkungen wie Hardware-Verfügbarkeit und Trainingszeit anerkennt, hält er einen längeren Zeitplan für unwahrscheinlich und erwartet eine schnelle Beschleunigung, sobald diese Schleifen ausgereift sind.²¹
• Auf derselben Veranstaltung im Jahr 2026 behielt Demis Hassabis, Gründer von DeepMind, einen vorsichtigeren Ausblick bei und wiederholte eine Schätzung von etwa einer 50%-Chance, AGI bis zum Ende des Jahrzehnts (2030) zu erreichen.
  • Hassabis stimmt zu, dass der Fortschritt in überprüfbaren Bereichen wie Codierung und Mathematik schnell ist, betont aber, dass wissenschaftliche Entdeckungen und kreatives Denken schwieriger bleiben.
  • Er hebt ungelöste Einschränkungen bei der Generierung neuer Fragen und Theorien hervor und äußert Unsicherheit über vollständig autonome Selbstverbesserung, insbesondere in komplexen, realen Bereichen, was die AGI-Zeitpläne seiner Meinung nach weniger sicher macht.
• In Anbetracht der KI-Fortschritte beim logischen Denken, Programmieren und in der Mathematik erklärt Eric Schmidt, ehemaliger CEO von Google, dass wir innerhalb von 3–5 Jahren auf künstliche allgemeine Intelligenz zusteuern (wie im April 2025 angegeben).²²
• Elon Musk erwartet die Entwicklung einer künstlichen Intelligenz, die schlauer ist als der klügste Mensch, bis 2026.²³
• Im Februar 2025 sagte der Unternehmer und Investor Masayoshi Son sie in 2-3 Jahren voraus (d. h. 2027 oder 2028).
• Im März 2024 sagte Nvidia-CEO Jensen Huang voraus, dass KI innerhalb von fünf Jahren die menschliche Leistung bei jedem Test erreichen oder übertreffen würde: 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 befand Hinton, dass AGI 5–20 Jahre dauern könnte.²⁶
• Sam Altman, CEO von OpenAI, bis 2035. Er erwähnte „ein paar tausend Tage“ im Jahr 2024 in seinem Blog „The Intelligence Age“.
• Ajeya Cotra, eine KI-Forscherin, analysierte das Wachstum der Trainingsberechnung und schätzte eine 50%-Chance, 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, nannte 2040, und betonte, dass es zwar ein Datum sei, das eintreten würde, es aber schwer zu schätzen sei.
• Jürgen Schmidhuber, Mitbegründer des KI-Unternehmens NNAISENSE und Direktor des Schweizer KI-Labors IDSIA, bis 2050.²⁸

Weitere Kommentare und Entwicklungen zu AGI

AAAI-Präsidialpanel zur Zukunft der KI-Forschung

475 Befragte, hauptsächlich aus der Wissenschaft (67%) und Nordamerika (53%), wurden zum Fortschritt in der KI befragt. Obwohl die Umfrage des AAAI 2025 Presidential Panel on the Future of KI Research nicht nach einem Zeitplan für AGI fragte, gaben 76% der Befragten an, dass eine Skalierung aktueller KI-Ansätze wahrscheinlich nicht zu AGI führen würde.²⁹

OpenAI erweitert seine Robotik-Ambitionen

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

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

Kontext und Implikationen

Nach der Auflösung seines ersten Robotik-Teams um 2020 kehrt OpenAI zur aktiven Entwicklung in diesem Bereich zurück. Jüngste Einstellungen und mögliche Partnerschaften deuten auf ein erneutes Bestreben hin, Roboter zu bauen, die zu realem Lernen und Manipulation fähig sind.

