AGI/Singularität: 10.000 Vorhersagen analysiert

Allgemeine künstliche Intelligenz (AGI) liegt vor, wenn ein KI-System die menschlichen kognitiven Fähigkeiten bei allen Aufgaben 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 laut den 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 für allgemeine künstliche Intelligenz

Die obige Zeitachse zeigt 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 ist, erwarten die Befragten zunehmend, dass die Singularität früher eintritt als bisher angenommen. Erfahren Sie mehr über die Methoden, mit denen wir diese Grafik erstellt haben.

AGI-Prognosen aus Prognosemärkten

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

3.900 Prognosen von Manifold, Kalshi und Metaculus, Online-Prognosemärkten, auf denen Teilnehmer auf die Wahrscheinlichkeit und den Zeitpunkt zukünftiger Ereignisse handeln, um Gewinn oder Reputation zu erzielen. Außerdem haben wir das durchschnittliche Prognosedatum aus diesen Prognosemärkten einbezogen.

Weitere wichtige Fragen zu AGI

Wie ist unser aktueller Stand bei AGI?

Obwohl schwache KI den Menschen bei bestimmten Aufgaben übertrifft, existiert keine intelligente Maschine. Einige Forscher geben an, dass große Sprachmodelle aufkommende generalistische Fähigkeiten zeigen.¹

Wie können wir AGI erreichen?

Entweder, indem mehr Rechenleistung und Daten hinter aktuelle Architekturen wie Transformer gesteckt werden, oder durch die Erfindung neuer Ansätze. Es gibt noch keinen wissenschaftlichen Konsens über die Methode zur Erreichung von AGI oder zu deren 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 sie schätzten, wann AGI/Singularität eintreten könnte.

Die Prognosen variieren zwar, aber die meisten Umfragen deuten auf eine Wahrscheinlichkeit von 50 % hin, AGI zwischen 2040 und 2061 zu erreichen; 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 dazu, 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 geschätzt, dass hochrangige maschinelle Intelligenz bis 2040 eintritt.²

Expertenumfrage zum Fortschritt in der KI

Die Umfrage wurde mit 738 Experten durchgeführt, die auf den Konferenzen NIPS und ICML 2021 veröffentlicht haben. Basierend auf den Ergebnissen der Expertenumfrage zum Fortschritt in der KI schätzen die Experten, dass eine Wahrscheinlichkeit von 50 % besteht, dass hochrangige 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 Fortschritt der KI 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 % der wirtschaftlich relevanten Aufgaben übertreffen würden. Nach den Ergebnissen der Umfrage zur Prognose des KI-Fortschritts schätzte die Hälfte der Befragten, dass dies vor 2060 geschehen würde.⁴

Umfrage von KI-Experten zum AGI-Zeitplan

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

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

Umfrage zu den potenziellen Auswirkungen der KI auf die Arbeitsplatzverdrängung

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

Basierend auf den Ergebnissen der Umfrage zu den potenziellen Auswirkungen der KI auf die Arbeitsplatzverdrängung prognostizierte die Hälfte der Befragten, 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 Konferenzen NIPS und ICML

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

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

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

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

Umfrage zum zukünftigen Fortschritt der künstlichen Intelligenz

Vincent C. Muller, Präsident der European Association for Cognitive Systems, und Nick Bostrom von der University of Oxford, der über 200 Artikel zu Superintelligenz und allgemeiner künstlicher Intelligenz (AGI) veröffentlicht hat, führten die Umfrage zum zukünftigen Fortschritt 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 der künstlichen Intelligenz:

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

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

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

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

Community-Erkenntnisse

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

Samotsvety Forecasting

Samotsvety Forecasting ist ein Team von Prognostikern, das probabilistische Vorhersagen über reale Ereignisse trifft, insbesondere in Geopolitik, Technologie und globalen Risiken, und dabei strukturiertes Denken und quantitative Methoden nutzt. Sie weisen eine starke Wettbewerbsbilanz auf großen Prognoseplattformen und Turnieren (z. B. INFER/CSET-Foretell) auf, wobei ihre Genauigkeit anhand formaler Bewertungsmetriken wie dem Brier-Score gemessen wird.¹⁰

