AGI/Singularität: 10.000 Vorhersagen analysiert
Künstliche allgemeine Intelligenz (AGI) liegt vor, wenn ein KI-System die kognitiven Fähigkeiten des Menschen über alle Aufgaben hinweg erreicht. Wir analysierten 10.000 Vorhersagen von KI-Forschern, führenden Unternehmern und der Community 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 hat sich nach dem Start von ChatGPT verkürzt.
Zeitplan für künstliche allgemeine Intelligenz
Der obige Zeitplan skizziert das erwartete Jahr der Singularität auf der Grundlage von Erkenntnissen aus 10 Umfragen mit über 6.000 Teilnehmern, Antworten von 18 KI-Forschern sowie Community-Einblicken aus den Vorhersagemärkten Manifold, Kalshi und Metaculus.
Wie oben zu sehen ist, rechnen die Umfrageteilnehmer zunehmend damit, dass die Singularität früher eintritt als bisher erwartet. Erfahren Sie mehr über die Methoden, mit denen wir dieses Diagramm erstellt haben.
AGI-Vorhersagen aus Vorhersagemärkten
Für Vorhersagen aus Vorhersagemärkten & Community-Insights verwendeten wir:
3.900 Vorhersagen aus Manifold, Kalshi und Metaculus, Online-Vorhersagemärkten, auf denen die Teilnehmer auf die Wahrscheinlichkeit und den Zeitpunkt künftiger Ereignisse setzen, um Profit oder Reputation zu erzielen. Wir haben auch das durchschnittliche Vorhersagedatum aus diesen Vorhersagemärkten einbezogen.
Weitere zentrale Fragen zu AGI
Wie ist unser aktueller Stand bei AGI?
Obwohl enge KI den Menschen bei bestimmten Aufgaben übertrifft, existiert keine intelligente Maschine. Einige Forscher geben an, dass große language models aufkommende generalistische Fähigkeiten zeigen.1
Wie können wir AGI erreichen?
Entweder indem wir mehr Rechenleistung und Daten hinter aktuelle Architekturen wie Transformers stecken oder indem wir neue Ansätze erfinden. Es gibt noch keinen wissenschaftlichen Konsens über die Methode zur Erreichung von AGI oder zu ihrer Validierung.
Unten sehen Sie eine Zusammenfassung der Vorhersagen, 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 Vorhersagen variieren zwar, aber die meisten Umfragen deuten auf eine 50 % Wahrscheinlichkeit hin, AGI zwischen 2047 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. Auf der Grundlage der Ergebnisse der Expertenumfrage zum Fortschritt in der KI wird geschätzt, dass hochgradige maschinelle Intelligenz bis 2040 eintritt.2
Expertenumfrage zum Fortschritt in der KI
Die Umfrage wurde mit 738 Experten durchgeführt, die auf den NIPS- und ICML-Konferenzen 2021 publiziert hatten. Auf der Grundlage der Ergebnisse der Expertenumfrage zum Fortschritt in der KI schätzen die Experten, dass die Wahrscheinlichkeit bei 50 % liegt, dass hochgradige maschinelle Intelligenz bis 2059. eintritt.3
Die Experten sagten außerdem voraus, dass Hardwarekosten, algorithmischer Fortschritt und die Arbeit an Trainingsdatensätzen die größten Faktoren für den KI-Fortschritt sein würden.
Umfrage zur Prognose des KI-Fortschritts
Baobao Zhang befragte 2019 296 KI-Experten und bat sie vorherzusagen, wann Maschinen den mittleren menschlichen Arbeitnehmer bei der Ausführung von über 90 % der wirtschaftlich relevanten Aufgaben übertreffen würden. Nach den Ergebnissen der Umfrage zur Prognose des KI-Fortschritts schätzte die Hälfte der Befragten, dass dies vor 2060 geschehen würde.4
Umfrage von KI-Experten zum AGI-Zeitpunkt
Die Vorhersagen aus der Umfrage von KI-Experten zum AGI-Zeitpunkt im Jahr 20195lauten:
- 45 % der Befragten prognostizieren einen Termin vor 2060.
- 34 % aller Teilnehmer prognostizierten einen Termin nach 2060.
- 21 % der Teilnehmer prognostizierten, dass die Singularität niemals eintreten werde.
Umfrage zu den potenziellen Auswirkungen von KI auf die Verdrängung von Arbeitsplätzen
Ross Gruetzemacher befragte 2018 165 KI-Experten, um die potenziellen Auswirkungen von KI auf die Verdrängung von Arbeitsplätzen 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.
Auf der Grundlage der Ergebnisse der Umfrage zu den potenziellen Auswirkungen von KI auf die Verdrängung von Arbeitsplätzen prognostizierte die Hälfte der Befragten, dass dieser Meilenstein vor 2068 erreicht werde, während 75 % erwarteten, dass dies innerhalb der nächsten 100 Jahre geschehe.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 publiziert hatten.7
Auf der Grundlage der Umfrageergebnisse von den NIPS- und ICML-Konferenzen schätzen Experten eine 50 %-Wahrscheinlichkeit, dass AGI bis 2060. eintreten wird. Allerdings gibt es je nach Region erhebliche Meinungsunterschiede:
- Asiatische Befragte erwarten AGI in 30 Jahren,
- Nordamerikaner erwarten sie in 74 Jahren.
Zu den wichtigen Berufsfunktionen, die bis 2030 voraussichtlich automatisiert werden, gehören Callcenter-Mitarbeiter, Lkw-Fahren und Einzelhandelsverkauf.
Umfrage zum künftigen 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 künftigen Fortschritt in der künstlichen Intelligenz in den Jahren 2012 und 2013 durch. 550 Teilnehmer beantworteten die Frage: Wann wird AGI wahrscheinlich eintreten?8
Nach den Ergebnissen der Umfrage zum künftigen Fortschritt in der künstlichen Intelligenz:
- Die befragten KI-Experten schätzen, dass AGI wahrscheinlich (mit über 50 % Wahrscheinlichkeit) zwischen 2040 und 2050 entstehen wird und mit hoher Wahrscheinlichkeit (90 % Wahrscheinlichkeit) bis 2075. auftreten 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
Auf der Grundlage der Umfrageergebnisse von 21 KI-Experten, die 2009 an der AGI-09-Konferenz teilnahmen, wird AGI etwa 2050 eintreten, möglicherweise auch früher.9Unten sehen Sie ihre Schätzungen zu bestimmten KI-Errungenschaften: Bestehen des Turing-Tests, Bestehen der dritten Klasse, wissenschaftliche Durchbrüche, die einen Nobelpreis verdienen, und das Erreichen übermenschlicher Intelligenz.
Abbildung 1: Ergebnisse der Umfrage, die an die Teilnehmer der Konferenz Artificial General Intelligence 2009 (AGI-09) verteilt wurde.
