TLDR: Donald Trump möchte einen Begriff ersetzen, der seit 70 Jahren die Forschung prägt. Aus Artificial Intelligence soll Super Intelligence werden. Nicht irgendwann, sondern jetzt. 1955/56 prägte John McCarthy den Begriff Artificial Intelligence, um zu erforschen, ob Maschinen menschliche Intelligenz nachbilden können. Siebzig Jahre später sprechen Sam Altman und Donald Trump bereits von Superintelligenz, obwohl wissenschaftlich weder Einigkeit über deren Voraussetzungen noch über den Weg dorthin besteht.

Am 29. September 2026 unterzeichnete der amerikanische Präsident die Executive Order 14434. US-Bundesbehörden sollen künftig in ihrer offiziellen Kommunikation von “Super Intelligence” statt “Artificial Intelligence” sprechen. Am 8. Oktober verschärfte Trump seine Rhetorik öffentlich nochmals. Die Begründung klingt zunächst zumindest nicht unlogisch denn “Artificial” könne etwas Unechtes oder Nachgeahmtes suggerieren. Die Fähigkeiten moderner Systeme gingen längst über einfache Nachahmung hinaus.

Dabei ist die Vorstellung übermenschlicher Maschinen keineswegs neu. I. J. Good beschrieb bereits 1965 eine mögliche Intelligenzexplosion, während Jürgen Schmidhuber seit den 1980er-Jahren an lernenden und sich selbst verbessernden Systemen forscht. Yann LeCun bezweifelt wiederum, dass immer grössere Sprachmodelle allein zu allgemeiner Intelligenz führen können.

Und was dabei oft vergessen geht: Es gibt nicht die eine KI. Symbolische Systeme, neuronale Netze, CNN, RNN, Transformer und Sprachmodelle verfolgen unterschiedliche technische Ansätze, die sich teilweise ergänzen. Der Begriff KI beschreibt ein Forschungsfeld, keine einheitliche Intelligenz (dazu später mehr).

Und auch Superintelligenz war bisher keine andere Bezeichnung für künstliche Intelligenz. Sie bezeichnete eine mögliche (hypothetische) Form von Intelligenz, die den Menschen in nahezu allen kognitiven Bereichen weit übertrifft. Trump macht aus einem möglichen Entwicklungsziel einen Namen für die gesamte Technologie, aber das mag er ja, wie der Golf von America zeigt.

Nur war er Donald Trump sicher nicht der erste damit, denn Sam Altman tat es schon Jahre zuvor. Jürgen Schmidhuber beschäftigte sich seit den 1980er-Jahren mit lernenden und sich selbst verbessernden Systemen. Yann LeCun wiederum hält den dominierenden Weg über grosse Sprachmodelle für unzureichend, um menschenähnliche allgemeine Intelligenz zu erreichen.

Viele Persönlichkeiten, viele unterschiedliche Interessen und Vorstellungen. Und ein Begriff, der inzwischen gleichzeitig Forschung, Unternehmensstrategie, Zukunftserwartung und politische Macht symbolisiert.

Und um zu verstehen, was hier geschieht, müssen wir zurückgehen. Nicht ins Jahr 2020-22, als ChatGPT erschien, sondern in den Sommer 1956. Oder genauer gesagt: ins Jahr davor.

Während viele Technologieunternehmen immer grössere Sprachmodelle entwickeln und deren Fähigkeiten als Vorboten allgemeiner künstlicher Intelligenz betrachten, stellt Yann LeCun den eingeschlagenen Weg infrage. Der Turing-Award-Preisträger, dessen Arbeiten an Convolutional Neural Networks die moderne Bilderkennung wesentlich mitgeprägt haben, bezweifelt, dass die Skalierung heutiger Sprachmodelle allein zu menschenähnlicher Intelligenz führen wird.

Seine Kritik richtet sich weniger gegen die Leistungsfähigkeit dieser Modelle als gegen unser Verständnis von Intelligenz. Sprachmodelle können komplexe Zusammenhänge beschreiben, programmieren und Wissen verarbeiten, besitzen aber nicht automatisch ein belastbares Verständnis der physischen Welt. Wer über Schwerkraft sprechen kann, versteht deshalb noch nicht zwingend, wie sich ein Gegenstand unter unterschiedlichen Bedingungen verhält. Für LeCun braucht es Systeme, die ihre Umgebung modellieren, mögliche Entwicklungen vorhersagen und Handlungen über längere Zeiträume planen können.

