Teil 1 — Verständliche Einführung (ca. 20 Minuten)
Unter "Artificial General Intelligence" (AGI) versteht die Fachgemeinde im allgemeinen eine Form künstlicher Intelligenz, die fähig ist, Aufgaben über eine breite Palette von Domänen und Problemen hinweg zu lösen, und zwar mit einer Anpassungs- und Transferfähigkeit, die mit menschlicher kognitiver Allgemeinheit vergleichbar ist. Diese Definition wird in Übersichten und Einführungen zusammengefasst und diskutiert: sie betont die Fähigkeit zur allgemeinen Problemlösung statt eine Fokussierung auf jeweils enge, eng definierte Aufgaben [1][2].
Eine einfache Analogie: Viele heutige KI-Systeme sind spezialisierte Werkzeuge — sagen wir eine elektrische Stichsäge, ein Schraubendreher oder ein Taschenrechner — die eine oder wenige Aufgaben sehr gut lösen. AGI würde eher einem universellen Handwerkskoffer gleichen, der nicht nur viele Werkzeuge enthält, sondern auch selbständig erkennt, welches Werkzeug wann sinnvoll ist, diese Werkzeuge kombiniert und neue Werkzeuge improvisiert, wenn nötig. Diese Analogie hebt hervor, dass nicht nur die Leistung in einzelnen Aufgaben entscheidend ist, sondern die Fähigkeit, Erfahrungen zwischen unterschiedlichen Aufgaben zu verallgemeinern.
Wichtige Aspekte, die in populären Definitionen auftauchen, sind Leistungs- und Adaptionsfähigkeit über viele Aufgaben, Autonomie beim Setzen und Verfolgen komplexer Ziele sowie die Fähigkeit, neues Wissen zu erwerben und in neuen Kontexten anzuwenden. Institutionelle Positionen und Richtlinien, die mit dem Begriff AGI arbeiten, betonen zusätzlich Fragen von Sicherheit, Governance und gesellschaftlicher Verantwortung [3].
Kurz zusammengefasst: AGI ist nicht nur eine besonders leistungsfähige Narrow-AI, sondern ein System mit grundsätzlicher Allgemeinheit in Fähigkeiten und Lernfähigkeit — eine Eigenschaft, die in aktuellen Forschungssystemen zwar teilweise angestrebt, aber noch nicht vollständig realisiert ist [1][2][3].
Teil 2 — Vertiefung: Fachbegriffe und fehlende Voraussetzungen (ca. 20 Minuten)
Um zu klären, worin sich heutige KI (vor allem große vortrainierte Modelle) und AGI unterscheiden, führen wir zentrale Fachbegriffe ein und ordnen sie ein.
Generalisation und Transfer: Generalisation bezeichnet die Fähigkeit eines Systems, Gelerntes auf neue, ähnliche Fälle anzuwenden. Transferlernen erweitert dies auf das Übertragen von Wissen zwischen deutlich unterschiedlichen Aufgaben. Während aktuelle Systeme in engen Bereichen oft starke Generalisation zeigen, besteht eine Lücke beim zuverlässigen Transfer über sehr unterschiedliche Domänen hinweg — etwa von Sprachverarbeitung zu physischer Interaktion — ohne umfangreiche zusätzliche Anpassung [4][5].
Weltmodell und Grounding: Ein robustes "Weltmodell" ist eine interne, nutzbare Repräsentation von kausalen Zusammenhängen und physikalischen Gesetzmäßigkeiten in der Umwelt. Aktuelle große Sprach- und Multimodalmodelle lernen Muster aus Daten, besitzen aber nur begrenzte, zuverlässige kausale Modelle der Welt; dies führt zu Fehlern beim Schlussfolgern über physikalische Konsequenzen und zu sogenannten "Halluzinationen" (falsche oder erfundene Aussagen) [4][6].
Kontinuität, lebenslanges Lernen und Stichprobeneffizienz: Menschen lernen kontinuierlich und adaptiv mit relativ wenigen Beispielen. Viele heutige Modelle sind datenintensiv, benötigen große Vortrainedatenmengen und sind nicht gleichermaßen effizient beim lebenslangen, nicht-destruktiven Lernen ohne Vergessen. Fortschritte bei kontinuierlichem Lernen und Stichprobeneffizienz gelten als Schlüsselforderung auf dem Weg zu AGI [4][7].
Multimodalität und Embodiment: AGI wird oft mit multimodalen Fähigkeiten (Sprache, visuelle Wahrnehmung, taktile Rückmeldungen) und mit einer Form von "Embodiment" (Interaktion mit einer Umgebung) in Verbindung gebracht. Forschungsarbeiten zu generalistischen Agenten zeigen erste Schritte in Richtung multimodaler Steuerung, bleiben aber weit davon entfernt, robust in realen, offenen Umgebungen zu agieren [9].
Planung, Langfristigkeit und Autonomie: Für komplexe, mehrstufige Aufgaben sind vorausschauende Planung, Handling von langzeitigen Zielkonflikten und zuverlässige Ausführung über Zeit notwendig. Diese Fähigkeiten sind bei aktuellen Modellen in beschränktem Maße vorhanden, aber noch nicht auf dem Niveau einer allgemeinen, selbstständigen Zielverfolgung [4][6].
