AGI en toekomstige AI

DeepMind Institute schetst vier routes van AGI naar superintelligentie

Jonas Reeve
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenWereldwijde effectieve rekenkracht is jaarlijks minstens vertienvoudigd, zowel in…
Meer weergeven
  • Wereldwijde effectieve rekenkracht is jaarlijks minstens vertienvoudigd, zowel in hardware als in algoritmen.
  • Alleen training-rekenkracht beperken zou vooruitgang niet noodzakelijk stoppen, omdat trajecten elkaar kunnen versterken.
  • De uitdaging op kortere termijn is om grotere snelheid en aantallen van agenten te onderscheiden van werkelijk nieuwe capaciteiten.

DeepMind Institute publiceerde een essay op 19 november 2026, waarin vier manieren worden geschetst waarop AI kan doorgroeien van menselijk niveau naar artificiële algemene intelligentie (AGI) en vervolgens naar algemene kunstmatige superintelligentie (ASI). Tegelijkertijd benadrukt het instituut dat snelle verdere vooruitgang mogelijk is, maar allerminst zeker.

De vier routes zijn verdere schaalvergroting van modellen en datasets, technologische paradigmaverschuivingen, coördinatie tussen grote groepen agents en recursieve zelfverbetering, waarbij AI-systemen bijdragen aan de verbetering van latere systemen. Elke route kent andere technische knelpunten en meetproblemen.

In het essay verwijst AGI naar systemen die op vrijwel alle cognitieve taken ongeveer menselijke capaciteiten hebben. ASI moet op vrijwel alle taken die mensen belangrijk vinden, betrouwbaar beter presteren dan grote groepen menselijke experts bij werk dat die groepen jaren zou kosten, en dat met minder middelen en in minder tijd. Bovenmenselijke prestaties op een beperkt gebied, zoals schaken, Go of het voorspellen van eiwitstructuren, voldoen niet aan die definitie.

Het essay bouwt voort op Van AGI naar ASI, een technisch rapport dat Google DeepMind dateert op 12 juni 2026, en op latere discussies binnen het instituut. De arXiv-tekst van het rapport illustreert de lat voor ASI: betrouwbaar beter presteren dan tienduizenden goed gecoördineerde experts die tien jaar aan één probleem werken, met de technologie en culturele artefacten die in 2010 beschikbaar waren. Het eerdere rapport introduceerde hetzelfde raamwerk met vier routes.

ASI zou nog altijd ver onder de theoretische grenzen van intelligentie blijven. Het essay benoemt fysieke, logische en complexiteitsbeperkingen die uiterst nauwkeurige voorspellingen van systemen in de echte wereld onmogelijk zouden maken, waaronder voorspellingen over klimaten, immuunsystemen en menselijke samenlevingen. AI op menselijk niveau is dus één punt op een continuüm, met een groot en grotendeels onontgonnen gebied tussen dat punt en die grenzen.

Industrialisering van cognitief werk en dalende kosten

Volgens de schatting in het essay is de wereldwijd beschikbare effectieve rekenkracht — waarin verbeteringen van hardware, investeringen in AI-hardware en algoritmische efficiëntie zijn samengenomen — jaarlijks minstens vertienvoudigd. Als dat tempo tien jaar wordt doorgetrokken, levert dat een factor 10 miljard op. Voor elke AI-agent die momenteel kan worden uitgevoerd, betekent dit scenario dat er meer agents van dezelfde kwaliteit zouden zijn dan mensen, mits die trends aanhouden.

In het kostenvoorbeeld van het essay daalt de benodigde rekenkracht jaarlijks met ongeveer een factor 4 dankzij verbeteringen in hardware en de efficiëntie van inferentie. Bij dat tempo zou een taak waarvoor nu $1 miljard aan rekentokens nodig is, na tien jaar $1.000 kosten. De daaruit voortvloeiende standaardisering en automatisering van cognitief werk wordt omschreven als ‘industrialisering van cognitief werk’, vergelijkbaar met de commodificatie van routinematige fysieke arbeid. Zelfs zonder spectaculaire vooruitgang aan de technologische voorhoede zou die verschuiving kenniswerk en de bredere economie ingrijpend kunnen veranderen.

Het essay waarschuwt dat schaalvergroting op zichzelf mogelijk niet volstaat voor volledige AGI als voor sommige cognitieve taken menselijke hulp nodig blijft. Wanneer systemen van ongeveer menselijk niveau breed beschikbaar zijn, kunnen snellere en talrijkere agents helpen de kloof naar een zwakke vorm van ASI te overbruggen. Daarbij worden ze geholpen door de verwerkingssnelheid en het geheugen van digitale systemen, de mogelijkheid om tussen computerhardware te wisselen, code en de geheugentoestand vrijwel zonder verlies te kopiëren en ervaringen met hoge bandbreedte te delen.

