Ray Kurzweils AGI-Zeitplan: Wie er Jahrzehnte vorausprognostiziert

Warum Kurzweils AGI-Prognosen wichtig sind

Kurzweils AGI-Prognosen sind wichtig, weil sie die allgemeine Überzeugung, dass künstliche Intelligenz Fortschritte macht, in eine datierte und überprüfbare Folge von Behauptungen übersetzen. Investoren, Forschende, Journalistinnen und Journalisten sowie Führungskräfte können über eine konkrete Vorhersage produktiver diskutieren als über die Frage, ob intelligente Maschinen irgendwann kommen werden.

Sein Ansatz liefert außerdem eine zusammenhängende Erklärung dafür, warum sich Fortschritt beschleunigen könnte. Bessere Computer helfen Forschenden, bessere Computer zu entwickeln. Leistungsfähigere Software hilft dabei, die nächste Generation von Software zu erstellen, zu testen und zu betreiben. Sinkende Kosten erlauben mehr Organisationen zu experimentieren, was Wissen schafft und die Nachfrage nach weiteren Investitionen erhöht.

Diese Struktur macht die Termine nicht richtig. Sie macht die Argumentation sichtbar. Leserinnen und Leser können Messgrößen prüfen, Annahmen hinterfragen und Belege erkennen, die die Prognose stärken oder schwächen würden.

Der Unterschied ist wichtig, weil langfristige Technologieprognosen mehrere verschiedene Vorhersagen verbinden. Hardware muss besser werden. Algorithmen müssen Ressourcen in nützliche Fähigkeiten umwandeln. Trainingsdaten oder andere Lernmethoden müssen verfügbar bleiben. Systeme müssen außerhalb von Demonstrationen zuverlässig arbeiten. Organisationen und Regierungen müssen den Einsatz erlauben. Wenn eine Ebene scheitert, kann sich ein AGI-Zeitplan verschieben, ohne dass der KI-Fortschritt insgesamt zum Stillstand kommt.

Kurzweils Prognose ist relevanter geworden, seit KI-Systeme für allgemeine Zwecke Texte erzeugen, Software schreiben, Bilder deuten, Werkzeuge aufrufen und in mehreren Bereichen arbeiten können. Diese Fähigkeiten machen die Diskussion weniger theoretisch, entscheiden sie aber nicht. Breite Kompetenz in einer kontrollierten Oberfläche ist etwas anderes als verlässliche allgemeine Intelligenz in einer offenen Umgebung.

Die nützliche Frage lautet deshalb nicht, ob Kurzweil Optimist oder Pessimist ist. Entscheidend ist, ob sein Modell messbare Eingaben mit den Fähigkeiten verknüpft, die AGI voraussetzt, und ob diese Verbindung dem Kontakt mit Technik, Wirtschaft und menschlichem Verhalten standhält.

Wer Ray Kurzweil ist

Ray Kurzweil ist ein US-amerikanischer Erfinder, Autor, Unternehmer und Zukunftsforscher. Seine Prognosen entstanden aus jahrzehntelanger Arbeit an Technologien für Sprache, Lesen und Musik.

Seine Arbeit vor der AGI-Debatte

Kurzweil erwarb seinen Ruf mit praktischen Systemen, nicht allein mit Vorhersagen. Seine Unternehmen arbeiteten an optischer Zeichenerkennung, Text-zu-Sprache-Synthese, Spracherkennung, elektronischen Musikinstrumenten und Lesetechnik für Menschen mit Sehbehinderungen. In diesen Bereichen waren Fortschritte bei Computerhardware und Mustererkennung nötig, zwei Themen, die später für seine Prognosemethode zentral wurden.

Seine Laufbahn zeigte ihm auch den Unterschied zwischen einem Laborergebnis und einem Produkt. Erkennungsgenauigkeit, Bauteilpreise, Verarbeitungsgeschwindigkeit, Vertrieb und Nutzernachfrage bestimmen mit, wann eine Erfindung im großen Maßstab nützlich wird. Das erklärt seinen Fokus auf Preis-Leistungs-Kurven statt auf einzelne technische Demonstrationen.

Kurzweil wechselte 2012 zu Google, um an maschineller Intelligenz und dem Verstehen natürlicher Sprache zu arbeiten. Damit kam er in eine Organisation, die stark in großskalige Rechenleistung und KI-Forschung investiert, auch wenn seine zentralen Vorhersagen älter sind als diese Rolle.

Die Bücher hinter dem Zeitplan

Kurzweil entwickelte seine Argumentation in mehreren Büchern. The Age of Intelligent Machines untersuchte die Entwicklung der Computerintelligenz. The Age of Spiritual Machines aus dem Jahr 1999 ordnete Vorhersagen künftigen Terminen zu und beschrieb eine immer engere Interaktion zwischen Menschen und Computern. The Singularity Is Near aus dem Jahr 2005 enthielt die bekannteste Fassung seiner These der beschleunigten Erträge.

How to Create a Mind aus dem Jahr 2012 konzentrierte sich stärker auf Kognition und schlug vor, dass Mustererkennungsmechanismen den Neokortex erklären helfen könnten. The Singularity Is Nearer aus dem Jahr 2024 griff die früheren Prognosen nach dem Aufstieg moderner generativer KI erneut auf und behielt seine zentralen Termine bei, statt einen neuen Zeitplan vorzulegen.

Die Bücher definieren Intelligenz nicht alle genau gleich, teilen aber ein Argument: Informationstechnologie verbessert sich durch sich verstärkende Prozesse, und diese Prozesse werden Maschinenintelligenz schließlich mit menschlicher Intelligenz vergleichbar machen.

Die Begriffe brauchen getrennte Definitionen

Drei Begriffe werden oft vermischt, obwohl sie unterschiedliche Aussagen beschreiben:

• Künstliche allgemeine Intelligenz bezeichnet ein System, das über viele unbekannte Aufgaben hinweg lernen, schlussfolgern und Wissen anwenden kann, statt nur in einem engen Spezialgebiet zu arbeiten.
• KI auf menschlichem Niveau bedeutet Leistung, die mit Menschen vergleichbar ist. Jede Aussage dazu muss aber festlegen, mit welchen Menschen, bei welchen Aufgaben, mit wie viel Unterstützung und bei welcher Fehlerrate der Vergleich gilt.
• Die technologische Singularität bezeichnet Kurzweils erwartete Phase extrem schnellen Wandels, nachdem maschinelle Intelligenz und menschliche Technologie mächtig genug geworden sind, die Gesellschaft schneller zu verändern, als herkömmliche Prognosen folgen können.

