„Ich denke, jetzt ist es soweit. Ich glaube, wir haben AGI erreicht.“ Das waren die Worte von Jensen Huang im Lex Fridman Podcast, die Schockwellen durch die KI-Community gesendet und die bedeutendste Debatte in der künstlichen Intelligenz neu entfacht haben: Wurde die allgemeine künstliche Intelligenz erreicht?
Aber der CEO von Nvidia hat absichtlich jegliche Art von rigoroser Erklärung, Forschung oder Debatte darüber umschifft, was AGI tatsächlich bedeutet. Seine Definition von AGI war reiner Hype: ein KI-System, das ein Unternehmen im Wert von 1 Milliarde Dollar aufbauen kann. Nur das. Die meisten AGI-Definitionen beziehen sich auf die Übereinstimmung mit einem breiten Spektrum menschlicher kognitiver Fähigkeiten. Für Jensen Huang bedeutet Intelligenz implizit, dass sie mit Skalierung gleichzusetzen ist. Mit größeren Modellen, mehr Parametern, mehr Daten und mehr Rechenleistung werden Systeme fähiger. Unter diesem Gesichtspunkt ist Intelligenz ein Nebeneffekt quantitativer Expansion.
Die Skalierungshypothese: Warum größere KI-Modelle nicht gleich intelligenter KI bedeuten
Wir gehen davon aus, dass dieser Ansatz unbestreitbare Fortschritte gebracht hat. Großflächige Modelle zeigen beeindruckende Leistungen in einer Vielzahl von Aufgaben und übertreffen oft menschliche Benchmarks in engen Bereichen (Bommasani et al., 2021). Wir haben jedoch mehrere Male darauf hingewiesen, dass diese zugrunde liegende Annahme fragil ist: eine Erhöhung der Kapazität wird keine Allgemeingültigkeit erzeugen.
Die Einschränkung ist nicht nur praktisch, sondern strukturell. Skalierung verbessert die Leistung innerhalb bekannter Verteilungen, garantiert jedoch kein kohärentes Verhalten außerhalb davon (Lake et al., 2017). Sie verstärkt, was bereits vorhanden ist; sie reorganisiert das System nicht. Wie die Forschung von IBM betont hat, kämpfen die heutigen LLMs weiterhin mit grundlegenden Schlussfolgerungsaufgaben: sie sagen voraus, aber sie verstehen nicht wirklich.
Infolgedessen zeigen diese Systeme oft ein vertrautes Muster: starke lokale Kompetenz kombiniert mit globaler Inkonsistenz. Sie können komplexe Probleme lösen, scheitern jedoch an einfachen. Sie können in einigen Kontexten verallgemeinern, scheitern jedoch in anderen. Das Problem liegt nicht im Mangel an Fähigkeiten, sondern im Mangel an Integration. Genau deshalb hat sich die AGI-Skalierungsdebatte im Jahr 2026 intensiviert: Berechnung ist physisch, und die Skalierung hat abnehmende Renditen erreicht.
Google DeepMinds kognitiver Rahmen zur Messung des AGI-Fortschritts
Eine zweite Position, die in jüngsten Rahmenbedingungen von Google DeepMind formuliert wurde, definiert Intelligenz als ein multidimensionales Konstrukt, das aus kognitiven Fakultäten wie Wahrnehmung, Gedächtnis, Lernen, Schlussfolgern und Metakognition besteht. Viel besser…
Unter dieser Sichtweise kann der Fortschritt in Richtung AGI gemessen werden, indem Systeme über eine Batterie von Aufgaben bewertet werden, die darauf ausgelegt sind, jede dieser Fakultäten zu überprüfen (Burnell et al., 2026). Aber wie werden Aufgaben gestaltet? Trainieren wir die KIs mit den Fragen und Antworten, denen sie in den Prüfungen gegenüberstehen werden?
Quelle: Burnell, R. et al. (2026). Fortschritt in Richtung AGI messen: Ein kognitiver Rahmen. Google DeepMind. Papier ansehen (PDF)
Mindestens dieser Ansatz erkennt an, dass Intelligenz keine einzelne skalare Größe ist, sondern ein komplexes Set interagierender Fähigkeiten, das auf jahrzehntelanger Arbeit in der kognitiven Wissenschaft basiert (Carroll, 1993; Cattell, 1963).
Warum kognitive Profile allein künstliche allgemeine Intelligenz nicht definieren können
Die Einschränkung liegt jedoch darin, wie diese Fakultäten behandelt werden. Obwohl der Rahmen ihre Interaktion anerkennt, bewertet er sie letztlich als trennbare Komponenten und erstellt ein "kognitives Profil" von Stärken und Schwächen.
Das führt zu einer kritischen und überraschenden Verzerrung.