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

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

In einer früheren Prognose aus dem Jahr 2022 schätzte das Team eine 32 %-Chance auf AGI innerhalb von 20 Jahren (bis ca. 2042) und 73 % bis 2100, beides niedriger als ihre aktuellen Prognosen.¹²

Manifold Market

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

Kalshi-Prognosemarkt

Stand August 2026 geben die Mitwirkenden am Kalshi-Prognosemarkt an, dass eine 45 % Chance besteht, dass OpenAI AGI bis 2030 erreicht.¹⁴

Polymarket

Ergebnisse der Polymarket-Prognosen im August 2026 zeigten, dass eine 9 % Wahrscheinlichkeit besteht, 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 werden Top-Prognostiker erwarten, dass die erste allgemeine künstliche Intelligenz entwickelt und demonstriert wird?“ und ihre Prognose lautete 2035.¹⁹

Erkenntnisse von KI-Unternehmern & einzelnen Forschern

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

Ihre Meinungen unterscheiden sich hinsichtlich Geschwindigkeit und Entwicklungspfad. Amodei von Anthropic erwartet, dass AGI aufgrund des schnellen, sich selbst verstärkenden 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 das gesamte Spektrum kognitiver Aufgaben ausführen kann, das ein durchschnittlicher Mensch bewältigen kann, ohne auf eine Weise zu scheitern, die uns überraschen würde, wenn eine Person dieselbe Aufgabe erhielte. Seine Prognose im Januar 2026 lautet, dass eine 50 % Chance besteht, dass minimale AGI bis 2028 eintritt.
  • Laut Legg bedeutet das Erreichen minimaler AGI nicht, dass wir die höchsten Formen menschlicher Intelligenz vollständig verstehen oder reproduzieren können, wie etwa große wissenschaftliche Durchbrüche oder künstlerische Leistungen. 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 eintreten werde (2027), möglicherweise früher als allgemein erwartet.
  • Er argumentiert, dass schnelle Fortschritte bei der Codierung und Automatisierung der KI-Forschung von zentraler Bedeutung sind und es KI-Systemen ermöglichen, die meisten Softwareentwicklungsaufgaben Ende-zu-Ende zu bewältigen und ihre eigene Entwicklung durch Feedbackschleifen zu beschleunigen.
  • Obwohl er Einschränkungen wie Hardwareverfügbarkeit und Trainingszeit einräumt, 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 eine vorsichtigere Haltung bei, und wiederholte eine Schätzung von ungefähr 50 % Wahrscheinlichkeit, AGI bis zum Ende des Jahrzehnts (2030) zu erreichen.
  • Hassabis stimmt zu, dass die Fortschritte in überprüfbaren Bereichen wie Programmierung und Mathematik schnell sind, betont jedoch, dass wissenschaftliche Entdeckungen und kreatives Denken weiterhin schwieriger bleiben.
  • Er hebt ungelöste Einschränkungen bei der Generierung neuer Fragen und Theorien hervor und äußert Unsicherheit hinsichtlich vollständig autonomer Selbstverbesserung, insbesondere in komplexen, realen Bereichen, was seiner Meinung 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 (wie im April 2025 erklärt) auf eine allgemeine künstliche Intelligenz zusteuern.²²
• Elon Musk erwartet die Entwicklung einer künstlichen Intelligenz, die intelligenter ist als die intelligentesten Menschen, bis 2026.²³
• Im Februar 2025 prognostizierte der Unternehmer und Investor Masayoshi Son dies innerhalb von 2–3 Jahren (d. h. 2027 oder 2028).
• Im März 2024 prognostizierte Nvidia-CEO Jensen Huang, dass KI innerhalb von fünf Jahren bei jedem Test die menschliche Leistung erreichen oder übertreffen 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 stellte Hinton fest, dass AGI 5–20 Jahre dauern könnte.²⁶
• Sam Altman, CEO von OpenAI, bis 2035. Er erwähnte 2024 in seinem Blog „The Intelligence Age“ „ein paar tausend Tage“.
• Ajeya Cotra, eine KI-Forscherin, analysierte das Wachstum der Trainingsberechnung und schätzte eine 50 % Wahrscheinlichkeit, dass KI mit menschenähnlichen Fähigkeiten bis 2040 aufkommt.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 ist, das eintreten wird, es aber schwer abzuschätzen 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-Präsidentschaftspanel 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 der aktuellen KI-Ansätze wahrscheinlich nicht zu AGI führen würde.²⁸