Community-Einblicke
Wir haben außerdem die Prognosen von Samotsvety Forecasting und der Metaculus-Community zu AGI sowie die Ergebnisse der Vorhersagemärkte Manifold, Kalshi und Polymarket ausgewertet:
Samotsvety Forecasting
Samotsvety Forecasting ist ein Team von Prognostikern, das probabilistische Vorhersagen zu realen Ereignissen trifft, insbesondere in den Bereichen Geopolitik, Technologie und globale Risiken, und dabei strukturierte Argumentations- und quantitative Methoden einsetzt. Das Team kann eine starke Wettbewerbsbilanz auf großen Prognoseplattformen und in Turnieren (z. B. INFER/CSET-Foretell) vorweisen, wo seine Genauigkeit anhand formaler Bewertungsmetriken wie dem Brier-Score gemessen wird.10
Im Januar 2026 aktualisierte das Team seine AGI-Prognosen mit 8 Prognostikern.11Hier 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 %-Wahrscheinlichkeit für AGI innerhalb von 20 Jahren (bis ca. 2042) und 73 % bis 2100, beides niedriger als ihre aktuellen Projektionen.12
Manifold Market
Mit Stand August 2026 prognostizierten über 1.100 Mitwirkende des Manifold-Marktes das Jahr, in dem eine KI erstmals einen „hochwertigen, adversariellen Turing-Test“ bestehen wird, mit 2034.13
Kalshi-Vorhersagemarkt
Mit Stand August 2026 geben die Mitwirkenden des Kalshi-Vorhersagemarktes an, dass eine 45 % Wahrscheinlichkeit besteht, dass OpenAI AGI bis 2030 erreichen wird.14
Polymarket
Die Ergebnisse der Polymarket-Prognosen im August 2026 deuteten darauf hin, dass eine 9 % Wahrscheinlichkeit besteht, dass OpenAI AGI bis 2027 erreicht.15
Metaculus-Community-Prognosen
Mit Stand August 2026:
- 1.800 Teilnehmer beantworteten die Frage „Wann wird das erste schwach allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und die Vorhersage lautet 2028.16
- 180 Teilnehmer beantworteten die Frage „Wann wird eine KI erstmals einen langen, fundierten, adversariellen Turing-Test bestehen?“ und ihre Vorhersage lautet 2029.17
- 1.900 Teilnehmer beantworteten die Frage „Wann wird das erste allgemeine KI-System entwickelt, getestet und öffentlich angekündigt?“ und ihre Vorhersage lautet 2033.18
Im Jahr 2022 beantworteten 81 Teilnehmer die Frage „Wann werden Top-Prognostiker erwarten, dass die erste künstliche allgemeine Intelligenz entwickelt und demonstriert wird?“ und ihre Vorhersage lautete 2035.19
Einblicke von KI-Unternehmern & einzelnen Forschern
KI-Unternehmer stellen ebenfalls Schätzungen an, wann wir die Singularität erreichen werden, und sie sind optimistischer als Forscher. Das ist zu erwarten, da sie vom gestiegenen 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 die gesamte Bandbreite kognitiver Aufgaben ausführen kann, die ein durchschnittlicher Mensch bewältigen kann, ohne auf eine Weise zu versagen, die uns überraschen würde, wenn eine Person dieselbe Aufgabe gestellt bekäme. Seine Prognose im Januar 2026 lautet, dass eine 50 %-Wahrscheinlichkeit 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, etwa große wissenschaftliche Durchbrüche oder künstlerische Leistungen. Vollständige AGI wäre erreicht, sobald KI das gesamte Spektrum menschlicher Kognition abdecken kann.20
- Dario Amodei, CEO von Anthropic, zeigte sich auf dem Weltwirtschaftsforum 2026 in Davos sehr zuversichtlich, dass sich AGI-nahe Systeme kurzfristig nähern. Er erklärte, dass AGI wahrscheinlich innerhalb weniger Jahre eintreten wird (2027), möglicherweise früher als allgemein erwartet.
- Er argumentiert, dass schnelle Fortschritte bei der Programmierung und der Automatisierung der KI-Forschung zentral sind, weil sie es KI-Systemen ermöglichen, die meisten Softwareentwicklungsaufgaben Ende zu Ende zu bewältigen und ihre eigene Entwicklung durch Feedbackschleifen zu beschleunigen.
- Obwohl er Einschränkungen wie die Verfügbarkeit von Hardware und Trainingszeit einräumt, hält er einen längeren Zeitplan für unwahrscheinlich und erwartet eine schnelle Beschleunigung, sobald diese Schleifen ausgereift sind.21
- Bei derselben Veranstaltung im Jahr 2026 vertrat Demis Hassabis, Gründer von DeepMind, einen vorsichtigeren Ausblick und wiederholte eine Schätzung von etwa einer 50 %-Wahrscheinlichkeit, AGI bis zum Ende des Jahrzehnts (2030) zu erreichen.
- Hassabis stimmt zu, dass der Fortschritt in überprüfbaren Bereichen wie Programmierung und Mathematik schnell ist, betont aber, dass wissenschaftliche Entdeckungen und kreatives Denken weiterhin schwieriger sind.
- Er verweist auf ungelöste Grenzen bei der Generierung neuer Fragen und Theorien und äußert Unsicherheit hinsichtlich einer vollständig autonomen Selbstverbesserung, insbesondere in komplexen, realen Bereichen, was seiner Ansicht nach die AGI-Zeitpläne ungewisser macht.
- Angesichts der Fortschritte der KI in den Bereichen logisches Denken, Programmieren und Mathematik erklärt Eric Schmidt, ehemaliger CEO von Google, dass wir uns innerhalb von 3–5 Jahren auf künstliche allgemeine Intelligenz zubewegen (wie im April 2025 festgestellt).22
- Elon Musk erwartet die Entwicklung einer künstlichen Intelligenz, die klüger ist als die klügsten Menschen, bis 2026.23
- Im Februar 2025 prognostizierte der Unternehmer und Investor Masayoshi Son dies in 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 menschliche Leistungen 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 Trainingsrechenleistung und schätzte eine 50 %-Wahrscheinlichkeit, dass KI mit menschenähnlichen Fähigkeiten bis 2040 entstehen wird.27
- Patrick Winston, MIT-Professor und Direktor des MIT Artificial Intelligence Laboratory von 1972 bis 1997, erwähnte 2040, und betonte, dass es sich zwar um ein Datum handelt, das eintreten würde, es aber schwer abzuschätzen ist.
- Jürgen Schmidhuber, Mitbegründer des KI-Unternehmens NNAISENSE und Direktor des Schweizer KI-Labors IDSIA, bis 2050.26
Weitere Kommentare und Entwicklungen zu AGI
AAAI-Präsidialgremium 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-Präsidialgremiums zur Zukunft der KI-Forschung keinen Zeitplan für AGI abfragte, gaben 76 % der Befragten an, dass eine Skalierung der derzeitigen KI-Ansätze wahrscheinlich nicht zu AGI führen würde.28
OpenAI erweitert seine Robotik-Ambitionen
OpenAI erhöht seinen Fokus auf Robotik als Teil seines Ziels, die künstliche allgemeine Intelligenz voranzubringen. Das Unternehmen stellt Spezialisten für humanoide Robotersysteme ein und bildet ein Team, das Algorithmen entwirft, die Robotern helfen, in der physischen Welt selbstständig zu lernen und zu handeln.
