Google DeepMind hat ein ausführliches Essay veröffentlicht, in dem untersucht wird, was nach dem Erreichen der AGI – einer allgemeinen KI, die fast alle intellektuellen Aufgaben auf menschlichem Niveau ausführen kann – geschieht. Der Autor des Textes ist Tim Genewein, und laut Branchenpublikationen wurde er am 19. November 2026 veröffentlicht. Die zentrale Idee der Arbeit: Die nächste Stufe nach der AGI könnte ASI sein – eine künstliche Superintelligenz, die große Teams von Experten bei Aufgaben, für die Menschen Jahre brauchen, beständig übertreffen wird, während sie gleichzeitig weniger Zeit und Ressourcen verbraucht. Dabei betont das Essay, dass schneller Fortschritt nicht garantiert ist: Jedes der beschriebenen Szenarien ist mit eigenen technischen Engpässen verbunden.

"Kognitive Industrialisierung": Die Ökonomie des Übergangs

Als Schlüsselfaktor für den Übergang von AGI zu ASI nennt Genewein die "kognitive Industrialisierung" – die massenhafte Verbilligung und Automatisierung intellektueller Arbeit. Seinen Daten zufolge sind die effektiven Rechenressourcen für KI in den letzten zehn Jahren jährlich um mindestens das Zehnfache gestiegen. Diese Dynamik wurde gleichzeitig von drei Faktoren beeinflusst: Verbesserungen der Hardware, Steigerung der Algorithmen-Effizienz und steigende Investitionen in KI-Infrastruktur. Konkret stieg die Rechenleistung pro investiertem Dollar dank der Fortschritte in der Chipfertigung um etwa das 1,5-Fache pro Jahr, während die Effizienz von Trainingsalgorithmen im letzten Jahrzehnt jährlich um das 3- bis 6-Fache zunahm.

Wenn dieser Trend anhält, könnten in zehn Jahren für eine intellektuelle Aufgabe, die heute KI-Berechnungen im Wert von einer Milliarde Dollar erfordert, nur noch tausend Dollar ausreichen. Gleichzeitig könnte die Anzahl der KI-Agenten vergleichbarer Qualität, die mit verfügbaren Rechenressourcen ausgeführt werden können, theoretisch die aktuelle Weltbevölkerung übersteigen. Nach einer vorsichtigeren Schätzung unter Berücksichtigung physischer und wirtschaftlicher Beschränkungen könnte die Gesamtzahl der verfügbaren Agenten bis 2030 um mehr als das 1.000-Fache und innerhalb eines Jahrzehnts um mehr als eine Milliarde Mal steigen.

Vier technologische Wege von AGI zu ASI

Der erste Weg ist die weitere Skalierung: die Vergrößerung der Modellgrößen, der Volumina der Trainingsdaten und der für die Bearbeitung jeder Anfrage zugewiesenen Rechenleistung. Dieser Ansatz fördert bereits die KI-Fähigkeiten, stößt jedoch auf Engpässe bei hochwertigen Daten, sinkende Erträge bei immer größeren Modellen und Einschränkungen der physischen Infrastruktur. Der zweite Weg ist der Übergang zu neuen technologischen Paradigmen. Moderne Modelle werden primär darauf trainiert, das nächste Element einer Sequenz vorherzusagen, und dann für Schlussfolgerungen und Anweisungen feinabgestimmt, doch sie haben weiterhin Einschränkungen beim kontinuierlichen Lernen, beim Aufbau von Weltmodellen, bei der Entscheidungsfindung und bei der Fähigkeit, eigenständig grundlegend neue Konzepte zu schaffen. Die Wissenschaft ist sich noch nicht einig, ob diese Mängel durch die Weiterentwicklung bestehender Architekturen behoben werden können oder ob grundlegend neue Ansätze erforderlich sind.

Der dritte Weg ist die Koordination einer Vielzahl von KI-Agenten. Ähnlich wie Unternehmen und wissenschaftliche Gemeinschaften Probleme lösen, die für Einzelpersonen unerreichbar sind, könnten sich Millionen von AGI-Instanzen zu virtuellen Kollektiven zusammenschließen. Erste Experimente zeigen, dass die Interaktion von Agenten die Effizienz bei einigen Aufgaben steigern kann; bei einer größeren Anzahl entstehen jedoch Verluste aufgrund von Koordinationskomplexität sowie Probleme durch Fehlerfortpflanzung, Manipulation und Absprachen zwischen den Agenten. Der vierte Weg ist die rekursive Selbstverbesserung (RSI): Die KI verbessert eigenständig ihren Programmcode, Modellarchitekturen, Trainingsalgorithmen und sogar das Chipdesign, wodurch die Erstellung nachfolgender Systemgenerationen beschleunigt wird. AlphaZero, das durch eigene Erfahrung ein übermenschliches Spielniveau erreichte, dient hier als Beispiel. Dabei wird sich die Selbstverbesserung nicht unbedingt unendlich beschleunigen: Weitere Verbesserungen erfordern immer größere Anstrengungen, und Fehler bei der Bewertung von Ergebnissen könnten den Prozess stoppen oder sogar verschlechtern.

Kontext der Prognosen und Vorbehalte

Das Essay baut auf Ideen eines früheren technischen Berichts "Von AGI zu ASI" auf und fügt sich in die allgemeine Linie der öffentlichen Äußerungen der DeepMind-Führung ein. Zuvor wies der CEO der Abteilung, Demis Hassabis, auf die Möglichkeit hin, dass allgemeine KI und superstarke Systeme um 2030 herum entstehen könnten, und im Jahr 2026 korrigierte er seine Prognosen bezüglich der Zeitpläne für das Erreichen der AGI. Im neuen Text betont Genewein, dass sich die vier Richtungen nicht gegenseitig ausschließen und ihre Wirkung verstärken können: selbst wenn die rekursive Selbstverbesserung nicht zu einer unkontrollierten Fortschrittsbeschleunigung führt, könnten die Zunahme von Rechenressourcen, Modelleffizienz und die Anzahl koordiniert arbeitender Agenten die KI-Entwicklung über das menschliche Niveau hinaus vorantreiben. Daraus folgt ein wichtiger Schluss: Die Einschränkung nur eines Bereichs, beispielsweise der Rechenleistung für das Training von Modellen, wird den Weg zur ASI nicht unbedingt stoppen, da die Entwicklung auf den anderen beschriebenen Pfaden fortgesetzt werden könnte.