OpenAI erweitert seine Robotik-Ambitionen

OpenAI verstärkt seinen Fokus auf Robotik als Teil seines Ziels, die allgemeine künstliche Intelligenz voranzutreiben. Das Unternehmen stellt Spezialisten für humanoide Robotersysteme ein und bildet ein Team, das Algorithmen entwickeln soll, 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 zur Erprobung und Erreichung von AGI betrachtet.

Kontext und Implikationen

Nachdem OpenAI sein erstes Robotik-Team um 2020 zurückgefahren hatte, kehrt das Unternehmen nun zur aktiven Entwicklung in diesem Bereich zurück. Neueinstellungen 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 Automatisierung hinausgehen und auf Roboter abzielen, die sicher mit Menschen zusammenarbeiten können.²⁹

Microsofts Bericht zu frühen Experimenten mit GPT-4

Microsoft Research untersuchte 2023 eine frühe Version von OpenAIs GPT-4. Der Bericht behauptete, dass es eine höhere allgemeine Intelligenz als frühere KI-Modelle zeigte und in Bereichen wie Mathematik, Programmierung und Jura auf menschlichem Niveau arbeitete. Dies löste eine Debatte darüber aus, ob GPT-4 eine vorläufige Form der allgemeinen künstlichen Intelligenz war. ³⁰

Der Bericht „Der Weg zur allgemeinen künstlichen Intelligenz“ des MIT

Der Bericht „The road to artificial general intelligence“ vom August 2025 geht davon aus, dass frühe AGI-ähnliche Systeme zwischen 2026 und 2028 aufkommen könnten, mit menschlichem Denkvermögen in bestimmten Bereichen, multimodalen Fähigkeiten über Text, Audio und physische Schnittstellen sowie begrenzter zielgerichteter Autonomie.

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.

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

KI Frontiers zu AGI-Wahrscheinlichkeiten

Adam Khoja und Laura Hiscott von KI Frontiers, einer Plattform für KI-Debatten und -Dialoge, schätzen anhand ihrer quantitativen AGI-Definition eine 50 % Wahrscheinlichkeit, AGI bis 2028 zu erreichen, sowie eine 80 % Wahrscheinlichkeit bis 2030.³²

Khoja und Hiscott bewerten den Fortschritt in Richtung allgemeiner künstlicher Intelligenz anhand einer Definition, die von Khoja, Dan Hendrycks und ihren Co-Autoren entwickelt wurde.³³ Ihr Rahmenwerk 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 ungefähr die Hälfte des Weges zur definierten AGI-Schwelle erreicht haben.

Khoja und Hiscott argumentieren, dass traditionelle Diskussionen über AGI-Zeitpläne unpräzise sind, weil sie auf uneinheitlichen Definitionen beruhen. Ihr standardisiertes Rahmenwerk soll Klarheit schaffen, indem es spezifische Stärken und Schwächen aktueller Modelle identifiziert. Sie stellen fest, dass Lesen, Schreiben, Mathematik und Allgemeinwissen die menschlichen Ausgangswerte 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 beim visuellen und auditiven Arbeitsgedächtnis hervor. Sie berichten von schnellen Verbesserungen bei Benchmarks wie SPACE und MindCube und legen nahe, dass diese Lücken durch kontinuierliche inkrementelle Forschung wahrscheinlich geschlossen werden können. Außerdem stellen sie 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 das kontinuierliche Lernen und die langfristige Speicherung von Erinnerungen. Aktuelle Systeme können Informationen nicht über Sitzungen hinweg behalten, und die Lösung dieser Einschränkung erfordert mindestens einen bedeutenden Durchbruch. Die Autoren betonen jedoch, dass große KI-Labore diesen Bereich inzwischen priorisieren.