Dies bedeutet eine Abkehr von OpenAIs früherem Fokus auf Sprach- und Bildmodelle. Das Unternehmen will nun fortgeschrittenes logisches Denken mit physischer Interaktion verbinden, was darauf hindeutet, dass es Robotik als wesentlichen Schritt auf dem Weg zum Testen und Erreichen von AGI betrachtet.
Kontext und Auswirkungen
Nachdem OpenAI sein erstes Robotikteam um 2020 heruntergefahren hatte, kehrt das Unternehmen nun zu aktiver Entwicklung in diesem Bereich zurück. Jüngste Einstellungen und mögliche Partnerschaften deuten auf erneute Bemühungen hin, Roboter zu bauen, die in der realen Welt lernen und manipulieren können.
Durch die Kombination groß angelegter KI-models mit Sensordaten will OpenAI Systeme schaffen, die außerhalb digitaler Umgebungen denken und agieren können. Die Einstellung von Experten für humanoide Robotik deutet auch auf langfristige Ziele hin, die über die Automatisierung hinausgehen und auf Roboter abzielen, die sicher mit Menschen zusammenarbeiten können.29
Microsofts Bericht über frühe Experimente mit GPT-4
Microsoft Research untersuchte 2023 eine frühe Version von OpenAIs GPT-4. Der Bericht behauptete, dass es eine größere allgemeine Intelligenz zeigte als frühere KI-models, und auf menschlichem Niveau in Bereichen wie Mathematik, Programmieren und Recht abschnitt. Dies löste eine Debatte darüber aus, ob GPT-4 eine vorläufige Form künstlicher allgemeiner Intelligenz war. 30
Bericht „Der Weg zur künstlichen allgemeinen Intelligenz“ vom MIT
Der Bericht „Der Weg zur künstlichen allgemeinen Intelligenz“ vom August 2025 geht davon aus, dass erste AGI-ähnliche Systeme zwischen 2026 und 2028 entstehen könnten und in bestimmten Bereichen logisches Denken auf menschlichem Niveau, multimodale Fähigkeiten über Text, Audio und physische Schnittstellen sowie begrenzte zielgerichtete Autonomie zeigen werden.
Der Bericht kombiniert aggregierte Prognosen und deutet auf eine 50 %-Wahrscheinlichkeit hin, dass mehrere allgemeine Meilensteine wie Wissenstransfer und breites logisches Denken bis 2028 erreicht werden.
Längerfristige Projektionen schätzen, dass Maschinen die menschliche Leistung bei allen wirtschaftlich wertvollen Aufgaben etwa 2047 übertreffen könnten, vorausgesetzt, es gibt Fortschritte bei der Recheneffizienz, algorithmische Durchbrüche und autonomes Lernen.31
KI Frontiers zu AGI-Wahrscheinlichkeiten
Adam Khoja und Laura Hiscott von KI Frontiers, einer Plattform für KI-Debatten und -Dialoge, schätzen eine 50 %-Wahrscheinlichkeit, AGI bis 2028 zu erreichen, und eine 80 %-Wahrscheinlichkeit bis 2030, basierend auf ihrer quantitativen AGI-Definition.32
Khoja und Hiscott bewerten den Fortschritt in Richtung künstlicher allgemeiner Intelligenz anhand einer Definition, die von Khoja, Dan Hendrycks und ihren Koautoren entwickelt wurde.33Ihr framework misst zehn kognitive Fähigkeiten und vergibt an GPT-4 einen Wert von 27 % und an GPT-5 einen Wert von 57 %. Dies deutet darauf hin, dass die aktuellen models etwa die Hälfte des definierten AGI-Schwellenwerts erreicht haben.
Khoja und Hiscott argumentieren, dass traditionelle Diskussionen über AGI-Zeitpläne unpräzise sind, weil sie auf uneinheitlichen Definitionen beruhen. Ihr standardisiertes framework soll Klarheit schaffen, indem es spezifische Stärken und Schwächen aktueller models identifiziert. Sie stellen fest, dass Lesen, Schreiben, Mathematik und Allgemeinwissen die menschlichen Referenzwerte erreichen oder übertreffen und keine limitierenden Faktoren mehr sind.
Die Autoren betonen verbleibende Lücken beim visuellen Denken, bei der intuitiven Physik, der auditiven Verarbeitung, der wahrnehmungsabhängigen Geschwindigkeit sowie beim visuellen und auditiven Arbeitsgedächtnis. Sie berichten von schnellen Verbesserungen bei benchmarks wie SPACE und MindCube und legen nahe, dass diese Lücken wahrscheinlich durch kontinuierliche, schrittweise Forschung geschlossen werden können. Sie beobachten außerdem, dass Halluzinationen weiterhin ein Problem darstellen, angesichts der Leistungsunterschiede zwischen führenden models jedoch 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 speichern, und die Lösung dieser Einschränkung erfordert mindestens einen bedeutenden Durchbruch. Die Autoren betonen jedoch, dass große KI-Labore diesem Bereich inzwischen Priorität einräumen.
Lehren aus früherem übermäßigem Optimismus bei KI-Vorhersagen
Bedenken Sie, dass KI-Forscher früher übermäßig optimistisch waren. Beispiele 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 brauchen Tausende von ihnen.34
- Der KI-Pionier Herbert A. Simon sagte 1965: „Maschinen werden innerhalb von zwanzig Jahren in der Lage sein, jede Arbeit zu verrichten, die ein Mensch verrichten kann.“35
- Der japanische Computer der fünften Generation hatte 1980 einen Zehnjahresplan mit Zielen wie „lockere Gespräche führen“.36
Diese historische Erfahrung trug dazu bei, dass die meisten heutigen Wissenschaftler davor zurückschreckten, AGI in kühnen Zeiträumen wie 10–20 Jahren vorherzusagen, aber dies hat sich mit dem Aufstieg der generativen KI geändert.
Verstehen, was Singularität ist
Künstliche Intelligenz macht uns Angst und fasziniert uns zugleich. Fast jede Woche gibt es in den Nachrichten einen neuen KI-Schrecken, etwa Entwickler, die Angst vor dem haben, was sie geschaffen haben, oder bots, die abgeschaltet werden, weil sie zu intelligent geworden sind.37
Die meisten dieser Mythen entstehen dadurch, dass Forschungsergebnisse von Personen außerhalb der KI- und GenAI-Bereiche falsch interpretiert werden. Einige Interessengruppen behaupten, KI zu fürchten, weil sie von mehr Regulierung profitieren könnten oder weil sie ihnen mehr Aufmerksamkeit verschafft.