Mit sogenannten World Models und seiner Joint Embedding Predictive Architecture (JEPA) verfolgt er deshalb einen anderen Forschungsansatz. Maschinen sollen nicht nur Muster in Sprache erkennen, sondern abstrakte Vorstellungen ihrer Umgebung entwickeln. Interessanterweise berührt sich diese Idee mit früheren Arbeiten von Jürgen Schmidhuber, der bereits vor Jahrzehnten rekurrente Weltmodelle und Verfahren zur maschinellen Selbstverbesserung untersuchte. Die technischen Ansätze unterscheiden sich, doch beide beschäftigen sich mit einer grundlegenden Frage: Wie können Maschinen lernen, die Folgen ihrer eigenen Handlungen vorauszusehen?

Damit wird eine oft übersehene Spannung sichtbar. Während die öffentliche Debatte vor allem über immer leistungsfähigere Modelle spricht, ist wissenschaftlich keineswegs geklärt, ob die gegenwärtig dominierenden Architekturen bereits den richtigen Weg zu allgemeiner Intelligenz darstellen.

Während heute vor allem Sam Altman und OpenAI über Superintelligenz sprechen (dazu gleich mehr), beschäftigte sich der deutsch-schweizerische KI-Forscher Jürgen Schmidhuber bereits seit den 1980er-Jahren mit lernenden Maschinen, künstlicher Neugier und der Möglichkeit, dass KI-Systeme ihre eigenen Fähigkeiten verbessern.

Gemeinsam mit Sepp Hochreiter entwickelte er 1997 die LSTM-Architektur, die lange eine wichtige Grundlage moderner Sprachverarbeitung bildete. Seine späteren Arbeiten zur Gödel Machine untersuchten, wie Programme sich unter bestimmten Bedingungen selbst verändern und verbessern können. Schmidhuber gehört damit zu den frühen Forschern, die technische Grundlagen möglicher maschineller Selbstverbesserung untersuchten, lange bevor Superintelligenz zum öffentlichen Schlagwort wurde. Dabei bleibt ein Unterschied wesentlich gemäss ihnen: Die theoretische Möglichkeit, dass Maschinen sich selbst verbessern, ist noch kein Nachweis dafür, dass daraus zwangsläufig Superintelligenz entsteht.

Sam Altman vertritt dabei, kommerziell getrieben eine deutlich optimistischere Perspektive. Allerdings ist seine Vorstellung von Superintelligenz keineswegs neu. Bereits 2017 beschäftigte er sich in seinem Essay The Merge mit der möglichen Entwicklung übermenschlicher künstlicher Intelligenz und einer zunehmenden Verbindung zwischen Mensch und Maschine, also mehrere Jahre vor der Veröffentlichung von ChatGPT.

Ab 2025 formulierte Altman diese Erwartung immer konkreter. In Reflections beschrieb er Superintelligenz als Forschungsziel von OpenAI, während er in The Gentle Singularity erklärte, die Menschheit nähere sich einer Phase, in der digitale Systeme wissenschaftliche Erkenntnisse und technologische Entwicklungen erheblich beschleunigen könnten. Seine Prognosen für die Jahre 2026 und 2027 umfassten unter anderem KI-gestützte Forschung und Fortschritte bei Robotern, die Aufgaben in der physischen Welt erledigen.

Diese Aussagen sind allerdings Zukunftserwartungen und keine Nachweise dafür, dass Superintelligenz bereits erreicht wurde. Genau darin liegt der Unterschied zwischen wissenschaftlicher Forschung und unternehmerischer Strategie. Wer davon ausgeht, dass Superintelligenz in absehbarer Zeit entsteht, wird enorme Investitionen in Rechenzentren, Energieversorgung, Modelle und Forschung anders beurteilen als jemand, der zunächst grundlegende technische Fortschritte für notwendig hält.

