OpenCog Hyperon zeigt den Weg zu AGI jenseits großer Sprachmodelle auf

Für die meisten Internetnutzer ist generative KI das, was sie sich unter „KI“ vorstellen. Große Sprachmodelle (LLMs) wie GPT und Claude dienen als de facto Einstieg in die Welt der künstlichen Intelligenz und ihr scheinbar unendliches Potenzial. LLMs haben unsere Sprachmuster gemeistert und unsere kulturellen Memes überarbeitet und damit die Aufmerksamkeit der Öffentlichkeit fest auf sich gezogen.

Sie sind benutzerfreundlich und ansprechend. Und abgesehen von gelegentlichen falschen Antworten sind sie beeindruckend intelligent. Aber während die breite Öffentlichkeit mit ihrem bevorzugten LLM experimentiert, blicken die Experten – Forscher, Technikbegeisterte und Entwickler, die sich intensiv mit KI beschäftigen – weiter in die Zukunft. Ihr oberstes Ziel ist es, künstliche allgemeine Intelligenz (AGI) zu erreichen, die die letzte Grenze darstellt.

Für diese Fachleute sind LLMs eine interessante Abwechslung. Sie sind nützlich und unterhaltsam, aber letztlich eine Form der „schmalen KI”. Ihre Kompetenz beruht auf dem Training mit bestimmten Datensätzen, aber sie können nicht über ihren vorgesehenen Anwendungsbereich hinaus operieren oder breitere, komplexere Herausforderungen bewältigen.

Die sinkenden Erträge und die eingebauten Einschränkungen von Deep-Learning-Modellen treiben die Suche nach intelligenteren Lösungen voran, die zu echtem Verständnis fähig sind. Dies hat zur Entwicklung von Modellen geführt, die sich im Raum zwischen den heutigen LLMs und der AGI von morgen befinden. Ein solches System ist OpenCog Hyperon, ein von SingularityNET entwickeltes Open-Source-Framework. Es ist fortschrittlicher als ein typisches LLM und bietet einen Einblick in die Zukunft der KI.

Mit einer „neuronalen-symbolischen” Methodik zielt Hyperon darauf ab, die Kluft zwischen statistischer Mustererkennung und logischem Denken zu schließen. Es bietet einen möglichen Weg, um die heutigen Dialogagenten mit den hochentwickelten Denkmaschinen der Zukunft zu verbinden.

Hybride Architektur für AGI

SingularityNET beschreibt OpenCog Hyperon als eine AGI-Forschungsplattform der nächsten Generation, die verschiedene KI-Modelle in einem einzigen, kohärenten kognitiven Framework zusammenführt. Im Gegensatz zu Systemen, die sich ausschließlich auf LLMs konzentrieren, basiert Hyperon auf einer neuronalen-symbolischen Integration, die es der KI ermöglicht, aus Daten zu lernen und gleichzeitig mit Wissen zu argumentieren.

Dies ist möglich, weil die neuronale-symbolische KI neuronale Lernelemente mit symbolischen Denkprozessen verbindet, sodass sich beide gegenseitig verbessern können. Dieses Design behebt eine wesentliche Schwäche rein statistischer Modelle, indem es strukturiertes, verständliches Denken einbezieht.

Die Grundlage von OpenCog Hyperon verbindet probabilistische Logik und symbolisches Denken mit evolutionärer Programmsynthese und Lernen über mehrere Agenten hinweg. Das mag komplex klingen, daher wollen wir die Funktionsweise vereinfacht darstellen. Um die Bedeutung von OpenCog Hyperon zu verstehen – und warum neuronale symbolische KI wichtig ist –, müssen wir zunächst untersuchen, wie LLMs funktionieren und wo ihre Grenzen liegen.

Die Grenzen von LLMs

Generative KI funktioniert hauptsächlich durch probabilistische Assoziationen. Wenn ein LLM auf eine Anfrage antwortet, „kennt” es die Antwort nicht wie ein Mensch. Stattdessen sagt es anhand seiner Trainingsdaten die wahrscheinlichste Folge von Wörtern voraus, die auf die Eingabe folgen. Oft ist diese Simulation einer menschlichen Antwort sehr überzeugend und liefert ein Ergebnis, das nicht nur den Erwartungen des Benutzers entspricht, sondern auch korrekt ist.

LLMs zeichnen sich durch Mustererkennung in großem Maßstab aus. Die Einschränkungen dieser Modelle sind jedoch bekannt. Wir haben bereits die „Halluzination” erwähnt, bei der das Modell Informationen generiert, die plausibel klingen, aber faktisch falsch sind. Ein LLM, das darauf abzielt, seinen Nutzer zufrieden zu stellen, kann manchmal sehr irreführende Ergebnisse liefern.