Eine Maschine kann eine praktische Definition von KI auf menschlichem Niveau erfüllen, ohne eine anspruchsvolle AGI-Definition zu erfüllen. AGI kann auch entstehen, bevor die Gesellschaft etwas erlebt, das einer Singularität ähnelt. Werden die Begriffe als Synonyme behandelt, wirkt der Zeitplan präziser, als er ist.

Kurzweils tatsächlicher AGI-Zeitplan

Kurzweils zentrale Prognose setzt maschinelle Intelligenz auf menschlichem Niveau um 2029 und die technologische Singularität um 2045 an.

Was die Vorhersage für 2029 besagt

Kurzweil verbindet 2029 mit einer Maschine, die einen gültigen Turing-Test besteht und Intelligenz auf menschlichem Niveau erreicht. Bei einer Turing-ähnlichen Bewertung kommuniziert eine menschliche Person mit einem nicht sichtbaren Teilnehmer und versucht festzustellen, ob dieser Mensch oder künstlich ist.

Das Wort gültig trägt einen großen Teil der Aussage. Kurze Gespräche mit unvorbereiteten Beurteilenden sind schwache Belege, weil ein System menschliche Sprache nachahmen kann, aber bei Planung, faktischer Konsistenz oder unbekannter Arbeit scheitert. Ein stärkerer Test würde erfahrene Bewerter, längere Interaktion, gegnerische Fragen und Kontrollen gegen auswendig gelernte Antworten oder verdeckte menschliche Hilfe einbeziehen.

Selbst ein strenger Turing-Test würde Verhaltensnachahmung im Gespräch messen. Er würde weder verlässliche Autonomie, körperliche Kompetenz, Bewusstsein noch die Fähigkeit beweisen, jede geistige Aufgabe zu meistern. Kurzweils weitergehende Texte meinen mehr als einen überzeugenden Chatbot. Um die Prognose zu bewerten, braucht es daher ein breiteres Set an Meilensteinen.

Was die Vorhersage für 2045 besagt

Kurzweil verbindet 2045 mit einem viel größeren Übergang, bei dem maschinelle Intelligenz stark zugenommen hat und Technologie tief in das menschliche Leben integriert ist. Seine Begründung umfasst schnelle KI-gestützte Forschung, weitere Fortschritte bei Rechenleistung und engere Verbindungen zwischen biologischer und nichtbiologischer Kognition.

Der Termin sagt also nicht bloß voraus, dass Computer schneller werden. Er setzt voraus, dass Intelligenz weiteren technologischen Fortschritt außergewöhnlich stark vorantreibt. Bessere KI müsste helfen, Algorithmen, Hardware, Medizin, Fertigung und wissenschaftliche Entdeckungen zu verbessern. Diese Verbesserungen müssten wiederum in die Systeme zurückfließen, die sie hervorbringen.

Eine Rückkopplungsschleife kann Fortschritt beschleunigen, ohne grenzenlos zu werden. Experimente brauchen weiterhin Zeit, Fabriken haben Baupläne, physische Prozesse haben Grenzen und Institutionen prüfen folgenreiche Änderungen. Die Stärke jeder Einschränkung bestimmt, ob Verbesserung explosiv, lediglich schnell oder je nach Feld ungleichmäßig ausfällt.

Meilensteine machen die Prognose überprüfbar

Mehrere beobachtbare Fähigkeiten wären stärkere Belege als ein einzelner Gesprächstest:

• Schnelle Übertragung auf unbekannte Aufgaben mit wenig aufgabenspezifischem Training
• Zuverlässige Planung und Wiederherstellung über lange Aktionsfolgen hinweg
• Fortlaufendes Lernen ohne den Verlust früher erworbener Fähigkeiten
• Präzise Nutzung von Werkzeugen unter sich verändernden Bedingungen der realen Welt
• Breiter wirtschaftlicher Nutzen ohne ständige Aufsicht durch Fachleute

Diese Meilensteine bewahren das zentrale Versprechen der Prognose und vermeiden zugleich eine binäre Debatte über einen einzigen Termin. Sie machen auch Teilfortschritt sichtbar. Ein System kann Werkzeugnutzung beherrschen und beim fortlaufenden Lernen schwach bleiben oder in Software gut abschneiden, aber mit physischen Umgebungen kämpfen.

Kurzweils Prognosebilanz

Kurzweils Bilanz enthält bemerkenswerte Erfolge, breite Vorhersagen zur Richtung und Fehlschläge, die sichtbar werden, wenn man Aussagen nach ihrem ursprünglichen Wortlaut und ihren Fristen beurteilt.

Ein klarer Erfolg im Computerschach

Einer seiner meistzitierten Erfolge betrifft Schach. 1990 sagte Kurzweil voraus, dass ein Computer bis 1998 den menschlichen Schachweltmeister besiegen würde. IBMs Deep Blue schlug Garry Kasparov 1997 in einem Match.

Dieses Beispiel ist besonders stark, weil Ereignis, Gegner und Frist klar erkennbar waren. Es betraf außerdem ein formales Gebiet mit festen Regeln, messbarer Leistung und starken Anreizen, spezialisierte Hardware und Suchalgorithmen zu verbessern. Dadurch war Schach leichter vorherzusagen als offene Intelligenz.

Das Ergebnis zeigte, dass Maschinen bei einer anspruchsvollen geistigen Aufgabe menschliche Spitzenleistung übertreffen können. Es zeigte nicht, dass dasselbe System seine Fähigkeit auf ein anderes Problem übertragen konnte. Der Unterschied zwischen außergewöhnlicher enger Leistung und allgemeiner Kompetenz bleibt zentral für die AGI-Debatte.

Vorhersagen, die in der Richtung stimmten

Kurzweil erwartete weit verbreitete mobile Computer, drahtlosen Zugang, digitale Dokumente, Sprachtechnologie für Verbraucher und KI-Systeme, die Menschen bei ausgewählten Mustererkennungsaufgaben übertreffen. Die grobe Richtung dieser Vorhersagen entsprach späteren Entwicklungen.

