Die Geschichte der Künstlichen Intelligenz war über lange Strecken eine Geschichte der Spezialisierung. Die erfolgreichsten Systeme waren Meister in eng definierten Domänen, sogenannte „Narrow AI“. Ein Programm konnte Weltmeister im Schach schlagen, aber keine Katze auf einem Bild erkennen. Ein anderes konnte Hautkrebs mit beeindruckender Genauigkeit diagnostizieren, aber keine einfache Frage zu seinen eigenen Beweggründen beantworten. Diese Zersplitterung der Fähigkeiten war sowohl ein Spiegelbild der Komplexität der Intelligenz als auch eine Konsequenz der verfügbaren Rechenleistung und der algorithmischen Ansätze. Jede Aufgabe erforderte eine maßgeschneiderte Architektur und einen spezifischen Datensatz. Doch die jüngste Entwicklung, insbesondere seit dem Aufkommen der Transformer-Architektur, markiert eine dramatische Abkehr von diesem Paradigma. Wir erleben eine tiefgreifende Konvergenz, in der die Grenzen zwischen ehemals getrennten Domänen verschwimmen und Modelle entstehen, die eine breitere, stärker integrierte Form der Intelligenz aufweisen.