Die Entwicklung einer Künstlichen Allgemeinen Intelligenz (AGI) ist das aktuell prioritäre Ziel von Alphabet (Google), OpenAI (Microsoft) und Meta (Facebook). Eine AGI würde über ein allgemeines und umfassendes Wissen sowie eine Flexibilität und Anpassungsfähigkeit verfügen, die es ihr erlaubt, nahezu beliebige Aufgaben und Probleme zu bewältigen, ganz wie ein menschlicher Intellekt. Um dieses anspruchsvolle Ziel zu erreichen, ist eine Vielzahl verschiedener wissenschaftlicher Disziplinen und technologischer Bausteine erforderlich.
Ein wichtiger Ansatz stellen verbesserte Lernverfahren und neuronale Netze dar. Diese Methoden haben in den letzten Jahren enorme Fortschritte in der Mustererkennung ermöglicht und bilden die Grundlage für Durchbrüche bei der Bild- und Spracherkennung. Sie werden zweifellos wesentlich sein, um komplexe sensorische Daten und sprachliche Informationen zu verarbeiten. Dennoch sind rein datengetriebene Ansätze aufgrund ihrer Spezialisierung auf einzelne Bereiche und Aufgaben alleine nicht in der Lage, ein tatsächlich allgemeines und vielseitiges Denkvermögen abzubilden.
Eine weitere entscheidende Fähigkeit ist das selbstständige Lernen aus eigenen Handlungen in wechselnden Umgebungen. Hierfür sind Fortschritte beim Reinforcement Learning nötig. Hierunter fallen Modelle, die es Systemen ermöglichen, basierend auf Belohnungen und Bestrafungen Strategien in komplexen Situationen zu entwickeln.
Um eine breite Anwendbarkeit in verschiedenen Domänen zu verbessern, müssen Systeme außerdem in der Lage sein, Wissen effizient zu transferieren. Techniken für Transfer Learning und Few-Shot Learning könnten dies unterstützen und Modellen erlauben, schnell auf neue Herausforderungen reagieren zu können, ohne jedes Mal von Grund auf neu lernen zu müssen.
Ergänzend hierzu sind hybride Ansätze erforderlich, die sowohl die Flexibilität von neuronalen Netzen als auch die logischen und erklärbaren Modelle des symbolischen Schließens vereinen. Hier besteht noch erheblicher Forschungsbedarf. Vielversprechende Richtungen könnten neuro-symbolische Modelle oder generative Modelle wie Generative Adversarial Networks darstellen.
Darüber hinaus sind Fortschritte in Rechenleistung und Energieeffizienz der unterstützenden Hardware nötig. Während neuromorphe Chips und Quantencomputer Möglichkeiten eröffnen, entfernen sich diese Konzepte derzeit noch von der Praxistauglichkeit.
So wie sich die aktuelle Lage heute darstellt, wird für die Umsetzung nur noch Geld und etwas Zeit benötigt. Es wird spannend sein, welches Unternehmen als erstes das Ziel erreicht.