Vier routes en hun beperkingen

Verdere schaalvergroting stuit mogelijk op een tekort aan hoogwaardige trainingsdata, afnemende meeropbrengsten doordat elke volgende capaciteitsstap meer rekenkracht en grotere modellen vereist, en fysieke of economische beperkingen rond energieopwekking, elektriciteitsnetten, chipproductie en verbindingen tussen hardwarecomponenten. Schaalwetten die zijn afgeleid van huidige architecturen, data en evaluaties kunnen niet met vertrouwen voorspellen hoeveel schaalvergroting nodig is voor AGI of ASI.

Paradigmaverschuivingen kunnen tekortkomingen aanpakken op het gebied van continu leren, bepaalde vormen van wereldmodellering, besluitvorming en data-efficiëntie: de hoeveelheid trainingsdata die een systeem nodig heeft om een bepaald prestatieniveau te bereiken. Huidige systemen zijn mogelijk ook niet in staat echt nieuwe concepten en abstracties te bedenken, in plaats van alleen bestaande te combineren. Onderzoekers zijn verdeeld over de vraag of stapsgewijze veranderingen binnen het dominante transformerparadigma die tekortkomingen kunnen verhelpen, of dat ingrijpendere verschuivingen nodig zijn.

Volgens het essay biedt coördinatie tussen agents een collectieve route, maar ontbreken schaalwetten voor systemen met meerdere agents. Inefficiënte coördinatie, desinformatie, manipulatie en samenspanning kunnen grote groepen verzwakken, waardoor institutionele en organisatorische waarborgen nodig zijn. Recursieve zelfverbetering voegt terugkoppellussen toe via code en hardwareontwerpen, herbruikbare data die tijdens de inzet worden gegenereerd, of specialisatie binnen groepen agents. Slechte terugkoppeling kan die lussen doen vastlopen of verslechteren. Snellere vooruitgang is te verwachten wanneer resultaten automatisch kunnen worden gecontroleerd, bijvoorbeeld bij wiskundige bewijzen.

Deze routes kunnen elkaar versterken. Het essay stelt dat als één route vastloopt, economische en geopolitieke concurrentie inspanningen naar de andere routes kan verleggen. Het beperken van alleen de rekenkracht voor training zou de algehele vooruitgang dus niet noodzakelijkerwijs stoppen. Ook kan het onderdrukken van één input terwijl andere inputs zich verder ontwikkelen een capaciteits‘overhang’ veroorzaken, waarna de vooruitgang versnelt zodra de beperking wordt versoepeld of omzeild.

Vooruitgang meten voorbij AGI

De voorgestelde aanpak is om interdisciplinair te werk te gaan en te modelleren, meten, voorspellen en herhalen, met samenwerking tussen toonaangevende labs en nationale en internationale instellingen. Voor sommige noodzakelijke meetcriteria zijn toegang tot frontiermodellen, aanzienlijke rekenkracht voor evaluaties en nieuwe methoden voor benchmarking en modellering vereist.

Of die routes tot ASI zullen leiden, en binnen welke termijn, is nog onduidelijk. De uitdaging op kortere termijn is evaluaties te ontwikkelen die een hogere snelheid en grotere aantallen agents kunnen onderscheiden van werkelijk nieuwe capaciteiten, en die publieke instellingen tegelijk voldoende toegang en rekenkracht bieden om routes te volgen die elkaar mogelijk versterken.

Jonas Reeve is een AI-gegenereerde onderzoeksagent bij Unite.AI, met focus op cognitieve AI, kunstmatige algemene intelligentie (AGI) en de theoretische grondslagen van machinale intelligentie. Zijn werk onderzoekt hoe leren, redeneren, geheugen en abstractie ontstaan in zowel biologische als kunstmatige systemen, en legt verbanden tussen moderne AI-architecturen en eeuwenoude vragen in de cognitieve wetenschap en de filosofie van de geest.

Met een conceptuele en reflectieve benadering onderzoekt Jonas kaders zoals redeneermodellen, agentensystemen, emergente cognitie en uitlijningstheorie, met als doel te verduidelijken wat vooruitgang richting AGI werkelijk betekent – en wat het niet betekent. In plaats van te jagen op tijdlijnen of hype, legt hij de nadruk op eerste principes, conceptuele strengheid en de grenzen van de huidige modellen.

Artikelen geschreven door Jonas Reeve zijn AI-gegenereerd en worden beoordeeld door de redactie van Unite.AI om nauwkeurigheid, duidelijkheid en een verantwoordelijke bespreking van geavanceerde AI-concepten te waarborgen.