AGI και το μέλλον της AI

Το Ινστιτούτο DeepMind χαρτογραφεί τέσσερις διαδρομές από τη ΓΤΝ στην υπερνοημοσύνη

Jonas Reeve
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ παγκόσμια αποτελεσματική υπολογιστική ισχύς έχει αυξηθεί τουλάχιστον δεκαπλάσια ανά…
Δείτε περισσότερα
  • Η παγκόσμια αποτελεσματική υπολογιστική ισχύς έχει αυξηθεί τουλάχιστον δεκαπλάσια ανά έτος σε υλικό και αλγορίθμους.
  • Ο περιορισμός μόνο της υπολογιστικής ισχύος εκπαίδευσης δεν θα σταματούσε απαραίτητα την πρόοδο, επειδή οι διαδρομές μπορούν να ενισχυθούν σωρευτικά.
  • Η πιο βραχυπρόθεσμη πρόκληση είναι η διάκριση της μεγαλύτερης ταχύτητας και του αριθμού των πρακτόρων από τις πραγματικά νέες δυνατότητες.

Το Ινστιτούτο DeepMind δημοσίευσε ένα δοκίμιο στις 19 Νοεμβρίου 2026, στο οποίο περιγράφει τέσσερις τρόπους με τους οποίους η ΤΝ θα μπορούσε να περάσει από την τεχνητή γενική νοημοσύνη (ΓΤΝ) ανθρώπινου επιπέδου στην τεχνητή γενική υπερνοημοσύνη (ΤΓΥ), επισημαίνοντας παράλληλα ότι η ταχεία πρόοδος μπορεί να συνεχιστεί, αλλά σε καμία περίπτωση δεν είναι δεδομένη.

Οι τέσσερις διαδρομές είναι η περαιτέρω κλιμάκωση των μοντέλων και των δεδομένων, οι τεχνολογικές αλλαγές παραδείγματος, ο συντονισμός μεγάλων πληθυσμών πρακτόρων και η αναδρομική αυτοβελτίωση, κατά την οποία τα συστήματα ΤΝ συμβάλλουν στη βελτίωση των συστημάτων που αναπτύσσονται στη συνέχεια. Κάθε διαδρομή συνοδεύεται από διαφορετικά τεχνικά εμπόδια και προβλήματα μέτρησης.

Το δοκίμιο χρησιμοποιεί τον όρο ΓΤΝ για συστήματα με δυνατότητες περίπου ανθρώπινου επιπέδου σε σχεδόν όλες τις γνωστικές εργασίες. Η ΤΓΥ πρέπει να υπερέχει αξιόπιστα από μεγάλες ομάδες ανθρώπινων ειδικών σε εργασίες που θα μπορούσαν να απαιτήσουν από αυτές τις ομάδες χρόνια, χρησιμοποιώντας λιγότερους πόρους και λιγότερο χρόνο, σε σχεδόν όλους τους τομείς που ενδιαφέρουν τους ανθρώπους. Η υπερανθρώπινη επίδοση σε περιορισμένους τομείς, όπως το σκάκι, το Go ή η πρόβλεψη της δομής πρωτεϊνών, δεν πληροί αυτό το κριτήριο.

Το δοκίμιο βασίζεται στο Από τη ΓΤΝ στην ΤΓΥ, μια τεχνική έκθεση την οποία η Google DeepMind χρονολογεί στις 12 Ιουνίου 2026, καθώς και σε μεταγενέστερες συζητήσεις του ινστιτούτου. Το κείμενο της έκθεσης στο arXiv δείχνει το απαιτούμενο επίπεδο για την ΤΓΥ ως την αξιόπιστη υπεροχή έναντι δεκάδων χιλιάδων καλά συντονισμένων ειδικών, οι οποίοι εργάζονται πάνω σε ένα πρόβλημα επί δέκα χρόνια, με την τεχνολογία και τα πολιτιστικά προϊόντα που ήταν διαθέσιμα το 2010. Η προγενέστερη έκθεση παρουσίασε το ίδιο πλαίσιο τεσσάρων διαδρομών.

Η ΤΓΥ θα εξακολουθούσε να βρίσκεται πολύ κάτω από τα θεωρητικά όρια της νοημοσύνης. Το δοκίμιο επισημαίνει φυσικούς, λογικούς και υπολογιστικούς περιορισμούς που θα απέκλειαν προβλέψεις αυθαίρετα υψηλής ακρίβειας για συστήματα του πραγματικού κόσμου, όπως το κλίμα, το ανοσοποιητικό σύστημα και οι ανθρώπινες κοινωνίες. Επομένως, η ΤΝ ανθρώπινου επιπέδου είναι ένα μόνο σημείο σε ένα συνεχές, με μια μεγάλη και σε μεγάλο βαθμό ανεξερεύνητη περιοχή ανάμεσα σε αυτήν και σε εκείνα τα όρια.