Aus einer technologischen Erwartung entwickelt sich so eine wirtschaftliche Logik, die ihrerseits den Wettbewerb beschleunigt. Dabei haben alle Beteiligten eigene Interessen: Altman vertritt ein Unternehmen, das Milliarden in KI-Infrastruktur investiert, LeCun arbeitet an alternativen Modellarchitekturen und Schmidhuber setzt sich seit Jahren für die Anerkennung früher wissenschaftlicher Beiträge ein. Ihre Argumente werden dadurch nicht automatisch weniger glaubwürdig, sollten aber auch nicht mit einem allgemeinen Forschungskonsens verwechselt werden.

Im September 2026 erhielt die Diskussion eine neue Dimension. Donald Trump unterzeichnete am 29. September die Executive Order Inaugurating the Era of Super Intelligence, mit der US-Bundesbehörden angewiesen wurden, im Rahmen der geltenden rechtlichen Möglichkeiten die Begriffe «Super Intelligence» und «SI» anstelle von «Artificial Intelligence» zu verwenden.

Die Begründung war vor allem wirtschaftlich und geopolitisch. Die Vereinigten Staaten sollten als führende Nation einer neuen technologischen Ära wahrgenommen werden, während der bisherige Ausdruck «Artificial Intelligence» die gegenwärtigen Fähigkeiten und das zukünftige Potenzial der Technologie angeblich nicht mehr ausreichend beschreibe.

Bemerkenswert ist jedoch, dass die Verordnung für ihre rechtliche Begriffsbestimmung weiterhin auf die bestehende Definition künstlicher Intelligenz zurückgreift. Der Name ändert sich, während der bezeichnete Gegenstand zunächst derselbe bleibt.

Damit verschiebt sich die Bedeutung von Superintelligenz. I. J. Good beschrieb 1965 mit der möglichen Intelligence Explosion einen theoretischen Mechanismus maschineller Selbstverbesserung. Nick Bostrom verwendete Superintelligenz später für eine Intelligenz, die menschliche kognitive Fähigkeiten in nahezu allen relevanten Bereichen deutlich übertrifft. Sam Altman formuliert daraus ein technologisches Entwicklungsziel, während Trump den Begriff nun für eine bereits existierende Technologiefamilie verwendet.

Was wissenschaftlich eine mögliche zukünftige Fähigkeit bezeichnet, wird politisch zur Beschreibung der Gegenwart. Die Technologie selbst verändert sich dadurch nicht, wohl aber die Erwartungen, die wir mit ihr verbinden. Und solche Erwartungen beeinflussen Investitionsentscheidungen, staatliche Strategien, Regulierung und letztlich auch die Bereitschaft, technischen Systemen Verantwortung zu übertragen.

-WERBUNG-

Mehr KI Kompetenz? Inkl. Kompetenznachweis? Dazu haben wir das KI-Update entwickelt. Kurse, Updates, Newsletter und Podcasts: ein Ort für all dein KI Wissen. Werde Teil unserer exklusiven Community! Tausche dich mit Gleichgesinnten aus, erhalte exklusive Inhalte und nimm an Live-Sessions teil. Mehr Infos gibts auf:

Wer heute von künstlicher Intelligenz spricht, meint häufig ChatGPT oder andere grosse Sprachmodelle. Tatsächlich umfasst KI jedoch eine Vielzahl unterschiedlicher Technologien, die sich über Jahrzehnte entwickelt haben. Symbolische KI arbeitet mit Regeln und logischen Schlussfolgerungen, während probabilistische Systeme Wahrscheinlichkeiten nutzen, um mit Unsicherheit umzugehen.

Neuronale Netze lernen dagegen Muster aus Daten: Convolutional Neural Networks (CNN) erkennen beispielsweise Strukturen in Bildern, Recurrent Neural Networks (RNN) und ihre Weiterentwicklung LSTM verarbeiten zeitliche Abfolgen wie Sprache oder Messwerte.

Transformer bilden heute die Grundlage vieler grosser Sprachmodelle (LLM), während Diffusionsmodelle vor allem bei der Erzeugung von Bildern und Videos eingesetzt werden.