Ein noch größeres Problem, insbesondere bei der Lösung komplexer Probleme, ist das Fehlen echter Denkfähigkeiten. LLMs sind nicht in der Lage, aus bekannten Fakten logisch neue Schlussfolgerungen abzuleiten, wenn diese spezifischen logischen Abläufe in ihrem Training nicht vorkamen. Wenn sie ein Muster bereits kennen, können sie es reproduzieren. Ist dies nicht der Fall, geraten sie in eine Sackgasse.

AGI hingegen bezieht sich auf eine künstliche Intelligenz, die Wissen wirklich verstehen und anwenden kann. Sie schätzt nicht nur die richtige Antwort mit hoher Wahrscheinlichkeit, sondern versteht sie auch und kann ihre Argumentation darlegen. Diese Fähigkeit erfordert explizite Denkfähigkeiten, effektives Speichermanagement und die Fähigkeit, aus begrenzten Informationen zu verallgemeinern. Aus diesem Grund bleibt AGI ein Zukunftsziel – der Zeitplan für seine Einführung ist Gegenstand anhaltender Debatten.

Unabhängig davon, ob AGI noch Monate, Jahre oder Jahrzehnte entfernt ist, bietet die neuronale symbolische KI in der Zwischenzeit einen bedeutenden Fortschritt und könnte die derzeitigen LLMs übertreffen.

Dynamisches Wissen auf Abruf

Um neuronale symbolische KI in der Praxis zu sehen, betrachten Sie OpenCog Hyperon. Im Mittelpunkt seines Designs steht der Atomspace Metagraph, eine vielseitige Graphstruktur, die verschiedene Wissenstypen – deklarativ, prozedural, sensorisch und zielorientiert – innerhalb eines einheitlichen Rahmens repräsentiert. Dieser Metagraph kann Beziehungen und Strukturen so kodieren, dass er nicht nur einfache Schlussfolgerungen, sondern auch logische Deduktionen und Schlussfolgerungen innerhalb eines Kontexts unterstützt.

Wenn dies ähnlich wie AGI klingt, dann deshalb, weil es einige seiner Kernprinzipien teilt. Betrachten Sie es als eine „Vorschau” darauf, wohin sich KI entwickelt. Um Entwicklern zu helfen, Anwendungen mit dem Atomspace Metagraph zu erstellen und dessen Ausdruckskraft zu nutzen, hat Hyperon MeTTa (Meta Type Talk) eingeführt, eine neue Programmiersprache, die speziell für die AGI-Entwicklung entwickelt wurde.

Im Gegensatz zu Allzwecksprachen wie Python fungiert MeTTa als kognitives Substrat, das Aspekte der Logik und der probabilistischen Programmierung miteinander verbindet. In MeTTa geschriebene Programme interagieren direkt mit dem Metagraph, fragen Wissensstrukturen ab und modifizieren sie und unterstützen selbstmodifizierenden Code – eine entscheidende Funktion für Systeme, die lernen, ihre eigene Leistung zu verbessern.

„Wir haben einige Jahre damit verbracht, Werkzeuge zu entwickeln. Endlich funktioniert unsere gesamte Infrastruktur für Hyperon in großem Maßstab, was sehr spannend ist.“

Unser CEO, Dr. @bengoertzel, diskutierte zusammen mit Robb Wilson und Josh Tyson im Podcast „Invisible Machines“ über die Gegenwart und ... pic.twitter.com/8TqU8cnC2L

— SingularityNET (@SingularityNET) 19. Januar 2026

Robustes Denken als Tor zur AGI

Der für Hyperon zentrale neural-symbolische Ansatz behebt einen wesentlichen Mangel rein statistischer KI: Eng gefasste Modelle versagen oft bei Aufgaben, die mehrstufiges Denken erfordern. Abstrakte Probleme können LLMs, die auf Mustererkennung basieren, verwirren. Durch die Integration von neuronalem Lernen wird das Denken jedoch komplexer und menschenähnlicher. Wenn eng gefasste KI eine gute Imitation des menschlichen Denkens bietet, liefert neural-symbolische KI eine bemerkenswert überzeugende.

Dennoch ist es wichtig, die neuronale symbolische KI im Blick zu behalten. Die hybride Architektur von Hyperon bedeutet nicht, dass AGI kurz vor der Einführung steht. Sie steht jedoch für einen vielversprechenden Forschungsansatz, der sich direkt mit kognitiver Repräsentation und selbstgesteuertem Lernen befasst und über die alleinige Abhängigkeit von statistischen Mustern hinausgeht. Wichtig ist, dass dieses Konzept nicht auf wissenschaftliche Arbeiten beschränkt ist, sondern aktiv in realen Anwendungen eingesetzt wird, um leistungsstarke Lösungen zu entwickeln.

LLM ist nicht überholt – schmale KI wird immer besser werden –, aber ihre langfristige Dominanz ist begrenzt, und ihr letztendlicher Ersatz ist sicher. Es ist nur eine Frage der Zeit. Der nächste Schritt ist die neuronale symbolische KI. Danach bleibt das ultimative Ziel AGI – der letzte Meilenstein in der künstlichen Intelligenz.

Bildquelle: Depositphotos