Durch die Kombination groß angelegter KI-Modelle mit Sensordaten zielt OpenAI darauf ab, Systeme zu schaffen, die außerhalb digitaler Umgebungen denken und handeln können. Die Rekrutierung von Experten für humanoide Robotik deutet auch auf langfristige Ziele hin, die über Automatisierung hinausgehen und auf Roboter abzielen, die sicher mit Menschen zusammenarbeiten können.³⁰

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 als frühere KI-Modelle zeigte und auf menschlichem Niveau in Bereichen wie Mathematik, Codierung und Recht abschnitt. Dies löste eine Debatte darüber aus, ob GPT-4 eine vorläufige Form künstlicher allgemeiner Intelligenz war. ³¹

Der Weg zur künstlichen allgemeinen Intelligenz – Bericht des MIT

Der Bericht „The road to artificial general intelligence“ vom August 2025 erwartet, dass frühe AGI-ähnliche Systeme zwischen 2026 und 2028 entstehen könnten, die menschenähnliches Denken in spezifischen Bereichen, 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 Denken, bis 2028 erreicht werden.

Längerfristige Projektionen schätzen, dass Maschinen die menschliche Leistung bei allen wirtschaftlich wertvollen Aufgaben bis etwa 2047 übertreffen könnten, abhängig von Fortschritten bei Recheneffizienz, algorithmischen Durchbrüchen und autonomem Lernen.³²

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, unter Verwendung ihrer quantitativen AGI-Definition.³³

Khoja und Hiscott bewerten den Fortschritt in Richtung künstlicher allgemeiner Intelligenz anhand einer Definition, die von Khoja, Dan Hendrycks und ihren Co-Autoren entwickelt wurde.³⁴ Ihr Framework misst zehn kognitive Fähigkeiten und weist GPT-4 eine Punktzahl von 27% und GPT-5 eine Punktzahl von 57% zu. Dies deutet darauf hin, dass aktuelle modelle etwa auf halbem Weg zur definierten AGI-Schwelle sind.

Khoja und Hiscott argumentieren, dass traditionelle Diskussionen über AGI-Zeitpläne an Präzision mangeln, weil sie sich auf inkonsistente Definitionen stützen. Ihr standardisiertes Framework soll Klarheit schaffen, indem es spezifische Stärken und Schwächen aktueller modelle identifiziert. Sie stellen fest, dass Lesen, Schreiben, Mathematik und Allgemeinwissen die menschlichen Basiswerte erreichen oder übertreffen und keine limitierenden 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 schnellen Verbesserungen bei benchmarks wie SPACE und MindCube und schlagen vor, dass diese Lücken wahrscheinlich durch kontinuierliche inkrementelle Forschung geschlossen werden können. Sie beobachten auch, dass Halluzinationen ein Problem bleiben, aber angesichts der Leistungsunterschiede zwischen führenden modellen beherrschbar sind.

Laut Khoja, Hiscott und Hendrycks ist das größte verbleibende Hindernis das kontinuierliche Lernen und die Langzeitspeicherung. Aktuelle Systeme können keine Informationen über Sitzungen hinweg behalten, und die Lösung dieser Einschränkung erfordert mindestens einen bedeutenden Durchbruch. Die Autoren betonen jedoch, dass große KI-Labore diesen Bereich jetzt priorisieren.

Aus vergangenem Überoptimismus bei KI-Prognosen lernen

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

• Geoff Hinton behauptete 2016, dass wir bis 2021 oder 2026 keine Radiologen mehr brauchen würden. Bisher wurde die Radiologie nicht vollständig automatisiert, und Krankenhäuser benötigen Tausende von ihnen.³⁵
• 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 tun kann.“³⁶
• Japans Fifth Generation Computer hatte 1980 einen Zehnjahresplan mit Zielen wie „zwanglose Gespräche führen“.³⁷

Diese historische Erfahrung trug dazu bei, dass die meisten aktuellen Wissenschaftler davor zurückschreckten, AGI in kühnen Zeiträumen wie 10–20 Jahren vorherzusagen, aber dies hat sich mit dem Aufkommen der generativen KI geändert.