Aus früherem übermäßigen Optimismus bei KI-Prognosen lernen

Beachten Sie, dass KI-Forscher früher übermäßig optimistisch waren. Beispiele hierfür sind:

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

Diese historischen Erfahrungen haben dazu beigetragen, dass die meisten aktuellen Wissenschaftler davor zurückscheuen, AGI in kühnen Zeiträumen wie 10–20 Jahren vorherzusagen, aber dies hat sich mit dem Aufkommen der generativen KI geändert.

Verstehen, was die Singularität ist

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

Die meisten dieser Mythen beruhen auf Forschungsarbeiten, die von Personen außerhalb der KI- und GenAI-Bereiche falsch interpretiert wurden. Einige Akteure behaupten, KI zu fürchten, weil sie von mehr Regulierung profitieren könnten oder ihnen dies mehr Aufmerksamkeit einbringen könnte.

Die größte Angst im Zusammenhang mit KI ist die Singularität (auch allgemeine künstliche Intelligenz oder AGI genannt), ein Ereignis, von dem ein rascher Anstieg der maschinellen Intelligenz erwartet wird. Dies wird erwartet, wenn ein System menschliches Denkvermögen mit übermenschlicher Geschwindigkeit und schnell zugänglichem, nahezu perfektem Gedächtnis kombiniert. Nach Ansicht einiger Experten impliziert die Singularität auch maschinelles Bewusstsein.

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

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

Die Erreichung von AGI klingt nach einer gewagten Vorhersage, erscheint aber als recht vernünftiges Ziel, wenn man bedenkt, dass die menschliche Intelligenz festgelegt ist und die maschinelle Intelligenz wächst. Es ist nur eine Frage der Zeit, bis Maschinen uns übertreffen, es sei denn, es gibt eine harte Grenze für ihre Intelligenz. Bislang sind wir auf eine solche Grenze nicht gestoßen.

Menschliche Intelligenz ist festgelegt, es sei denn, wir verschmelzen unsere kognitiven Fähigkeiten irgendwie mit Maschinen. Elon Musks Neural-Lace-Startup zielt darauf ab, doch die Forschung zu Gehirn-Computer-Schnittstellen befindet sich noch in einem frühen Stadium.³⁸

Maschinelle Intelligenz hängt von Algorithmen, Rechenleistung und Daten ab.

• Die Rechenleistung ist exponentiell gewachsen, da Investitionen in Forschung & Entwicklung und Rechenzentren fließen.
• Bisher ist es uns gut gelungen, Maschinen mit den notwendigen Algorithmen zu versorgen, damit sie ihre Rechenleistung und ihren Speicher effektiv nutzen können.
• Schließlich erzeugen Unternehmen und Privatpersonen digitale Daten in zunehmendem Maße. Synthetische Daten können Modelle verschlechtern oder verbessern. Selbst wenn sie verschlechtern, handelt es sich dank Datenkuratierung um 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 Schritt für die Fähigkeit der KI darstellt, komplexe Probleme zu durchdenken.

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

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

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

Opencrawl

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

Exponentielles Wachstum

Die folgende Analogie hilft, exponentielles Wachstum zu verstehen. Auch wenn Maschinen derzeit nicht besonders intelligent erscheinen mögen, können sie in naher Zukunft ziemlich klug 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 das Wachstum des Recheneinsatzes beim Training von KI-Modellen kontinuierlich um etwa das 4-5x-fache pro Jahr gestiegen, was die Trends bei bemerkenswerten Modellen, Frontier-Modellen und führenden Unternehmen wie OpenAI, Google DeepMind und Meta KI widerspiegelt (siehe Abbildung 2).

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

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

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

Wenn klassische Computer an Grenzen stoßen, könnte Quantencomputing die Lücke füllen

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

Das mooresche Gesetz, das auf der Beobachtung beruht, dass sich die Anzahl der Transistoren in einem dichten integrierten Schaltkreis etwa alle zwei Jahre verdoppelt, impliziert, dass sich die Kosten für Rechenleistung etwa alle 2 Jahre halbieren.

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

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

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

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

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

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

1- Intelligenz ist mehrdimensional

Daher wird AGI anders sein, nicht unbedingt überlegener als menschliche Intelligenz.

