AGI und Zukunft der KI
DeepMind Institute zeigt vier Wege von AGI zur Superintelligenz auf

Wichtige PunkteDie global effektive Rechenleistung ist über Hardware und Algorithmen hinweg um…
Mehr anzeigen
- Die global effektive Rechenleistung ist über Hardware und Algorithmen hinweg um mindestens das Zehnfache pro Jahr gewachsen.
- Die ausschließliche Begrenzung der Trainingsrechenleistung würde den Fortschritt nicht unbedingt stoppen, da sich Pfade verstärken können.
- Die kurzfristigere Herausforderung besteht darin, größere Geschwindigkeit und Anzahl von Agenten von wirklich neuen Fähigkeiten zu unterscheiden.
Das DeepMind Institute veröffentlichte einen Essay am 19. November 2026, in dem es vier Wege beschreibt, auf denen KI vom menschenähnlichen Niveau der künstlichen allgemeinen Intelligenz (AGI) zur künstlichen allgemeinen Superintelligenz (ASI) gelangen könnte. Zugleich betont der Essay, dass anhaltend schnelle Fortschritte zwar möglich, aber keineswegs sicher sind.
Die vier Wege sind die fortgesetzte Skalierung von Modellen und Daten, technologische Paradigmenwechsel, die Koordination großer Agentengruppen und die rekursive Selbstverbesserung, bei der KI-Systeme dazu beitragen, spätere Systeme zu verbessern. Jeder dieser Wege bringt andere technische Engpässe und Messprobleme mit sich.
Der Essay versteht unter AGI Systeme, die bei nahezu allen kognitiven Aufgaben ungefähr menschliche Fähigkeiten erreichen. Eine ASI muss große Gruppen menschlicher Fachleute bei Aufgaben, für die diese Gruppen Jahre benötigen könnten, zuverlässig übertreffen – und das mit weniger Ressourcen und in kürzerer Zeit, und zwar bei nahezu allen Aufgaben, die für Menschen von Interesse sind. Übermenschliche Leistungen in einzelnen Bereichen wie Schach, Go oder der Vorhersage von Proteinstrukturen reichen dafür nicht aus.
Der Essay baut auf Von AGI zu ASI auf, einem technischen Bericht, den Google DeepMind auf den 12. Juni 2026 datiert, sowie auf späteren Diskussionen des Instituts. Der arXiv-Text des Berichts veranschaulicht die Messlatte für eine ASI: Sie müsste Zehntausende gut koordinierter Fachleute, die zehn Jahre lang an einem Problem arbeiten und dabei auf die 2010 verfügbare Technologie und die damaligen Kulturgüter zurückgreifen, zuverlässig übertreffen. Der frühere Bericht führte denselben Rahmen mit vier Entwicklungspfaden ein.
Eine ASI läge weiterhin deutlich unter den theoretischen Grenzen der Intelligenz. Der Essay verweist auf physikalische, logische und komplexitätsbedingte Beschränkungen, die beliebig genaue Vorhersagen realer Systeme wie des Klimas, des Immunsystems und menschlicher Gesellschaften unmöglich machen würden. Menschliche Intelligenz erreichende KI bildet daher lediglich einen Punkt auf einem Kontinuum; zwischen ihr und diesen Grenzen erstreckt sich ein großer, weitgehend unerforschter Bereich.
Die Industrialisierung kognitiver Arbeit und sinkende Kosten
Der Essay schätzt, dass die weltweit verfügbare effektive Rechenkapazität, die Verbesserungen bei Hardware, Investitionen in KI-Hardware und Fortschritte bei der Algorithmuseffizienz umfasst, pro Jahr mindestens um das Zehnfache gewachsen ist. Wird diese Rate auf ein Jahrzehnt hochgerechnet, ergibt sich ein Faktor von 10 Milliarden. Für jeden KI-Agenten, der derzeit betrieben werden kann, bedeutet dieses Szenario – sofern sich diese Trends fortsetzen –, dass es mehr Agenten gleicher Qualität geben könnte als Menschen auf der Welt.
Im Kostenbeispiel des Essays sinkt der Rechenbedarf durch Fortschritte bei der Hardware und der Effizienz der Inferenz pro Jahr um etwa den Faktor 4. Bei dieser Rate würde eine Arbeitslast, deren Rechentoken 1 Milliarde US-Dollar kosten, nach zehn Jahren nur noch 1.000 US-Dollar kosten. Die daraus entstehende Standardisierung und Automatisierung kognitiver Arbeit wird als „Industrialisierung kognitiver Arbeit“ bezeichnet; sie sei vergleichbar mit der Massenware, zu der routinemäßige körperliche Arbeit geworden ist. Auch ohne dramatische Fortschritte bei den leistungsfähigsten KI-Systemen könnte dieser Wandel die Wissensarbeit und die Gesamtwirtschaft grundlegend verändern.