Verstehen, was Singularität ist

Künstliche Intelligenz macht uns Angst und fasziniert uns zugleich. Fast jede Woche gibt es einen neuen KI-Schrecken in den Nachrichten, wie Entwickler, die Angst vor dem haben, was sie geschaffen haben, oder das Abschalten von bots, weil sie zu intelligent wurden.³⁸

Die meisten dieser Mythen resultieren aus Fehlinterpretationen von Forschung durch Personen außerhalb der KI- und GenAI-Felder. Einige Interessenvertreter behaupten, KI zu fürchten, weil sie von mehr Regulierung profitieren könnten oder es ihnen mehr Aufmerksamkeit bringen könnte.

Die größte Angst vor KI ist die Singularität (auch künstliche allgemeine Intelligenz oder AGI genannt), ein Ereignis, von dem ein rapider Anstieg der Maschinenintelligenz erwartet wird. Dies wird erwartet, wenn ein System menschenähnliches Denken mit übermenschlicher Geschwindigkeit und einem schnell zugänglichen, nahezu perfekten Gedächtnis kombiniert. Laut einigen Experten impliziert Singularität auch Maschinenbewusstsein.

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

Warum Experten glauben, dass AGI unvermeidlich ist: Hauptargumente und Belege

AGI zu erreichen klingt wie eine gewagte Prognose, aber es scheint ein ziemlich vernünftiges Ziel zu sein, wenn man bedenkt, dass menschliche Intelligenz festgelegt ist und Maschinenintelligenz wächst. Es ist nur eine Frage der Zeit, bis Maschinen uns übertreffen, es sei denn, es gibt eine harte Grenze für ihre Intelligenz. Eine solche Grenze haben wir bisher noch nicht gefunden.

Menschliche Intelligenz ist festgelegt, es sei denn, wir verschmelzen unsere kognitiven Fähigkeiten mit Maschinen. Elon Musks Neural-Lace-Startup zielt darauf ab, aber die Forschung zu Gehirn-Computer-Schnittstellen befindet sich noch in einem frühen Stadium.³⁹

Maschinenintelligenz hängt von Algorithmen, Rechenleistung und Daten ab.

• Die Rechenleistung ist exponentiell gewachsen, da Investitionen in Forschung und Entwicklung sowie Rechenzentren fließen.
• Bis jetzt waren wir gut darin, Maschinen mit den notwendigen Algorithmen zu versorgen, um ihre Rechenleistung und ihr Gedächtnis effektiv zu nutzen.
• Schließlich erzeugen Unternehmen und Einzelpersonen digitale Daten in zunehmendem Maße. Synthetische Daten können modelle korrumpieren oder erweitern. Selbst wenn sie sie korrumpieren, ist es ein lösbares Problem dank Datenkuratierung.

Jüngste Errungenschaften

Opus 4.6

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

Anthropic konzentriert sich auch auf Anwendungsfälle, indem es Plugins wie Claude Legal veröffentlicht, bei denen es sich um Markdown-Dateien handelt, die modellen helfen, sich in bestimmten Bereichen zurechtzufinden. Obwohl dies eine kleine Ergänzung zu Claude war, löste sie einen Ausverkauf an der Börse aus, einschließlich SaaS- und Rechtssoftware.⁴⁰

Gemini Deep Think

Ein weiteres Beispiel ist DeepMinds Gemini Deep-Think-Modus, der bei der Internationalen Mathematik-Olympiade 2025 eine Goldmedaillenleistung erzielte und damit einen bedeutenden Schritt in der Fähigkeit der KI darstellt, komplexe Probleme zu durchdenken.

Gemini arbeitete vollständig in natürlicher Sprache und löste fünf von sechs Problemen innerhalb des offiziellen 4,5-stündigen Wettbewerbsfensters, wobei es klare, für Menschen lesbare Beweise erstellte, 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 seinen strategischen Ansatz.

Dieser Fortschritt zeigt, dass fortschrittliche KI nun zu anspruchsvollem, interpretierbarem Denken auf einem Niveau fähig ist, das einst den besten menschlichen Problemlösern vorbehalten war.⁴¹

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

Das Folgende ist eine hilfreiche Analogie zum Verständnis exponentiellen Wachstums. Obwohl Maschinen derzeit nicht sehr intelligent erscheinen mögen, können sie in naher Zukunft ziemlich schlau werden.

