AGI i przyszłość AI
DeepMind Institute wskazuje cztery drogi od AGI do superinteligencji

Kluczowe punktyGlobalna efektywna moc obliczeniowa rosła co najmniej dziesięciokrotnie rocznie w…
Zobacz więcej
- Globalna efektywna moc obliczeniowa rosła co najmniej dziesięciokrotnie rocznie w sprzęcie i algorytmach.
- Ograniczenie wyłącznie mocy obliczeniowej do trenowania niekoniecznie zatrzymałoby postęp, ponieważ ścieżki mogą się kumulować.
- Bliższym wyzwaniem jest odróżnienie większej szybkości i liczby agentów od rzeczywiście nowych możliwości.
DeepMind Institute opublikował esej 19 listopada 2026 r., przedstawiający cztery drogi, którymi sztuczna inteligencja może przejść od ogólnej sztucznej inteligencji (AGI) na poziomie człowieka do ogólnej sztucznej superinteligencji (ASI), podkreślając zarazem, że dalszy szybki postęp jest możliwy, ale wcale nie jest przesądzony.
Cztery drogi to dalsze zwiększanie skali modeli i ilości danych, zmiany paradygmatu technologicznego, koordynacja dużych populacji agentów oraz samodoskonalenie rekurencyjne, w którym systemy AI przyczyniają się do ulepszania kolejnych systemów. Każda z tych dróg wiąże się z innymi wąskimi gardłami technicznymi i problemami z pomiarem postępów.
W eseju AGI oznacza systemy o możliwościach zbliżonych do ludzkich w niemal wszystkich zadaniach poznawczych. ASI musi niezawodnie przewyższać duże zespoły ludzkich ekspertów w pracy, która mogłaby zająć tym zespołom lata, wykonując ją przy użyciu mniejszych zasobów i w krótszym czasie, w niemal wszystkich obszarach ludzkiej działalności. Wąska przewaga nad człowiekiem w szachach, go czy przewidywaniu struktury białek nie spełnia tego kryterium.
Esej nawiązuje do raportu technicznego Od AGI do ASI, którego datę publikacji Google DeepMind określa na 12 czerwca 2026 r., a także do późniejszych dyskusji w instytucie. Tekst raportu w arXiv pokazuje, jaki poziom wyznacza ASI: musi ona niezawodnie przewyższać dziesiątki tysięcy dobrze skoordynowanych ekspertów, pracujących nad jednym problemem przez dziesięć lat, przy wykorzystaniu technologii i dorobku kulturowego dostępnych w 2010 roku. Wcześniejszy raport przedstawiał te same cztery ścieżki.
ASI nadal pozostawałaby daleko poniżej teoretycznych granic inteligencji. W eseju wskazano ograniczenia fizyczne, logiczne i związane ze złożonością, które uniemożliwiałyby dowolnie precyzyjne przewidywanie działania rzeczywistych systemów, takich jak klimat, układy odpornościowe i społeczeństwa ludzkie. AI na poziomie człowieka jest zatem tylko jednym punktem na kontinuum, a między nią a tymi granicami rozciąga się szeroki, w dużej mierze niezbadany obszar.
Industrializacja pracy umysłowej i spadek kosztów
W eseju oszacowano, że globalna efektywna moc obliczeniowa, uwzględniająca ulepszenia sprzętu, inwestycje w sprzęt do AI i wydajność algorytmów, wzrosła co najmniej dziesięciokrotnie rocznie. Ekstrapolacja tego tempa na dekadę daje wzrost 10 miliardów razy. Jeśli te trendy się utrzymają, na każdego agenta AI, którego można uruchomić obecnie, będzie przypadać więcej agentów o takiej samej jakości niż ludzi na świecie.
W przykładzie dotyczącym kosztów w eseju przyjęto, że dzięki ulepszeniom sprzętu i zwiększeniu wydajności wnioskowania zapotrzebowanie na moc obliczeniową spada w przybliżeniu czterokrotnie z każdym rokiem. Przy takim tempie zadanie, którego koszt w tokenach obliczeniowych wynosi 1 mld USD, po dziesięciu latach kosztowałoby 1000 USD. Wynikające z tego ujednolicenie i automatyzację pracy umysłowej opisano jako „industrializację pracy umysłowej”, analogiczną do upowszechnienia taniej, rutynowej pracy fizycznej. Ta zmiana mogłaby przekształcić pracę opartą na wiedzy i całą gospodarkę, nawet bez przełomowych postępów w najbardziej zaawansowanych modelach.
