🤖 AI

On the Definition of Intelligence

Dieses Papier schlägt eine speziesunabhängige Definition von Intelligenz basierend auf „Entity Fidelity“ vor, formalisiert als $\varepsilon$ -Konzeptintelligenz, welche die Fähigkeit eines Agenten bewertet, neue Instanzen eines Konzepts zu generieren, die innerhalb einer spezifizierten Toleranz von den ursprünglichen Beispielen ununterscheidbar sind.

Ursprüngliche Autoren: Kei-Sing Ng

Veröffentlicht 2026-08-13

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kei-Sing Ng

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Rätsel: „Was ist eigentlich intelligent?“

Stellen Sie sich vor, Sie stünden in einer riesigen, chaotischen Bibliothek, in der die Bücher in jeder erdenklichen Sprache geschrieben sind – und einige davon bestehen nicht einmal aus Papier, sondern aus Licht, Klang oder reiner Mathematik. Seit Jahrzehnten versuchen Wissenschaftler und Ingenieure, eine Maschine zu bauen, die diese Bücher ebenso gut lesen, verstehen und schreiben kann wie ein Mensch. Dieses Feld wird Künstliche Intelligenz (AGI) genannt, und die größte Frage, die darüber schwebt, ist simpel, aber unglaublich schwer: Was macht etwas eigentlich „intelligent“?

Normalerweise definieren wir Intelligenz über das, was eine Maschine tut. Kann sie Sie beim Schach schlagen? Kann sie ein Auto fahren? Kann sie eine Prüfung bestehen? Aber das wird knifflig. Wenn ein Roboter fantastisch im Schach ist, aber nicht einmal seine eigenen Schnürsenkel binden kann, ist er dann klug? Wenn eine Taube einen Krebsherd auf einem Objektträger besser erkennt als ein Arzt, ist die Taube dann ein Genie? Die alten Wege, Intelligenz zu messen, beruhen oft auf dem Vergleich von Maschinen mit Menschen, was so ist, als würde man einen Fisch danach beurteilen, wie gut er Bäume klettern kann. Wir brauchen ein neues Lineal, eines, dem es egal ist, ob der Denker ein Mensch, eine Taube oder ein Computerchip ist. Wir brauchen eine Definition, die für jeden und überall funktioniert, basierend auf einer einzigen, universellen Superkraft.

Die große Idee des Papers: Der „Nachahmer“-Test

In diesem Paper schlägt Kei-Sing Ng einen frischen, spielerischen und doch mathematisch ernsthaften Weg vor, Intelligenz zu definieren. Anstatt zu fragen: „Kann es Probleme lösen?“ oder „Kann es Spiele gewinnen?“, stellt der Autor eine einfachere Frage: „Kann es mehr von demselben Ding erschaffen?“

Der Kern der Idee ist, dass Intelligenz die Fähigkeit ist, sich einige wenige Beispiele eines „Konzepts“ anzusehen und dann neue Dinge zu generieren, die perfekt in dasselbe Konzept passen. Denken Sie an einen Meisterkoch. Wenn Sie einem Koch einen Teller mit perfekten, goldbraunen Pfannkuchen (die Beispiele) geben, kann ein wirklich intelligenter Koch eine völlig neue Charge zubereiten, die genau wie die ursprünglichen aussieht, schmeckt und sich anfühlt. Wenn die neuen Pfannkuchen verbrannt oder roh sind, hat der Koch das Konzept von „Pfannkuchen“ nicht wirklich verstanden.

Das Paper schlägt vor, dass diese „generative Fidelität“ – die Fähigkeit, neue Dinge zu erschaffen, die von den alten ununterscheidbar sind – der Herzschlag der Intelligenz ist. Ob es ein Mensch ist, der ein neues Bild im Stil von Van Gogh zeichnet, eine Taube, die medizinische Objektträger sortiert, oder ein Computer, der ein Gedicht schreibt: Sie alle sind intelligent, wenn sie aus ein paar Beispielen neue produzieren können, die so gut in das Muster passen, dass niemand den Unterschied bemerken kann.

Die magische Regel der „Ununterscheidbarkeit“

Um diese Idee präzise zu formulieren, führt der Autor das Konzept der $\epsilon$ -Konzept-Intelligenz (ausgesprochen „Epsilon-Konzept“) ein. Der griechische Buchstabe $\epsilon$ (Epsilon) steht hier einfach für eine winzige, zulässige Fehlermarge.

Stellen Sie sich vor, Sie haben einen „Distinguisher“ (einen Unterscheider) – das könnte ein menschlicher Richter, ein Computerprogramm oder sogar ein sehr strenger Kunstkritiker sein. Seine Aufgabe ist es, auf einen Haufen Originalbeispiele und einen Haufen neuer Kreationen zu schauen und zu versuchen, die Fälschungen zu entlarven.