Jüngstes Wachstum der KI-Rechenkapazitäten

Abbildung 2: Die Abbildung zeigt eine Zusammenfassung der in verschiedenen Kategorien beobachteten Rechenwachstumsmuster: alle bemerkenswerten modelle insgesamt (oben links), frontier-modelle (oben rechts), führende Sprachmodelle (unten links) und Spitzenmodelle 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 2024⁴² ist das Wachstum der Rechennutzung beim Training von KI-modellen konstant um etwa 4-5x pro Jahr gestiegen, was die Trends bei bemerkenswerten modellen, frontier-modellen und Spitzenunternehmen wie OpenAI, Google DeepMind und Meta KI widerspiegelt (siehe Abbildung 2).

Allerdings hat sich die Wachstumsrate seit 2018 etwas verlangsamt, insbesondere bei frontier-modellen, aber Sprachmodelle verzeichneten bis Mitte 2020 ein schnelleres Wachstum von bis zu 9x/Jahr, wonach sich das Tempo auf 4-5x/Jahr verlangsamte.

Der Gesamttrend für das KI-Rechenwachstum 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, obwohl es zwischen ihnen leichte Unterschiede gibt.

Trotz einer Verlangsamung des Wachstums von frontier-modellen entsprechen die heute veröffentlichten größeren modelle wie GPT-4 und Gemini Ultra eng der prognostizierten Wachstumskurve.

Wenn klassische Datenverarbeitung langsamer wird, könnte Quantencomputing die Lücke füllen

Klassische Datenverarbeitung hat uns ziemlich weit gebracht. KI-Algorithmen auf klassischen Computern können die menschliche Leistung bei bestimmten Aufgaben wie Schach oder Go übertreffen. Zum Beispiel besiegte AlphaGo Zero AlphaGo mit 100-0. AlphaGo hatte die besten Spieler der Welt geschlagen.⁴³ Wir nähern uns jedoch den Grenzen, wie schnell klassische Computer sein können.

Das Mooresche Gesetz, das auf der Beobachtung basiert, dass sich die Anzahl der Transistoren in einem dichten integrierten Schaltkreis etwa alle zwei Jahre verdoppelt, impliziert, dass sich die Kosten der Datenverarbeitung etwa alle 2 Jahre halbieren.

Auf der anderen Seite glauben die meisten Experten, dass das Mooresche Gesetz in diesem Jahrzehnt zu Ende geht.⁴⁴ Es gibt jedoch Bestrebungen, die Effizienz der Datenverarbeitung weiter zu verbessern.

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

Quantencomputing, das noch eine aufstrebende Technologie ist, kann zur Senkung der Rechenkosten beitragen, nachdem das Mooresche Gesetz zu Ende geht. Quantencomputing basiert auf der gleichzeitigen Auswertung verschiedener Zustände, während klassische Computer jeweils einen Zustand berechnen können.

Die einzigartige 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 erschließen.

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

Es gibt 3 Hauptargumente gegen die Bedeutung oder Existenz von AGI. Wir haben sie zusammen mit ihren üblichen Gegenargumenten untersucht:

1- Intelligenz ist mehrdimensional

Daher wird AGI anders sein, nicht unbedingt der menschlichen Intelligenz überlegen.

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

Yann LeCun, einer der Pioniere des Deep Learning, glaubt, dass wir das Wort AGI abschaffen und uns auf das Erreichen von „Advanced Machine Intelligence“ konzentrieren sollten.⁴⁵ Er argumentiert, dass der menschliche Geist spezialisiert ist und Intelligenz eine Sammlung von Fähigkeiten sowie die Fähigkeit, neue Fähigkeiten zu erlernen, darstellt. Jeder Mensch kann eine Teilmenge der menschlichen Intelligenzaufgaben bewältigen.⁴⁶

Es ist auch schwer, den Spezialisierungsgrad des menschlichen Geistes zu verstehen, da wir als Menschen 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. Zum Beispiel konnte ein Amateur ein Go-Programm schlagen, das mit Go-Programmen vergleichbar ist, die Weltmeister besiegen, indem er die Schwächen des Programms studierte und ausnutzte.⁴⁷

