Der interessanteste Teil an Google DeepMinds neuem Papier über den Weg von AGI zu ASI ist nicht die Vorstellung einer Superintelligenz. Es ist die Vermessung davor.
Mit „From AGI to ASI“, am 10. Juni 2026 von Tim Genewein und 13 weiteren Autoren bei arXiv eingereicht, legt DeepMind eine technische Landkarte für einen Begriff vor, der seit Jahren unscharf benutzt wird. Künstliche Allgemeine Intelligenz, AGI, war lange eine Projektionsfläche. Für Optimisten ein Zielzustand. Für Kritiker ein Nebelwort. Für Unternehmen ein nützliches Versprechen. DeepMind behandelt den Begriff nun wie ein System, das klassifiziert, geprüft und in Eskalationsstufen zerlegt werden muss.
Das ist der operative Kern: Wer AGI und ASI definiert, definiert auch, welche Fortschritte zählen, welche Risiken sichtbar werden und welche Modelle als relevant gelten. Die Superintelligenz ist in diesem Papier nicht nur ein hypothetischer Endpunkt. Sie ist ein Prüfproblem.
Von der Erzählung zur Messarchitektur
DeepMind arbeitet dabei nicht im luftleeren Raum. Bereits das frühere Papier „Levels of AGI: Operationalizing Progress on the Path to AGI“, veröffentlicht von Forschern des Unternehmens, darunter Meredith Ringel Morris und Shane Legg, versuchte, AGI aus der Sphäre der bloßen Behauptung zu holen. Der dort vorgeschlagene Rahmen unterteilt KI-Systeme in sechs Stufen: von Level 0, also keiner KI, bis Level 5, Superhuman AGI beziehungsweise ASI.
Wichtiger als die Stufen selbst ist die Achse, auf der sie angeordnet werden. Das Framework trennt Leistung von Allgemeinheit. Ein System kann in einer engen Domäne stark sein, ohne allgemein zu sein. Es kann breit einsetzbar sein, ohne in jeder Aufgabe den besten Menschen zu übertreffen. Diese Trennung ist trocken, aber entscheidend. Sie verhindert, dass ein einzelner Benchmark oder ein spektakulärer Demo-Fall sofort als Beleg für AGI herhalten muss.
Aktuelle generative Sprachmodelle wie GPT-4, Llama 2 und Gemini werden in diesem Rahmen als „Emerging AGI“, also Level 1, eingeordnet. Das ist eine nüchterne Klassifizierung. Sie nimmt den Modellen weder ihre Fähigkeiten noch überhöht sie sie. Sie sagt: Diese Systeme zeigen Ansätze allgemeiner Fähigkeiten, aber sie sind nicht am Zielpunkt.
Die vier Pfade zur Superintelligenz
Das neue Papier „From AGI to ASI“ setzt eine Ebene darüber an. Es fragt nicht nur, wie AGI beschrieben werden kann. Es fragt, auf welchen Wegen ein Übergang zu Künstlicher Superintelligenz möglich wäre.
DeepMind nennt vier Pfade: Skalierung bestehender AGI-Systeme, einen Paradigmenwechsel in der KI, rekursive Verbesserung und ASI aus großen Multi-Agenten-Kollektiven. Jeder dieser Pfade hat eine andere technische Logik.
Skalierung ist der vertrauteste Pfad. Mehr Rechenleistung, größere Modelle, mehr Daten, längere Trainingsläufe, bessere Inferenzverfahren. Das ist die industrielle Route. Sie passt zu den heutigen Investitionsmustern in Rechenzentren, Chips, Energieverträge und Modellinfrastruktur.
Der Paradigmenwechsel ist weniger planbar. Er meint nicht einfach ein größeres Modell, sondern eine neue technische Grundlage. Andere Architekturen. Andere Lernverfahren. Andere Formen von Planung, Gedächtnis oder Umweltinteraktion. Dieser Pfad ist für Unternehmen schwerer zu kontrollieren, weil er weniger direkt aus Kapitalausgaben ableitbar ist.
Rekursive Verbesserung ist der gefährlichste Begriff in der Liste, weil er schnell ins Spekulative kippt. Technisch beschreibt er die Möglichkeit, dass KI-Systeme an der Verbesserung künftiger KI-Systeme mitwirken. Nicht zwingend als autonomer Selbstlauf, aber als Beschleuniger im Forschungs- und Entwicklungsprozess. Schon diese abgeschwächte Variante reicht aus, um Governance-Fragen zu verschärfen: Wer prüft Systeme, die beim Bau der nächsten Systemgeneration helfen?
Multi-Agenten-Kollektive verschieben die Perspektive vom einzelnen Modell zum Verbund. ASI könnte dann nicht als ein monolithisches System entstehen, sondern als koordinierte Struktur vieler spezialisierter Agenten. Das wäre weniger Science-Fiction als Infrastrukturproblem: Orchestrierung, Zugriffskontrolle, Zielkonflikte, Monitoring, Ausfallszenarien.