Denn Intelligenz ist nicht die Summe der Fakultäten. Es ist das, was entsteht, wenn diese Fakultäten unter einer einheitlichen Dynamik organisiert sind. Tatsächlich zeigt der g-Faktor, wie wir in unserem ersten wissenschaftlichen Grundlagenschreiben erklärt haben, eine klare Hierarchie. Komponenten organisieren sich in Schichten!
Quelle: Sanchez, J. & Vivancos, D. (2024). Qubic AGI Journey: Menschliche und künstliche Intelligenz: Auf dem Weg zu einer AGI mit Aigarth. Papier auf ResearchGate ansehen
Ein System kann in mehreren Bereichen hohe Punktzahlen erzielen und dennoch nicht intelligent im allgemeinen Sinne handeln. Nicht weil es an Fähigkeiten mangelt, sondern weil diese Fähigkeiten nicht kohärent integriert sind. Der DeepMind-Rahmen vermeidet es ausdrücklich anzugeben, wie diese Prozesse implementiert sind, und konzentriert sich stattdessen darauf, was das System tun kann. Das macht es nützlich als Benchmarking-Werkzeug, aber unzureichend als Theorie der Intelligenz. Irgendwie scheinen KI-Unternehmen zu vergessen, was wir seit einem Jahrhundert über Intelligenz wissen: was es ist, wie man es misst, welche Komponenten, Domänen und deren Interaktionen sind.
Das Problem des schwächsten Gliedes: Warum die durchschnittliche KI-Leistung kritische Misserfolge verbirgt
Das zentrale Problem ist, dass die Leistung gemessen wird, die Organisation jedoch nicht.
Und das führt zu einem tiefergehenden Problem: Die Schwäche eines Systems liegt in dem schwächsten Glied seiner Kette. Ein System kann im Durchschnitt gut abschneiden und dennoch systematisch in bestimmten Dimensionen wie Kontextbeibehaltung oder Stabilität versagen. Diese Misserfolge sind nicht marginal. Sie definieren das System.
Ein System, das schlussfolgern kann, aber keinen Kontext aufrechterhalten kann, das lernen kann, aber nicht übertragen kann, das generieren kann, aber nicht validieren kann, ist nicht teilweise intelligent. Es ist strukturell limitiert. Und diese Einschränkung zeigt sich nicht in durchschnittlichen Profilen, denn das Durchschnittliche verdeckt den Punkt des Versagens.
In echter Intelligenz gibt es keine Toleranz für interne Diskontinuitäten. In dem Moment, in dem eine Komponente nicht mit den anderen integriert ist, hört das Verhalten auf, allgemein zu sein, und wird lokal (Kovacs & Conway, 2016).
Das ist genau das Muster, das man in aktuellen KI-Systemen beobachtet: hochentwickelte Fähigkeiten, die schwach gekoppelt sind. Wie in unserem tiefen Vergleich biologischer und künstlicher neuronaler Netzwerke untersucht, bleibt die Kluft zwischen Mustererkennung und echter kognitiver Integration enorm.
Qubics Ansatz: Intelligenz als adaptive Organisation unter Unsicherheit
Für Qubic/Aigarth/Neuraxon wird Intelligenz nicht durch die Anzahl der Fähigkeiten eines Systems definiert und auch nicht durch die Qualität seiner Leistung bei vordefinierten Aufgaben, sondern durch sein Verhalten, wenn es nicht bereits weiß, was zu tun ist. Denn das ist der Inbegriff von Intelligenz: was du tust, wenn du nicht weißt, was du tun sollst.
In diesem Sinne ist Intelligenz grundsätzlich ein adaptiver Prozess unter Unsicherheit (Bereiter, 1995). Diese Sichtweise steht im Einklang mit klassischen Definitionen, bei denen Intelligenz als die Fähigkeit verstanden wird, neuartige Probleme zu lösen, interne Modelle zu erstellen und darauf zu handeln (Goertzel & Pennachin, 2007). Aber sie erweitert sie, indem sie das Substrat betont, in dem diese Prozesse stattfinden.
Biologische Beweise: Der G-Faktor, Gehirnnetzwerke und kognitive Integration
Aus dieser Perspektive ergibt sich Intelligenz aus der Organisation des Systems, nicht aus seinen Komponenten. Biologische Beweise unterstützen diesen Wandel. Der allgemeine Intelligenzfaktor (g) wird nicht durch isolierte kognitive Module erklärt, sondern durch die Effizienz und Integration großflächiger Gehirnnetzwerke (Jung & Haier, 2007; Basten et al., 2015). Intelligenz korreliert stärker mit Mustern der Konnektivität und koordinierten Aktivitäten als mit der Leistung einzelner Regionen.
Unsere Forschung zum Fruchtfliegen-Connectom stärkt dieses Prinzip weiter: Selbst in der einfachsten vollständigen Gehirnkarte, die je erstellt wurde, beginnt Intelligenz mit der Architektur. Das Connectom von Drosophila zeigt, dass ein Teil der Intelligenz möglicherweise in der Struktur liegt, selbst bevor Lernen auftritt.