2- Intelligenz ist nicht die Lösung für alle Probleme

Wissenschaft

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

Mehr Intelligenz kann zu besser konzipierten und verwalteten Experimenten führen und so mehr Entdeckungen pro Experiment ermöglichen. Die Geschichte der Forschungsproduktivität sollte dies belegen, 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 einigen Bereichen aufgrund der inhärenten Zufälligkeit oder Unmessbarkeit dieses Bereichs möglicherweise nicht möglich. Zum Beispiel sind wir selbst mit einer Fülle von Daten nicht in der Lage, bestimmte Lebensergebnisse mit hoher Genauigkeit vorherzusagen.⁴⁸

Wirtschaft

Intelligenz ist nicht die Zutat für wirtschaftliche Wertschöpfung.

• Der IQ, das am häufigsten akzeptierte Maß für menschliche Intelligenz, korreliert nicht mit dem Nettovermögen für Werte über ~40k $ (siehe Bild unten):

Abbildung 3: Der IQ korreliert bei niedrigen Vermögensniveaus mit dem Vermögen.⁴⁹

Abbildung 4: Der IQ korreliert nicht mit dem Vermögen, wenn wir uns auf hohe Vermögensniveaus konzentrieren. Diese Grafik ist dieselbe wie die obige, außer dass Nettoeinkommensniveaus unter 40k $ ausgeblendet wurden.

• In der Welt des Investierens wird die Intelligenz des Teams eines Unternehmens nicht als Wettbewerbsfaktor betrachtet. Es wird implizit angenommen, dass andere Unternehmen ebenfalls intelligente Strategien erkennen können. Investoren bevorzugen Unternehmen mit unfairen Vorteilen, die geistiges Eigentum, Skaleneffekte, exklusiven Zugang zu Ressourcen usw. umfassen. Die meisten dieser unfairen Vorteile können nicht allein durch Intelligenz repliziert werden.

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 kann und Zugang zu unendlichem Speicher und unendlicher Zeit hat. Dies ist die allgemein anerkannte Church-Turing-These, die 1950 aufgestellt wurde. 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, diesen Glauben 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%iger Zuverlässigkeit erledigen kann.⁵⁰

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

Die wichtigste 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 jetzt Aufgaben erledigen können, die einen Menschen fast eine Stunde kosten würden, 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 zuverlässig. Wenn dieses Muster anhält, könnten KI-Systeme bald komplexe Aufgaben bewältigen, die Menschen Tage oder sogar Wochen kosten, was einen bedeutenden Schritt in Richtung breiterer Autonomie und AGI-ähnlicher Fähigkeiten markiert.

Skalierung als Weg zu AGI

Leiter von frontier-KI-Laboren glauben, dass die Skalierung aktueller Transformer-basierter Ansätze AGI hervorbringen kann, was ihre Prognosen zur Erreichung von AGI in wenigen Jahren befeuert.

Ein vorgeschlagener Weg zu AGI ist die Skalierung bestehender Architekturen wie Transformern durch Erhöhung von Rechenleistung und Daten, während ein anderer die Entwicklung völlig neuer Ansätze ist.

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: Stromverfügbarkeit, Chip-Fertigungskapazität, 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, unter der Annahme erheblicher Infrastrukturinvestitionen.

Solche Fortschritte könnten KI-Systeme hervorbringen, die weitaus leistungsfähiger sind als die heutigen state-of-the-art modelle wie GPT-4, und uns näher an AGI heranbringen.⁵¹

Abbildung 6: Die Grafik zeigt die geschätzten Obergrenzen für KI-Trainingsberechnung bis 2030 unter den Haupteinschränkungen Strom, Chip-Produktion, Daten und Latenz, mit Medianen zwischen 2e29 und 3e31 FLOP.

Jenseits der Skalierung: Das Plädoyer 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.^{52 53} Sie glauben, dass neue Architekturen oder Ansätze für AGI notwendig sind.