Bei den Details war das Bild uneinheitlicher. Mobiles Rechnen wurde vor allem durch Smartphones und Laptops prägend, nicht durch die genaue Sammlung tragbarer Geräte aus einigen Szenarien. Spracherkennung wurde breit verfügbar, doch fortlaufendes Diktieren ersetzte Tastaturen bis 2009 nicht als üblichen Weg, auf dem die meisten Menschen Texte erstellten. Digitale Medien wuchsen schnell, während Papier in Büros, Bildung, Verwaltung und im privaten Gebrauch blieb.

Eine Prognose verdient teilweise Anerkennung, wenn der grundlegende Wandel über ein anderes Produkt oder ein anderes Muster der Übernahme erfolgt. Vollständig richtig ist sie nicht, wenn die ursprüngliche Aussage einen verfehlten Termin, eine verfehlte Verbreitung oder eine verfehlte Geräteform enthielt. Richtung und Zeitpunkt beantworten unterschiedliche Fragen.

Vorhersagen, die spät kamen oder offen bleiben

Einige Szenarien erwarteten alltägliche immersive virtuelle Umgebungen, sehr überzeugende Maschinengespräche und eine wesentlich engere Verbindung von Körpern und Computern früher, als es der gewöhnliche Gebrauch brachte. Elemente dieser Ideen erschienen in virtueller Realität, Hilfsgeräten, medizinischen Implantaten und generativen Modellen, doch Verfügbarkeit ist nicht dasselbe wie breite Nutzung.

Auch soziale Vorlieben können eine technisch machbare Prognose vereiteln. Menschen können ein Gerät ablehnen, weil es unbequem, teuer, ablenkend, sozial unangenehm, schwer zu reparieren oder zu aufdringlich ist. Eine Kurve zur Komponentenleistung erfasst diese Einwände nicht.

Warum eine Trefferquote täuschen kann

Kurzweil bewertete Vorhersagen aus seiner früheren Arbeit rückblickend und meldete nach seiner eigenen Methode eine hohe Erfolgsquote. Diese Überprüfung war kein verblindetes, unabhängiges Audit. Viele Aussagen ließen Kategorien wie «im Wesentlichen richtig» oder «in der Richtung richtig» zu.

Eine faire Prüfung sollte vier Eigenschaften getrennt festhalten:

• Das exakt vorhergesagte Ergebnis
• Die Frist und jede akzeptable Toleranz
• Die messbare Schwelle für Erfolg
• Ob die bewertende Person die Kriterien festlegte, bevor sie das Ergebnis kannte

Eine Vorhersage zum Preis von Transistoren lässt sich leichter bewerten als die Behauptung, Computer würden unsichtbar oder Maschinengespräche würden sich normal anfühlen. Beides in einer Prozentzahl zusammenzufassen, verdeckt große Unterschiede bei Genauigkeit und Schwierigkeit.

Wie das Gesetz des beschleunigten Ertrags die Prognose erzeugt

Das Gesetz des beschleunigten Ertrags erzeugt Kurzweils Zeitplan, indem es technologischen Fortschritt als sich verstärkenden Prozess behandelt, bei dem jede Generation von Werkzeugen zur nächsten beiträgt.

Lineare und exponentielle Veränderung

Ein linearer Prozess fügt in jedem Zeitraum dieselbe Menge hinzu. Gewinnt ein System jedes Jahr 10 Einheiten Kapazität, steigt es von 10 auf 20, dann auf 30 und auf 40. Ein exponentieller Prozess multipliziert sich mit einem gleichbleibenden Faktor. Fünf Verdopplungen machen aus 10 Einheiten 320.

Die frühen Phasen exponentiellen Wachstums können bescheiden wirken, weil die absoluten Veränderungen klein sind. Spätere Phasen fühlen sich abrupt an, selbst wenn sich die Multiplikationsrate nicht verändert hat. Kurzweil argumentiert, dass menschliche Intuition oft lineare Veränderung erwartet und daher sich verstärkende Informationstechnologien unterschätzt.

Reale technische Kurven folgen selten einer perfekten Exponentialfunktion. Wachstumsraten schwanken, Messungen enthalten Rauschen und einzelne Methoden erreichen Grenzen. Die These lautet, dass der übergreifende Preis-Leistungs-Trend durch aufeinanderfolgende Methoden weiterlaufen kann, selbst wenn eine Methode langsamer wird.

Preis-Leistung ist wichtiger als reine Kapazität

Eine Fähigkeit, die nur in einem teuren Forschungssystem verfügbar ist, hat begrenzte Reichweite. Wenn die Kosten sinken, können Universitäten, Start-ups, etablierte Unternehmen und Einzelpersonen mehr Experimente durchführen. Breitere Nutzung schafft Nachfrage nach Infrastruktur, deckt Fehlerquellen auf und trägt Unternehmen, die weitere Entwicklung finanzieren.

Darum untersucht Kurzweil häufig Rechenoperationen pro Kosteneinheit. Ein neuer Prozessor, der schneller, aber im gleichen Verhältnis teurer ist, erweitert den Zugang möglicherweise nicht. Ein System, das dieselbe Arbeit mit weniger Chips, Energie oder einem kleineren Modell erledigt, kann die Übernahme verändern, ohne einen Rekord bei der Rohleistung aufzustellen.

Für KI wird zunehmend der Preis eines überprüften Ergebnisses wichtiger als der Preis einer Operation oder eines Tokens. Ein günstiges Modell, das umfassende Korrekturen braucht, kann pro fertiggestellter Aufgabe mehr kosten als ein teureres Modell mit niedrigerer Fehlerrate.

Paradigmenwechsel verlängern die Kurve

Kurzweils Argument geht über eine dauerhafte Fortsetzung der Transistorskalierung hinaus. Mechanische Rechner, Relais, Vakuumröhren, Transistoren, integrierte Schaltungen, spezialisierte Beschleuniger und verteilte Systeme können als aufeinanderfolgende Wege zur Bereitstellung von Rechenleistung gelten.