Generative Adversarial Networks (GAN) erzeugen künstliche Daten durch das Zusammenspiel zweier konkurrierender Netze, und beim Reinforcement Learning lernen Systeme aus den Folgen ihrer Handlungen.

Hinzu kommen World Models, die ihre Umgebung modellieren, sowie multimodale und hybride Systeme, die unterschiedliche Datenarten und Verfahren miteinander verbinden. Und ja auch KI-Agenten gehören in diese Diskussion, wobei sie keine eigenständige Modellarchitektur darstellen, sondern verschiedene Technologien zu handlungsfähigen Systemen kombinieren.

Alle diese Ansätze sind weder gleichwertig noch gegenseitig ausschliessend. Sie lösen unterschiedliche Probleme und ergänzen sich zunehmend. KI ist deshalb keine einzelne Technologie und erst recht kein einheitlicher digitaler Geist, sondern ein Forschungsgebiet mit verschiedenen Methoden, Fähigkeiten und Grenzen.

Wer all das unter einem Wort, nämlich “KI” zusammenfasst, übersieht, wie unterschiedlich diese Systeme funktionieren und weshalb ihre Ergebnisse auch unterschiedlich beurteilt werden müssen.

Die technische Entwicklung der letzten Jahre ist erheblich. Das lässt sich anhand konkreter Anwendungen, Leistungsprüfungen und wissenschaftlicher Veröffentlichungen nachvollziehen.

Moderne Systeme bearbeiten komplexe Aufgaben in Sprache, Programmierung, Mathematik, Wissenschaft und visueller Verarbeitung. Agentische Systeme können Werkzeuge nutzen und mehrstufige Abläufe koordinieren.

Der Stanford AI Index 2026 dokumentiert diese Entwicklung über zahlreiche technische und gesellschaftliche Bereiche hinweg. Trotzdem bleibt eine grundlegende Unterscheidung bestehen. Eine Verbesserung der Leistung in einzelnen Aufgaben ist nicht automatisch ein Nachweis allgemeiner Intelligenz.

Ein System, das einen schwierigen Programmierbenchmark erfolgreich löst, kann bei einer einfach erscheinenden anderen Aufgabe versagen. Ein Agent, der mehrere Schritte selbstständig ausführt, ist nicht zwangsläufig in der Lage, seine Handlungen zuverlässig zu beurteilen. Und ein Modell, das Menschen in verschiedenen Wissensgebieten übertrifft, besitzt damit nicht nachweislich die breite kognitive Überlegenheit, die mit Superintelligenz gemeint ist.

Diese Unterschiede verschwinden leicht, wenn sämtliche Fortschritte unter einem einzigen Begriff zusammengefasst werden. Auch rekursive Selbstverbesserung ist differenziert zu betrachten.

Ja, KI unterstützt bereits Forschung und Entwicklung an neuen KI-Systemen. Aber eine sich selbst tragende, allgemein wirksame und beschleunigende Intelligence Explosion, wie Good sie beschrieb, ist damit nicht nachgewiesen. Dafür müssten leistungsfähigere Systeme zuverlässig zu weiteren Leistungssteigerungen beitragen, die wiederum den nächsten Verbesserungsschritt erleichtern.

Ob und unter welchen Bedingungen dieser Prozess langfristig möglich ist, bleibt offen. Gerade deshalb ist es bemerkenswert, dass die politischen Begriffe inzwischen teilweise weiter reichen als die wissenschaftlichen Nachweise.

Wie dem auch sei: bald Siebzig Jahre liegen zwischen dem Forschungsantrag von John McCarthy und Donald Trumps Entscheidung, Artificial Intelligence offiziell in Super Intelligence umzubenennen.

In dieser Zeit entstanden unterschiedliche wissenschaftliche Traditionen, zahlreiche Architekturen und Systeme, die Aufgaben übernehmen können, für die früher menschliche Expertise erforderlich war.

I. J. Good fragte 1965, ob intelligente Maschinen eines Tages die eigene Weiterentwicklung beschleunigen könnten. Jürgen Schmidhuber untersuchte über Jahrzehnte technische Mechanismen des Lernens und der Selbstverbesserung. Yann LeCun erinnert daran, dass beeindruckende Sprachfähigkeiten nicht automatisch ein umfassendes Verständnis der Welt bedeuten. Sam Altman verbindet die Fortschritte heutiger Modelle mit der Erwartung, dass digitale Superintelligenz erreichbar wird. Und Donald Trump macht aus dieser Zukunftsvorstellung einen politischen Begriff für die Gegenwart.