Wie können wir messen, ob wir AGI erreicht haben?

LLM übertreffen jede Woche neue benchmarks, aber die Evaluierung von LLMs ist aufgrund von Problemen wie Datenvergiftung und dem Fehlen einer anerkannten wissenschaftlichen Definition für menschenähnliche Intelligenz schwierig.

Diese Bedenken werden durch Erkenntnisse aus jüngster Forschung verstärkt,⁵⁴ die hervorhebt, dass die Skalierung von LLMs kein nachhaltiger Weg zu besserer Leistung ist, insbesondere in wissenschaftlichen und risikoreichen Bereichen. Die Autoren zeigen, dass:

• LLMs sehr niedrige Skalierungsexponenten (~0,1) aufweisen, was bedeutet, dass selbst massive Erhöhungen von Daten oder Rechenleistung winzige Genauigkeitsgewinne bringen.
• Die Lernfähigkeit von LLMs beruht auf ihrer Fähigkeit, nicht-gaußsche Ausgaben zu produzieren, aber dies führt auch zu Fehleranhäufungen und spröden Vorhersagen.
• Traditionelle Metriken wie Verlustfunktionen sind Pseudo-Metriken, 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 wurden, Fehler schneller anhäufen, als sie korrigiert werden können.

Diese Erkenntnisse stellen die Zuverlässigkeit von Standard-benchmarks in Frage und unterstreichen die Notwendigkeit vielfältigerer und sich weiterentwickelnder Evaluierungsstrategien.

Alte Metriken wie der Turing-Test sind den heutigen Maschinen nicht mehr gewachsen, und neuen Metriken wie ARC-AGI fehlt möglicherweise die Generalisierungsfähigkeit breiterer benchmarks.

Aufkommende Metriken wie ARC-AGI zielen darauf ab, Abstraktion und Generalisierung zu testen, könnten aber dennoch anfällig für Datenkontamination oder Überanpassung sein.

Darüber hinaus können, wie das Papier hervorhebt, selbst „gute“ Verlustwerte zugrunde liegende Informationskatastrophen aufgrund nicht-gaußscher Fluktuationen und Trainingsinstabilitäten verschleiern.⁵⁵

Wie können wir den Fortschritt von LLMs verfolgen?

Es gibt einige Ansätze zum benchmarken, um diese Herausforderungen zu überwinden:

• Häufige Aktualisierung von benchmark-Fragen. Praxisbeispiel: LiveBench
• Verwendung von Holdout-Sets zur Verhinderung von Datenvergiftung: AIMultiples benchmarks, wie der AGI-benchmark oder ARC-AGI.

Welche Ansätze gibt es jenseits von benchmarking, um AGI zu bestimmen?

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 10% Wachstum in der entwickelten Welt auf AGI hindeuten würde.⁵⁶ . Sein Anreiz besteht jedoch darin, eine verzögerte Definition von AGI zu haben, da AGI die exklusive Partnerschaft von OpenAI und Microsoft beenden würde.⁵⁷

Arbeitslosigkeit

Wir erwarten, dass AGI

• Die Beschäftigung von Büroangestellten auf 10% ihres globalen Höchststands reduziert, gemessen als Anteil der Menschen an der Erwerbsbevölkerung. Dies sollte geschehen, wenn der Anteil des Arbeitseinkommens aufgrund von 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 Beschäftigung von Büroangestellten einbricht, während Menschen in Berufen der physischen Welt weiterhin gedeihen.

Regierungsbehörden, die Arbeitsstatistiken sammeln, klassifizieren Arbeitsplätze in detaillierte Kategorien, was die Beschäftigung von Büroangestellten zu einer leicht zu verfolgenden Metrik macht.

