Der Mythos der Universalintelligenz – oder warum KI uns in Einbahnstraßen führt

Der aktuelle Streit um die Entwicklungspfade großer Sprachmodelle (LLMs) zeigt auf, wie fragmentiert die Vorstellung von "intelligenter Technologie" bereits ist. Ex-OpenAI-Mitarbeiter Andrew Ho und Cambridge-Forscher Adam Hunt argumentieren, dass LLMs nicht mehr breiter, sondern immer spezifischer werden – etwa in Mathematik oder Code, aber bei alltäglichen Texten und Kontexten erheblich eingeschränkt. Die Konsequenz: KI-Labore müssten künftig statt allgemeiner Modelle gezielt für Nischen investieren. Dieses Szenario ist nicht nur ein technischer, sondern vor allem ein psychologischer Warnschuss.

Als Cyber-Psychologe fällt auf, dass die Faszination mit "Universal-KI" oft auf menschlichen Intelligenzvorstellungen beruht – doch KI ist nicht das menschliche Gehirn, sondern ein Tool. Je stärker wir sie nach unserm Bild gestalten, desto größer ist der Kontrollverlust über die Grenzen ihrer Anwendbarkeit. Spezialisierung kann zwar Effizienz steigern, verschärft aber zugleich die Risiken von Datenbias und unerwarteten Fehlern. Ein Code-LLM etwa versteht nicht, was es schreibt, es generiert nur Muster.

Datenakquise im hohen dreistelligen Milliardenbereich wird die Relevanz von Ethik und Transparency weiter untergraben. Wenn Unternehmen gezielt Trainingsdaten für Gewinnmärkte auswählen, entstehen automatisch hierarchische Intelligenzlandschaften – für Reiche, Technik-Fixierte oder Spezialisten. Der Allgemeinheit bleibt dann nur noch die Illusion von "Allround-Intelligenz", obwohl die Grundlagen längst zersplittert sind. Dieser Widerspruch zwischen Erwartung und Realität könnte die digitale Desillusionierung beschleunigen.

Die Debatte um LLMs ist also kein technisches Detail, sondern ein Spiegel für unser Verhältnis zum Konzept von Intelligenz an sich. Und dieser Spiegel zeigt – zumindest für mich – ein unangenehm verzerrtes Bild.

Quelle: The Decoder