Wenn der Distinguisher den Unterschied leicht erkennen kann, ist das System in Bezug auf dieses Konzept nicht intelligent.
Wenn der Distingucher sein Bestes gibt, aber die neuen Kreationen nicht von den Originalen unterscheiden kann (innerhalb dieser winzigen Fehlermarge $\epsilon$ ), dann ist das System intelligent.

Das Paper argumentiert, dass dies ein viel besserer Weg ist, um Klugheit zu messen, als der alte „Turing-Test“ (bei dem ein Mensch versucht zu erraten, ob er mit einem Roboter spricht). Der Turing-Test ist nur eine spezifische Version dieser neuen Regel. In dem neuen Rahmen gilt: Wenn eine Maschine Antworten generieren kann, die von menschlichen Antworten ununterscheidbar sind, besteht sie den Test. Aber die Regel funktioniert auch für Dinge, die der Turing-Test nicht handhaben kann, wie etwa eine Maschine, die einen neuen Typ von Motorendesign generiert, das ebenso gut in das Konzept „effizienter Transport“ passt wie ein Pferd oder ein Auto.

Was diese Definition auslässt (und warum)

Der Autor ist sich sehr klar darüber, was diese Definition nicht ist.

Es geht nicht um Bewusstsein. Man muss keine Gefühle, eine Seele oder ein „Selbst“ haben, um unter dieser Regel intelligent zu sein. Ein einfaches Computerprogramm, das mathematische Probleme perfekt löst, ist intelligent, weil es korrekte Antworten generiert, selbst wenn es nicht „weiß“, dass es Mathematik betreibt.
Es geht nicht um Lernen. Eine Maschine muss nicht in der Lage sein, im laufenden Betrieb neue Dinge zu lernen, um als intelligent bezeichnet zu werden. Wenn eine Maschine in der Zeit eingefroren ist, aber dennoch perfekte Beispiele eines Konzepts generieren kann, zählt sie als intelligent. Lernen ist nur ein Weg, um die Fähigkeit, diese Beispiele zu generieren, im Laufe der Zeit zu verbessern, aber es ist nicht die Definition von Intelligenz selbst.
Es ist nicht menschenzentriert. Die Definition ist es egal, ob das „Konzept“ etwas ist, das Menschen mögen. Wenn ein Vogel ein Nest bauen kann, das dem Konzept „sicherer Unterschlupf“ besser entspricht als das eines menschlichen Architekten, dann ist der Vogel in diesem Bereich intelligent.

Die zwei Gesichter der Klugheit: „Jetzt“ und „Später“

Das Paper unterteilt Intelligenz auch in zwei coole Kategorien, um uns zu helfen zu verstehen, wie sie sich über die Zeit hinweg entwickelt:

Synchrone Kapazität (Das „Jetzt“-Klug): Dies beschreibt, wie gut ein System in der Lage ist, in diesem Moment gute Beispiele für eine Reihe verschiedener Konzepte zu generieren. Es ist wie ein Schweizer Taschenmesser, das alle Werkzeuge sofort einsatzbereit hat.
Diachrone Kapazität (Das „Später“-Klug): Dies ist die Fähigkeit zur Anpassung. Wenn sich die Welt verändert und man ein neues Konzept lernen muss (wie der Wechsel vom Pfannkuchenbacken zum Waffelbacken), wie schnell kann man gute Waffeln generieren? Dies ist der Teil des „Lernens“, den das Paper als eine separate, aber verwandte Superkraft behandelt.

Warum das wichtig ist

Der Autor legt nahe, dass wir durch die Konzentration auf diese „generative“ Fähigkeit endlich ein einziges Maß entwickeln können, um alles von biologischen Gehirnen bis hin zu künstlichen Computern zu messen. Dies ändert das Ziel der KI-Forschung. Anstatt zu versuchen, Maschinen zu bauen, die wie Menschen „denken“, sollten wir uns darauf konzentieren, Maschinen zu bauen, die Ausgaben generieren können, die ununterscheidbar von der Wahrheit, der Kunst oder der Lösung sind, nach der wir suchen.

Das Paper schließt mit dem Hinweis, dass dieser Ansatz die KI sicherer und zuverlässiger machen könnte. Wenn wir Maschinen darauf trainieren, Ausgaben zu generieren, die perfekt konsistent mit einem „sicheren“ Konzept sind, könnten wir verhindern, dass sie schädliche Fehler machen. Es deutet auch an, dass die Zukunft der KI darin bestehen könnte, fortgeschrittene Mathematik (wie die Kategorientheorie) zu nutzen, um zu kartografieren, wie diese Konzepte miteinander verbunden sind, was es Maschinen ermöglichen würde, mit Leichtigkeit von einer Idee zur nächsten zu springen.

