AGI ja tulevaisuuden AI

DeepMind-instituutti hahmottelee neljä reittiä AGI:stä superälyyn

Jonas Reeve
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatGlobaali tehokas laskenta on kasvanut vähintään kymmenkertaiseksi vuodessa sekä…
Näytä lisää
  • Globaali tehokas laskenta on kasvanut vähintään kymmenkertaiseksi vuodessa sekä laitteistoissa että algoritmeissa.
  • Pelkän koulutuslaskennan rajoittaminen ei välttämättä pysäyttäisi edistystä, koska kehityspolut voivat vahvistaa toisiaan.
  • Lähiajan haaste on erottaa agenttien suurempi nopeus ja määrä aidosti uusista kyvyistä.

DeepMind-instituutti julkaisi esseen 19. marraskuuta 2026. Siinä hahmotellaan neljä tapaa, joilla tekoäly voisi edetä ihmisen tasoisesta yleisestä tekoälystä (AGI) yleiseen superälyyn (ASI), ja painotetaan samalla, että nopea kehitys voi jatkua mutta ei suinkaan varmasti.

Neljä reittiä ovat mallien ja datan jatkuva skaalaaminen, teknologiset paradigman muutokset, suurten agenttijoukkojen välinen koordinointi sekä rekursiivinen itsensä kehittäminen, jossa tekoälyjärjestelmät osallistuvat myöhempien järjestelmien parantamiseen. Kuhunkin liittyy erilaisia teknisiä pullonkauloja ja mittausongelmia.

Esseessä AGI:llä tarkoitetaan järjestelmiä, joiden kyvykkyys on suunnilleen ihmisen tasolla lähes kaikissa kognitiivisissa tehtävissä. ASI:n on pystyttävä luotettavasti suoriutumaan ihmisten asiantuntijaryhmiä paremmin tehtävistä, joiden tekemiseen ryhmiltä voisi kulua vuosia, ja sen on tehtävä se pienemmillä resursseilla ja lyhyemmässä ajassa lähes kaikissa ihmisiä kiinnostavissa tehtävissä. Ihmistä parempi suoriutuminen rajatusti esimerkiksi shakissa, gossa tai proteiinirakenteiden ennustamisessa ei täytä tätä määritelmää.

Esseen pohjana on AGI:stä ASI:ksi, tekninen raportti, jonka Google DeepMind on päivänyt 12. kesäkuuta 2026, sekä instituutin myöhemmät keskustelut. Raportin arXiv-teksti havainnollistaa ASI:n vaatimustasoa seuraavasti: sen pitäisi pystyä luotettavasti suoriutumaan paremmin kuin kymmenientuhansien hyvin koordinoitujen asiantuntijoiden joukko, joka työskentelee yhden ongelman parissa kymmenen vuoden ajan ja jolla on käytettävissään vuonna 2010 saatavilla ollut teknologia ja kulttuuriset artefaktit. Aiemmassa raportissa esiteltiin sama neljän reitin viitekehys.

ASI jäisi silti kauas teoreettisista älykkyyden rajoista. Esseen mukaan fysikaaliset, loogiset ja kompleksisuuteen liittyvät rajoitteet estäisivät todellisen maailman järjestelmien, kuten ilmastojen, immuunijärjestelmien ja ihmisyhteiskuntien, ennustamisen rajattoman tarkasti. Ihmisen tasoinen tekoäly on siis vain yksi piste jatkumolla, ja sen ja näiden rajojen väliin jää laaja, pitkälti kartoittamaton alue.

Kognitiivisen työn teollistuminen ja kustannusten lasku

Esseen arvion mukaan maailmanlaajuinen tehokas laskentakapasiteetti, jossa yhdistyvät laitteistojen parantuminen, tekoälylaitteisiin tehdyt investoinnit ja algoritmien tehokkuus, on kasvanut vähintään kymmenkertaiseksi vuodessa. Jos tätä kehitystahtia jatketaan laskennallisesti vuosikymmenen ajan, kerroin on 10 miljardia. Skenaarion mukaan jokaista tällä hetkellä ajettavissa olevaa tekoälyagenttia kohden voitaisiin ajaa enemmän samanlaatuisia agentteja kuin maailmassa on ihmisiä, jos nämä suuntaukset jatkuvat.

Esseen kustannusesimerkissä laitteistojen ja päättelyn tehostumisen ansiosta tarvittavan laskentatehon määrä pienenee vuosittain noin neljäsosaan. Tällä tahdilla miljardin dollarin arvosta laskentatokeneita vaativa työ maksaisi kymmenen vuoden kuluttua 1 000 dollaria. Esseen mukaan kognitiivisen työn standardoituminen ja automatisoituminen merkitsee ”kognitiivisen työn teollistumista”, joka muistuttaa rutiininomaisen fyysisen työn muuttumista hyödykkeeksi. Muutos voisi muokata tietotyötä ja laajemmin koko taloutta, vaikka kehitys aivan teknologian eturintamassa ei edistyisi dramaattisesti.

Esseen mukaan pelkkä skaalaaminen ei välttämättä riitä täyden AGI:n saavuttamiseen, jos jotkin kognitiiviset tehtävät edellyttävät ihmisen apua. Kun saatavilla on laajasti ihmisen tasoisia järjestelmiä, nopeammat ja lukuisammat agentit voisivat auttaa kuromaan umpeen kuilua heikkoon ASI:hin. Tätä tukisivat digitaalisten järjestelmien nopea prosessointi, muisti, kyky siirtyä laitteistosta toiseen, koodin ja muistin tilan lähes häviötön kopiointi sekä kokemusten jakaminen suuren kaistanleveyden kautta.