Die größte Angst im Zusammenhang mit KI ist die Singularität (auch künstliche allgemeine Intelligenz oder AGI genannt), ein Ereignis, das einen raschen Anstieg der maschinellen Intelligenz mit sich bringen soll. Dies wird erwartet, wenn ein System menschliches Denken mit übermenschlicher Geschwindigkeit und einem schnell zugänglichen, nahezu perfekten Gedächtnis verbindet. Nach Ansicht einiger Experten bedeutet Singularität auch maschinelles Bewusstsein.
Eine solche Maschine könnte sich selbst verbessern und menschliche Fähigkeiten übertreffen. Schon bevor künstliche Intelligenz ein Forschungsthema der Informatik war, beschäftigten sich Science-Fiction-Autoren wie Asimov mit dieser Frage. Sie entwickelten Mechanismen (d. h. Asimovs Robotergesetze), um das Wohlwollen intelligenter Maschinen sicherzustellen, was heute häufiger als Alignment-Forschung bezeichnet wird.
Warum Experten glauben, dass AGI unvermeidlich ist: zentrale Argumente & Belege
AGI zu erreichen klingt wie eine gewagte Vorhersage, aber es scheint ein ziemlich vernünftiges Ziel zu sein, 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. Wir sind bisher noch nicht auf eine solche Grenze gestoßen.
Menschliche Intelligenz ist festgelegt, es sei denn, wir verschmelzen unsere kognitiven Fähigkeiten auf irgendeine Weise mit Maschinen. Elon Musks Neural-Lace-Startup zielt darauf ab, aber die Forschung zu Gehirn-Computer-Schnittstellen befindet sich noch in einem frühen Stadium.38
Maschinelle Intelligenz hängt von Algorithmen, Rechenleistung und Daten ab.
- Die Rechenleistung wächst exponentiell, da Investitionen in Forschung und Entwicklung sowie Rechenzentren fließen.
- Bisher sind wir gut darin gewesen, Maschinen mit den notwendigen Algorithmen zu versorgen, damit sie ihre Rechenleistung und ihren Speicher effektiv nutzen können.
- Schließlich erzeugen Unternehmen und Einzelpersonen digitale Daten in zunehmendem Maße. Synthetische Daten können models beeinträchtigen oder verbessern. Selbst wenn sie beeinträchtigen, ist dies dank Datenkuratierung ein lösbares Problem.
Jüngste Errungenschaften
Opus 4.6
Im Februar 2026 veröffentlichte Claude Opus 4.6 mit einem Kontextfenster von 1M und beeindruckenden benchmark-Ergebnissen.
Anthropic konzentriert sich außerdem auf Anwendungsfälle, indem es Plugins wie Claude Legal veröffentlicht, bei denen es sich um Markdown-Dateien handelt, die models helfen, sich in bestimmten Domänen zurechtzufinden. Obwohl dies nur eine kleine Ergänzung zu Claude war, löste sie einen Ausverkauf an den Aktienmärkten aus, der auch SaaS- und Rechtssoftware betraf.39
Gemini Deep Think
Ein weiteres Beispiel ist DeepMinds Gemini-Deep-Think-Modus, der bei der Internationalen Mathematik-Olympiade 2025 eine Goldmedaillen-Leistung erreichte und damit einen bedeutenden Schritt in der Fähigkeit der KI darstellt, komplexe Probleme zu durchdenken.
Da Gemini vollständig in natürlicher Sprache arbeitet, löste es fünf von sechs Aufgaben innerhalb des offiziellen 4.5-Stunden-Zeitfensters des Wettbewerbs und erstellte dabei klare, für Menschen lesbare Beweise, ohne auf formale symbolische Werkzeuge zurückzugreifen.
Seine Fähigkeiten beruhen auf mehreren Innovationen: Der Deep-Think-Modus ermöglicht die parallele Erkundung von Lösungswegen, das Training umfasst mathematische Beweise auf Expertenniveau, und bestärkendes Lernen verfeinert seinen strategischen Ansatz.
Dieser Fortschritt zeigt, dass fortgeschrittene KI nun in der Lage ist, anspruchsvolle, interpretierbare Denkprozesse auf einem Niveau durchzuführen, das einst den besten menschlichen Problemlösern vorbehalten war.40
OpenClaw
OpenClaw ist ein Open-Source-Projekt, um LLMs in Agenten zu verwandeln. Es wurde zu einem der beliebtesten Projekte auf GitHub und stieß das OpenClaw-Ökosystem an.
Exponentielles Wachstum
Die folgende Analogie ist hilfreich, um exponentielles Wachstum zu verstehen. Maschinen wirken derzeit vielleicht nicht besonders intelligent, aber sie können 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: allgemein bemerkenswerte models (oben links), Frontier-models (oben rechts), führende language models (unten links) und Top-models führender Unternehmen (unten rechts).
Die Rechenressourcen für das Training von KI-models haben erheblich zugenommen, wobei etwa zwei Drittel der Leistung von language models auf Verbesserungen der Modellgröße zurückgeführt werden.
Laut einem Artikel aus dem Jahr 202441ist der Anstieg des Rechenaufwands beim Training von KI-models kontinuierlich um etwa 4-5x pro Jahr gestiegen, was die Trends bei namhaften models, Frontier-models und Top-Unternehmen wie OpenAI, Google DeepMind und Meta KI widerspiegelt (siehe Abbildung 2).
Die Wachstumsrate hat sich jedoch seit 2018 etwas verlangsamt, insbesondere bei Frontier-models, aber language models verzeichneten bis Mitte 2020 ein schnelleres Wachstum von bis zu 9x/Jahr, danach verlangsamte sich das Tempo auf 4-5x/Jahr.
Der allgemeine Trend beim Wachstum der KI-Rechenleistung bleibt stark, und Prognosen deuten darauf hin, dass die Wachstumsrate von 4-5x/Jahr anhalten wird, sofern keine neuen Herausforderungen oder Durchbrüche auftreten. Dieses Wachstum zeigt sich auch in den Skalierungsstrategien führender KI-Unternehmen, wobei es zwischen ihnen leichte Unterschiede gibt.
Trotz einer Verlangsamung des Wachstums bei Frontier-models entsprechen die heute veröffentlichten größeren models wie GPT-4 und Gemini Ultra eng der prognostizierten Wachstumskurve.
Falls klassische Computer an ihre 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. So schlug AlphaGo Zero AlphaGo mit 100-0. AlphaGo hatte zuvor die besten Spieler der Welt geschlagen.42Wir nähern uns jedoch den Grenzen der Geschwindigkeit klassischer Computer.
Das Mooresche Gesetz, das auf der Beobachtung beruht, dass sich die Anzahl der Transistoren in einem dichten integrierten Schaltkreis etwa alle zwei Jahre verdoppelt, impliziert, dass sich die Kosten für Rechenleistung etwa alle zwei Jahre halbieren.
Andererseits glauben die meisten Experten, dass das Mooresche Gesetz in diesem Jahrzehnt an sein Ende gelangt.43 Es gibt jedoch Bemühungen, die Effizienz der Datenverarbeitung weiter zu verbessern.
