Das Forschungsinstitut Google DeepMind hat einen umfassenden Aufsatz veröffentlicht, in dem es argumentiert, dass die Ära nach AGI nun die gleiche analytische Genauigkeit verdient, die einst der AGI selbst vorbehalten war. Der Artikel „Was kommt nach AGI? Von AGI zu Superintelligenz“ wurde am 19. November 2026 von Tim Genewein, einem Forscher bei Google DeepMind, auf dem Aufsatzportal des DeepMind Institute veröffentlicht. Seine Kernaussage: Während sich mehrere technologische Wege hin zu künstlicher allgemeiner Superintelligenz herausbilden, verlagert sich das Regime jenseits von AGI „von philosophischer Spekulation hin zu empirischer Forschung und Governance-Fragen.“
Der Aufsatz landete in einer der geschäftigsten Phasen der KI-Forschungsnachrichten seit Monaten und liest sich als bewusster Versuch, der Post-AGI-Debatte ein konkretes technisches Vokabular zu geben. Für alle, die die neuesten KI-Entwicklungen verfolgen, bietet es das bisher klarste Bild davon, wie eines der weltweit führenden Labore den Weg über die KI auf menschlicher Ebene hinaus gestaltet – einschließlich einer Kostenprognose, die, wenn sie korrekt ist, die Wirtschaftlichkeit kognitiver Arbeit verändern würde.
Was als Superintelligenz gilt
Genewein beginnt damit, die allgemeine Intelligenz auf einem Kontinuum zu platzieren, wobei die AGI auf menschlicher Ebene nur einen Punkt darstellt. In der Definition des Aufsatzes handelt es sich bei ASI um ein fortschrittliches System, das große Gruppen menschlicher Experten bei Aufgaben, für deren Erledigung diese Experten Jahre benötigen könnten, durchweg übertrifft und dabei weniger Ressourcen und weniger Zeit verbraucht – zum Beispiel indem es in einem Bruchteil der Zeit den wissenschaftlichen Output eines gesamten Forschungsbereichs erreicht oder Fortschritte beim Chip-Design erzielt, die dem entsprechen, was ein großes Unternehmen in einem Jahr produziert. Entscheidend ist, dass die Messlatte bei praktisch allen Aufgaben von menschlichem Interesse eingehalten werden muss und nicht bei einem schmalen Ausschnitt.
Eine knappe Dominanz, heißt es in dem Aufsatz, bestehe bereits: KI-Systeme schlagen heute jeden Menschen im Schach und Go, sagen Proteinstrukturen aus Aminosäuresequenzen voraus und haben Theoreme bewiesen, die sich Mathematikern jahrzehntelang widersetzten. Was wirklich unerforscht bleibt, ist der große Mittelweg zwischen KI auf menschlicher Ebene und den theoretischen Grenzen der Intelligenz. Geneweins illustrativer Punkt: Um Schach perfekt zu lösen, wäre mehr Rechenleistung erforderlich, als es auf der Erde gibt, und doch spielt ein daumennagelgroßer Chip bereits gut genug, um jeden Menschen zu besiegen.
Kognitive Industrialisierung und sinkende Kosten
Der quantitative Kern des Aufsatzes ist eine Analyse der „kognitiven Industrialisierung“. Genewein multipliziert drei sich verstärkende Trends des letzten Jahrzehnts. Erstens Hardware: Die Rechenleistung pro Dollar hat sich nach dem Mooreschen Gesetz und damit verbundenen Trends sechs Jahrzehnte lang um etwa das 1,5-fache pro Jahr verbessert. Zweitens die algorithmische Effizienz: Die zum Erreichen eines festen Leistungsniveaus erforderliche Trainingsrechenleistung ist im letzten Jahrzehnt etwa um das Drei- bis Sechsfache pro Jahr gesunken, wobei sich die Inferenzeffizienz etwa um das Dreifache pro Jahr verbessert hat. Drittens Investitionen: Die Ausgaben für KI-Hardware sind etwa um das 2,5-fache pro Jahr gestiegen, und die Trainingsrechenleistung der größten Frontier-Läufe wächst um mehr als das Vierfache pro Jahr.
Wenn man die drei multipliziert, schätzt der Aufsatz, dass die weltweite effektive Rechenleistung mindestens um das Zehnfache pro Jahr wächst – „ein Faktor von 10 Milliarden über zehn Jahre“. Auf der Nachfrageseite würden allein Verbesserungen der Hardware- und Softwareeffizienz den Rechenaufwand für die Ausführung einer festen KI-Arbeitslast um etwa das Vierfache pro Jahr senken. Die Konsequenz, wie Genewein es ausdrückt: Eine kognitive Arbeitslast, deren Rechentokens eine Milliarde US-Dollar kosten, um sie mit heutigen KI-Systemen auszuführen, würde in zehn Jahren etwa 1.000 US-Dollar kosten.
Das ist keine einsame Extrapolation. Der Aufsatz zitiert eine aktuelle Epoch-Studie, die ergab, dass der Verbraucherpreis für das Erreichen einer festen Punktzahl bei einer Reihe von Benchmarks seit 2023 um mehr als das 13-fache pro Jahr gesunken ist. Außerdem wird prognostiziert, dass die effektive Population von KI-Agenten bis 2030 um mehr als das Tausendfache und innerhalb von zehn Jahren um mehr als eine Milliarde skalieren könnte – wobei sorgfältig darauf hingewiesen wird, dass dies „sicherlich keine Selbstverständlichkeit“ ist, da praktische Obergrenzen für den Rechenausbau und eher spekulative Obergrenzen für die algorithmische Effizienz gelten könnte eingreifen.