Wenn ein Ansatz an physische oder wirtschaftliche Grenzen stößt, können Investitionen zu einem anderen wechseln. Die historische Kurve kann daher über Mechanismuswechsel hinweg weiterlaufen. Das ist eine stärkere Behauptung als Moore's Law, aber auch schwerer zu prüfen, weil sich die Kategorie erweitern lässt, sobald eine bestimmte Technologie ins Stocken gerät.

Mehrere Kurven müssen sich gemeinsam verstärken

Rechenleistung allein reicht nicht. Speicher, Kommunikation, Softwareeffizienz, Modellarchitektur, Datenqualität und Forschungsproduktivität beeinflussen die endgültige Fähigkeit. Fortschritt kann sich beschleunigen, wenn Verbesserungen einander verstärken, etwa wenn bessere Algorithmen die nötige Hardware für eine Aufgabe verringern.

Auch das Gegenteil ist möglich. Ein Mangel an hochwertigen Daten, begrenzte Stromversorgung, Speicherbandbreite oder schwache Bewertung kann dazu führen, dass teure Prozessoren kaum genutzt werden. Prognosen, die nur auf einer steigenden Eingangsgröße beruhen, übersehen diese Wechselwirkungen.

Was die Belege stützen und was nicht

Die Belege stützen anhaltende Verbesserungen bei vielen Eingangsgrößen für KI deutlich. Sie belegen aber keine feste Umrechnungsrate zwischen diesen Eingängen und allgemeiner Intelligenz.

Belege aus Rechenleistung und Algorithmen

Langfristige Daten zeigen enorme Fortschritte bei Preis-Leistung von Rechenleistung, Speicher, Netzwerkkapazität und Softwarefähigkeit. KI profitiert außerdem von spezialisierten Prozessoren, verteiltem Training, besseren Zahlenformaten, besserer Optimierung und Algorithmen, die ein Ziel mit weniger Ressourcen erreichen.

Skalierungsgesetze liefern einen weiteren Hinweis. Innerhalb getesteter Bereiche und bei einem bestimmten Trainingsaufbau können Änderungen bei Modellgröße, Daten und Rechenleistung relativ vorhersehbare Änderungen beim Trainingsverlust bewirken. Diese Vorhersehbarkeit hilft Laboren, große Trainingsläufe zu planen und Kompromisse zwischen Ressourcen abzuschätzen.

Ein Skalierungsgesetz ist kein Gesetz der Intelligenz. Geringerer Trainingsverlust garantiert weder wahrheitsgemäße Antworten, zusammenhängende Ziele, kausales Verständnis noch Erfolg bei einem langen Projekt. Eine Hochrechnung über den getesteten Bereich hinaus setzt außerdem voraus, dass Datenverteilung, Architektur und Bewertung weiterhin aussagekräftig bleiben.

Belege für breite KI-Fähigkeiten

Modelle für allgemeine Zwecke können Aufgaben erledigen, für die früher getrennte Systeme nötig waren, darunter Schreiben, Übersetzen, Bildinterpretation, Softwareerstellung, Dokumentenanalyse und Werkzeugaufrufe. Ein einzelnes Modell kann oft per Anweisung zwischen diesen Tätigkeiten wechseln, statt neu trainiert zu werden.

Diese Breite ist für AGI relevant, weil sie die Vorstellung schwächt, dass jede geistige Tätigkeit ein eigenes programmiertes System braucht. Sie zeigt außerdem, dass Fähigkeiten gemeinsam auftreten können, wenn Modelle aus vielfältigen Daten lernen.

Die verbleibende Lücke betrifft verlässliche Leistung. Systeme können ein schwieriges Problem lösen und dann an einer einfacheren Variante scheitern, eine falsche Prämisse akzeptieren, eine Quelle erfinden oder bei längerer Arbeit Einschränkungen aus dem Blick verlieren. Gelegentlicher Erfolg zeigt Möglichkeit. Allgemeine Intelligenz verlangt eine ausreichend hohe Erfolgsrate unter unbekannten Bedingungen.

Warum Benchmark-Ergebnisse Kontext brauchen

Benchmarks sind nützlich, wenn sie unbekannte Aufgaben enthalten, klar bewertbar sind, Datenkontamination widerstehen und Verhalten messen, das mit realer Arbeit verbunden ist. Sie werden weniger aussagekräftig, wenn Trainingsdaten ihre Fragen aufnehmen oder Entwickler direkt auf ihre Bewertungsregeln optimieren.

Ein glaubwürdiges Bewertungsprogramm sollte Entwicklungstests von privaten Abschlusstests trennen, Ressourceneinsatz dokumentieren, Versuche wiederholen und Fehlerverteilungen statt nur Durchschnittswerte berichten. Es sollte Systeme außerdem mit passenden menschlichen Vergleichswerten messen. Mit einem Anfänger in einem Test gleichzuziehen, ist etwas anderes als mit einer ausgebildeten Fachperson unter denselben Zeit- und Werkzeugbedingungen gleichzuziehen.

Versuche in realen Arbeitsabläufen liefern Informationen, die statische Tests nicht erfassen. Sie zeigen, ob ein System fehlende Details erfragt, seine Arbeit prüft, sich nach einem Fehler erholt und erkennt, wann es anhalten sollte. Für den Einsatz sind diese Verhaltensweisen wichtiger als ein weiterer kleiner Gewinn bei einer ausgereizten Testmenge.

Eingänge sind leichter messbar als Ergebnisse

Rechenleistung, Speicher und Bandbreite haben stabile Einheiten. Allgemeinheit, Urteilsvermögen, Anpassungsfähigkeit und gesunder Menschenverstand nicht. Forschende können Prozessoren präzise zählen und trotzdem darüber streiten, ob eine erledigte Aufgabe Schlussfolgern oder ausgefeiltes Musterabgleichen zeigt.

Dieses Messproblem lässt quantitative Prognosen präziser wirken, als die Zielgröße es zulässt. Bessere Eingabedaten verringern nur einen Teil der Unsicherheit.

Annahmen hinter einer jahrzehntelangen AGI-Prognose

Kurzweils Zeitplan hängt von einer Reihe von Annahmen ab. Der Termin kann sich deutlich verschieben, wenn nur eine davon nicht zutrifft.

Rechenleistung bleibt wirtschaftlich verfügbar

Die Prognose setzt voraus, dass Organisationen nutzbare Rechenleistung durch bessere Chips, größere Systeme, bessere Auslastung oder günstigere Inferenz weiter ausbauen können. Fertigungskapazität, Investitionskosten, Strom, Kühlung, Speicher, Netzwerke und internationaler Handel beeinflussen diese Verfügbarkeit.

Physische Grenzen müssen Fortschritt nicht stoppen, um einen Zeitplan zu verändern. Eine langsamere Verbesserungsrate über mehrere Jahre summiert sich zu einer großen Abweichung von der ursprünglichen Projektion.

Algorithmen verwandeln Ressourcen weiter in Fähigkeit

Mehr Rechenleistung muss weiter zu bedeutsamen Fortschritten führen. Das kann durch die Skalierung bestehender Methoden, effizientere Architekturen, bessere Trainingsziele oder die Verbindung gelernter Modelle mit Suche, Speicher, Werkzeugen und formaler Verifikation geschehen.

Diese Annahme ist stärker als die Vorhersage schnellerer Hardware. Algorithmische Entdeckungen folgen keinem regelmäßigen Fertigungsplan, und ihr Wert kann je nach Gebiet unterschiedlich sein.

Lernen wird nicht durch Datenlimits blockiert

Künftige Systeme brauchen nützliche Erfahrung. Diese kann aus von Menschen erstelltem Material, multimodalen Beobachtungen, Simulationen, Interaktion, synthetischen Beispielen, Rückmeldungen oder Experimenten stammen, die die Systeme selbst durchführen.

Synthetische Daten ersetzen externe Belege nicht automatisch. Wenn ein Modell Material aus eigenen Fehlern erzeugt und kein korrigierendes Signal erhält, kann das Training diese Fehler verstärken. Auch Simulationen lassen sich schlecht übertragen, wenn sie Eigenschaften auslassen, die in der realen Umgebung wichtig sind.

Menschliche Kognition ist durch Maschinen nachbildbar

Kurzweil nimmt an, dass Intelligenz aus physischen Informationsprozessen entsteht, die sich verstehen und in nichtbiologischen Systemen umsetzen lassen. Seine Schätzungen vergleichen häufig verfügbare Rechenleistung mit Modellen des Gehirns und nutzen Neurowissenschaft als Quelle technischer Erkenntnisse.

Diese Position verlangt nicht, jedes Neuron zu kopieren. Sie setzt aber Vertrauen voraus, dass kein unbekannter biologischer Mechanismus eine unüberwindbare Hürde schafft. Hirnbasierte Schätzungen zur Rechenleistung unterscheiden sich, weil Forschende Operationen, Synapsen, Spikes, biochemische Prozesse und Lerneffizienz unterschiedlich zählen.

Bessere KI beschleunigt die KI-Forschung

Die schnellsten Varianten der Prognose verlangen, dass KI spürbar zu ihrer eigenen Verbesserung beiträgt. Programmieren ist nur ein Teil dieser Schleife. Ein Forschungssystem müsste nützliche Hypothesen formulieren, Experimente entwerfen, negative Ergebnisse deuten und echte Fortschritte von Benchmark-Überanpassung unterscheiden.

Selbstverbesserung hängt auch vom Zugang ab. Ein leistungsfähiges Modell kann keine Hardware neu entwerfen, große Experimente durchführen oder einen Nachfolger einsetzen, wenn Menschen ihm Ressourcen und Erlaubnis verweigern. Intelligenz kann manche Schritte verkürzen, während externe Engpässe bestehen bleiben.

Was AGI verzögern oder neu definieren könnte

AGI könnte später als vorhergesagt eintreffen, weil Zuverlässigkeit, Lernen, Sicherheit und Einsatz zu begrenzenden Faktoren werden, obwohl Modellfähigkeiten weiter steigen.

Lange Aufgaben vervielfachen kleine Fehlerraten

Ein System kann bei einzelnen Schritten genau wirken und bei den meisten langen Projekten dennoch scheitern. Wenn jeder Schritt unabhängig mit 99 Prozent Wahrscheinlichkeit gelingt, liegt die Chance, 100 nötige Schritte fehlerfrei abzuschließen, bei etwa 37 Prozent.

Reale Fehler hängen oft zusammen und können das Ergebnis weiter verschlechtern. Eine falsche Annahme am Anfang kann jede spätere Aktion verfälschen. Fortschritt hängt daher davon ab, Fehler zu erkennen, Pläne zu überarbeiten, Zustände zu speichern, Zwischenergebnisse zu testen und unklare Entscheidungen weiterzugeben.

Deshalb ist die Dauer autonomer Aufgaben aufschlussreicher als die Qualität einer einzelnen Antwort. Ein Modell, das eine überprüfte achtstündige Aufgabe erledigt, verändert Arbeit anders als eines, das alle paar Minuten korrigiert werden muss.

Fortlaufendes Lernen bleibt schwierig

Menschen erwerben neues Wissen durch Erfahrung und behalten zugleich vieles von dem, was sie bereits wissen. Eingesetzte KI-Systeme trennen Training und Nutzung oft voneinander. Ihre Aktualisierung kann neue Datensätze, Bewertung und einen weiteren Trainingsdurchlauf erfordern.

Ein AGI-Kandidat sollte sicher aus Interaktion lernen können, ohne bösartige Anweisungen, private Informationen oder versehentliche Falschinformationen zu übernehmen. Er sollte auch erkennen, welche Erkenntnisse nur für eine Situation gelten und welche sich verallgemeinern lassen. Dafür braucht es Speicherdesign, Zugriffskontrolle, Herkunftsnachweise und Schutz vor katastrophalem Vergessen.

Handlungsfähigkeit schafft Sicherheitsprobleme

Ein Modell, das nur Text vorschlägt, hat eine begrenzte Aktionsfläche. Ein System, das Nachrichten senden, Software verändern, Geld ausgeben, Maschinen bedienen oder Konten verwalten darf, kann schon durch ein kleines Missverständnis Schaden verursachen.

Mehr Autonomie erhöht deshalb den Bedarf an begrenzten Berechtigungen, Freigabeschritten, Prüfprotokollen, isolierter Ausführung und Verfahren zur Wiederherstellung. Diese Kontrollen können Aktionen verlangsamen, doch ihr Weglassen verbessert keine Intelligenz. Es verlagert die Kosten von Fehlern auf Nutzende und Unbeteiligte.

Körperliche Kompetenz kann hinter digitaler zurückbleiben

In Software ausgedrückte Intelligenz profitiert von schnellen, wiederholbaren Umgebungen. Körperliche Arbeit muss Reibung, Schäden, unsichere Sensoren, ungewöhnliche Objekte, wechselndes Wetter und Sicherheit in der Nähe von Menschen bewältigen.

Ein KI-System könnte in Forschung, Analyse, Kommunikation und Software breit leistungsfähig werden, bevor Roboter vergleichbare Flexibilität erreichen. Ob das als AGI zählt, hängt von der Definition ab. Menschliche Anpassung im Physischen zu verlangen, setzt die Hürde höher als allgemeine geistige Arbeit über Computer zu verlangen.

Institutionen können stärkere Nachweise verlangen

Medizin, Finanzwesen, Verkehr, öffentliche Verwaltung und kritische Infrastruktur haben Folgen, die gewöhnliche Benchmark-Tests nicht abbilden. Versicherer, Aufsichtsbehörden, Gerichte, Kunden und Berufsverbände können dokumentierte Leistung verlangen, bevor sie autonomen Betrieb erlauben.

Diese Verzögerung würde nicht zeigen, dass dem zugrunde liegenden Modell Intelligenz fehlt. Sie würde zeigen, dass Fähigkeit und Erlaubnis unterschiedliche Meilensteine sind. Eine Prognose über technische Machbarkeit sollte nicht stillschweigend von sofortigem gesellschaftlichem Einsatz ausgehen.

Die wichtigsten Kritikpunkte an Kurzweils Ansatz

Der zentrale Kritikpunkt an Kurzweils Methode lautet, dass verlässliche Trends in der Informationstechnologie nicht automatisch den Zeitpunkt einer unklar definierten kognitiven Fähigkeit bestimmen.

Die Auswahl von Trends kann das Ergebnis prägen

Eine lange historische Kurve hängt von Entscheidungen darüber ab, welche Technologien, Preise und Leistungsmaße in den Datensatz gehören. Die Verbindung aufeinanderfolgender Rechenmethoden kann ein echtes Muster zeigen, gibt der analysierenden Person aber auch Spielraum, dieses Muster zu bewahren, wenn sich eine einzelne Reihe anders entwickelt.

Auch Start- und Endtermine sind wichtig. Eine kurze Phase schnellen Fortschritts kann dauerhaft exponentiell erscheinen, während ein langfristiger Durchschnitt eine jüngere Verlangsamung verdeckt. Prognosen sollten die zugrunde liegenden Beobachtungen veröffentlichen und zeigen, wie sich Ergebnisse bei anderen Zeitfenstern ändern.

Intelligenz ist möglicherweise keine einzelne skalierbare Größe

Leistung steigt bei Schlussfolgern, Gedächtnis, sozialem Urteilsvermögen, Wahrnehmung, Motorik und faktischer Genauigkeit nicht gleichmäßig. Ein System kann sich in einem Bereich stark verbessern und in einem anderen unzuverlässig bleiben.

Diese Ungleichmäßigkeit stellt Vergleiche zwischen Maschinenkapazität und einer geschätzten Rechenkapazität des Gehirns infrage. Eine bestimmte Zahl an Operationen zu erreichen, verrät nicht, welche Algorithmen, Repräsentationen, Entwicklungserfahrungen oder Architektur nötig sind, um sie wirksam zu nutzen.

Komplexe Systeme erleben Umbrüche

Historische Beziehungen können brechen, wenn sich Technik, Wirtschaft oder Politik verändern. Die Fertigung kann teurer werden. Energiebedarf kann auf lokale Netzgrenzen treffen. Regulierung kann Trainingsdaten oder Einsatz beschränken. Verbraucher können Produkte ablehnen, die sensible Informationen sammeln.

Diese Veränderungen widerlegen sich verstärkenden Fortschritt nicht als allgemeine Beobachtung. Sie schwächen aber das Vertrauen in einen Kalendertag, der davon ausgeht, dass die frühere Rate bestehen bleibt.

Rekursive Verbesserung muss nicht explodieren

Eine leistungsfähige KI-Forschungsinstanz könnte zunächst einfache Verbesserungen finden und danach vor schwierigeren Problemen stehen. Jede Generation könnte kleinere Gewinne bringen, mehr Prüfung verlangen oder von physischen Experimenten mit festen Laufzeiten abhängen.

Software lässt sich manchmal schnell kopieren und testen, doch Chipfertigung, klinische Forschung, Bauprojekte und Energieinfrastruktur folgen anderen Takten. Die Singularitätsbehauptung braucht ein Modell dieser begrenzenden Prozesse, nicht nur ein Modell von Softwareintelligenz.

Flexible Formulierungen schwächen die Widerlegbarkeit

Vorhersagen lassen sich schwer widerlegen, wenn Begriffe wie Intelligenz, Verschmelzung, allgegenwärtig oder menschliches Niveau offen für neue Deutungen bleiben. Ein Gesprächsmodell, ein medizinisches Implantat und ein Smartphone können alle als Teilbestätigung einer breiten Mensch-Maschine-Integration präsentiert werden.

Gute Prognosen legen die Bewertungsregel vor der Frist fest. Ändert sich die ursprüngliche Schwelle erst nach Kenntnis des Ergebnisses, misst die Übung erzählerische Anpassungsfähigkeit statt Vorhersagegenauigkeit.

Wie andere Prognostiker AGI-Zeitpläne schätzen

Andere Prognostiker schätzen AGI mithilfe von Expertenumfragen, Rechenmodellen, Fähigkeitstrends, strukturierten Szenarien und Prognosemärkten. Jede Methode macht andere Unsicherheitsquellen sichtbar.

