Denken über Token hinaus: Von brain-inspirierter Intelligenz zu kognitiven Grundlagen für künstliche allgemeine Intelligenz und ihrem gesellschaftlichen Einfluss

Können Maschinen tatsächlich denken, Schlussfolgerungen ziehen und in Bereichen wie Menschen handeln? Diese nachhaltige Frage prägt weiterhin die Suche nach künstlicher allgemeiner Intelligenz (AGI). Trotz der wachsenden Fähigkeiten von Modellen wie GPT-4.5, DeepSeek, Claude 3.5 Sonnet, Phi-4 und Grok 3, die multimodale Flüssigkeit und teilweise Schlussfolgerungsfähigkeit zeigen, bleiben diese Systeme grundlegend durch ihre Abhängigkeit von Token-Level-Vorhersagen und den Mangel an verankertem Handeln begrenzt. Dieses Papier bietet eine interdisziplinäre Synthese der AGI-Entwicklung, die künstliche Intelligenz, kognitive Neurowissenschaften, Psychologie, generative Modelle und agentenbasierte Systeme umfasst. Wir analysieren die architektonischen und kognitiven Grundlagen der allgemeinen Intelligenz und betonen dabei die Rolle modularen Denkens, persistenter Speicherung und koordinierten Mehragentensystems. Insbesondere legen wir den Fokus auf das Aufkommen von agentialen RAG-Rahmenwerken (Agentic RAG), die durch Kombination von Abrufvorgängen, Planung und dynamischer Werkzeugnutzung adaptiveres Verhalten ermöglichen. Wir diskutieren Generalisierungsstrategien, darunter Informationskompression, Anpassung zur Testzeit und trainingsfreie Methoden als entscheidende Wege zu flexibler, domänenübergreifender Intelligenz. Vision-Sprachmodelle (VLMs) werden nicht nur als Wahrnehmungsmodulen betrachtet, sondern auch als sich entwickelnde Schnittstellen für verkörperte Verständnisbildung und kooperative Aufgabenbearbeitung. Zudem argumentieren wir dafür, dass wahre Intelligenz nicht allein aus der Skalierung resultiert, sondern aus der Integration von Speicherung und Schlussfolgerung: einer Orchestrierung modularer, interaktiver und selbstverbessernder Komponenten, bei denen Kompression adaptives Verhalten ermöglicht. Indem wir auf Fortschritte in neurosymbolischen Systemen, Reinforcement Learning und kognitiven Gerüsten zurückgreifen, untersuchen wir, wie aktuelle Architekturen beginnen, die Lücke zwischen statistischem Lernen undzielorienteter Kognition zu schließen. Schließlich identifizieren wir wichtige wissenschaftliche, technische und ethische Herausforderungen auf dem Weg zur AGI.