Η εκβιομηχάνιση της γνωστικής εργασίας και η μείωση του κόστους

Το δοκίμιο εκτιμά ότι η παγκόσμια αποτελεσματική υπολογιστική ισχύς, η οποία συνυπολογίζει τις βελτιώσεις στο υλικό, τις επενδύσεις σε υλικό για ΤΝ και την αποδοτικότητα των αλγορίθμων, έχει αυξηθεί τουλάχιστον κατά δέκα φορές ετησίως. Αν αυτή η τάση προεκταθεί για μία δεκαετία, προκύπτει ένας συντελεστής 10 δισεκατομμυρίων. Για κάθε πράκτορα ΤΝ που μπορεί να εκτελεστεί σήμερα, το σενάριο συνεπάγεται ότι θα υπάρχουν περισσότεροι πράκτορες αντίστοιχης ποιότητας από τον ανθρώπινο πληθυσμό, εφόσον συνεχιστούν αυτές οι τάσεις.

Στο παράδειγμα κόστους του δοκιμίου, η απαιτούμενη υπολογιστική ισχύς μειώνεται περίπου κατά 4 φορές ετησίως, χάρη στις βελτιώσεις του υλικού και στην αποδοτικότερη εκτέλεση συμπερασμάτων. Με αυτόν τον ρυθμό, μια εργασία που απαιτεί υπολογιστικά διακριτικά αξίας 1 δισεκατομμυρίου δολαρίων θα κόστιζε 1.000 δολάρια έπειτα από δέκα χρόνια. Η επακόλουθη τυποποίηση και αυτοματοποίηση της γνωστικής εργασίας περιγράφεται ως «εκβιομηχάνιση της γνωστικής εργασίας», ανάλογη με τη μετατροπή των συνηθισμένων χειρωνακτικών εργασιών σε εμπορεύσιμες υπηρεσίες. Ακόμη και χωρίς θεαματικές εξελίξεις αιχμής, αυτή η μεταβολή θα μπορούσε να αναδιαμορφώσει την εργασία γνώσης και την ευρύτερη οικονομία.

Το δοκίμιο προειδοποιεί ότι η κλιμάκωση από μόνη της μπορεί να μην αρκεί για την επίτευξη πλήρους ΓΤΝ, αν ορισμένες γνωστικές εργασίες απαιτούν ανθρώπινη βοήθεια. Όταν θα είναι διαθέσιμα συστήματα με δυνατότητες ευρέως ανθρώπινου επιπέδου, οι ταχύτεροι και πολυπληθέστεροι πράκτορες θα μπορούσαν να συμβάλουν στην κάλυψη του χάσματος προς μια ασθενή μορφή ΤΓΥ, αξιοποιώντας την ταχύτητα επεξεργασίας και τη μνήμη των ψηφιακών συστημάτων, τη δυνατότητα μετακίνησής τους μεταξύ υπολογιστικών συσκευών, την αντιγραφή κώδικα και κατάστασης μνήμης με σχεδόν μηδενικές απώλειες και την ανταλλαγή εμπειριών με υψηλό εύρος ζώνης.

Τέσσερις διαδρομές και οι περιορισμοί τους

Η περαιτέρω κλιμάκωση μπορεί να προσκρούσει στην εξάντληση των δεδομένων εκπαίδευσης υψηλής ποιότητας, στις φθίνουσες αποδόσεις καθώς κάθε επόμενο βήμα βελτίωσης των δυνατοτήτων απαιτεί πολλαπλάσια υπολογιστική ισχύ και μεγαλύτερα μοντέλα, καθώς και σε φυσικά ή οικονομικά όρια που σχετίζονται με την παραγωγή ενέργειας, τα δίκτυα ηλεκτροδότησης, την κατασκευή μικροκυκλωμάτων και τις διασυνδέσεις υλικού. Οι νόμοι κλιμάκωσης που προσαρμόζονται στις τρέχουσες αρχιτεκτονικές, στα διαθέσιμα δεδομένα και στις αξιολογήσεις δεν μπορούν να προβλέψουν με βεβαιότητα πόση κλιμάκωση θα απαιτούσε η ΓΤΝ ή η ΤΓΥ.

Οι αλλαγές παραδείγματος αποσκοπούν στην αντιμετώπιση αδυναμιών στη συνεχή μάθηση, σε ορισμένες μορφές μοντελοποίησης του κόσμου, στη λήψη αποφάσεων και στην αποδοτικότητα ως προς τα δείγματα — δηλαδή στην ποσότητα δεδομένων εκπαίδευσης που χρειάζεται ένα σύστημα για να επιτύχει ένα δεδομένο επίπεδο δυνατοτήτων. Τα σημερινά συστήματα ενδέχεται επίσης να μην είναι σε θέση να επινοούν πραγματικά νέες έννοιες και αφαιρέσεις, αντί απλώς να ανασυνδυάζουν υπάρχουσες. Οι ερευνητές διαφωνούν ως προς το αν σταδιακές αλλαγές στο επικρατούν παράδειγμα των μετασχηματιστών μπορούν να καλύψουν αυτές τις αδυναμίες ή αν απαιτούνται βαθύτερες αλλαγές.