Expertenumfragen

Umfragen fragen Forschende, wann sie bestimmten Wahrscheinlichkeiten für maschinelle Intelligenz auf menschlichem Niveau oder die Automatisierung bestimmter Aufgaben zuordnen. Sie erfassen fundierte Einschätzungen von Menschen, die nah an der Technologie arbeiten, und können zeigen, wie sich Überzeugungen nach wichtigen Ergebnissen verändern.

Die Antworten hängen stark von Auswahl und Formulierung ab. Eine Umfrage unter Autorinnen und Autoren einer Machine-Learning-Konferenz kann anders ausfallen als eine mit Schwerpunkt Robotik, Neurowissenschaft, Sicherheit oder Wirtschaft. Zu fragen, wann KI den Großteil bezahlter Arbeit erledigen kann, ist nicht dasselbe wie zu fragen, wann sie Menschen bei jeder Aufgabe übertrifft.

Wahrscheinlichkeitsfragen sind aussagekräftiger als die Forderung nach einem einzelnen Jahr. Wer Termine für 10, 50 und 90 Prozent Wahrscheinlichkeit angibt, vermittelt eine Verteilung, statt Unsicherheit hinter einer Punktschätzung zu verbergen.

Rechenbasierte Modelle

Rechenmodelle schätzen die Ressourcen, die nötig sind, um relevante Aspekte menschlicher Kognition nachzubilden, und prognostizieren dann, wann diese Ressourcen erschwinglich sein könnten. Biologische Ankeransätze sind eine Variante dieser Methode.

Die Berechnung ist transparent genug für Anpassungen, doch ihre Unsicherheit ist groß. Forschende müssen Hirnrechenleistung, Trainingsbedarf, algorithmische Effizienz, Hardwarepreise und den Anteil der Kognition schätzen, den ein praktisches System nachbilden muss. Mehrere unsichere Schätzungen zu multiplizieren, kann eine breite Zeitspanne erzeugen.

Fähigkeitsbasierte Prognosen

Fähigkeitsprognosen verfolgen Leistung bei definierten Aufgaben und schätzen, wie schnell Systeme Lücken schließen. Nützliche Ziele sind Softwareprojekte, wissenschaftliches Problemlösen, unbekannte Spiele, Forschungsunterstützung und Handeln in interaktiven Umgebungen.

Diese Methode bleibt nahe an beobachtbaren Ergebnissen. Ihre Schwäche ist, dass Benchmark-Fortschritt nicht mit derselben Rate weitergehen muss und eine Sammlung gewonnener Aufgaben noch immer eine Fähigkeit auslassen kann, die für allgemeines Handeln nötig ist.

Szenarioplanung und Prognosemärkte

Szenarioplanung entwickelt mehrere in sich stimmige Zukünfte, statt eine auszuwählen. Ein schnelles Szenario kann effiziente Algorithmen, reichlich Infrastruktur und erfolgreiche KI-gestützte Forschung verbinden. Ein langsameres Szenario kann abnehmende Erträge, schwieriges Safety Engineering oder begrenzten Einsatz enthalten.

Prognosemärkte und Forecasting-Plattformen schaffen Anreize für gut kalibrierte Schätzungen und erlauben, Überzeugungen nach neuen Belegen zu aktualisieren. Ihr Nutzen hängt von klaren Entscheidungskriterien ab. Ein Markt kann nicht fair entschieden werden, wenn Teilnehmende darüber streiten, welches Ereignis als AGI gilt.

Keine Methode beseitigt die Unsicherheit der Definition. Der Vergleich von Prognosen beginnt damit, sie auf dasselbe Ziel, denselben Belegstandard und dasselbe Wahrscheinlichkeitsniveau zu übertragen.

Signale, die die Prognose stärken oder schwächen würden

Die stärksten Signale messen übertragbare Kompetenz, anhaltende Autonomie, Lerneffizienz, überprüfte Wirtschaftlichkeit und sicheren Einsatz statt Aufmerksamkeit für einzelne Demonstrationen.

Übertragung auf wirklich neue Arbeit

Ein starkes System sollte bei Aufgaben gut abschneiden, die nach seinem Trainingsstichtag entstanden und den Entwicklern vorenthalten wurden. Es sollte unbekannte Regeln ableiten, fehlende Informationen erfragen und Wissen ohne ein eigenes Trainingsprojekt von einem Bereich auf einen anderen übertragen.

Bewertende sollten Formulierungen, Werkzeuge, Datenformate und Umweltbedingungen variieren. Erfolg über diese Variationen hinweg belegt Allgemeinheit besser als das Auswendiglernen eines vertrauten Teststils.

Längere autonome Aufgabenhorizonte

Verfolgen Sie Dauer und Komplexität von Aufgaben, die nach einem klaren Akzeptanzstandard abgeschlossen werden. Zur nützlichen Messung gehören Wiederholungen, menschliche Eingriffe, Prüfzeit und Fehler, die die Umgebung in einem schlechteren Zustand zurücklassen.

Eine größere maximale Demonstrationsdauer ist weniger aussagekräftig als eine längere mittlere zuverlässige Aufgabendauer. Wiederholbare Leistung über viele Versuche zeigt, ob Planung und Wiederherstellung besser geworden sind.

Niedrigere Kosten pro akzeptiertem Ergebnis

Tokenpreise und Modellgröße messen Geschäftswert nicht direkt. Die Kosten pro akzeptiertem Ergebnis umfassen Modellnutzung, Werkzeuge, Prüfung, Korrektur, Infrastruktur und Verluste durch Fehler.

Sinkende überprüfte Kosten über viele Arbeitsarten hinweg würden das Argument der beschleunigten Erträge stützen, weil sie mehr Experimente und breitere Übernahme erlauben. Bleiben Kosten wegen Aufsicht oder Nacharbeit hoch, schwächt das Aussagen, die nur auf günstiger Inferenz beruhen.

Sicheres Lernen nach dem Einsatz

Der Nachweis allgemeiner Intelligenz würde stärker, wenn Systeme neue Erfahrungen ohne unbegrenztes Neutraining aufnehmen könnten, ohne frühere Kompetenz zu verlieren. Tests sollten prüfen, ob das System vertrauenswürdige Belege von Manipulation unterscheidet, Datenschutzgrenzen wahrt und erklären kann, woher eine neue Überzeugung stammt.