Das ist wahr, 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 von Nüssen versteckt haben.

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

Es ist für uns als Menschen auch schwer, den Spezialisierungsgrad des menschlichen Geistes zu verstehen, da wir das gesamte Spektrum der Intelligenz weder kennen noch 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 nutzte.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 durchgeführten Experimenten führen und so mehr Entdeckungen pro Experiment ermöglichen. Die Geschichte der Forschungsproduktivität sollte dies belegen, doch die Daten sind recht verrauscht, und die Forschungserträge nehmen ab. Wir stoßen auf schwierigere Probleme wie die Quantenphysik, während wir einfachere Probleme wie die Newtonsche Mechanik lösen.

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

Wirtschaft

Intelligenz ist nicht der Bestandteil für die Schaffung wirtschaftlichen Werts.

• Der IQ, das am weitesten verbreitete Maß für menschliche Intelligenz, korreliert bei Werten über ca. 40k $ nicht mit dem Nettovermögen (siehe Abbildung unten):

Abbildung 3: Der IQ korreliert bei niedrigem Vermögen mit Wohlstand.⁴⁸

Abbildung 4: Der IQ korreliert nicht mit Wohlstand, wenn wir uns auf hohe Vermögensniveaus konzentrieren. Dieses Diagramm entspricht dem obigen, mit der Ausnahme, dass Nettoeinkommensniveaus unter 40k $ ausgeblendet wurden.

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

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

Theoretisch ist es möglich, jede Rechenmaschine, einschließlich des menschlichen Gehirns, mit einer relativ einfachen Maschine zu modellieren, die grundlegende Berechnungen ausführen und auf unendlichen Speicher und unendliche Zeit zugreifen kann. Dies ist die allgemein anerkannte Church-Turing-These aus dem Jahr 1950. Allerdings erfordert sie, wie erwähnt, bestimmte schwierige Bedingungen: unendliche Zeit und unendlichen Speicher.

Die meisten Informatiker glauben, dass die Modellierung des menschlichen Gehirns weniger als unendlich viel Zeit und Speicher benötigen 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 menschenäquivalenter Zeit), die jedes Modell mit einer Zuverlässigkeit von 50 % abschließen kann.⁴⁹

Die obige Abbildung zeigt, wie sich die Fähigkeiten von KI-Agenten verbessert haben, indem sie die längsten Aufgaben misst, die sie mit einer Zuverlässigkeit von 50 % abschließen 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 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 länger als ein paar Sekunden bewältigen konnten.

Der schattierte Bereich spiegelt die statistische Unsicherheit wider, aber der allgemeine Trend ist verlässlich. Wenn dieses Muster anhält, könnten KI-Systeme bald komplexe Aufgaben bewältigen, für die Menschen Tage oder sogar Wochen benötigen, was einen bedeutenden Schritt hin zu größerer Autonomie und AGI-ähnlichen Fähigkeiten darstellt.

Skalierung als Weg zu AGI

Führende Köpfe der Frontier-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 Stützung der Skalierungshypothese analysierte ein Bericht von Epoch KI aus dem Jahr 2024, ob das Wachstum der KI-Rechenleistung bis 2030 anhalten kann.

Sie identifizierten vier wesentliche Einschränkungen: Stromverfügbarkeit, Chip-Produktionskapazität, Datenknappheit und Verarbeitungslatenz (siehe Abbildung 6).

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

Solche Fortschritte könnten KI-Systeme hervorbringen, die weitaus leistungsfähiger sind als heutige hochmoderne Modelle wie GPT-4, und uns AGI näher bringen.⁵⁰

Abbildung 6: Das Diagramm veranschaulicht die geschätzten Obergrenzen für die KI-Trainingsrechenleistung bis 2030 unter wichtigen Einschränkungen, Strom, Chip-Produktion, Daten und Latenz, mit Medianwerten 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.^{51 52} Sie glauben, dass für AGI neue Architekturen oder Ansätze erforderlich sind.

Wie können wir messen, ob wir AGI erreicht haben?

LLM übertreffen jede Woche neue Benchmarks, aber die Evaluierung von LLMs ist schwierig, unter anderem wegen Datenvergiftung und des Fehlens einer anerkannten wissenschaftlichen Definition für menschenähnliche Intelligenz.