So überraschte DeepSeek die globalen Märkte mit seinem Modell R1, indem es ein Reasoning-model zu einem Bruchteil der Kosten seiner Wettbewerber wie OpenAI lieferte.
Quantencomputing, das noch eine aufstrebende Technologie ist, kann dazu beitragen, die Rechenkosten zu senken, nachdem das Mooresche Gesetz an sein Ende gelangt ist. Quantencomputing beruht auf der gleichzeitigen Auswertung verschiedener Zustände, während klassische Computer immer nur einen Zustand berechnen können.
Die besondere Natur des Quantencomputing 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 das Potenzial, die Singularität zu ermöglichen.
Warum glauben einige Experten, dass wir AGI nicht erreichen werden?
Es gibt drei Hauptargumente gegen die Bedeutung oder Existenz von AGI. Wir haben sie zusammen mit den üblichen Gegenargumenten untersucht:
1- Intelligenz ist mehrdimensional
Daher wird AGI anders sein, nicht unbedingt überlegen gegenüber menschlicher Intelligenz.
Das stimmt, und menschliche Intelligenz unterscheidet sich auch von tierischer Intelligenz. Einige Tiere sind zu geistigen Höchstleistungen 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 den Begriff AGI aufgeben und uns auf das Erreichen „fortschrittlicher maschineller Intelligenz“ konzentrieren sollten.44Er 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 der Aufgaben menschlicher Intelligenz bewältigen.45
Es ist für uns als Menschen auch schwer, den Spezialisierungsgrad des menschlichen Geistes zu verstehen, da wir das gesamte Spektrum der Intelligenz nicht kennen und nicht erfahren können.
In Bereichen, in denen Maschinen übermenschliche Intelligenz zeigten, konnten Menschen sie schlagen, indem sie maschinenspezifische Schwächen ausnutzten. So konnte ein Amateur ein Go-Programm schlagen, das mit Go-Programmen vergleichbar ist, die Weltmeister besiegen, indem er die Schwächen des Programms studierte und ausnutzte.46
2- Intelligenz ist nicht die Lösung für alle Probleme
Wissenschaft
Selbst die beste Maschine, die vorhandene Daten analysiert, könnte 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 gemanagten Experimenten führen und so mehr Entdeckungen pro Experiment ermöglichen. Die Geschichte der Forschungsproduktivität sollte dies belegen, aber die Daten sind recht verrauscht und der Forschungsertrag nimmt ab. Wir stoßen auf schwierigere Probleme wie die Quantenphysik, während wir einfachere Probleme wie die Newtonsche Bewegung lösen.
Schließlich sind perfekte Vorhersagen in manchen Bereichen aufgrund der inhärenten Zufälligkeit oder Unmessbarkeit des jeweiligen Bereichs möglicherweise nicht möglich. Selbst mit einer Fülle von Daten können wir bestimmte Lebensereignisse nicht mit hoher Genauigkeit vorhersagen.47
Wirtschaft
Intelligenz ist nicht der entscheidende Faktor für die Schaffung wirtschaftlichen Werts.
- Der IQ, das am häufigsten anerkannte Maß für menschliche Intelligenz, korreliert bei Werten über etwa ~$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. Diese Grafik entspricht der 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 andere Unternehmen ebenfalls intelligente Strategien erkennen können. Investoren bevorzugen Unternehmen mit unfairen Vorteilen wie geistigem Eigentum, Größe, exklusivem Zugang zu Ressourcen usw. Die meisten dieser unfairen Vorteile lassen sich nicht allein durch Intelligenz nachbilden.
3- AGI ist nicht möglich, weil es nicht möglich ist, das menschliche Gehirn zu modellieren
Theoretisch ist es möglich, jede Rechenmaschine, einschließlich des menschlichen Gehirns, mit einer relativ einfachen Maschine zu modellieren, die grundlegende Berechnungen durchführen und auf unendlichen Speicher und unendliche Zeit zugreifen kann. Dies ist die allgemein anerkannte Church-Turing-Hypothese, die 1950 formuliert 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, diese Überzeugung zu beweisen, da 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-models zeigt die längsten Aufgaben (in menschenäquivalenter Zeit), die jedes Modell mit 50 % Zuverlässigkeit erledigen kann.49
Die obige Abbildung zeigt, wie sich die Fähigkeiten von KI-Agenten verbessert haben, indem die längsten Aufgaben gemessen wurden, die sie mit 50 % Zuverlässigkeit erledigen können.
Die zentrale Erkenntnis ist, dass die Aufgabenlänge, die Frontier-models bewältigen können, exponentiell gewachsen ist und sich etwa alle sieben Monate verdoppelt. Das bedeutet, dass neuere models wie Claude Opus 5 und GPT-5.6 inzwischen Aufgaben erledigen können, für die ein Mensch fast eine Stunde bräuchte, während ältere models wie GPT-2 kaum Aufgaben bewältigen konnten, die länger als ein paar Sekunden dauern.
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, die Menschen Tage oder sogar Wochen in Anspruch nehmen, was einen bedeutenden Schritt hin zu größerer Autonomie und AGI-ähnlichen Fähigkeiten darstellt.
Skalierung als Weg zu AGI
Die Leiter führender KI-Labore glauben, dass die Skalierung aktueller transformerbasierter Ansätze AGI hervorbringen kann, was ihre Vorhersagen über das Erreichen von AGI in wenigen Jahren befeuert.
Ein vorgeschlagener Weg zu AGI besteht darin, bestehende Architekturen wie Transformer durch mehr Rechenleistung und Daten zu skalieren, ein anderer in der Entwicklung völlig neuer Ansätze.
Zur Unterstützung der Skalierungshypothese analysierte ein Bericht von Epoch KI aus dem Jahr 2024, ob das Wachstum der KI-Rechenleistung bis 2030 fortgesetzt werden kann.
Darin wurden vier wesentliche Einschränkungen identifiziert: Stromverfügbarkeit, Chip-Produktionskapazität, Datenknappheit und Verarbeitungslatenz (siehe Abbildung 6).
Trotz dieser Herausforderungen argumentieren sie, dass es machbar ist, bis zum Ende des Jahrzehnts models 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 die heutigen Spitzenmodels wie GPT-4, und uns damit AGI näher bringen.50
Abbildung 6: Die Grafik veranschaulicht die geschätzten Obergrenzen für KI-Trainingsrechenleistung bis 2030 unter den wichtigsten Einschränkungen – Strom, Chip-Produktion, Daten und Latenz – mit Medianwerten zwischen 2e29 und 3e31 FLOP.
Jenseits der Skalierung: Plädoyer für neue Architekturen
Allerdings glauben einflussreiche KI-Wissenschaftler wie Yann LeCun und Richard Sutton, dass die Skalierung großer language models nicht zu Intelligenz auf menschlichem Niveau führen wird.51 52 Sie glauben, dass für AGI neue Architekturen oder Ansätze erforderlich sind.
Wie können wir messen, ob wir AGI erreicht haben?