Sie alle sprechen über Intelligenz. Aber sie meinen nicht immer dasselbe. Und genau darin liegt die eigentliche Geschichte.

1955 bekam eine offene Forschungsfrage einen Namen. 2026 soll ein neuer Name bereits die Antwort vorwegnehmen.

Und darum bin ich nach wie vor überzeugt: Die Zukunft gehört nicht mehr den Namen von irgendwelchen Intelligenzen, sondern dass wir selber mehr unsere eigene, natürliche Intelligenz schärfen - wenn Du reden willst, und wenn Du mit mir zusammenarbeiten willst: melde Dich gerne www.rogerbasler.ch

Your AI is only as good as what you feed it. Feed it a transcript with your product names, acronyms, and numbers spelled wrong, and you spend the afternoon hand-fixing the output.

Wispr Flow Notetaker uses your dictionary and calendar, so product names, acronyms, numbers, and uncommon names come out spelled right. It pops up when your meeting starts and captures Zoom, Google Meet, Teams, and Slack huddles with one click, no bot joining the call.

Then your meetings show up inside Claude or ChatGPT through the built-in connector. No copy paste. Try Notetaker free on Mac and Windows.

Try Notetaker Free

Disclaimer: Dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.Ai und Grok.com sowie Gemini.Google.com) manuell zusammengestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt von Ideogram.Ai und ist selbst erstellt. Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.

Quellen und weitere Informationen:

Altman, S. (2017). The merge. Sam Altman. https://blog.samaltman.com/the-merge

Altman, S. (2025a, 6. Januar). Reflections. Sam Altman. https://blog.samaltman.com/reflections

Altman, S. (2025b, 9. Februar). Three observations. Sam Altman. https://blog.samaltman.com/three-observations

Altman, S. (2025c, 10. Juni). The gentle singularity. Sam Altman. https://blog.samaltman.com/the-gentle-singularity

Bostrom, N. (1998). How long before superintelligence? International Journal of Futures Studies, 2. https://nickbostrom.com/papers/how-long-before-superintelligence/

Good, I. J. (1966). Speculations concerning the first ultraintelligent machine. Advances in Computers, 6, 31–88. https://doi.org/10.1016/S0065-2458(08)60418-0

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25. https://papers.neurips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html

LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791

McCarthy, J. (2007). What is artificial intelligence? Stanford University. https://www-formal.stanford.edu/jmc/whatisai.pdf

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine, 27(4), 12–14. https://doi.org/10.1609/aimag.v27i4.1904

Organisation for Economic Co-operation and Development. (2024). Explanatory memorandum on the updated OECD definition of an AI system (OECD Artificial Intelligence Papers No. 8). OECD Publishing. https://doi.org/10.1787/623da898-en

Schmidhuber, J. (2026, September). Recursive self-improvement (RSI) since 1987 (Technical Note IDSIA-9-26). Swiss AI Lab IDSIA. https://people.idsia.ch/~juergen/recursive-self-improvement.html

Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index report. Stanford University. https://hai.stanford.edu/ai-index/2026-ai-index-report

The White House. (2026, 29. September). Inaugurating the era of super intelligence (Executive Order 14434). https://www.whitehouse.gov/presidential-actions/2026/09/inaugurating-the-era-of-super-intelligence/

Unsupervised Learning: With Jacob Effron. (2026, 15. Mai). Yann LeCun on what comes after LLMs [Video]. YouTube. https://www.youtube.com/watch?v=ngBraLDqzdI

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998–6008. https://papers.neurips.cc/paper_files/paper/2017/hash/3f5ee243547dee91fbd053c1c4a845aa-Abstract.html

Vinge, V. (1993). The coming technological singularity: How to survive in the post-human era [Konferenzbeitrag]. VISION-21 Symposium, Cleveland, OH, United States. https://cseweb.ucsd.edu/~goguen/misc/singularity.html