Newsletter Subscribe
Enter your email address below and subscribe to our newsletter
[forminator_form id="25163"]

institute.deepmind.com.institute.deepmind.com+1.institute.deepmind.com.Am 19. November 2026 veröffentlichte das DeepMind Institute einen Aufsatz, in dem argumentiert wird, dass KI über die menschliche allgemeine Intelligenz (AGI) hinaus zur künstlichen allgemeinen Superintelligenz (ASI) über vier Wege gelangen könnte. Diese werden als Skalierung von Modellen und Daten, technologische Paradigmenwechsel, bessere Koordination zwischen Agenten und rekursive Selbstverbesserung benannt. Der Aufsatz "What comes after AGI?" wurde von dem Google DeepMind-Forschungswissenschaftler Tim Genewein verfasst. Er besagt, dass rasante Fortschritte im nächsten Jahrzehnt "eine ernsthafte Möglichkeit", aber nicht sicher seien, und fordert Forscher und politische Entscheidungsträger auf, diese Entwicklung jetzt zu verfolgen.institute.deepmind.com
Der Aufsatz definiert ASI als ein System, das "große Gruppen menschlicher Experten bei Aufgaben, für deren Erledigung sie Jahre benötigen könnten, konsequent übertrifft, wobei weniger Ressourcen und weniger Zeit verbraucht werden", und zwar bei nahezu allen Aufgaben von menschlichem Interesse. Eingeschränkte übermenschliche Fähigkeiten, wie etwa beim Schach, Go oder der Vorhersage von Proteinstrukturen, erfüllen diesen Standard nicht.institute.deepmind.com
Der Aufsatz schätzt, dass die globale "effektive Rechenleistung" jährlich mindestens um das Zehnfache gewachsen ist. Diese Zahl kombiniert drei Trends: Die Rechenleistung pro Dollar steigt um etwa das 1,5-Fache pro Jahr, die Effizienz des algorithmischen Trainings verbessert sich um das 3- bis 6-Fache pro Jahr und die Ausgaben für KI-Hardware wachsen um etwa das 2,5-Fache pro Jahr. Wenn dieser Trend ein Jahrzehnt anhielte, würde eine kognitive Arbeitslast, die heute 1 Milliarde Dollar an Rechenleistung kostet, etwa 1.000 Dollar kosten. Der Aufsatz nennt diesen Wandel hin zu kommodifizierter kognitiver Arbeit "kognitive Industrialisierung".institute.deepmind.com
Jeder Weg hat Engpässe. Skalierung könnte auf Engpässe bei hochwertigen Daten, sinkende Erträge und Grenzen bei Stromnetzen und Chipfertigung stoßen. Paradigmenwechsel könnten notwendig sein, da aktuelle Modelle beim kontinuierlichen Lernen und der Stichprobeneffizienz unzureichend sind. Bei der Koordination vieler Agenten fehlen noch "Multi-Agenten-Skalierungsgesetze". Rekursive Selbstverbesserung könnte ins Stocken geraten, wenn das Feedback, das sie steuert, schlecht ist, und sie würde wahrscheinlich in Bereichen am schnellsten voranschreiten, die automatisch überprüft werden können, wie etwa bei mathematischen Beweisen.institute.deepmind.com
Der Aufsatz argumentiert, dass sich die Wege gegenseitig verstärken, sodass die Einschränkung nur eines Inputs, wie etwa der Trainingsrechenleistung, "nicht ausreichen wird, um den Gesamtfortschritt zu stoppen." Er warnt auch davor, dass das Zurückhalten eines Inputs, während die anderen voranschreiten, einen Kapazitätsüberhang aufbauen könnte.unite.ai
Die Empfehlung lautet, durch interdisziplinäre Arbeit unter Einbeziehung von Spitzenlaboren sowie nationalen und globalen Institutionen zu "modellieren, messen, prognostizieren und wiederholen". Viele der erforderlichen Metriken erfordern den Zugang zu Spitzenmodellen und große Mengen an Rechenleistung für die Evaluierung. Der Aufsatz nennt kein Datum, wann AGI oder ASI eintreffen könnten.i10x.ai+1
Der Aufsatz stützt sich auf den technischen Bericht "From AGI to ASI" vom 12. Juni 2026. Zu den 14 Autoren gehören Genewein und DeepMind-Mitgründer Shane Legg, und er beschrieb dieselben vier Wege. Das Institut erklärt, dass seine Beiträge nicht als offizielle Ansicht von Google Alphabet Inc. zu lesen seien.institute.deepmind.com+1
"Keine dieser Vorhersagen ist sicher", schreibt Genewein, "aber die Wege und Szenarien sind auch weit davon entfernt, unbegründeter Hype oder Fiktion zu sein".institute.deepmind.com