W eseju zwrócono uwagę, że samo zwiększanie skali może nie wystarczyć do osiągnięcia pełnej AGI, jeśli niektóre zadania poznawcze wymagają pomocy człowieka. Gdyby dostępne były systemy o możliwościach zbliżonych do ludzkich w szerokim zakresie zadań, szybsze i liczniejsze agenty mogłyby pomóc w pokonaniu drogi do słabej formy ASI. Sprzyjałyby temu szybkość przetwarzania systemów cyfrowych, ich pamięć, możliwość przenoszenia między urządzeniami obliczeniowymi, niemal bezstratnego kopiowania kodu i stanu pamięci, a także udostępniania sobie doświadczeń z dużą przepustowością.
Cztery drogi i związane z nimi ograniczenia
Dalsze zwiększanie skali może napotkać na wyczerpywanie się wysokiej jakości danych treningowych, malejące korzyści, gdy każdy kolejny krok w rozwoju możliwości wymaga wielokrotnego zwiększenia mocy obliczeniowej i rozmiaru modelu, a także ograniczenia fizyczne lub ekonomiczne dotyczące wytwarzania energii, sieci energetycznych, produkcji układów scalonych i połączeń między podzespołami. Prawa skalowania dopasowane do obecnych architektur, danych i metod ewaluacji nie pozwalają z pewnością przewidzieć, jakiej skali wymagałyby AGI lub ASI.
Zmiany paradygmatu mają pomóc przezwyciężyć niedostatki w zakresie ciągłego uczenia się, niektórych form modelowania świata, podejmowania decyzji i efektywności próbkowej, czyli ilości danych treningowych potrzebnych systemowi do osiągnięcia określonego poziomu możliwości. Obecne systemy mogą też nie być zdolne do tworzenia rzeczywiście nowych pojęć i abstrakcji, a nie tylko do łączenia już istniejących. Badacze nie są zgodni, czy te luki da się wypełnić stopniowymi zmianami w dominującym paradygmacie transformatorowym, czy też konieczne będą głębsze przeobrażenia.
Według eseju koordynacja agentów oferuje drogę opartą na zbiorowej pracy, ale brakuje praw skalowania dla systemów wieloagentowych. Nieefektywna koordynacja, dezinformacja, manipulacja i zmowy mogą osłabiać duże grupy, dlatego potrzebne są zabezpieczenia instytucjonalne i organizacyjne. Samodoskonalenie rekurencyjne tworzy z kolei pętle sprzężenia zwrotnego za pośrednictwem kodu i projektów sprzętu, danych wielokrotnego użytku wytwarzanych podczas działania systemu lub specjalizacji w grupach agentów. Wadliwe sprzężenie zwrotne może zatrzymać te procesy lub obniżyć ich skuteczność. Szybszego postępu można oczekiwać w obszarach, w których wyniki da się weryfikować automatycznie, takich jak dowody matematyczne.
Te ścieżki mogą się wzajemnie wzmacniać. W eseju stwierdzono, że jeśli jedna z nich utknie w martwym punkcie, konkurencja gospodarcza i geopolityczna może skierować wysiłki ku pozostałym, dlatego ograniczenie wyłącznie mocy obliczeniowej wykorzystywanej do treningu nie musi zatrzymać ogólnego postępu. Ograniczenie jednego czynnika, podczas gdy pozostałe nadal się rozwijają, może też doprowadzić do powstania „niewykorzystanego potencjału” w zakresie możliwości, po którym nastąpią szybsze postępy, gdy ograniczenie zostanie złagodzone lub obejście go okaże się możliwe.
Mierzenie postępów wykraczających poza AGI
Proponowane podejście polega na modelowaniu, mierzeniu, prognozowaniu i powtarzaniu tych działań w ramach interdyscyplinarnej współpracy obejmującej laboratoria rozwijające najbardziej zaawansowane modele oraz instytucje krajowe i międzynarodowe. Uzyskanie niektórych niezbędnych wskaźników wymaga dostępu do najbardziej zaawansowanych modeli, znacznych zasobów obliczeniowych na potrzeby ewaluacji oraz nowych metod benchmarkowania i modelowania.
Nie wiadomo, czy te ścieżki doprowadzą do powstania ASI ani w jakim czasie mogłoby do tego dojść. Bliższym wyzwaniem jest opracowanie ewaluacji pozwalających odróżnić wzrost szybkości działania agentów i ich liczby od pojawienia się zupełnie nowych możliwości, a zarazem zapewnienie instytucjom publicznym wystarczającego dostępu i mocy obliczeniowej, by mogły śledzić ścieżki, które mogą się wzajemnie wzmacniać.