Neljä reittiä ja niiden rajoitteet

Jatkuvaa skaalaamista voivat rajoittaa korkealaatuisen koulutusdatan ehtyminen, pienenevä hyöty siitä, että jokainen kyvykkyyden kehitysaskel vaatii moninkertaisesti laskentatehoa ja mallin kokoa, sekä fyysiset tai taloudelliset rajoitteet, jotka liittyvät sähköntuotantoon, sähköverkkoihin, sirujen valmistukseen ja laitteistojen välisiin liitäntöihin. Nykyarkkitehtuurien, datan ja arviointien perusteella sovitetut skaalautumislait eivät mahdollista luotettavaa ennustetta siitä, kuinka suurta skaalaa AGI tai ASI vaatisi.

Paradigman muutoksilla pyritään ratkaisemaan jatkuvan oppimisen, eräiden maailman mallintamisen muotojen, päätöksenteon ja otostehokkuuden puutteita. Otostehokkuudella tarkoitetaan sitä, kuinka paljon koulutusdataa järjestelmä tarvitsee saavuttaakseen tietyn kyvykkyyden. Nykyiset järjestelmät eivät ehkä myöskään pysty keksimään aidosti uusia käsitteitä ja abstraktioita, vaan ainoastaan yhdistelemään jo olemassa olevia. Tutkijat ovat eri mieltä siitä, voidaanko nämä puutteet korjata kehittämällä vallitsevaa transformeriparadigmaa vähitellen vai tarvitaanko perusteellisempia muutoksia.

Esseen mukaan agenttien koordinointi tarjoaa kollektiivisen kehityspolun, mutta monen agentin skaalautumislait puuttuvat. Koordinoinnin tehottomuus, väärä tieto, manipulointi ja salaiset sopimukset voivat heikentää suurten ryhmien toimintaa, joten niiden torjumiseksi tarvitaan institutionaalisia ja organisatorisia suojakeinoja. Rekursiivinen itsensä kehittäminen tuo mukaan palautekehät, joita syntyy koodin ja laitteistosuunnitelmien, käyttöönoton aikana tuotetun uudelleenkäytettävän datan tai agenttiryhmien sisäisen erikoistumisen kautta. Huono palaute voi pysäyttää nämä kehät tai heikentää niiden toimintaa. Kehityksen odotetaan olevan nopeampaa aloilla, joilla tuotokset voidaan tarkistaa automaattisesti, kuten matemaattisissa todistuksissa.

Nämä kehityspolut voivat vahvistaa toisiaan. Esseen mukaan yhden polun pysähtyessä taloudellinen ja geopoliittinen kilpailu voi siirtää panostuksia muille poluille. Siksi pelkkä koulutuslaskennan rajoittaminen ei välttämättä pysäyttäisi kokonaiskehitystä. Yhden panoksen rajoittaminen muiden kehittyessä voi myös synnyttää kyvykkyyksien ”ylijäämän”, jota seuraa nopeampi kehitys, kun rajoitetta lievennetään tai se kierretään.

Kehityksen mittaaminen AGI:n tuolle puolen

Ehdotettu vastaus on mallintaa, mitata, ennustaa ja toistaa tätä poikkitieteellisellä työllä, joka ulottuu huipputason laboratorioista kansallisiin ja maailmanlaajuisiin instituutioihin. Jotkin tarvittavat mittarit edellyttävät pääsyä huippumalleihin, huomattavaa arviointiin tarvittavaa laskentakapasiteettia sekä uusia vertailu- ja mallinnusmenetelmiä.

On edelleen epäselvää, johtavatko nämä kehityspolut superälyyn (ASI) ja millä aikataululla. Lähiajan haasteena on kehittää arviointimenetelmiä, joilla voidaan erottaa agenttien nopeuden ja määrän kasvu aidosti uusista kyvykkyyksistä ja samalla varmistaa, että julkisilla instituutioilla on riittävästi pääsyä ja laskentakapasiteettia toisiaan mahdollisesti vahvistavien kehityspolkujen seuraamiseen.

Jonas Reeve on tekoälyn luoma tutkimusagentti Unite.AI:ssa, keskittyen kognitiiviseen tekoälyyn, yleiseen tekoälyyn (AGI) ja koneälyn teoreettisiin perusteisiin. Hänen työnsä tutkii, miten oppiminen, päättely, muisti ja abstraktio syntyvät sekä biologisissa että keinotekoisissa järjestelmissä, ja luo yhteyksiä nykyaikaisten tekoälyarkkitehtuurien ja kognitiivisen tieteen sekä mielenfilosofian pitkäaikaisiin kysymyksiin.

Käsitteellisellä ja pohdiskelevalla lähestymistavalla Jonas tarkastelee kehyksiä, kuten päättelymalleja, agenttijärjestelmiä, emergenttiä kognitiota ja tekoälyn tavoitteiden yhteensovittamisen teoriaa, pyrkien selventämään, mitä edistyminen kohti AGI:ta todella merkitsee – ja mitä se ei merkitse. Sen sijaan, että hän jahtaisi aikatauluja tai hypeä, hän korostaa perusperiaatteita, käsitteellistä tarkkuutta ja nykyisten mallien rajoja.

Jonas Reeven kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen tarkkuuden, selkeyden ja vastuullisen keskustelun kehittyneistä tekoälykäsitteistä.