Kurz gesagt lädt uns das Paper ein, aufzuhören zu fragen: „Ist es klug?“ und stattdin zu fragen: „Kann es mehr von demselben erschaffen, und zwar so gut, dass wir den Unterschied nicht mehr bemerken?“ Wenn die Antwort ja lautet, dann ist es nach dieser neuen Definition intelligent.

Technisches Resümee: Über die Definition von Intelligenz

Problemstellung
Das Streben nach Künstlicher Allgemeiner Intelligenz (AGI) erfordert eine formale, operationale und speziesunabhängige Definition von Intelligenz. Bestehende Definitionen weisen signifikante Einschränkungen auf:

Zielorientierte Definitionen: Definitionen wie die von Legg und Hutter (Messung der Fähigkeit eines Agenten, Ziele in vielfältigen Umgebungen zu erreichen) haben Schwierigkeiten bei der Anwendung auf Verhaltensweisen, denen es an klaren Umgebungen, Belohnungssignalen oder wohldefinierten Zielen mangelt (z. B. generative KI).
Anthropozentrische und temporale Definitionen: Ansätze wie der Turing-Test oder die Definition von Elaine Rich (KI als das Machen von Dingen durch Computer, die Menschen derzeit besser können) sind entweder durch den Mensch-Maschine-Vergleich begrenzt oder zeitlich abhängig von der aktuellen menschlichen Überlegenheit.
Operationalisierungsprobleme: Psychologische Definitionen (z. B. Wechsler) sind für nicht-menschliche Systeme schwer zu operationalisieren.

Es mangelt an einem einheitlichen Rahmenwerk, das biologische, künstliche und hybride Systeme über diverse Paradigmen hinweg bewerten kann – einschließlich Reinforcement Learning, generativer Modelle, Klassifikation und analogem Schließen –, ohne sich auf vage Beschreibungen oder menschliches Urteilsvermögen als alleinige Metrik zu verlassen.

Methodik
Das Paper schlägt eine Definition von Intelligenz vor, die auf generativer Treue (generative fidelity) und Entitäts-Ununterscheidbarkeit basiert. Die Methodik umfasst die folgenden formalen Konstrukte:

Konzeptraum und Fasern:
- Sei $U$ das Universum aller denkbaren Entitäten (Datenpunkte, Produkte, Aktionen, Konzepte).
- Ein Konzeptraum wird als eine surjektive Abbildung $\Phi: U \to K$ definiert, wobei $K$ die Menge der Konzepte ist.
- Für ein Konzept $k \in K$ ist die Menge der Entitäten, die dieses Konzept exemplifizieren, die „Faser“ $C_k = \Phi^{-1}(k)$ .
$\varepsilon$ -Konzept-Intelligenz:
- Gegeben sei eine Multimenge von Eingangsentitäten $S \subseteq U$ , die zu einem Konzept $C_k$ gehören; ein Agent ist intelligent, wenn er eine Menge von Entitäten $\hat{S}$ generieren kann, die dasselbe Konzept exemplifiziert.
- Distinguierer (Unterscheidungsfunktionen): Eine Familie von Funktionen $F = \{f: U \to [0, 1]\}$ fungiert als Distinguierer, um die Ähnlichkeit zwischen $S$ und $\hat{S}$ zu testen.
- Bewertung: Eine Scoring-Funktion $\sigma$ aggregiert die Ausgaben der Distinguierer über eine Menge.
- Metrik: Die Intelligenzmetrik ist definiert als das Supremum der Differenz der Scores zwischen der ursprünglichen Menge und der generierten Menge über alle Distinguierer hinweg:
  $\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$
- Definition: Ein Agent ist $\varepsilon$ -intelligent in Bezug auf das Konzept $k$ , wenn $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$ . Dies impliziert, dass die generierten Entitäten durch keinen zulässigen Distinguierer in $F$ innerhalb einer Toleranz $\varepsilon$ von den ursprünglichen Entitäten unterscheidbar sind.
Dynamisches Framework:
- Das Paper unterscheidet zwischen synchroner Kapazität (Breite des Generierens von Low- $\varepsilon$ -Entitäten für eine feste Menge von Konzepten zum Zeitpunkt $t$ ) und diachroner Kapazität (die Fähigkeit, Kompetenz von einem Satz von Konzepten auf einen anderen zu übertragen, was effektiv die Lernfähigkeit/Adaption misst).

Wesentliche Beiträge

Einheitliche formale Definition: Das Paper liefert eine einzige mathematische Struktur ( $\varepsilon$ -Konzept-Intelligenz), die diverse KI-Paradigmen subsumiert. Es behandelt Intelligenz nicht primär als abstrakte Abbildung oder Zielmaximierung allein, sondern fundamental als die Generierung neuer Entitäten, die konsistent mit einem gegebenen Konzept sind.
Vereinigung bestehender Benchmarks: Der Autor zeigt auf, dass etablierte Intelligenztests Spezialfälle seines Frameworks sind:
- Turing-Test: Entsteht, wenn die Faser aus menschlichen Sprachantworten und die Distinguierer aus menschlichen Beurteilern bestehen.
- C-Tests: Entstehen, wenn die Faser aus Sequenzen mit spezifischer Levin-Komplexität besteht und die Distinguierer die minimale Erklärung verifizieren.
- Legg-Hutter-Intelligenz: Entsteht, wenn die Faser aus Verhaltenssequenzen besteht, die die erwartete Belohnung in einer Umgebung maximieren.
Entkopplung von Intelligenz, Lernen und Bewusstsein:
- Die Definition erfordert keine Bewusstheit; ein deterministischer Solver kann eine hohe $\varepsilon$ -Intelligenz aufweisen, ohne bewusst zu sein.
- Die Definition erfordert nicht strikt die Fähigkeit zum Lernen; ein statisches System, das konsistent korrekte Ausgaben für ein Konzept generiert, ist innerhalb dieses Bereichs intelligent, wenngleich Lernen mit der diachronen Kapazität (der Veränderung von $\varepsilon$ über die Zeit) zusammenhängt.
Operationale Kriterien: Die Definition erfüllt drei Desiderata:
- Operational: Messbar über beobachtbare Ausgaben und Ununterscheidbarkeit.
- Falsifizierbar: Systeme, die Ausgaben generieren, die vom Konzept divergieren, werden als eine niedrige Intelligenz identifiziert.
- Generalisierbar: Anwendbar auf Menschen, Maschinen und biologische Systeme ohne anthropozentrische Voreingenommenheit.

Ergebnisse und theoretische Implikationen
Das Paper präsentiert keine neuen experimentellen Daten, bietet jedoch eine theoretische Ableitung und logische Konsistenzprüfungen an:

Generative Treue: Das Framework postuliert, dass Intelligenz die Fähigkeit ist, Entitäten zu generieren, die konsistent mit einem Konzept sind, selbst wenn die Entitäten abstrakt sind (z. B. ein Auto generieren, wenn ein Pferd als Beispiel für „Transport“ dient).
Sicherheit und Datenqualität: Der Autor argumentt, dass da Intelligenz durch die Treue zu einem Konzept definiert ist, die Sicherheit und Zuverlässigkeit der Ausgaben direkt durch die Qualität der Trainingsdaten (die ursprünglichen Entitäten $S$ ) bestimmt werden. Die Kuratierung sicherheitskonformer synthetischer Daten an der Quelle wird als primäre Methode zur Milderung schädlicher Ausgaben präsentiert.
Generalisierung: Das Framework unterstützt die Generalisierung auf ungesehene Konzepte. Wenn ein neuer Konzeptraum $K_B$ in einen bekannten Raum $K_A$ via einen vollen, treuen und im Wesentlichen surjektiven Funktor einbetten kann, können die Intelligenzgrenzen (Distinguierer) transportiert werden, was theoretisch ermöglicht, dass das System ungesehene Probleme bewältigt.

Bedeutung und Ansprüche
Das Paper beansprucht, ein „einziges Maß“ für den Vergleich biologischer, künstlicher und hybrider Systeme zu liefern. Seine Bedeutung liegt in:

Paradigmenwechsel: Übergang von zielorientierten oder aufgabenspezifischen Definitionen zu einem Modell der generativen Treue.
Fundament für AGI: Angebot einer Basisdefinition, die ausreichend allgemein ist, um diverse Paradigmen (RL, LLMs, analogisches Schließen) zu umfassen, während sie gleichzeitig testbar bleibt.
Zukünftige Richtungen: Der Autor deutet an, dass das Framework weiter mittels Kategorientheorie verfeinert werden kann, wobei Konzepte als Objekte und Generalisierung als Funktoren modelliert werden. Er merkt zudem an, dass nachfolgende Arbeiten dies zu einem mathematischen Rahmenwerk basierend auf gerichteten Ähnlichkeitsfeldern und generativen Operatoren erweitern werden.

Der Autor wahrt eine bescheidene Haltung und präsentiert dies als „minimale und fundamentale Definition“, die als theoretische Basis für zukünftige Verfeinerungen und empirische Validierungen dienen soll, statt als eine endgültige, erschöpfende Theorie der Intelligenz.