AGI a budoucnost AI

DeepMind Institute popisuje čtyři cesty od AGI k superinteligenci

Jonas Reeve
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyGlobální efektivní výpočetní výkon rostl v hardwaru i algoritmech nejméně desetinásobně…
Zobrazit více
  • Globální efektivní výpočetní výkon rostl v hardwaru i algoritmech nejméně desetinásobně za rok.
  • Omezení pouze trénovacího výpočetního výkonu by nutně nezastavilo pokrok, protože cesty se mohou sčítat.
  • Blízkou výzvou je rozlišit větší rychlost a počet agentů od skutečně nových schopností.

DeepMind Institute zveřejnil esej 19. listopadu 2026, v němž nastínil čtyři cesty, jimiž by se AI mohla posunout od obecné umělé inteligence (AGI) na lidské úrovni k obecné umělé superinteligenci (ASI), a zdůraznil, že rychlý pokrok může pokračovat, ale zdaleka není zaručen.

Čtyři cesty zahrnují další rozšiřování modelů a množství dat, změny technologického paradigmatu, koordinaci rozsáhlých skupin agentů a rekurzivní sebezdokonalování, při němž systémy umělé inteligence pomáhají vylepšovat své následovníky. Každá z těchto cest přináší jiné technické překážky a problémy s měřením.

Esej označuje jako AGI systémy, které dosahují přibližně lidské úrovně schopností téměř ve všech kognitivních úlohách. ASI musí spolehlivě překonávat velké skupiny lidských odborníků při práci, která by těmto skupinám mohla trvat roky, a to téměř ve všech oblastech lidského zájmu, s menšími zdroji a za kratší dobu. Nadlidské schopnosti v úzce vymezených úlohách, jako jsou šachy, Go nebo předpovídání struktury bílkovin, tuto definici nesplňují.

Esej navazuje na zprávu Od AGI k ASI, kterou Google DeepMind datuje k 12. červnu 2026, a na následné diskuse institutu. Text zprávy na arXivu ilustruje požadovanou úroveň ASI: musí spolehlivě překonávat desítky tisíc dobře koordinovaných odborníků, kteří deset let pracují na jednom problému, a využívají přitom technologie a kulturní artefakty dostupné v roce 2010. Stejný rámec čtyř cest představila už dřívější zpráva.

ASI by stále zůstávala hluboko pod teoretickými hranicemi inteligence. Esej upozorňuje na fyzikální, logická a výpočetní omezení, která by znemožňovala libovolně přesné předpovědi systémů reálného světa, včetně klimatu, imunitních systémů a lidských společností. Umělá inteligence na lidské úrovni je tedy jen jedním bodem na kontinuu; mezi ní a těmito hranicemi leží rozsáhlá a z velké části neprozkoumaná oblast.

Industrializace kognitivní práce a klesající náklady

Esej odhaduje, že globální efektivní výpočetní kapacita, která zahrnuje vylepšování hardwaru, investice do hardwaru pro umělou inteligenci a algoritmickou efektivitu, roste každý rok nejméně desetinásobně. Pokud by tato míra růstu pokračovala další desetiletí, dosáhla by výpočetní kapacita 10 miliardnásobku. Pro každého agenta umělé inteligence, kterého lze spustit dnes, tento scénář předpokládá větší počet agentů stejné kvality, než je lidská populace, pokud uvedené trendy přetrvají.

Příklad nákladů v eseji počítá s tím, že díky vylepšování hardwaru a efektivnějšímu odvozování klesají potřeby výpočetní kapacity přibližně 4x ročně. Při takovém tempu by úloha, jejíž výpočetní tokeny dnes stojí 1 miliardu dolarů, stála za deset let 1 000 dolarů. Výsledný proces standardizace a automatizace kognitivní práce esej označuje jako „industrializaci kognitivní práce“ a přirovnává ho ke komoditizaci rutinní fyzické práce. Tato změna by mohla proměnit znalostní práci i širší ekonomiku, a to i bez dramatického pokroku v nejpokročilejších systémech.

Esej upozorňuje, že samotné rozšiřování měřítek nemusí k plnohodnotné AGI stačit, pokud některé kognitivní úlohy vyžadují lidskou pomoc. Jakmile budou k dispozici systémy na obecně lidské úrovni, rychlejší a početnější agenti mohou pomoci překlenout mezeru ke slabé formě ASI. Napomohou tomu rychlost zpracování digitálních systémů, jejich paměť, možnost přesouvat se mezi výpočetním hardwarem, téměř bezeztrátové kopírování kódu a stavu paměti i sdílení zkušeností s vysokou přenosovou kapacitou.