Fortschritt hier würde einen wichtigen Unterschied zwischen statischen Modellen und anpassungsfähigen Beschäftigten adressieren. Ein Scheitern würde Organisationen von externen Aktualisierungszyklen abhängig machen, auch wenn einzelne Modelle kenntnisreich wirken.

Unabhängige betriebliche Belege

Auditiert eingesetzte KI kann zeigen, ob sie dauerhafte Verbesserungen in Software, Wissenschaft, Support, Betrieb und anderen Bereichen bringt. Nützliche Berichte umfassen Aufgabenbeschreibungen, Ausgangsleistung, Fehlerschwere, Aufsichtsbedarf und Gesamtkosten.

Gegenbelege für den schnellsten Zeitplan wären eine gleichbleibende Dauer zuverlässig erledigter Aufgaben, anhaltende Fehler bei einfachen Varianten, steigende Infrastrukturkosten pro akzeptiertem Ergebnis oder die Unfähigkeit, Sicherheit zu verbessern, ohne den Großteil nützlicher Autonomie aufzugeben. Das sind stärkere Gegensignale als eine vorübergehende Pause bei einem Benchmark.

Praktische Schlussfolgerungen für die Planung

Die praktische Reaktion auf Kurzweils Prognose besteht darin, sich auf schnelleren KI-Fortschritt vorzubereiten, ohne Geschäft, Karriere oder Politik von einem einzelnen Termin abhängig zu machen.

Aktuelle Fähigkeiten von AGI trennen

Organisationen brauchen keine AGI, um von Sprachmodellen, Softwareagenten, Dokumentenanalyse oder automatisierten Arbeitsabläufen zu profitieren. Sie müssen jedes Werkzeug einer begrenzten Aufgabe zuordnen und prüfen, ob es diese Aufgabe wirtschaftlich erfüllt.

Jedes nützliche System AGI zu nennen, führt in beide Richtungen zu schlechten Entscheidungen. Es fördert leichtfertige Autonomie bei unzuverlässigen Modellen und unnötige Verzögerung, wenn eine begrenzte Anwendung unter Aufsicht bereits funktioniert.

Reversible Experimente nutzen

Ein sinnvoller Umsetzungsprozess begrenzt die Kosten, wenn man falschliegt:

• Aufgabe, Einschränkungen und Akzeptanztest vor der Modellauswahl definieren
• Folgenreiche Aktionen bis zur Messung der Leistung hinter expliziter Freigabe halten
• Fehler nach Schwere und Ursache erfassen, statt sie in einem einzigen Wert zu mitteln
• Snapshots, Protokolle und Rollback-Verfahren zur Wiederherstellung bewahren
• Gesamte überprüfte Kosten mit dem bestehenden Prozess vergleichen

Dieser Ansatz bleibt bei schnellem, ungleichmäßigem oder langsamem KI-Fortschritt nützlich. Er schafft Belege, die die Strategie aktualisieren können, ohne eine Überzeugung über den genauen Zeitpunkt von AGI zu verlangen.

Koder.ai bietet eine Möglichkeit, ein solches Experiment für die Softwareentwicklung durchzuführen. Die Chat-Oberfläche kann React-Webanwendungen, Go-Services mit PostgreSQL-Datenbanken und Flutter-Mobile-Apps erstellen. Der Planungsmodus hilft, Arbeit vor der Umsetzung zu definieren, während Snapshots und Rollback Versuche leichter rückgängig machen. Quellcodeexport, Bereitstellung, Hosting und Unterstützung eigener Domains ermöglichen einem Team, eine Anwendung zu testen und praktische Kontrolle über das Ergebnis zu behalten.

Diese Fähigkeiten hängen nicht davon ab, AGI für angekommen zu erklären. Sie wenden heutige KI auf einen bestimmten Ablauf mit prüfbaren Ergebnissen an. Eine Gründerin oder ein Gründer kann eine Website, ein CRM, ein ERP oder ein mobiles Produkt prototypisch umsetzen, mit Nutzern testen und entscheiden, ob weitere Investitionen gerechtfertigt sind.

Über drei Szenarien hinweg planen

Ein Szenario schnellen Fortschritts nimmt an, dass Agenten bald bei langen Aufgaben zuverlässig werden. Die Vorbereitung sollte sich auf Berechtigungsdesign, Bewertungskapazität, organisatorische Integration und schnelles Experimentieren konzentrieren.

Ein Szenario ungleichmäßigen Fortschritts nimmt starke Leistung in einigen Bereichen bei anhaltenden Schwächen anderswo an. Die Vorbereitung sollte sich auf die Zerlegung von Aufgaben, die Weiterleitung an das passende System und den Erhalt menschlicher Prüfung konzentrieren, wenn Fehler hohe Kosten verursachen.

Ein Szenario langsamen Fortschritts nimmt an, dass heutige Methoden auf harte Grenzen stoßen. Die Vorbereitung sollte Investitionen bevorzugen, die auch herkömmliche Abläufe verbessern, etwa bessere Daten, klarere Prozesse, modulare Software und messbare Qualitätskontrollen.

Eine Entscheidung, die in allen drei Szenarien funktioniert, ist wertvoller als eine große unumkehrbare Wette, die nur gelingt, wenn eine Prognose exakt richtig liegt.

Zu jeder Vorhersage präzise Fragen stellen

Bevor Sie nach einer AGI-Prognose handeln, klären Sie:

• Welches beobachtbare Verhalten gilt als AGI?
• Welche Wahrscheinlichkeit ist dem genannten Jahr zugeordnet?
• Welche Belege würden die prognostizierende Person dazu bringen, den Termin zu verschieben?
• Welche technischen oder sozialen Einschränkungen sind aus dem Modell ausgeschlossen?
• Wie wird die Vorhersage bewertet, wenn das Ergebnis in einer anderen Form eintritt?

Kurzweils Zeitplan ist am nützlichsten als Hypothese über sich verstärkenden technologischen Fortschritt. Sein Wert liegt in den Messgrößen und Annahmen, die er zur Prüfung einlädt, nicht darin, ein Kalenderjahr als Versprechen zu behandeln. Bereiten Sie sich mit begrenzten Experimenten, unabhängiger Bewertung und reversiblen Entscheidungen vor. Ändern Sie dann den Kurs, wenn sich die Belege ändern.