Huang: AGI erreicht, aber nicht für NVIDIA

## Jensen Huang: AGI ist bereits da, hat aber keine Chance gegen NVIDIA

Jensen Huang sagte auf dem Lex-Fridman-Podcast (#494) rundheraus: AGI ist erreicht. „I think it's now. I think we've achieved AGI.“ Er präzisierte jedoch, dass aktuelle Systeme kein Unternehmen von NVIDIAs Größe führen könnten. Lex Fridman definierte AGI als die Fähigkeit von AI, autonom ein Unternehmen zu gründen und auf über 1 Milliarde Dollar wachsen zu lassen. Huang stimmte zu, betonte aber den Unterschied zwischen kurzfristigem Erfolg und nachhaltigem Wachstum.

Zum Beispiel können Modelle wie Claude einen viralen Webdienst erstellen, ein Publikum anziehen und ihn schnell auf eine Milliarde Dollar monetarisieren. Solche Projekte sind jedoch ohne langfristiges Management von Lieferketten, Teams und Strategien inmitten von Unsicherheiten zum Scheitern verurteilt.

Agentische Systeme als Grundlage des Fortschritts

Huang betonte die Entwicklung agentischer Frameworks wie OpenClaw. Moderne Agenten:

• planen mehrstufige Aufgaben;
• integrieren Tools;
• starten Sub-Agenten;
• führen komplexe Handlungsabläufe aus.

Der entscheidende Wandel liegt in der Inferenzphase. Sie erzeugt den Großteil der Rechenlast: Agenten denken nach, interagieren und erzeugen Daten für nachfolgendes Training. Das schließt die Schleife: Inferenz → neue Daten → Modellverbesserungen.

Huang schätzte die Wahrscheinlichkeit eines Szenarios mit 100.000 koordinierten AI-Agenten, die ein Unternehmen wie NVIDIA leiten, auf 0 %. Technische Hürden verbinden sich mit organisatorischen: Strategische Planung und Führung unter Unsicherheit bleiben menschliche Domänen.

Neudefinition von AGI in der Branche

Huangs Aussage signalisiert einen Paradigmenwechsel. Intelligenz als Werkzeug zur Lösung von Aufgaben ist bereits etabliert, als Fähigkeit zu nachhaltigem Unternehmenswachstum jedoch noch nicht. Das kontrastiert mit den Schätzungen von Andrew Ng (Google Brain): Jahrzehnte entfernt von klassischer AGI. Es gibt keinen Konsens über die AGI-Definition, was Raum für neue Perspektiven auf Fortschritte schafft.

Huang betont: NVIDIA profitiert vom AI-Boom dank Inferenz-Workloads. Massive Berechnungen für Agenten sind der Haupttriebfaktor für die GPU-Nachfrage.

Was zählt

• AGI nach Huangs Definition bedeutet: Aktuelle Systeme meistern kurzfristige Geschäftsvorhaben, aber keine Konzerne;
• Inferenz dominiert Training bei Rechenkosten durch agentische Ketten;
• OpenClaw und ähnliche Frameworks zeigen Planung und hierarchische Agenten;
• Koordination von Tausenden Agenten für komplexe Systeme ist auf aktuellem Stand unerreichbar;
• Fehlender Konsens zur AGI-Definition fördert neue Interpretationen.

Technische Implikationen für Entwickler

Für Mittel- und Senior-Spezialisten bedeutet das Fokus auf Inferenz-Optimierung. Agentische Systeme erfordern:

• Effiziente Tool-Nutzung (API-Integration, externe Dienste);
• Hierarchische Planung (Sub-Agenten für Unteraufgaben);
• Skalierbare Datenspeicherung aus Inferenz für RAG und Fine-Tuning;
• Überwachung von Denkketten (Reasoning-Traces).

Bei der Umsetzung auf Robustheit testen: Einzelne Agenten bewältigen Prototypen, Skalierung auf 100+ erfordert Human-in-the-Loop. Tests in realen Geschäftsszenarien – von Webdiensten bis Lieferketten-Simulationen.

— Editorial Team