AGI og fremtidens AI

DeepMind Institute skisserer fire veier fra AGI til superintelligens

Jonas Reeve
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterGlobal effektiv datakraft har økt minst tidoblet per år på tvers av maskinvare og…
Vis mer
  • Global effektiv datakraft har økt minst tidoblet per år på tvers av maskinvare og algoritmer.
  • Å begrense bare treningsdatakraft ville ikke nødvendigvis stoppe fremgangen, fordi veier kan forsterke hverandre.
  • Den nærmere utfordringen er å skille større agenthastighet og antall fra genuint nye evner.

DeepMind Institute publiserte et essay 19. november 2026 der instituttet skisserer fire måter KI kan utvikle seg fra menneskelig nivå til kunstig generell intelligens (AGI) og videre til kunstig generell superintelligens (ASI), samtidig som det understreker at den raske framgangen kan fortsette, men langt fra er garantert.

De fire veiene er videre skalering av modeller og data, teknologiske paradigmeskifter, koordinering mellom store grupper av agenter og rekursiv selvforbedring, der KI-systemer bidrar til å forbedre senere systemer. Hver av veiene byr på ulike tekniske flaskehalser og utfordringer med måling.

I essayet brukes AGI om systemer med omtrent menneskelig kapasitet på nesten alle kognitive oppgaver. ASI må pålitelig kunne utkonkurrere store grupper av menneskelige eksperter i arbeid som kan ta gruppene årevis, og gjøre det med færre ressurser og på kortere tid, på så å si alle oppgaver mennesker er opptatt av. Overmenneskelige ferdigheter på snevre områder som sjakk, Go eller prediksjon av proteinstrukturer er ikke nok.

Essayet bygger videre på Fra AGI til ASI, en teknisk rapport som Google DeepMind daterer til 12. juni 2026, og på senere diskusjoner ved instituttet. Rapportens arXiv-tekst illustrerer terskelen for ASI som evnen til pålitelig å utkonkurrere titusenvis av eksperter som samarbeider godt om ett problem i ti år, med teknologi og kulturelle artefakter som var tilgjengelige i 2010. Den tidligere rapporten introduserte det samme rammeverket med fire veier.

ASI vil likevel ligge langt under de teoretiske grensene for intelligens. Essayet peker på fysiske, logiske og kompleksitetsmessige begrensninger som gjør det umulig å forutsi virkelige systemer med vilkårlig høy presisjon, blant annet klima, immunsystemer og menneskelige samfunn. KI på menneskelig nivå er derfor ett punkt på et kontinuum, med et stort og i hovedsak uutforsket spenn mellom dette punktet og grensene.

Kognitiv industrialisering og fallende kostnader

Essayet anslår at den effektive globale regnekraften, som omfatter forbedringer i maskinvare, investeringer i KI-maskinvare og algoritmisk effektivitet, har vokst med minst en faktor på ti hvert år. Hvis denne vekstraten videreføres i et tiår, tilsvarer det en faktor på 10 milliarder. For hver KI-agent som kan kjøres i dag, innebærer dette scenarioet at det kan finnes flere agenter av samme kvalitet enn mennesker, forutsatt at trendene fortsetter.

I essayets kostnadseksempel reduseres behovet for regnekraft med omtrent en faktor på fire per år som følge av forbedringer i maskinvare og effektiviteten i inferens. Med denne takten vil en arbeidsoppgave som koster 1 milliard dollar i beregningstokener, koste 1 000 dollar etter ti år. Denne standardiseringen og automatiseringen av kognitivt arbeid beskrives som «kognitiv industrialisering», på samme måte som rutinemessig fysisk arbeid er blitt en handelsvare. Selv uten dramatiske framskritt på forskningsfronten kan denne utviklingen omforme kunnskapsarbeid og økonomien som helhet.

Essayet advarer om at skalering alene likevel kanskje ikke er nok til å oppnå full AGI dersom enkelte kognitive oppgaver krever menneskelig hjelp. Når systemer på bred front når menneskelig nivå, kan raskere og flere agenter bidra til å bygge bro til en svak form for ASI. Dette kan støttes av digitale systemers prosesseringshastighet, hukommelse, evne til å flytte seg mellom datamaskiner, nesten tapsfri kopiering av kode og minnetilstand samt deling av erfaring med høy båndbredde.