Diese Bedenken werden durch Erkenntnisse aus der jüngsten Forschung verstärkt⁵³ die hervorheben, dass die Skalierung von LLMs kein nachhaltiger Weg zu besserer Leistung ist, insbesondere in wissenschaftlichen und risikoreichen Bereichen. Die Autoren zeigen, dass:

• LLMs weisen sehr niedrige Skalierungsexponenten (~0.1) auf, was bedeutet, dass selbst massive Zuwächse an Daten oder Rechenleistung nur winzige Genauigkeitsgewinne bringen.
• Die Lernfähigkeit von LLMs beruht auf ihrer Fähigkeit, nicht-gaußsche Ergebnisse zu erzeugen, was jedoch auch zu Fehleranläufungen und fragilen Vorhersagen führt.
• Traditionelle 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 wurden, Fehler schneller anhäufen, als sie korrigiert werden können.

Diese Erkenntnisse stellen die Zuverlässigkeit üblicher 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.

Aufkommende Metriken wie ARC-AGI zielen darauf ab, Abstraktion und Generalisierung zu testen, könnten aber weiterhin nicht resistent gegen Datenkontamination oder Überanpassung sein.

Darüber hinaus können, wie das Papier hervorhebt, 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 Benchmarking-Ansätze, um diese Herausforderungen zu bewältigen:

• Häufiges Aktualisieren von 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 zeitverzögerte Indikatoren für die Auswirkungen von KI, die helfen können, AGI zu identifizieren.

Wirtschaftswachstum

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

Arbeitslosigkeit

Wir erwarten, dass AGI

• die Beschäftigung im Bürobereich auf 10 % ihres globalen Höchststands senkt, gemessen als Anteil der Menschen an der Erwerbsbevölkerung. Dies sollte geschehen, wenn der Anteil des Arbeitseinkommens am Einkommen durch KI drastisch sinkt.
• Während das BIP-Wachstum anhält

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

Regierungsbehörden, die Arbeitsmarktstatistiken erheben, unterteilen Arbeitsplätze in detaillierte Kategorien, was die Beschäftigung im Bürobereich zu einer leicht nachverfolgbaren Kennzahl macht.

Wir haben Daten des U.S. Bureau of Labor Statistics zur Bürobeschäftigung von 2019 bis 2024 gesammelt.⁵⁶ Aus Gründen der Klarheit und Konsistenz haben wir Büroangestellte in die folgenden Berufsgruppen eingeteilt:

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

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

Diese Spanne deutet zwar bisher auf eine relative Stabilität des Anteils der Bürobeschäftigung hin, ist jedoch kein Hinweis auf einen langfristigen Trend, und wir erwarten in den kommenden Jahren mit zunehmender Automatisierung und KI-Einführung deutlichere Verschiebungen. Weitere Prognosen dazu, wie KI die Beschäftigung im Bürobereich und auf Einstiegsebene verändern wird, finden 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.⁵⁷ Zu den Kritikpunkten gehören: die Schaffung einer Konsensillusion, die Überanpassung von Benchmarks, das Ignorieren eingebetteter sozialer Werte, die Bestimmung von Prioritäten durch Hype, das Anhäufen von „Allgemeinheitsschulden“ (das Aufschieben zentraler Designfragen) und der Ausschluss marginalisierter Gemeinschaften und unterfinanzierter Forscher.

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

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

Als bevorzugte Quelle hinzufügen

Mathematische Argumentation hinter AGI-Prognosen

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

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

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

Probabilistische Prognosen

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

Eine Wahrscheinlichkeit von 50 % bis 2040 spiegelt beispielsweise einen Konsens unter Unsicherheit wider, der durch eine Aktualisierung im Bayes-Stil auf Grundlage des beobachteten KI-Fortschritts gestützt wird.

Dieser mathematische Argumentationsansatz erfasst die Unsicherheit von Experten, ohne genaue Daten zu erfordern, und ermöglicht eine fortlaufende Überarbeitung, sobald neue Daten verfügbar sind.

