AGI og fremtidens AI
DeepMind Institute kortlægger fire veje fra AGI til superintelligens

NøglepunkterGlobal effektiv regnekraft er vokset mindst tifold om året på tværs af hardware og…
Vis mere
- Global effektiv regnekraft er vokset mindst tifold om året på tværs af hardware og algoritmer.
- Hvis man kun begrænser træningsregnekraft, vil det ikke nødvendigvis stoppe fremskridtet, fordi veje kan forstærke hinanden.
- Den mere nære udfordring er at skelne mellem større agenthastighed og -antal og genuint nye evner.
DeepMind Institute offentliggjorde et essay den 19. november 2026, hvor instituttet skitserer fire måder, AI kan bevæge sig fra menneskeligt niveau til kunstig generel intelligens (AGI) og videre til kunstig generel superintelligens (ASI), samtidig med at det understreger, at den hurtige udvikling kan fortsætte, men på ingen måde er sikker.
De fire veje er fortsat opskalering af modeller og data, teknologiske paradigmeskift, koordinering mellem store populationer af agenter og rekursiv selvforbedring, hvor AI-systemer bidrager til at forbedre senere systemer. Hver vej indebærer forskellige tekniske flaskehalse og måleproblemer.
I essayet betegner AGI systemer med omtrent menneskeligt niveau på næsten alle kognitive opgaver. ASI skal pålideligt kunne overgå store grupper af menneskelige eksperter i arbejde, der kan tage grupperne flere år, og gøre det med færre ressourcer og på kortere tid inden for stort set alle opgaver af interesse for mennesker. En overmenneskelig præstation inden for et snævert område som skak, Go eller forudsigelse af proteinstrukturer tæller ikke.
Essayet bygger videre på Fra AGI til ASI, en teknisk rapport, som Google DeepMind daterer til den 12. juni 2026, samt efterfølgende drøftelser på instituttet. Rapportens arXiv-tekst illustrerer kravene til ASI med et eksempel, hvor systemet pålideligt overgår titusinder af velkoordinerede eksperter, der arbejder på ét problem i ti år med den teknologi og de kulturelle artefakter, der var tilgængelige i 2010. Den tidligere rapport introducerede den samme ramme med fire veje.
ASI vil stadig ligge langt under de teoretiske grænser for intelligens. Essayet peger på fysiske, logiske og kompleksitetsmæssige begrænsninger, der ville forhindre vilkårligt præcise forudsigelser af virkelige systemer, herunder klimaer, immunforsvar og menneskelige samfund. AI på menneskeligt niveau er derfor ét punkt på et kontinuum, med et stort og stort set uudforsket spænd mellem dette niveau og de grænser.
Kognitiv industrialisering og faldende omkostninger
Essayet anslår, at den effektive globale regnekapacitet, som omfatter forbedringer af hardware, investeringer i AI-hardware og algoritmisk effektivitet, er vokset mindst tidoblet om året. Hvis denne vækstrate fremskrives over et årti, giver det en faktor på 10 milliarder. For hver AI-agent, der kan køres i dag, indebærer scenariet, at der kan være flere agenter af samme kvalitet end mennesker i hele befolkningen, hvis disse tendenser holder.
I essayets omkostningseksempel falder behovet for regnekraft med omtrent en faktor 4 om året som følge af forbedringer i hardware og inferenseffektivitet. Med den hastighed ville en arbejdsopgave, der koster 1 milliard dollar i beregningstokens, koste 1.000 dollar efter ti år. Den deraf følgende standardisering og automatisering af kognitivt arbejde beskrives som »kognitiv industrialisering«, på samme måde som rutinemæssigt fysisk arbejde er blevet en standardiseret handelsvare. Selv uden dramatiske fremskridt inden for de mest avancerede AI-systemer kan denne udvikling omforme vidensarbejde og den bredere økonomi.
Essayet advarer om, at opskalering alene stadig kan vise sig utilstrækkelig til fuld AGI, hvis nogle kognitive opgaver kræver menneskelig hjælp. Når systemer på bred front når omtrent menneskeligt niveau, kan hurtigere og talrigere agenter bidrage til at bygge bro til en svag form for ASI. Det kan understøttes af digitale systemers behandlingshastighed, hukommelse, evne til at flytte mellem forskellige typer computerhardware, næsten tabsfri kopiering af kode og hukommelsestilstand samt deling af erfaring med høj båndbredde.
Fire veje og deres begrænsninger
Fortsat opskalering kan støde på, at der ikke er mere træningsdata af høj kvalitet, at udbyttet bliver mindre, efterhånden som hvert trin i udviklingen kræver flere gange så meget regnekraft og større modeller, samt fysiske eller økonomiske begrænsninger knyttet til elproduktion, elnet, chipfremstilling og forbindelser mellem hardwarekomponenter. Skalalove, der er tilpasset nutidens arkitekturer, data og evalueringer, kan ikke med sikkerhed forudsige, hvor stor en skala AGI eller ASI vil kræve.
Paradigmeskift kan afhjælpe mangler inden for løbende læring, visse former for modellering af verden, beslutningstagning og dataeffektivitet, dvs. hvor meget træningsdata et system skal bruge for at nå et bestemt niveau. Nuværende systemer er muligvis heller ikke i stand til at opfinde helt nye begreber og abstraktioner, men kan kun kombinere eksisterende på nye måder. Forskerne er uenige om, hvorvidt gradvise ændringer af det dominerende transformerparadigme kan lukke disse huller, eller om der er behov for mere grundlæggende skift.
Essayet fremhæver koordinering mellem agenter som en kollektiv vej frem, men der mangler skalalove for multiagentsystemer. Ineffektiv koordinering, misinformation, manipulation og hemmelige aftaler kan svække store grupper, hvilket gør institutionelle og organisatoriske værn nødvendige. Rekursiv selvforbedring føjer feedbacksløjfer til gennem kode og hardwaredesign, genanvendelige data skabt under anvendelse eller specialisering inden for agentgrupper. Dårlig feedback kan få disse sløjfer til at gå i stå eller forringes, og der forventes hurtigere fremskridt, når resultater kan kontrolleres automatisk, for eksempel matematiske beviser.
Disse veje kan forstærke hinanden. Ifølge essayet kan økonomisk og geopolitisk konkurrence flytte indsatsen over på andre veje, hvis én går i stå. Derfor vil begrænsninger af træningsregnekraft alene ikke nødvendigvis standse den samlede udvikling. Hvis én indsatsfaktor begrænses, mens andre fortsætter med at udvikle sig, kan der også opstå et kapacitetsefterslæb, som efterfølges af hurtigere fremskridt, når begrænsningen ophæves eller omgås.
Måling af fremskridt ud over AGI
Det foreslåede svar er at modellere, måle, forudsige og gentage arbejdet på tværs af fagområder og med deltagelse af førende laboratorier samt nationale og globale institutioner. Nogle nødvendige måleparametre kræver adgang til avancerede modeller, betydelig regnekraft til evalueringer samt nye metoder til benchmarking og modellering.
Det er fortsat uafklaret, om disse veje vil føre til ASI, og inden for hvilken tidsramme. Den mere nærtliggende udfordring er at udvikle evalueringer, der kan skelne mellem større hastighed og flere agenter på den ene side og reelt nye evner på den anden, samtidig med at offentlige institutioner får tilstrækkelig adgang og regnekapacitet til at følge veje, der kan forstærke hinanden.