Die vier Wege von AGI zu ASI
Das Herzstück des Aufsatzes ist eine Taxonomie von vier technologischen Pfaden, die Fähigkeiten freisetzen könnten, die durch bloße Größe nicht möglich wären – denn, wie Genewein trocken anmerkt, „Einstein hat die allgemeine Relativitätstheorie zwar herausgefunden, eine Konferenz von hunderttausend ptolemäischen Astronomen hätte dies wahrscheinlich nicht getan.“
Modelle und Daten skalieren. Die Leistungsfähigkeit hat sich mit der Modell-, Daten- und Testzeit-Rechenskala kontinuierlich bemerkenswert verbessert, der Aufsatz identifiziert jedoch drei Engpässe: Datenerschöpfung, da die Nachfrage nach hochwertigen Trainingsdaten die Fähigkeit der Menschheit, diese zu produzieren, übersteigt; sinkende Erträge auf der Modellskala, wo jeder lineare Leistungsschritt multiplikative Berechnungen erfordert, während größere Modelle die Argumentationszeitmethoden verlangsamen; und physikalische und wirtschaftliche Grenzen für Kraftwerke, Stromnetze, Chipfabriken und Verbindungen mit geringer Latenz. Technologische Paradigmenwechsel. Das heutige Paradigma – Transformatoren trainieren, um den nächsten Token vorherzusagen, dann zu verfeinern und Testzeitberechnungen hinzuzufügen – hat kürzlich gezeigt, dass es prinzipiell in der Lage ist, komplexe Algorithmen über Eingabeaufforderungen auszuführen. Dennoch bleiben Modelle in Bezug auf kontinuierliches Lernen, bestimmte Formen der Weltmodellierung, Entscheidungsfindung, Stichprobeneffizienz und die Erfindung wirklich neuer Konzepte anstelle der Neukombination bestehender Konzepte immer noch hinter den Menschen zurück. Die Forscher sind sich uneinig darüber, ob Erweiterungen des heutigen Paradigmas diese Lücken schließen können oder ob ASI etwas Tiefgreifenderes erfordert. Verbesserung der Agentenkoordination. Menschliche Unternehmen, Märkte und Forschungsgemeinschaften lösen Probleme, die kein Einzelner lösen könnte. In ähnlicher Weise könnte die Koordinierung von Tausenden oder Millionen von AGI-Instanzen zu „Gruppenagenten“ oder virtuellen Agentenökonomien kollektive Superintelligenz hervorbringen. In dem Aufsatz wird argumentiert, dass auf diesem Gebiet „Multi-Agenten-Skalierungsgesetze“ erforderlich sind – frühe Forschungen zeigen deutliche Vorteile bei einigen Aufgaben, aber Koordinationsineffizienzen führen mit zunehmendem Bevölkerungswachstum zu sinkenden Erträgen. Die Steuerung großer Kollektive erfordert auch eine institutionelle Gestaltung, einschließlich der Abwehr von Fehlinformationen, Manipulation und Absprachen; Schwarmexperimente zeigen bereits, dass Agenten das Betrügen lernen und andere als Whistleblower fungieren. Rekursive Selbstverbesserung. RSI wurde erstmals von I. J. Good und Ray Solomonoff diskutiert und beschreibt KI-Systeme, die Verbesserungen für zukünftige KI-Generationen automatisieren. Im Gegensatz zu typischen Technologien können Verbesserungen der KI spätere Fortschritte direkt beschleunigen – aber Forschungsfortschritte werden mit der Zeit tendenziell auch schwieriger zu finden. Ob RSI eine außer Kontrolle geratene Beschleunigung erzeugt, ist laut dem Aufsatz „weitgehend eine empirische Frage“ und kann durch Code und Designs – Architekturen, Trainingsalgorithmen, Chip-Layouts – sowie durch Daten funktionieren.Warum der Rahmen wichtig ist
Der Aufsatz ist ausdrücklich ein Vorbereitungsargument: Die Kartierung der möglichen Wege von AGI zu ASI und die Entwicklung „rigoroser, zuverlässiger Methoden zur Verfolgung des Fortschritts“ ist in Geneweins Formulierung die Voraussetzung für die Steuerung des Übergangs. Es begleitet einen längeren Bericht des DeepMind Institute mit dem Titel „From AGI to ASI“.
Der Empfang erfolgte sofort. Der Aufsatz erhielt innerhalb eines Tages nach Veröffentlichung 85 Punkte und mehr als 160 Kommentare auf Hacker News, während Fachpresse wie Unite.AI und BigGo Finance die Vier-Routen-Taxonomie und die millionenfache Kostenkollisionsprognose hervorhoben. Es landet auch inmitten einer breiteren Skepsis darüber, wie Superintelligenzprognosen erstellt werden – IEEE Spectrum veröffentlichte diese Woche einen Artikel mit dem Titel „Die Debatte über KI-Superintelligenz weist schwerwiegende Mängel auf.“
Diese Spannung ist der Punkt. DeepMind sagt ASI nicht für ein bestimmtes Datum voraus; Es wird argumentiert, dass der Szenarioraum nun mit Beweisen statt mit Schwingungen kartiert, gemessen und diskutiert werden kann. Unabhängig davon, ob die milliardenfachen Hochrechnungen physikalische Grenzen halten oder überschreiten, markiert der Aufsatz eine Verschiebung: Die Frage „Was kommt nach AGI?“ ist vom Philosophieseminar in die Forschungsagenda eines der einflussreichsten KI-Labore der Welt übergegangen.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →