Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, die Welt zu verstehen. In den letzten zehn Jahren kamen die größten Durchbrüche in der künstlichen Intelligenz (KI) dadurch zustande, dass man diesen Robotern massive Mengen digitaler Informationen fütterte – Texte, Bilder, Code und Videos. Das ist so, als würde man einem Studenten eine endlose Bibliothek über den Ozean zur Verfügung stellen. Er kann jede Tatsache über Gezeiten, Fische und Stürme auswendig lernen und er kann wunderschöne Essays über das Meer schreiben. Aber wenn man ihn bittet, tatsächlich zu schwimmen, die Kälte des Wassers zu spüren oder einer Strömung zu navigieren, die er noch nie gesehen hat, könnte er untergehen. Dies ist der aktuelle Zustand der „engen KI“ (Narrow AI): Systeme, die brillant darin sind, digitale Daten zu verarbeiten, aber Schwierigkeiten mit dem chaotischen Zeug der realen Welt haben, wie etwa Ursache und Wirkung, dem Verständnis menschlicher Absichten oder logischem Denken, das mehr als nur Mustererkennung erfordert. Wissenschaftler nennen das Ziel, eine Maschine zu bauen, die all dies leisten kann, „Künstliche Allgemeine Intelligenz“ (AGI). Die große Frage, die sich alle stellen, lautet: Warum haben wir sie noch nicht gebaut? Liegt es daran, dass unsere Computer nicht groß genug sind, oder fehlt etwas in der Art und Weise, wie wir diese Maschinen lehren?

Dieses Paper, geschrieben von den Forschern Yi Peng, Huansheng Ning und Jianguo Ding, argumentet, dass das Problem nicht die Größe des Computers oder die Menge der Daten ist, die wir haben. Stattdessen liegt das Problem darin, woher diese Daten kommen. Die Autoren schlagen vor, dass die heutige KI in einer „Cyber-only“-Blase feststeckt und nur aus digitalen Aufzeichnungen lernt. Um wirklich intelligent zu werden, argumentieren sie, muss die KI aus der Bibliothek heraustreten und in die reale Welt gehen. Sie schlagen einen neuen Weg vor, das Lernen von KI als „CPST“-Framework zu betrachten, was für Cyber-Physical-Social-Thinking (Cyber-Physisch-Sozial-Denken) steht. Betrachten Sie es als eine vierdimensionale Landkarte der Realität:

• Cyber: Die digitale Welt von Texten, Code und Dateien (wo die heutige KI lebt).
• Physical (Physisch): Die Welt der Objekte, der Schwerkraft und von Ursache und Wirkung (wo man eine Tasse drücken kann und sieht, wie sie fällt).
• Social (Sozial): Die Welt der menschlichen Gefühle, Absichten und Regeln (wo man erraten muss, was jemand anderes denkt).
• Thinking (Denken): Die Welt der strengen Logik, Mathematik und strukturierten Symbole (wo man ein Theorem beweisen kann).
  Das Paper legt nahe, dass eine KI, um von einem „intelligenten Taschenrechner“ zu einer „allgemeinen Intelligenz“ zu gelangen, den Kreislauf in allen vier Welten schließen muss, nicht nur in der digitalen Welt.

Die große Datablase

Die Forscher untersuchten achtzig verschiedene KI-Systeme, die von frühen Bildklassifizierern bis hin zu den fortschrittlichsten Robotern und Chatbots von heute reichen. Sie sortierten diese Systeme danach, mit wie vielen der vier Welten (Cyber, Physisch, Sozial, Denken) sie in einem „geschlossenen Kreislauf“ interagieren. Ein geschlossener Kreislauf bedeutet, dass das System nicht nur Daten lift, sondern auf die Welt einwirkt, das Ergebnis sieht und daraus lernt.

Hier ist, was sie fanden, und es ist ein kleiner Schock für die Anhänger der „Größer ist besser“-Mentalität: Kein einziges KI-System auf ihrer gesamten Liste von achtzig hat es geschafft, Kreisläufe in mehr als zwei dieser Welten zu schließen.

Die fortschrittlichsten, rein digitalen Systeme (Cyber-only) stoßen gegen eine harte Decke. Sie sind fantastisch darin, Muster in den gesehenen Daten zu erkennen, aber sie versagen kläglich bei Dingen, die ein Verständnis der realen Welt erfordern. Zum Beispiel:

• Kausales Denken: Wenn man einem rein digitalen KI ein Video zeigt, in dem ein Roboter Blöcke stapelt, könnte die KI den nächsten Schritt erraten. Aber wenn man sie fragt: „Was würde passieren, wenn ich den unteren Block entferne?“ (eine kontrafaktische Frage), liegt sie oft falsch. Sie hat die Schwerkraft nicht gespürt oder die Blöcke nicht gedrückt, also versteht sie die Physik nicht wirklich.
• Soziale Kognition: Die heutige KI kann menschliche Gespräche imitieren, aber sie hat Schwierigkeiten zu verstehen, was jemand anderes denkt, wenn diese Person ihre wahren Gefühle verbirgt. Es ist wie beim Poker spielen, wo man zwar die Karten lesen kann, aber nicht das Gesicht oder die Körpersprache des Spielers lesen kann.
• Logisches Denieren: Während KI mathematische Probleme durch das Erraten von Mustern lösen kann, scheitert sie oft, wenn sie gebeten wird, einem strengen, schrittweisen logischen Pfad zu folgen, der das Überprüfen der eigenen Arbeit anhand eines Satzes von Regeln erfordert.

Das Paper schließt die Idee explizit aus, dass es die Probleme lösen wird, die KI einfach nur größer zu machen (mehr Parameter hinzuzufügen oder sie mit mehr Text zu trainieren). Sie weisen darauf hin, dass selbst die größten, leistungsstärksten Modelle immer noch in der „Cyber“-Zone feststecken. Sie sind wie ein Koch, der jedes Kochbuch der Welt gelesen hat, aber noch nie einen Herd berührt oder eine Speise probiert hat. Kein Lesen der Welt wird ihn lehren, wie man eine perfekte Mahlzeit kocht, wenn er nie seine Hände schmutzig macht.

Die fehlenden Zutaten

Die Autoren verwenden eine kluge Analogie, um zu erklären, warum der „Cyber-only“-Ansatz scheitert. Sie sagen, dass jede der vier Welten ein einzigartiges Signal liefert, das die anderen einfach nicht erzeugen können.

• Um Kausalität (Ursache und Wirkung) zu lernen, benötigt man physische Daten. Man muss etwas tatsächlich tun und sehen, was passiert. Man kann Kausalität nicht lernen, indem man nur ein Buch über Physik liest.
• Um soziale Intelligenz (Menschen zu verstehen) zu lernen, benötigt man soziale Daten. Man muss mit echten Menschen interagieren, ihre Reaktionen sehen und sein Verhalten anpassen. Man kann soziale Intelligenz nicht lernen, indem man nur Chat-Protokolle liest.
• Um komplexe Logik zu lernen, benötigt man „Thinking“-Daten. Man braucht ein strukturiertes System von Symbolen und Regeln, das man abfragen und modifizieren kann, und nicht nur einen Haufen Text.

Das Paper liefert starke Beweise dafür. Sie verglichen KI-Systeme, die in jeder Hinsicht identisch waren, außer in den Daten, mit denen sie gefüttert wurden.

• Als ein Roboter nur mit Videos von anderen Robotern trainiert wurde, die sich bewegten, konnte er seine eigenen Bewegungen nicht planen. Aber als derselbe Roboter mit echten Videos trainiert wurde, in denen er sich selbst bewegte und mit Objekten interagierte, lernte er plötzlich, wie man Dinge plant und manipuliert, die er zuvor noch nie gesehen hatte.
• Ähnlich verhielt es sich mit einer mathematischen KI, die nur ein Sprachmodell war: Sie löste fast keine Fragen richtig. Aber als sie dasselbe Sprachmodell mit einer strengen Logik-Engine (einem „Thinking“-Werkzeug) verbanden, schoss ihre Leistung in die Höhe.

Die Daten zeigen ein klares Muster: Systeme, die mit nur einer zusätzlichen Welt interagieren (wie Physisch oder Denken), erreichen viel eher ein höheres Leistungsniveau. Aber der „Heilige Gral“ der AGI – wo ein System alle vier Welten gleichzeitig bewältigt – bleibt leer. In ihrer Untersuchung von achtzig Systemen hatte kein einziges System es geschafft, Kreisläufe in drei oder mehr Welten zu schließen. Der gesamte Bereich auf der Landkarte, in dem eine wahre „Allgemeine Intelligenz“ leben sollte, ist derzeit eine Geisterstadt.

Der Fahrplan zur Allgemeinen Intelligenz

Wo geht es also von hier aus weiter? Die Autoren zeigen nicht nur das Problem auf; sie bieten einen dreistufigen Fahrplan an, um es zu beheben.

1. Semantische Ausrichtung (Semantic Alignment): Wir müssen die KI lehren, zwischen diesen verschiedenen Welten zu übersetzen. Momentan versteht eine KI vielleicht eine physische Sensormessung, weiß aber nicht, wie diese mit einer sozialen Regel oder einem logischen Fakt zusammenhängt. Wir müssen Brücken bauen, damit die KI sagen kann: „Der Roboter ist gegen den Becher gestoßen (Physisch), was den Menschen wütend gemacht hat (Sozial), also sollte ich mich entschuldigen (Denken).“
2. Einheitliche Weltmodelle (Unified World Models): Wir müssen ein einziges „Gehirn“ bauen, das all diese verschiedenen Arten von Informationen gleichzeitig halten kann. Anstatt ein Gehirn für Physik, ein anderes für soziale Regeln und ein weiteres für Mathematik zu haben, benötigen wir ein System, das alle gleichzeitig jonglieren kann.
3. Governance (Regelung/Verwaltung): Wenn KI beginnt, mit der realen Welt (Physisch) und echten Menschen (Sozial) zu interagieren, brauchen wir neue Sicherheitsregeln. Wir können nicht nur den Code prüfen; wir müssen sicherstellen, dass die KI die Konsequenzen ihres Handelns in der realen Welt versteht.

Das Paper schließt mit einer kühnen Vorhersage: Der Weg zur AGI führt nicht über größere Computer oder das Abschaben von mehr Text aus dem Internet. Es geht darum, Roboter zu bauen, die die physische Welt berühren, fühlen und mit ihr interagieren können; Systeme zu schaffen, die tatsächlich mit Menschen kommunizieren und verhandeln können; und Werkzeuge zu entwerfen, die mit strenger Logik denken können. Bis KI-Systeme aus der digitalen Bibliothek heraustreten und in die chaotische, komplexe, vierdimensionale Realität von Cyber-Physical-Social-Thinking eintauchen können, werden sie brillante, aber begrenzte Studenten bleiben, die es nicht schaffen, den Abschluss zum Niveau einer wahren allgemeinen Intelligenz zu machen.

Die Autoren merken vorsichtig an, dass dies eine Hypothese ist, die durch starke Beweise gestützt wird, aber noch kein bewiesenes Gesetz ist. Sie schlagen vor, dass, falls eine rein digitale KI plötzlich all diese Probleme gelöst hätte, ohne jemals die reale Welt berührt zu haben, ihre Theorie falsch wäre. Aber bisher deuten die Beweise in eine klare Richtung: Um eine allgemeine Intelligenz zu bauen, müssen wir aufhören, die Welt als Datensatz zu behandeln, und anfangen, sie als Spielplatz zu betrachten.