Warum die Klassifikation Macht verschiebt
Ein Klassifizierungsrahmen wirkt harmlos. Tabellen, Stufen, Definitionen. In der KI-Industrie ist er jedoch ein Machtinstrument. Er legt fest, wie Fortschritt beschrieben wird. Er gibt Regulierern Begriffe. Er zwingt Wettbewerber, ihre Systeme an einer Sprache zu messen, die nicht neutral entstanden ist, sondern aus einem der wichtigsten KI-Labore der Welt kommt.
Das bedeutet nicht, dass der Rahmen falsch ist. Im Gegenteil: Die Trennung von Fähigkeiten, Allgemeinheit und Risikobewertung ist methodisch sinnvoll. Aber sie positioniert DeepMind nicht nur als Entwickler von KI-Systemen. Das Unternehmen tritt auch als Vermesser des Feldes auf.
Das ist strategisch stark. Wer Messmethoden mitprägt, beeinflusst Forschung, Regulierung und öffentliche Wahrnehmung. Ein Labor, das ein Modell veröffentlicht, konkurriert über Leistung. Ein Labor, das eine Taxonomie etabliert, konkurriert über Standards.
Für politische Institutionen ist das attraktiv. AGI und ASI sind schwer regulierbar, solange sie nur als Schlagworte existieren. Ein Stufenmodell bietet Anschlussfähigkeit: Welche Prüfpflichten gelten ab welcher Fähigkeitsklasse? Wie wird Allgemeinheit nachgewiesen? Welche Evaluierungen sind nötig, bevor ein System breit eingesetzt wird? Welche Risiken hängen nicht an der Modellgröße, sondern an der Einsatzbreite?
Damit verschiebt sich die Debatte von Absichtserklärungen zu Nachweispflichten. Das ist unbequem für Anbieter, die ihre Systeme gern flexibel beschreiben. Mal als Werkzeug. Mal als Assistent. Mal als Schritt Richtung AGI. Eine belastbare Taxonomie nimmt diesem Spielraum etwas Luft.
Die Schwäche bleibt die Messung
Der harte Teil beginnt dort, wo die Begriffe in Tests übersetzt werden. Allgemeinheit ist nicht einfach messbar. Leistung ebenfalls nicht. Benchmarks altern schnell. Modelle werden auf Testformate optimiert. Viele reale Aufgaben bestehen nicht aus isolierten Fragen, sondern aus langen Ketten: Kontext halten, Ziele priorisieren, Werkzeuge nutzen, Unsicherheit erkennen, Fehler korrigieren.
Genau deshalb ist die Operationalisierung so wichtig. Sie ersetzt keine Sicherheitsforschung. Sie löst auch nicht die ethischen Fragen, die mit hochfähigen KI-Systemen verbunden sind. Aber sie zwingt dazu, Fortschritt nicht nur über Demos, Ranglisten oder Modellnamen zu erzählen.
Die offene Flanke bleibt: Ein Stufenmodell kann den Eindruck von Kontrolle erzeugen, auch wenn die zugrunde liegenden Phänomene nur teilweise verstanden sind. Besonders beim Übergang zu ASI ist Vorsicht nötig. Die vier Pfade sind Szenarien, keine Vorhersagen. Sie beschreiben mögliche technische Richtungen, nicht den Ablauf der kommenden Jahre.
Trotzdem ist der Schritt relevant. Nicht, weil DeepMind damit den Weg zur Superintelligenz kennt. Sondern weil das Unternehmen die Sprache baut, mit der dieser Weg künftig bewertet werden könnte.
Der Gewinner ist die Prüfdisziplin
Die unmittelbaren Gewinner sind DeepMind, KI-Forscher und Regulierungsbehörden. DeepMind stärkt seine Rolle als Akteur, der nicht nur Modelle entwickelt, sondern Deutungsrahmen setzt. Forscher bekommen eine präzisere Struktur für Diskussionen über Fähigkeiten und Risiken. Regulierer erhalten ein Raster, das grob genug für Politik und konkret genug für erste Aufsichtsinstrumente ist.
Die Verlierer sind vage AGI-Behauptungen. Wer Fortschritt nur über große Worte beschreibt, muss sich an einer strengeren Frage messen lassen: Welche Fähigkeit, welche Breite, welches Leistungsniveau, welcher Nachweis?
Das 60-seitige Papier ist deshalb weniger eine Prophezeiung als ein technisches Kontrollschema. Es zerlegt den Weg von AGI zu ASI in Pfade, Stufen und Bewertungsprobleme. Für eine Branche, die gern schneller baut, als sie Begriffe klärt, ist genau das der relevante Eingriff.