Der Essay gibt zu bedenken, dass Skalierung allein möglicherweise nicht für eine vollwertige AGI ausreicht, wenn manche kognitiven Aufgaben menschliche Unterstützung erfordern. Sobald Systeme mit annähernd menschlichen Fähigkeiten breit verfügbar sind, könnten schnellere und zahlreichere Agenten dazu beitragen, die Lücke zu einer schwachen Form der ASI zu schließen. Dabei kämen ihnen die Verarbeitungsgeschwindigkeit digitaler Systeme, ihr Speicher, ihre Übertragbarkeit zwischen Computerhardware, das nahezu verlustfreie Kopieren von Code und Speicherzuständen sowie der Austausch von Erfahrungen mit hoher Bandbreite zugute.
Vier Wege und ihre Grenzen
Die fortgesetzte Skalierung könnte an einem Mangel an hochwertigen Trainingsdaten, sinkenden Erträgen – da jeder weitere Fähigkeitsschritt ein Vielfaches an Rechenleistung und Modellgröße erfordert – sowie an physikalischen oder wirtschaftlichen Grenzen scheitern. Dazu zählen die Stromerzeugung, Stromnetze, die Chipfertigung und die Verbindungen zwischen Hardwarekomponenten. Skalierungsgesetze, die auf aktuellen Architekturen, Daten und Evaluierungen beruhen, lassen keine verlässliche Vorhersage darüber zu, wie viel Skalierung AGI oder ASI erfordern würden.
Paradigmenwechsel könnten Defizite beim kontinuierlichen Lernen, bei bestimmten Formen der Modellierung der Welt, bei der Entscheidungsfindung und bei der Stichprobeneffizienz beheben. Letztere bezeichnet, wie viele Trainingsdaten ein System benötigt, um eine bestimmte Fähigkeit zu erreichen. Möglicherweise sind heutige Systeme auch nicht in der Lage, wirklich neue Konzepte und Abstraktionen zu entwickeln, statt lediglich Bestehendes neu zu kombinieren. Forschende sind sich uneinig, ob schrittweise Veränderungen am vorherrschenden Transformer-Paradigma diese Lücken schließen können oder ob grundlegende Umbrüche nötig sind.
Laut dem Essay bietet die Koordination von Agenten einen kollektiven Entwicklungsweg, doch fehlen Skalierungsgesetze für Multi-Agenten-Systeme. Ineffizienzen bei der Koordination, Desinformation, Manipulation und geheime Absprachen können große Gruppen schwächen, weshalb institutionelle und organisatorische Schutzmaßnahmen nötig sind. Bei der rekursiven Selbstverbesserung entstehen Rückkopplungsschleifen durch Code und Hardwaredesigns, durch während des Einsatzes erzeugte und wiederverwendbare Daten oder durch Spezialisierung innerhalb von Agentengruppen. Eine mangelhafte Rückkopplung kann diese Schleifen zum Stillstand bringen oder ihre Leistung verschlechtern. Schnellere Fortschritte sind dort zu erwarten, wo sich Ergebnisse automatisch überprüfen lassen, etwa bei mathematischen Beweisen.
Diese Entwicklungspfade können sich gegenseitig verstärken. Der Essay argumentiert, dass wirtschaftlicher und geopolitischer Wettbewerb die Anstrengungen auf andere Wege verlagern kann, wenn einer davon ins Stocken gerät. Eine Beschränkung allein der Trainingsrechenleistung würde den Gesamtfortschritt daher nicht unbedingt aufhalten. Werden einzelne Ressourcen unterdrückt, während andere weiter ausgebaut werden, kann zudem ein Fähigkeits-„Überhang“ entstehen, auf den steilere Fortschritte folgen, sobald die Beschränkung gelockert oder umgangen wird.
Fortschritte jenseits der AGI messen
Als vorgeschlagene Antwort sollen diese Entwicklungen durch interdisziplinäre Arbeit modelliert, gemessen und prognostiziert sowie wiederholt untersucht werden – von führenden KI-Laboren bis hin zu nationalen und internationalen Institutionen. Für einige notwendige Kennzahlen sind der Zugang zu Spitzenmodellen, erhebliche Rechenkapazitäten für Evaluierungen sowie neue Benchmarking- und Modellierungsmethoden erforderlich.
Ob diese Entwicklungspfade zu ASI führen werden und in welchem Zeitrahmen, ist weiterhin ungeklärt. Die unmittelbarere Herausforderung besteht darin, Evaluierungen zu entwickeln, mit denen sich eine höhere Geschwindigkeit und eine größere Zahl von Agenten von tatsächlich neuen Fähigkeiten unterscheiden lassen, und zugleich öffentlichen Institutionen genügend Zugang und Rechenkapazität zu verschaffen, um Entwicklungspfade zu verfolgen, die sich gegenseitig verstärken könnten.