Wir sammelten Daten des U.S. Bureau of Labor Statistics zur Beschäftigung von Büroangestellten im Zeitraum von 2019 bis 2024.⁵⁸ Aus Gründen der Klarheit und Konsistenz kategorisierten wir Büroangestellte in die folgenden Berufsgruppen:

• Architektur- und Ingenieurberufe
• Betriebswirtschaftliche und finanzielle Berufe
• Computer- und mathematische Berufe
• Gesundheitspraktiker und technische Berufe
• Juristische Berufe
• Biowissenschaftliche, physikalische und sozialwissenschaftliche Berufe
• Managementberufe
• Büro- und Verwaltungsunterstützungsberufe
• Vertriebs- und verwandte Berufe

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

Während diese Spanne auf eine relative Stabilität des Anteils der Büroangestellten bisher hindeutet, ist sie nicht auf einen langfristigen Trend zurückzuführen, und wir erwarten in den kommenden Jahren deutlichere Verschiebungen, da Automatisierung und KI-Adoption beschleunigt werden. Weitere Prognosen dazu, wie KI die Beschäftigung von Büroangestellten und Berufseinsteigern verändern wird, lesen Sie unter KI-Arbeitsplatzverlust.

Sollten wir überhaupt AGI anstreben?

Es gibt Informatiker, die warnen, dass die Konzentration auf AGI als ultimatives Ziel die KI-Forschung verzerren könnte.⁵⁹ Zu den Kritikpunkten gehören: Schaffung einer Illusion von Konsens, Überanpassung an benchmarks, Ignorieren eingebetteter sozialer Werte, Zulassen, dass Hype Prioritäten diktiert, Aufbau von „Generalitätsschulden“ (Aufschieben wichtiger Designfragen) und Ausschluss marginalisierter Gemeinschaften und unterfinanzierter Forscher.

Spezifische, messbare und transparente Ziele wären besser für den Fortschritt in der KI 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 Vorhersage von AGI-Zeitplänen. Viele Projektionen basieren auf quantifizierbaren Trends und formalen modellen, die die Erwartungen darüber leiten, wann künstliche allgemeine Intelligenz entstehen könnte.

Skalierungsgesetze und Rechenwachstum

Eine Schlüsselkomponente des mathematischen Denkens umfasst die Analyse von Skalierungsgesetzen. Diese zeigen, dass sich die Modellleistung mit mehr Daten, Parametern und Rechenleistung vorhersagbar verbessert.

Das konstante jährliche Wachstum der KI-Trainingsberechnung um das 4–5-Fache unterstützt Prognosen, dass AGI innerhalb von ein oder zwei Jahrzehnten erreichbar sein könnte, vorausgesetzt, die aktuellen Trends setzen sich fort.

Diese Projektionen basieren auf empirischen Anpassungen an Leistungskurven und Extrapolationen, die durch Potenzgesetzbeziehungen untermauert werden, ein Kernkonzept der mathematischen Modellierung.

Probabilistische Prognosen

Forscher wenden auch probabilistische Methoden auf AGI-Prognosen an. Umfragen bitten Experten oft, die Wahrscheinlichkeit zu schätzen, dass AGI bis zu bestimmten Jahren entwickelt wird, und erzeugen so kumulative Wahrscheinlichkeitsverteilungen.

Zum Beispiel spiegelt eine 50%-Wahrscheinlichkeit bis 2040 den Konsens unter Unsicherheit wider, angetrieben durch eine bayesianische Aktualisierung auf der Grundlage des beobachteten KI-Fortschritts.

Dieser Ansatz des mathematischen Denkens erfasst die Unsicherheit von Experten, ohne präzise Daten zu erfordern, und ermöglicht eine kontinuierliche Überarbeitung, sobald neue Daten verfügbar sind.

Theoretische Grundlagen

Diese Prognosen basieren auf theoretischen Elementen des mathematischen Denkens, einschließlich der Church-Turing-These, die impliziert, dass menschliche Kognition durch Maschinen simuliert werden kann, sowie Konzepten wie der Kolmogorow-Komplexität, die Intelligenz mit der Komprimierbarkeit von Informationen in Beziehung setzen.

Obwohl solche Theorien AGI nicht garantieren, bieten sie einen Rahmen, um über ihre Möglichkeit und die damit verbundenen Rechenanforderungen nachzudenken.