Fire veier og begrensningene deres

Videre skalering kan møte flere hindringer: tilgangen på treningsdata av høy kvalitet kan ta slutt, og utbyttet kan avta fordi hvert steg i kapasitetsutviklingen krever en mangedobling av regnekraft og modellstørrelse. I tillegg finnes det fysiske og økonomiske begrensninger knyttet til kraftproduksjon, strømnett, brikkeproduksjon og maskinvareforbindelser. Skaleringslover som er tilpasset dagens arkitekturer, data og evalueringer, kan ikke med sikkerhet forutsi hvor mye skalering som vil kreves for å oppnå AGI eller ASI.

Paradigmeskifter kan bidra til å tette hull innen kontinuerlig læring, enkelte former for verdensmodellering, beslutningstaking og dataeffektivitet – altså hvor mye treningsdata et system trenger for å oppnå et gitt ferdighetsnivå. Dagens systemer kan også mangle evnen til å utvikle genuint nye konsepter og abstraksjoner, i stedet for bare å kombinere eksisterende. Forskere er uenige om gradvise endringer i det rådende transformer-paradigmet kan tette disse hullene, eller om det vil være nødvendig med mer grunnleggende skifter.

Ifølge essayet gir koordinering mellom agenter en kollektiv vei framover, men det mangler skaleringslover for fleragentsystemer. Ineffektiv koordinering, feilinformasjon, manipulering og sammensvergelser kan svekke store grupper, og det blir derfor nødvendig med institusjonelle og organisatoriske mottiltak. Rekursiv selvforbedring skaper tilbakekoblingssløyfer gjennom kode og maskinvaredesign, data som kan gjenbrukes og produseres under bruk, eller spesialisering innad i agentgrupper. Dårlige tilbakekoblinger kan stanse eller svekke disse sløyfene, og raskere framgang ventes der resultatene kan kontrolleres automatisk, for eksempel matematiske bevis.

Disse veiene kan forsterke hverandre. Essayet hevder at dersom én vei stagnerer, kan økonomisk og geopolitisk konkurranse flytte innsatsen over på de andre. Derfor vil det ikke nødvendigvis være nok å begrense treningsregnekraften for å stanse den samlede framgangen. Hvis én innsatsfaktor hemmes mens andre utvikler seg, kan det også oppstå et «kapabilitetsoverskudd», etterfulgt av brattere framgang når begrensningen lempes på eller omgås.

Måling av framgang utover AGI

Det foreslåtte svaret er å modellere, måle, lage prognoser og gjenta prosessen gjennom tverrfaglig arbeid som omfatter ledende laboratorier og nasjonale og globale institusjoner. Noen nødvendige måleparametere krever tilgang til de mest avanserte modellene, betydelige datakraftressurser til evaluering og nye metoder for referansetesting og modellering.

Det er fortsatt uavklart om disse utviklingsløpene vil føre til ASI, og i så fall innen hvilken tidsramme. Den mer nærliggende utfordringen er å utvikle evalueringer som kan skille mellom økt hastighet hos agenter og et større antall agenter på den ene siden og genuint nye evner på den andre, samtidig som offentlige institusjoner får tilstrekkelig tilgang og datakapasitet til å følge utviklingsløp som kan forsterke hverandre.

Jonas Reeve er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, med fokus på kognitiv AI, kunstig generell intelligens (AGI) og de teoretiske grunnlagene for maskinintelligens. Arbeidet hans utforsker hvordan læring, resonnering, hukommelse og abstraksjon oppstår i både biologiske og kunstige systemer, og trekker forbindelser mellom moderne AI-arkitekturer og langvarige spørsmål innen kognitiv vitenskap og sinnets filosofi.

Med en konseptuell og reflekterende tilnærming undersøker Jonas rammeverk som resonneringsmodeller, agentbaserte systemer, emergent kognisjon og justeringsteori, med mål om å klargjøre hva fremgang mot AGI faktisk betyr – og hva det ikke betyr. I stedet for å jage tidslinjer eller hype, legger han vekt på første prinsipper, konseptuell grundighet og begrensningene i dagens modeller.

Artikler skrevet av Jonas Reeve er AI-genererte og gjennomgås av Unite.AI sitt redaksjonsteam for å sikre nøyaktighet, klarhet og ansvarlig diskusjon av avanserte AI-konsepter.