Aigarth und Multi-Neuraxon: Gehirn-inspirierte KI-Architektur für echte AGI
Architekturen wie Aigarth und Multi-Neuraxon versuchen, diese Idee zu operationalisieren. Statt die Skalierung zu maximieren oder Fähigkeiten zu enumerieren, konzentrieren sie sich darauf, wie mehrere interagierende Einheiten (Sphären, oszillatorische Kanäle und dynamische Gating-Mechanismen) kohärentes Verhalten über Kontexte hinweg erzeugen können (Sanchez & Vivancos, 2024).
In diesen Systemen ist Intelligenz nicht vordefiniert. Sie ist nicht in Modulen kodiert oder als Checkliste von Fähigkeiten bewertet. Sie entsteht aus der Interaktion zwischen Komponenten, die selbst adaptiv, zeitlich strukturiert und gegenseitig eingeschränkt sind. Wie wir in der Neuraxon Intelligence Academy erkunden, integrieren diese Netzwerke Neuromodulation, Mehrzeitskalige Plastizität und astrozytisches Gating, Prinzipien, die direkt aus der Neurowissenschaft stammen, um Systeme mit interner Ökologie anstelle von bloßer Rechenleistung zu schaffen.
Wichtig ist, dass dieser Ansatz direkt das Problem anspricht, das von den anderen beiden ignoriert wurde: Integration. Die Frage von AI-Bewusstsein vs. Intelligenz beleuchtet diesen Unterschied weiter: Ein System, das mehrere Ebenen integriert, dynamische Stabilität aufrechterhält und sich weiterentwickelt, ohne seine Kohärenz zu verlieren, bietet eine weit stärkere Grundlage für allgemeine Intelligenz.
Fazit: Warum die AGI-Debatte über Hype und Benchmarks hinausgehen muss
Denn in einem organisierten System propagiert ein Versagen in einer Komponente durch das ganze System. Deshalb fängt weder Jensen Huangs wirtschaftliche Definition noch DeepMinds kognitive Profilierung das Wesen der künstlichen allgemeinen Intelligenz ein. Der Weg zu AGI verläuft nicht über größere GPU-Cluster oder längere Checklisten kognitiver Fähigkeiten. Er verläuft über die grundlegende Reorganisation, wie KI-Systeme gebaut werden: von der Optimierung zur Organisation.
Wir müssen von der Optimierung (LLMs) zur Organisation (Aigarth) übergehen. Wir sind fest davon überzeugt, dass dies einer der relevantesten Wandel in der Zukunft der künstlichen Intelligenz ist.
Wissenschaftliche Referenzen
Basten, U., Hilger, K., & Fiebach, C. J. (2015). Wo sich schlaue Gehirne unterscheiden: Eine quantitative Meta-Analyse von funktionalen und strukturellen Gehirnbildgebungsstudien zur Intelligenz. Intelligence, 51, 10–27. https://doi.org/10.1016/j.intell.2015.04.009
Bereiter, C. (1995). Eine dispositionale Sicht auf Transfer. Teaching for Transfer: Fostering Generalization in Learning, 21–34.
Bommasani, R., Hudson, D. A., Adeli, E., et al. (2021). Zu den Chancen und Risiken von Grundmodellen. arXiv preprint arXiv:2108.07258. https://arxiv.org/abs/2108.07258
Burnell, R., Yamamori, Y., Firat, O., et al. (2026). Fortschritt in Richtung AGI messen: Ein kognitiver Rahmen. Google DeepMind. Papier ansehen
Carroll, J. B. (1993). Menschliche kognitive Fähigkeiten: Eine Umfrage von faktoranalytischen Studien. Cambridge University Press. https://doi.org/10.1017/CBO9780511571312
Cattell, R. B. (1963). Theorie der fluiden und kristallisierten Intelligenz: Ein kritisches Experiment. Journal of Educational Psychology, 54(1), 1–22.
Goertzel, B., & Pennachin, C. (2007). Künstliche allgemeine Intelligenz. Springer.
Jung, R. E., & Haier, R. J. (2007). Die Parieto-Frontal Integration Theory (P-FIT) der Intelligenz. Behavioral and Brain Sciences, 30(2), 135–154. https://doi.org/10.1017/S0140525X07001185
Kovacs, K., & Conway, A. R. A. (2016). Prozessüberlappungstheorie: Ein einheitlicher Bericht über den allgemeinen Faktor der Intelligenz. Psychological Inquiry, 27(3), 151–177. https://doi.org/10.1080/1047840X.2016.1153946
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Maschinen bauen, die lernen und denken wie Menschen. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837
Sanchez, J., & Vivancos, D. (2024). Qubic AGI Journey: Menschliche und künstliche Intelligenz: Auf dem Weg zu einer AGI mit Aigarth. Preprint. Ansicht auf ResearchGate