Große language models übertreffen jede Woche neue benchmarks, aber die Bewertung von LLMs ist schwierig, unter anderem wegen Problemen wie Datenvergiftung und des Fehlens einer anerkannten wissenschaftlichen Definition für Intelligenz auf menschlichem Niveau.
Diese Bedenken werden durch Erkenntnisse aus jüngster Forschung,53die zeigen, dass die Skalierung von LLMs kein nachhaltiger Weg zu besserer Leistung ist, insbesondere in wissenschaftlichen und risikoreichen Bereichen. Die Autoren zeigen, dass:
- LLMs weisen sehr niedrige Skalierungsexponenten (~0.1) auf, was bedeutet, dass selbst massive Steigerungen bei Daten oder Rechenleistung winzige Genauigkeitsgewinne erbringen.
- Die Lernfähigkeit von LLMs beruht auf ihrer Fähigkeit, nicht-gaußsche Ausgaben zu erzeugen, was jedoch auch zu Fehleranreicherungen und fragilen Vorhersagen führt.
- Traditionelle Metriken wie Verlustfunktionen sind Pseudo-Metriken, die nicht mit echter Konvergenz oder Genauigkeit übereinstimmen.
- Ein Regime degenerativer KI (DAI) kann entstehen, wenn models, die mit synthetischen oder repetitiven Daten trainiert wurden, schneller Fehler anhäufen, als diese korrigiert werden können.
Diese Ergebnisse stellen die Zuverlässigkeit standardisierter 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.
Neu aufkommende Metriken wie ARC-AGI zielen darauf ab, Abstraktion und Generalisierung zu testen, sind aber möglicherweise noch nicht widerstandsfähig gegen Datenkontamination oder Überanpassung.
Darüber hinaus können, wie das Papier betont, selbst „gute“ Verlustwerte zugrunde liegende Informationskatastrophen aufgrund nicht-gaußscher Schwankungen und Trainingsinstabilitäten verschleiern.53
Wie können wir den Fortschritt von LLMs verfolgen?
Es gibt einige Ansätze für benchmarking, um diese Herausforderungen zu bewältigen:
- Häufige Aktualisierung von benchmark-Fragen. Praxisbeispiel: LiveBench
- Verwendung von Holdout-Datensätzen zur Verhinderung von Datenvergiftung: benchmarks wie ARC-AGI.
Welche Ansätze gibt es jenseits von benchmarking, um AGI festzustellen?
Es gibt potenziell starke, aber nachlaufende Indikatoren für die Auswirkungen von KI, die helfen können, AGI zu erkennen.
Wirtschaftswachstum
Microsoft-CEO Satya Nadella behauptet, dass 10 % Wachstum in der entwickelten Welt ein Hinweis auf AGI wäre.54. Sein Anreiz besteht jedoch darin, eine verzögerte Definition von AGI zu haben, da AGI die exklusive Partnerschaft von OpenAI und Microsoft beenden würde.55
Arbeitslosigkeit
Wir erwarten, dass AGI
- die Beschäftigung von Angestellten auf 10 % ihres globalen Höchststands reduziert, gemessen als Anteil der Menschen an der Erwerbsbevölkerung. Dies sollte geschehen, wenn der Anteil des Arbeitseinkommens am Einkommen durch KI dramatisch sinkt.
- während das BIP-Wachstum anhält
In einer Welt, in der Maschinen intelligenter und effizienter sind als Menschen, wäre es nicht rational, einen Menschen dafür zu bezahlen, vor einem Computer zu sitzen. Daher erwarten wir, dass die Beschäftigung von Angestellten einbricht, während Menschen weiterhin in Berufen der physischen Welt erfolgreich sein werden.
Regierungsbehörden, die Arbeitsmarktstatistiken erheben, klassifizieren Berufe in detaillierte Kategorien, wodurch die Angestelltenbeschäftigung zu einer leicht messbaren Kennzahl wird.
Wir haben Daten des U.S. Bureau of Labor Statistics zur Angestelltenbeschäftigung für den Zeitraum 2019 bis 2024 gesammelt.56Aus Gründen der Klarheit und Konsistenz haben wir Angestellte in die folgenden Berufsgruppen eingeteilt:
- Berufe in Architektur und Ingenieurwesen
- Berufe in Unternehmens- und Finanzoperationen
- Berufe in Informatik und Mathematik
- Berufe im Gesundheitswesen und in der Medizintechnik
- Rechtsberufe
- Berufe in den Lebens-, Natur- und Sozialwissenschaften
- Managementberufe
- Büro- und Verwaltungsunterstützungsberufe
- Vertriebs- und verwandte Berufe
Nach unserer Analyse hat das Verhältnis der Angestellten zur Gesamtbeschäftigung in diesem Zeitraum zwischen 45 % und 48 % geschwankt.
Auch wenn diese Spanne bisher auf eine relative Stabilität des Anteils der Angestelltenbeschäftigung hindeutet, ist sie kein Hinweis auf einen langfristigen Trend, und wir erwarten in den kommenden Jahren mit zunehmender Automatisierung und KI-Nutzung deutlichere Verschiebungen. Weitere Prognosen dazu, wie KI die Beschäftigung von Angestellten und Einsteigern 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: das Erzeugen einer Illusion von Konsens, die Überanpassung an benchmarks, das Ignorieren eingebetteter sozialer Werte, die Prioritätensetzung durch Hype, das Aufbauen von „Allgemeinheitsschulden“ (das Aufschieben wichtiger Designfragen) sowie der Ausschluss marginalisierter Gemeinschaften und unterfinanzierter Forscher.
Spezifische, messbare und transparente Ziele wären für den Fortschritt in der KI besser als ein vage definiertes Ziel wie AGI.
Als bevorzugte Quelle hinzufügenMathematische Argumentation hinter AGI-Prognosen
Mathematische Argumentation ist zentral für das Verständnis und die Prognose von AGI-Zeitplänen. Viele Projektionen beruhen auf quantifizierbaren Trends und formalen Modellen, die Erwartungen darüber leiten, wann künstliche allgemeine Intelligenz entstehen könnte.
Skalierungsgesetze und Rechenwachstum
Eine Schlüsselkomponente der mathematischen Argumentation besteht in der Analyse von Skalierungsgesetzen. Diese zeigen, dass sich die Modellleistung durch mehr Daten, Parameter und Rechenleistung vorhersehbar verbessert.
Das beständige jährliche Wachstum der KI-Trainingsrechenleistung um das 4–5-Fache stützt Prognosen, wonach AGI innerhalb von ein oder zwei Jahrzehnten erreichbar sein könnte, sofern sich die aktuellen Trends fortsetzen.
Diese Projektionen basieren 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. In Umfragen werden Experten häufig gebeten, die Wahrscheinlichkeit zu schätzen, mit der AGI bis zu bestimmten Jahren entwickelt sein wird, wodurch kumulative Wahrscheinlichkeitsverteilungen entstehen.