Sicherheit und Alignment: Selbst wenn technische Voraussetzungen erreicht würden, bleiben Fragen des "Alignment" (Ausrichtung der Systemziele auf menschliche Werte) zentral. Institutionelle Dokumente und technische Literatur betonen, dass die Realisierung leistungsfähiger, allgemeiner Systeme ohne parallele Fortschritte bei Prüfmechanismen, Governance und Sicherheitsforschung riskant wäre [3][4].
Theoretische Perspektiven: Es existieren unterschiedliche wissenschaftliche Positionen, wie AGI erreicht werden könnte. Einige Arbeiten argumentieren, dass belohnungsbasierte Lernprinzipien in großen, offenen Umgebungen hinreichend sein könnten, um allgemeine Fähigkeiten zu entwickeln; andere sehen zusätzlichen Bedarf an strukturellen Änderungen im Lernparadigma, besseren Weltmodellen oder neuen Architekturen [6][9]. Hier besteht kein Konsens.
Konkrete Lücken, die in der Literatur wiederholt genannt werden, sind: zuverlässige kausale Inferenz, robuste Symbolische/semantische Repräsentationen kombiniert mit statistischem Lernen, dauerhafte und sichere Selbstverbesserung, effizientes lebenslanges Lernen sowie überprüfbare Sicherheitstechniken für autonomes Verhalten [4][6][7][8].
Teil 3 — Anwendungen, Grenzen und Denkaufgaben (ca. 10 Minuten)
Konkrete Anwendungen: Gelingt AGI (oder Systeme mit großer Allgemeinheit), wären mögliche Auswirkungen unter anderem: beschleunigte wissenschaftliche Entdeckungen durch autonome Hypothesenbildung und -prüfung, umfassendere Automatisierung komplexer Entscheidungsprozesse, vielseitige Assistenzsysteme in Medizin oder Ingenieurwesen und flexible Roboter, die verschiedenartige physische Aufgaben übernehmen können. Diese möglichen Anwendungen werden in Strategie- und Forschungsdokumenten als potenziell transformativ beschrieben, wobei jeweils Nutzen- und Risikoeinschätzungen gefordert werden [3][8].
Grenzen und Risiken (sachlich getrennt): Wissenschaftliche Literatur und Policy-Papiere heben technische Grenzen (s. Teil 2) und gesellschaftliche Risiken hervor. Technisch sind die oben genannten Lücken zu schließen; gesellschaftlich sind Fragen der Kontrolle, Verantwortlichkeit, Missbrauchsverhinderung und gerechter Verteilung von Nutzen und Lasten zentral. Die Literatur betont, dass diese Probleme sowohl technischer als auch institutioneller Natur sind und koordinierte Forschung erfordern [3][4][8].
Denkaufgaben zur Festigung:
1) Überlege, welche drei Fähigkeiten ein System haben müsste, damit du ihm verantwortungsvoll die Durchführung einer einfachen wissenschaftlichen Studie anvertrauen würdest. Begründe knapp, welche Prüfungen du zur Verifikation dieser Fähigkeiten verlangen würdest. (Ziel: Unterschiede zwischen korrekter Datenanalyse, Verständnis des Versuchsdesigns und ethischer Verantwortung sichtbar machen.)
2) Nimm ein heutiges großes Sprachmodell als Ausgangspunkt. Welche drei konkreten technischen Entwicklungen erscheinen dir nötig, damit dieses Modell zuverlässig physische Handlungspläne in einer realen Umgebung ausführen kann? (Ziel: Transfer von reiner Sprachverarbeitung zu embodied agent behavior sichtbar machen.)
3) Diskutiere kurz, welche institutionellen Maßnahmen (z. B. Prüfverfahren, Transparenzanforderungen, Zertifizierungen) aus deiner Sicht nötig wären, bevor generalere Systeme in kritischen Infrastrukturen eingesetzt werden dürfen. (Ziel: Schnittstelle Technik—Governance zu beleuchten.)
Bei allen drei Aufgaben ist Transparenz über Unsicherheiten wichtig: Es existieren derzeit keine allgemein akzeptierten Prüfstandards für AGI und Expertenprognosen weichen stark voneinander ab; die Literatur dokumentiert daher große Unsicherheiten bezüglich Zeitpunkt, Eigenschaften und Beherrschbarkeit von AGI [5][8].
Schlussbemerkung
Wissenschaftlicher Konsens besteht nicht darüber, ob und wann vollständige AGI erreicht wird. Die Fachliteratur verzeichnet Fortschritte hin zu breiter anwendbaren, multimodalen und generalisierenderen Systemen, aber sie identifiziert gleichzeitig klare technische Lücken und erhebliche gesellschaftliche Herausforderungen. Für eine verantwortliche Weiterentwicklung empfehlen Expertinnen und Experten koordinierte Forschung in Technik, Sicherheit und Governance sowie eine transparente öffentliche Diskussion [4][5][8].
Unsicherheiten und Datenlücken: Zeitliche Vorhersagen und Detailfragen zur Architekturfähigkeit bleiben spekulativ; existierende Expertensurveys zeigen breite Streuungen in Prognosen, und empirische Tests für "allgemeine Intelligenz" fehlen als international anerkannter Standard [5]. Diese Vorlesung stellt den aktuellen Stand der Diskussion dar, wie er in der zitierten Literatur abgebildet ist.