Theoretische Grundlagen

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

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

Mehr über allgemeine künstliche Intelligenz

David Silver, Leitender Forschungswissenschaftler bei Google DeepMind

Er erklärt, dass sich allgemeine künstliche Intelligenz (AGI) auf KI-Systeme bezieht, die in der Lage sind, ein breites Spektrum von Aufgaben zu erlernen und darin hervorragende Leistungen zu erbringen, ähnlich wie Menschen, die Experten in verschiedenen Bereichen wie Wissenschaft, Musik oder Sport werden können.

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

Er weist darauf hin, dass AGI zwar ein langfristiges Ziel ist, das Erreichen echter menschenähnlicher Intelligenz jedoch wahrscheinlich mehrere Durchbrüche erfordert und sich schrittweise entwickeln wird (siehe Video unten).

Ilya Sutskever, Mitbegründer und Chief Scientist von OpenAI

In seinem TED-Talk „The Exciting, Perilous Journey Toward AGI“ untersucht er den rasanten Fortschritt in Richtung allgemeiner künstlicher Intelligenz (AGI).

Er prognostiziert, dass AGI innerhalb der nächsten 5 bis 10 Jahre entstehen könnte, räumt jedoch Unsicherheit bei diesem Zeitplan ein.

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

Ray Kurzweil, Informatiker und Unternehmer

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

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

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

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 allgemeinen künstlichen Intelligenz

Methodik der Singularitätsgrafik

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

• Für Einzelprognosen haben wir Vorhersagen von 18 KI-Experten einbezogen.
• Für wissenschaftliche Prognosen haben wir Umfrageergebnisse aus 10 peer-reviewten Arbeiten gesammelt, die Zeitpläne für AGI liefern.
• Für Prognosemarktergebnisse haben wir Prognosen 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: 10.000 Vorhersagen analysiert}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
  note   = {AIMultiple. Abgerufen am 13. August 2026}
}

Referenzlinks

1.

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

2.

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

3.

2022 Expert Survey on Progress in AI – AI Impacts

4.

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

5.

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

6.

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

Our World in Data

7.

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

8.

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

9.

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

10.

track record

11.

Update to Samotsvety AGI timelines — EA Forum

12.

Samotsvety's AI risk forecasts — EA Forum

13.

AGI When? [High Quality Turing Test] | Manifold

14.

When will OpenAI achieve AGI? Odds & Predictions

15.

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

Polymarket

16.

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

17.

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

18.

When Will the First General AI Be Announced?

19.

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

20.

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

21.

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

22.

Dr. Eric Schmidt - YouTube

23.

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

Reuters

24.

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

Reuters

25.

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

WIRED

26.

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

Futurism

27.

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

Our World in Data

28.

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

29.

OpenAI Ramps Up Robotics Work in Race Toward AGI | WIRED

WIRED

30.

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

31.

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

32.

AGI's Last Bottlenecks | AI Frontiers

AI Frontiers

33.

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

34.

Geoff Hinton: On Radiology - YouTube

35.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

36.

Artificial general intelligence - Wikipedia

Contributors to Wikimedia projects

37.

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

Vox

38.

Brain–computer interface - Wikipedia

Contributors to Wikimedia projects

39.

Data Companies Hit by AI Selloff Push Back on Claude Threat

The Wall Street Journal

40.

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

Google DeepMind

41.

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

42.

AlphaGo Zero - Wikipedia

Contributors to Wikimedia projects

43.

Moore's law - Wikipedia

Contributors to Wikimedia projects

44.

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

45.

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

46.

Subscribe to read

Financial Times

47.

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

48.

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

INCERTO

49.

https://arxiv.org/pdf/2503.14499

50.

Can AI scaling continue through 2030? | Epoch AI

51.

Unsupported browser

52.

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

53.

https://arxiv.org/pdf/2507.19703

54.

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

55.

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

The Wall Street Journal

56.

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

57.

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

Cem Dilmegani

Leitender Analyst

Folgen auf

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

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

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

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

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

Vollständiges Profil anzeigen

Recherchiert von

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Models, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Recruiterin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master-of-Science-Abschluss in Sozialpsychologie und einen Bachelor-of-Arts-Abschluss in Internationalen 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