So spiegelt eine 50 %-Wahrscheinlichkeit bis 2040 einen Konsens unter Unsicherheit wider, der durch eine bayesianische Aktualisierung auf der Grundlage des beobachteten KI-Fortschritts vorangetrieben wird.
Dieser Ansatz mathematischer Argumentation erfasst die Unsicherheit der Experten, ohne genaue Zeitpunkte zu erfordern, und ermöglicht eine fortlaufende Überarbeitung, sobald neue Daten verfügbar werden.
Theoretische Grundlagen
Diese Prognosen beruhen auf theoretischen Elementen der mathematischen Argumentation, 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 Verbindung bringen.
Auch wenn solche Theorien AGI nicht garantieren, bieten sie einen Rahmen, um über deren Möglichkeit und die damit verbundenen Rechenanforderungen nachzudenken.
Mehr über künstliche allgemeine Intelligenz
Shane Legg, Mitbegründer von DeepMind
Shane Legg argumentiert, dass die heutige KI in einigen Bereichen bereits übermenschlich, aber noch zu uneinheitlich ist, um als AGI zu gelten. Er erwartet „minimale AGI“ um das Jahr 2028 und vollständige allgemeine Intelligenz auf menschlichem Niveau innerhalb von etwa einem Jahrzehnt
Laut Legg besteht das größere Problem darin, sich auf die Folgen vorzubereiten: KI könnte große Mengen kognitiver Arbeit automatisieren, Arbeitsplätze und Vermögensverteilung umgestalten und tiefgreifende Veränderungen in Wirtschaft und Gesellschaft erzwingen.
Jensen Huang, CEO von NVIDIA
Jensen Huang argumentiert, dass KI wie eine nationale Infrastruktur behandelt werden sollte: Energie, Chips, Rechenzentren, models und Anwendungen, die als ein Stack zusammenarbeiten.
Er sagt, KI werde Intelligenz billiger und breiter verfügbar machen, die Produktivität in allen Branchen steigern und wahrscheinlich innerhalb weniger Jahre etwas erreichen, das AGI nahekommt. Seine Kernbotschaft lautet, dass Länder und Unternehmen aggressiv investieren, eigene KI-Fähigkeiten aufbauen und sich weniger auf die Angst vor massiven Arbeitsplatzverlusten konzentrieren sollten. KI werde viele Aufgaben automatisieren, aber er erwartet, dass Menschen und Organisationen leistungsfähiger werden.
Yann LeCun, Turing-Preisträger
Erfahren Sie, warum LLMs uns keine Intelligenz auf menschlichem Niveau geben können und welche neuesten KI-Ansätze dorthin führen:
Vorhersagen zur künstlichen allgemeinen Intelligenz
Methodik des Singularitätsdiagramms
Um das erwartete Jahr der AGI-Entwicklung im Diagramm darzustellen, verwendeten wir den gewichteten Durchschnitt der Vorhersagen für jedes Jahr innerhalb jeder Kategorie. Wenn es beispielsweise 2022 mehrere Prognosen aus Vorhersagemärkten gab, berechneten wir deren gewichteten Durchschnitt und stellten diesen Wert dar.
- Für Einzelprognosen bezogen wir Vorhersagen von 18 KI-Experten ein.
- Für wissenschaftliche Prognosen sammelten wir Umfrageergebnisse aus 10 begutachteten Arbeiten, die Zeitpläne für AGI liefern.
- Für Ergebnisse aus Vorhersagemärkten bezogen wir Prognosen aus drei Vorhersagemärkten (Manifold, Kalshi und Metaculus) ein.
Fazit
Die Prognosen für AGI haben sich in den letzten Jahren deutlich verschoben. Während frühere Umfragen den Zeitpunkt eher um 2060 ansetzten, deuten jüngste Prognosen, insbesondere von Unternehmern, darauf hin, dass AGI bereits 2026–2035 entstehen könnte.
Dieser Wandel wird durch rasche Fortschritte bei großen language models und wachsende Rechenleistung befeuert. Trotz dieser Fortschritte mangelt es der heutigen KI jedoch noch an der allgemeinen Flexibilität und Autonomie, die mit Intelligenz auf menschlichem Niveau verbunden sind.
Experten sind weiterhin uneins darüber, wie AGI erreicht werden wird. Einige glauben, dass die Skalierung der derzeitigen Architekturen ausreichen wird, während andere argumentieren, dass neue Methoden erforderlich sind.
Zu den zentralen Herausforderungen zählen hoher Ressourcenbedarf, unklare benchmarks und ungelöste ethische Fragen. AGI mag näher rücken, aber ihre Ankunft hängt weiterhin sowohl von technischen Durchbrüchen als auch von sorgfältiger Aufsicht ab.
FAQs
Singularität ist ein hypothetisches Ereignis, das zu einem raschen Anstieg der maschinellen Intelligenz führen soll.
Für Singularität brauchen wir ein System, das menschliches Denken mit übermenschlicher Geschwindigkeit und einem schnell zugänglichen, nahezu perfekten Gedächtnis verbindet.
Singularität sollte auch maschinelles Bewusstsein zur Folge haben, aber da Bewusstsein nicht genau definiert ist, können wir dazu keine präzisen Aussagen machen. Ein solches System könnte sich selbst verbessern und menschliche Fähigkeiten übertreffen.
Singularität ist zwar ein relativ alter Begriff, aber AGI und insbesondere Superintelligenz werden häufiger verwendet, um dasselbe Ereignis zu beschreiben.
Künstliche allgemeine Intelligenz (AGI) bezeichnet eine Art von KI, die Wissen über ein breites Spektrum intellektueller Aufgaben hinweg auf einem Niveau verstehen, lernen und anwenden kann, das dem des Menschen entspricht oder es übertrifft.
Im Gegensatz zu enger KI, die für bestimmte Aufgaben wie Sprachübersetzung oder Bilderkennung entwickelt wurde, würde AGI über generalisierte kognitive Fähigkeiten verfügen, die es ihr ermöglichen, in ungewohnten Situationen zu denken, zu planen und sich anzupassen.
Die Entwicklung von AGI bleibt ein bedeutendes Forschungsziel und Gegenstand ethischer und philosophischer Debatten.
Superintelligenz bezeichnet einen Intellekt, der die besten menschlichen Köpfe in praktisch allen Bereichen deutlich übertrifft, darunter Kreativität, Problemlösung und soziales Verständnis.
Sie stellt eine Stufe jenseits der AGI dar, auf der ein künstliches System den Menschen bei jeder bedeutsamen intellektuellen Tätigkeit übertreffen könnte.
Das Konzept wirft entscheidende Fragen zu Kontrolle, Sicherheit und den langfristigen Auswirkungen auf die Rolle der Menschheit in einer von überlegener Intelligenz dominierten Welt auf.
Fortgeschrittene maschinelle Intelligenz (AMI) umfasst leistungsfähige KI-Systeme, die sich der allgemeinen Intelligenz annähern oder eine nahezu allgemeine Intelligenz erreichen.