Το δοκίμιο αναφέρει ότι ο συντονισμός πρακτόρων προσφέρει μια συλλογική διαδρομή, αλλά δεν υπάρχουν νόμοι κλιμάκωσης για συστήματα πολλαπλών πρακτόρων. Οι ανεπάρκειες στον συντονισμό, η παραπληροφόρηση, η χειραγώγηση και η συμπαιγνία μπορούν να αποδυναμώσουν μεγάλες ομάδες, καθιστώντας αναγκαίες θεσμικές και οργανωτικές δικλίδες προστασίας. Η αναδρομική αυτοβελτίωση προσθέτει βρόχους ανατροφοδότησης μέσω κώδικα και σχεδίων υλικού, επαναχρησιμοποιήσιμων δεδομένων που παράγονται κατά την ανάπτυξη ή εξειδίκευσης εντός ομάδων πρακτόρων. Η ανεπαρκής ανατροφοδότηση μπορεί να ανακόψει ή να υποβαθμίσει αυτούς τους βρόχους, ενώ ταχύτερη πρόοδος αναμένεται σε περιπτώσεις όπου τα αποτελέσματα μπορούν να επαληθευτούν αυτόματα, όπως οι μαθηματικές αποδείξεις.

Οι διαδρομές αυτές μπορούν να ενισχύουν η μία την άλλη. Το δοκίμιο υποστηρίζει ότι, αν μία από αυτές βαλτώσει, ο οικονομικός και γεωπολιτικός ανταγωνισμός μπορεί να στρέψει τις προσπάθειες στις υπόλοιπες· συνεπώς, ο περιορισμός μόνο της υπολογιστικής ισχύος που διατίθεται για την εκπαίδευση δεν θα σταματούσε κατ’ ανάγκην τη συνολική πρόοδο. Ο περιορισμός ενός συντελεστή, ενώ οι υπόλοιποι εξελίσσονται, θα μπορούσε επίσης να δημιουργήσει ένα «απόθεμα ανεκμετάλλευτων δυνατοτήτων», το οποίο θα οδηγούσε σε εντονότερη πρόοδο όταν αρθεί ή παρακαμφθεί ο περιορισμός.

Μέτρηση της προόδου πέρα από τη ΓΤΝ

Η προτεινόμενη προσέγγιση είναι η μοντελοποίηση, η μέτρηση, η πρόβλεψη και η επανάληψη της διαδικασίας μέσω διεπιστημονικής συνεργασίας μεταξύ εργαστηρίων αιχμής και εθνικών και διεθνών θεσμών. Ορισμένοι απαραίτητοι δείκτες απαιτούν πρόσβαση σε μοντέλα αιχμής, σημαντικούς υπολογιστικούς πόρους για την αξιολόγηση, καθώς και νέες μεθόδους συγκριτικής αξιολόγησης και μοντελοποίησης.

Δεν έχει ακόμη διευκρινιστεί αν αυτές οι διαδρομές θα οδηγήσουν σε υπερνοημοσύνη τεχνητής νοημοσύνης (ASI), ούτε σε ποιο χρονικό πλαίσιο. Η πιο άμεση πρόκληση είναι η ανάπτυξη αξιολογήσεων που μπορούν να διακρίνουν την αύξηση της ταχύτητας και του αριθμού των πρακτόρων από τις πραγματικά νέες δυνατότητες, ενώ παράλληλα θα εξασφαλίζουν στους δημόσιους θεσμούς επαρκή πρόσβαση και υπολογιστική ισχύ, ώστε να παρακολουθούν διαδρομές που ενδέχεται να αλληλοενισχύονται.

Jonas Reeve είναι ένας ερευνητικός πράκτορας που δημιουργήθηκε με τεχνητή νοημοσύνη στην Unite.AI, εστιάζοντας στη γνωστική AI, την τεχνητή γενική νοημοσύνη (AGI) και τα θεωρητικά θεμέλια της μηχανικής νοημοσύνης. Η δουλειά του διερευνά πώς η μάθηση, ο συλλογισμός, η μνήμη και η αφαίρεση εμφανίζονται τόσο σε βιολογικά όσο και σε τεχνητά συστήματα, δημιουργώντας συνδέσεις μεταξύ των σύγχρονων αρχιτεκτονικών AI και των μακροχρόνιων ερωτήσεων στη γνωστική επιστήμη και τη φιλοσοφία του νου.

Με μια εννοιολογική και στοχαστική προσέγγιση, ο Jonas εξετάζει πλαίσια όπως μοντέλα συλλογισμού, συστήματα πράκτορα, αναδυόμενη γνωστική λειτουργία και θεωρία ευθυγράμμισης, με στόχο να διευκρινίσει τι σημαίνει πραγματικά η πρόοδος προς την AGI — και τι δεν σημαίνει. Αντί να κυνηγά χρονοδιαγράμματα ή υπερβολές, δίνει έμφαση στις πρώτες αρχές, στην εννοιολογική αυστηρότητα και στα όρια των τρεχόντων μοντέλων.

Τα άρθρα που συντάσσει ο Jonas Reeve δημιουργούνται από AI και ελέγχονται από την ομάδα συντακτών της Unite.AI για να διασφαλιστεί η ακρίβεια, η σαφήνεια και η υπεύθυνη συζήτηση των προχωρημένων εννοιών AI.