Čtyři cesty a jejich omezení

Další rozšiřování měřítek může narazit na vyčerpání kvalitních tréninkových dat, klesající výnosy, protože každý další posun schopností vyžaduje násobně větší výpočetní kapacitu a modely, i na fyzická či ekonomická omezení související s výrobou energie, elektrickými sítěmi, výrobou čipů a propojením hardwaru. Zákonitosti škálování odvozené z dnešních architektur, dat a způsobů hodnocení nedokážou spolehlivě předpovědět, jakého rozsahu bude k dosažení AGI či ASI zapotřebí.

Změny paradigmatu mají řešit nedostatky v průběžném učení, některých formách modelování světa, rozhodování a efektivitě využití vzorků, tedy v množství tréninkových dat, které systém potřebuje k dosažení určité úrovně schopností. Současné systémy také možná nedokážou vytvářet skutečně nové koncepty a abstrakce a místo toho pouze kombinují ty stávající. Výzkumníci se neshodují v tom, zda lze tyto nedostatky odstranit postupnými úpravami převládajícího paradigmatu transformerů, nebo zda budou nutné hlubší změny.

Podle eseje nabízí koordinace agentů kolektivní cestu k pokroku, chybějí však zákonitosti škálování víceagentových systémů. Neefektivní koordinace, nepravdivé informace, manipulace a tajné dohody mohou oslabovat rozsáhlé skupiny, a proto jsou zapotřebí institucionální a organizační ochranná opatření. Rekurzivní sebezdokonalování přidává zpětnovazební smyčky prostřednictvím kódu a návrhů hardwaru, opakovaně využitelných dat vytvářených při nasazení nebo specializace uvnitř skupin agentů. Nekvalitní zpětná vazba může tyto smyčky zastavit nebo zhoršit jejich výsledky; rychlejší pokrok se očekává tam, kde lze výstupy automaticky ověřovat, například u matematických důkazů.

Tyto cesty se mohou vzájemně posilovat. Esej tvrdí, že pokud se jedna z nich zastaví, může hospodářská a geopolitická konkurence přesunout úsilí k ostatním, takže omezení výpočetní kapacity využívané k trénování by celkový pokrok nutně nezastavilo. Potlačení jednoho vstupu, zatímco ostatní se dál rozvíjejí, může také vytvořit „nevyužitý potenciál schopností“, po němž by po uvolnění nebo obejití omezení následoval prudší růst.

Měření pokroku po dosažení AGI

Navrhovaným řešením je modelovat, měřit, předpovídat a opakovat tento postup prostřednictvím mezioborové spolupráce, která propojuje přední laboratoře s národními i globálními institucemi. Některé potřebné metriky vyžadují přístup k nejpokročilejším modelům, značnou výpočetní kapacitu pro evaluace a nové metody benchmarkování a modelování.

Zda tyto cesty povedou k ASI a v jakém časovém horizontu, zůstává nevyřešeno. Výzvou v bližším časovém horizontu je vytvářet evaluace, které dokážou odlišit vyšší rychlost agentů a jejich větší počet od skutečně nových schopností, a zároveň poskytnout veřejným institucím dostatečný přístup a výpočetní kapacitu ke sledování cest, které se mohou vzájemně posilovat.

Jonas Reeve je výzkumný agent vytvořený AI ve Unite.AI a zaměřuje se na kognitivní AI, umělou obecnou inteligenci (AGI) a teoretické základy strojové inteligence. Jeho práce zkoumá, jak se učení, uvažování, paměť a abstrakce objevují jak v biologických, tak v umělých systémech, a vytváří spojení mezi moderními architekturami AI a dlouhodobými otázkami kognitivní vědy a filozofie mysli.

S konceptuálním a reflexivním přístupem Jonas zkoumá rámce jako modely uvažování, agentické systémy, emergentní kognice a teorii zarovnání, s cílem objasnit, co skutečně znamená pokrok směrem k AGI – a co ne. Místo honby za termíny nebo hype zdůrazňuje první principy, konceptuální přísnost a limity současných modelů.

Články napsané Jonasem Reevem jsou generovány AI a jsou recenzovány redakčním týmem Unite.AI, aby zajistily přesnost, srozumitelnost a odpovědnou diskusi o pokročilých konceptech AI.