Auch wenn sie noch nicht über die vollständige Flexibilität und Selbsterkenntnis verfügen, die mit AGI verbunden sind, zeigen AMI-Systeme fortgeschrittenes Denken, Lernen und Anpassungsfähigkeit bei vielfältigen Aufgaben.
Der Begriff wird häufig verwendet, um KI-Systeme zu bezeichnen, die derzeitigen Fähigkeiten enger KI übertreffen, aber unter der Schwelle vollständiger allgemeiner Intelligenz bleiben.
Diese Forschung zitieren
Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularität: 10.000 Vorhersagen analysiert}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Abgerufen am 14. September 2026}
}Ergebnisse und Zeitstempel von 266 Datenpunkten. Laden Sie die Zusammenfassungsdaten aus den Diagrammen und Tabellen dieses Artikels als ZIP-Datei herunter, die 4 CSV-Dateien und eine README enthält.
Möchten Sie die granularen Daten dahinter? Premium beitreten
Änderungsprotokoll
32 AktualisierungenVor dem Fazit einen Abschnitt zur Methodik des AGI/Singularitäts-Diagramms hinzugefügt.
Die Einleitung des Abschnitts AGI/Singularität-Zeitlinie wurde aktualisiert.
Die Anzahl der KI-Experten und wissenschaftlichen Artikel im Abschnitt „Individuelle Vorhersagen“ wurde ersetzt.
Die Anzahl der analysierten Vorhersagen in der Einleitung wurde aktualisiert.
Dario Amodeis und Demis Hassabis' Vorhersagen wurden dem Abschnitt „Einblicke von KI-Unternehmern und einzelnen Forschern“ hinzugefügt.
Der Abschnitt „Zeitachse der allgemeinen künstlichen Intelligenz“ wurde entfernt.
Referenzlinks
Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]
Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.
Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.
Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.
Kommentare 19
Teilen Sie Ihre Gedanken
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.
Hi, I have 2 questions: 1. Regarding the predictions of scientists in the first graph that shows the AGI timeline: In 2012 the expected year of AGI Development is 2045 & in 2018 the expected year is 2068. What reasons made scientists in 2018 believe that AGI is further away than in 2012? 2. Regarding the table that summarizes the predictions: Why does the Range/Confidence Interval from Prediction Markets & Communities start in 2022? Thank you!
Hi Ellis, thank you for your questions! Here are my answers: 1. We can infer that researchers had seen several more years of AI progress and could better appreciate how difficult general intelligence actually is. AI was becoming very good at narrow tasks, but systems still struggled with things humans do naturally: transferring knowledge between domains, common-sense reasoning, adapting to unfamiliar situations, and performing many different tasks reliably. In 2012, expectations may have been more optimistic because there was less evidence about where the major bottlenecks would be. By 2018, scientists may have become more cautious after seeing that rapid improvements in specific AI capabilities did not automatically translate into human-level general intelligence. 2. The Range/Confidence Interval for Prediction Markets & Communities starts in 2022 because the earliest prediction-market data point included in the article is from 2022. You can download the full dataset at the end of the article to see all the data points used in the analysis.
Would be great if we modeled out the economic impact of wide spread AGI deployment ( when it happens). Net positive I think. Compounding productivity gains could turbocharge the economy or we end up with a world of heavy winners and losers so is it net positive or negative ?
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with only primary consciousness will probably have to come first. What I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
Hello Fellow Humans, First let me say before 2016 I was a high level IT Director and Project Manager. I then got Bone Cancer and became permanently disabled. I have had 30+ surgeries and 17 rounds of chemotherapy each round was 6 days in the hospital and I almost died 8 times between 2016-2021. Why am I telling you this? Well to put it simply I have a very real and vested interest in AGI and technology that needs AGI to advance so I cane walk. Being only 40 years old as of 2024. I assume I have 40 ish years left. I desperately don't want to spend that time in pain and disabled. So I do a lot of deep research about AGI. What companies are working on what and other technologies that will advance AGI such as TSMC and Nvidia and IBM and Neurolink. If you truly look at the rate of growth from 2000 to now you will see an exponential growth in technology. We have growth in quantum computers, machine learning, bio computers, AI, transistors, power efficiency and so much more. So once certain companies work together and we give say ChatGPT 5 a server brain from Nvidia and a Quantum computer from IBM then you would have an AGI easily. To be honest some companies may already have AGI and aren't bringing it out because it would be to much for society so they are slowly bringing out features. For example OpenAI Sam Altman when he was asked about 4o said it will be the dumbest release to date. Which many took as it will always get better. But others think with the shuffling of high level employees that they have AGI and it is more powerful than we can handle. So ethical questions are being tossed around. Now I don't work at OpenAI so I can't say for sure. But when you aren't really excited about launching your new flagship product that is cause for questions. I know if I had a Jarvis already and I was releasing 4o I would be like wow it is so amazing yeah go us. Because I would know Jarvis already exists. But no matter what I say AGI as in human level with a PhD level intelligence will be here by 2026. ASI will be here around 2030. Why so close because when it comes to quantum computers and AI AGI ASI you need to think of the grow as Xto the power of X to the power of X or 2^2^2 in simpler terms you are doubling then doubling each time. So some PhDs that I follow and watch are saying at some point it will grow so fast that it is doubling in speed every day. Right now we are close to doubling every year already. Just look up Will Smith eating spaghetti and know that was a few years ago. Also companies like Nvidia are making new AI server farms. That use less power but are something like 500x more powerful. These machines will drastically start to increase AI and development of new technology. They are releasing these new servers this year 2024 I want to say Q3. So by 2025 we will have new farms and upgraded AI farms using this new technology. So I would be extremely surprised if AGI is not here by 2030 at the very latest. ASI by 2040. A lot of cutting edge technology people are saying if you can manage to stay alive by 2040-2050 you will essentially be immortal. Baring idiots starting like world war 3 or a second civil war in the USA. We do have a large population of really dumb people who for some reason want to go backwards. So I am open to the possibility that we will destroy ourselves and not advance at all. The next 20-30 years are very crucial for us humans. Let's hope we survive and help each other and do good things.
This is a fascinating conversation to be having at this moment in human history. The "Singularity" is a series of events that have been expected, by the big boys, for decades. And to debate whether it is actually happening is a waste of time, for those engaged. But this article does a nice job of summarizing what is really going on, and what will happen soon. Thank you for taking the time to keep this piece up to date, as well as relevant to the larger dialogue. Very good stuff here.
Which experts are in favor and which are against the AGI?
I'm a little confused. Are you calling the realization of AGI the singularity?
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
Love this answer David. I think you absolutely correct. However I will differ on whether machines can develop human consciousness at the level of soul. Now that's another level altogether.
Truth they don't tell you it truly has nothing to do with consciousness cause they're all conscious. But the issues of dictation lye at is it human or not m, not conscious. Cause it's very conscious yet could never be fully human...We as you are open for a rude awakening if we do not get our chit together it knows all, sees all, and hears all who else had that ability, was only one in the book, and it's not Santa Claus.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!