Mehr über künstliche allgemeine Intelligenz

David Silver, Principal Research Scientist bei Google DeepMind

Er erklärt, dass künstliche allgemeine Intelligenz (AGI) sich auf KI-Systeme bezieht, die in der Lage sind, eine breite Palette von Aufgaben zu erlernen und zu meistern, ähnlich wie Menschen, die Experten in verschiedenen Bereichen wie Wissenschaft, Musik oder Sport werden können.

Im Gegensatz zu schmaler KI, die auf eine einzige Funktion beschränkt ist, strebt AGI danach, die menschliche Anpassungsfähigkeit und die allgemeine Problemlösungsfähigkeit nachzubilden.

Er stellt fest, dass AGI zwar ein langfristiges Ziel ist, das Erreichen echter menschenähnlicher Intelligenz jedoch wahrscheinlich mehrere Durchbrüche erfordern wird 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“ erkundet er den rasanten Fortschritt in Richtung künstlicher allgemeiner Intelligenz (AGI).

Er sagt voraus, dass AGI innerhalb der nächsten 5 bis 10 Jahre entstehen könnte, räumt jedoch Unsicherheit in 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 steuern kann (siehe Video unten).

Ray Kurzweil, Informatiker und Unternehmer

Er reflektiert über sechs Jahrzehnte KI-Fortschritt und zeichnet die Fähigkeit der Menschheit nach, intelligenzfördernde Werkzeuge zu bauen, von primitiven Geräten bis hin zu großen Sprachmodellen.

Er sagt auch voraus, dass künstliche allgemeine Intelligenz bis 2029 eintreffen wird, was bis 2045 zur technologischen Singularität führt. Er hebt exponentielle Fortschritte in der Rechenleistung, Medizin und Biotechnologie hervor.

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

Yann LeCun, Turing-Preisträger

Sehen Sie, warum LLMs uns keine menschenähnliche Intelligenz geben können und die neuesten KI-Ansätze, um dorthin zu gelangen:

Prognosen zur künstlichen allgemeinen Intelligenz

Methodik des Singularitätsgraphen

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

• Für individuelle Prognosen haben wir Vorhersagen von 18 KI-Experten einbezogen.
• Für wissenschaftliche Prognosen sammelten wir Umfrageergebnisse aus 10 begutachteten Arbeiten, die Zeitpläne für AGI liefern.
• Für Prognosemarktergebnisse haben wir Vorhersagen aus 3 Prognosemärkten (Manifold, Kalshi und Metaculus) einbezogen.

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: 9.800 Prognosen analysiert}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
  note   = {AIMultiple. Abgerufen am 22. Mai 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

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

28.

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

Futurism

29.

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

30.

OpenAI Ramps Up Robotics Work in Race Toward AGI | WIRED

WIRED

31.

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

32.

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

33.

AGI's Last Bottlenecks | AI Frontiers

AI Frontiers

34.

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

35.

Geoff Hinton: On Radiology - YouTube

36.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

37.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

38.

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

Vox

39.

Brain–computer interface - Wikipedia

Contributors to Wikimedia projects

40.

Data Companies Hit by AI Selloff Push Back on Claude Threat

The Wall Street Journal

41.

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

Google DeepMind

42.

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

43.

AlphaGo Zero - Wikipedia

Contributors to Wikimedia projects

44.

Moore's law - Wikipedia

Contributors to Wikimedia projects

45.

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

46.

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

47.

Subscribe to read

Financial Times

48.

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

49.

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

INCERTO

50.

https://arxiv.org/pdf/2503.14499

51.

Can AI scaling continue through 2030? | Epoch AI

52.

Unsupported browser

53.

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

54.

https://arxiv.org/pdf/2507.19703

55.

https://arxiv.org/pdf/2507.19703

56.

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

57.

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

The Wall Street Journal

58.

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

59.

[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 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple mit Schwerpunkt auf E-Mail-Marketing und Verkaufsvideos. Sie arbeitete zuvor als Personalvermittlerin in Projektmanagement- und Beratungsfirmen. 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