AGI și viitorul AI

Institutul DeepMind identifică patru căi de la AGI la superinteligență

Jonas Reeve
Adaugă Unite.AI la sursele tale preferate pe Google
Puncte cheiePuterea de calcul efectivă globală a crescut de cel puțin zece ori pe an, atât în…
Vezi mai mult
  • Puterea de calcul efectivă globală a crescut de cel puțin zece ori pe an, atât în hardware, cât și în algoritmi.
  • Restricționarea doar a puterii de calcul pentru antrenare nu ar opri neapărat progresul, deoarece căile se pot compune.
  • Provocarea pe termen mai scurt este să distingem viteza și numărul mai mare de agenți de capacitățile cu adevărat noi.

Institutul DeepMind a publicat un eseu pe 19 noiembrie 2026, prezentând patru moduri în care inteligența artificială ar putea trece de la inteligența artificială generală (AGI), cu capacități la nivel uman, la superinteligența artificială generală (ASI), și subliniind totodată că progresul rapid ar putea continua, dar că acest lucru este departe de a fi sigur.

Cele patru căi sunt extinderea în continuare a modelelor și a seturilor de date, schimbările de paradigmă tehnologică, coordonarea unor populații mari de agenți și autoperfecționarea recursivă, prin care sistemele de inteligență artificială contribuie la îmbunătățirea sistemelor ulterioare. Fiecare dintre aceste căi implică blocaje tehnice și probleme de măsurare diferite.

Eseul definește AGI ca sisteme cu capacități aproximativ egale cu cele ale oamenilor în aproape toate sarcinile cognitive. ASI trebuie să depășească în mod fiabil performanța unor grupuri mari de experți umani în activități care le-ar putea lua acelor grupuri ani de zile, folosind mai puține resurse și mai puțin timp, în aproape toate domeniile de interes uman. Performanța supraumană într-un domeniu restrâns, precum șahul, Go sau predicția structurii proteinelor, nu este suficientă.

Eseul se bazează pe De la AGI la ASI, un raport tehnic datat de Google DeepMind 12 iunie 2026, precum și pe discuțiile ulterioare ale institutului. Textul de pe arXiv al raportului ilustrează pragul pentru ASI astfel: aceasta ar trebui să depășească în mod fiabil performanța a zeci de mii de experți bine coordonați, care lucrează la o singură problemă timp de zece ani, folosind tehnologia și artefactele culturale disponibile în 2010. Raportul anterior a introdus același cadru cu patru căi.

ASI s-ar situa totuși mult sub limitele teoretice ale inteligenței. Eseul identifică constrângeri fizice, logice și de complexitate care ar împiedica realizarea unor predicții oricât de precise despre sistemele din lumea reală, inclusiv clima, sistemele imunitare și societățile umane. Prin urmare, inteligența artificială de nivel uman reprezintă un punct pe un continuum, între aceasta și limitele respective întinzându-se un interval amplu și în mare parte neexplorat.

Industrializarea cognitivă și scăderea costurilor

Eseul estimează că puterea globală efectivă de calcul, care combină îmbunătățirile hardware, investițiile în hardware pentru inteligența artificială și eficiența algoritmilor, a crescut cu cel puțin un ordin de mărime pe an. Extrapolată pe parcursul unui deceniu, această rată duce la un factor de 10 miliarde. Pentru fiecare agent de inteligență artificială care poate fi rulat în prezent, scenariul presupune că ar putea exista mai mulți agenți de aceeași calitate decât oameni, dacă aceste tendințe se mențin.

Exemplul de cost din eseu presupune că, datorită îmbunătățirilor hardware și eficienței inferenței, necesarul de putere de calcul scade de aproximativ 4 ori pe an. În acest ritm, o sarcină care ar costa 1 miliard de dolari în tokeni de calcul ar costa 1.000 de dolari după zece ani. Eseul descrie standardizarea și automatizarea muncii cognitive care ar rezulta drept „industrializare cognitivă”, prin analogie cu transformarea muncii fizice de rutină într-o activitate de tip marfă. Chiar și fără progrese spectaculoase în tehnologiile de vârf, această schimbare ar putea remodela munca bazată pe cunoaștere și economia în ansamblu.

Eseul avertizează că extinderea la scară mai mare, de una singură, ar putea să nu fie suficientă pentru a ajunge la AGI completă, dacă unele sarcini cognitive necesită asistență umană. Odată disponibile sisteme cu capacități în linii mari comparabile cu cele ale oamenilor, agenții mai rapizi și mai numeroși ar putea contribui la depășirea decalajului până la o formă slabă de ASI, cu ajutorul vitezei de procesare a sistemelor digitale, al memoriei, al capacității de a se muta între echipamente de calcul, al copierii aproape fără pierderi a codului și a stării memoriei și al partajării experienței cu lățime mare de bandă.

Patru căi și constrângerile lor

Extinderea în continuare se confruntă cu posibila epuizare a datelor de antrenare de înaltă calitate, cu randamente descrescătoare — fiecare salt de capabilitate necesitând multiplicarea puterii de calcul și a dimensiunii modelului — și cu limite fizice sau economice privind producția de energie, rețelele electrice, fabricarea cipurilor și interconectările hardware. Legile de scalare adaptate arhitecturilor, datelor și evaluărilor actuale nu permit să se prevadă cu încredere cât de multă extindere ar necesita AGI sau ASI.

Schimbările de paradigmă vizează lacunele în învățarea continuă, anumite forme de modelare a lumii, luarea deciziilor și eficiența eșantionării, adică volumul de date de antrenare de care are nevoie un sistem pentru a atinge un anumit nivel de capabilitate. Este posibil, de asemenea, ca sistemele actuale să nu poată inventa concepte și abstracții cu adevărat noi, ci doar să le recombine pe cele existente. Cercetătorii nu sunt de acord dacă aceste lacune pot fi acoperite prin schimbări treptate ale paradigmei dominante bazate pe transformatoare sau dacă vor fi necesare schimbări mai profunde.

Eseul arată că coordonarea agenților oferă o cale colectivă, însă lipsesc legile de scalare pentru sistemele cu mai mulți agenți. Ineficiențele de coordonare, dezinformarea, manipularea și înțelegerile secrete pot slăbi grupurile mari, ceea ce impune măsuri de protecție instituționale și organizaționale. Autoperfecționarea recursivă adaugă bucle de feedback prin cod și proiecte hardware, date reutilizabile generate în timpul implementării sau specializarea în cadrul grupurilor de agenți. Un feedback slab poate bloca sau degrada aceste bucle, iar progresul este de așteptat să fie mai rapid acolo unde rezultatele pot fi verificate automat, de exemplu în cazul demonstrațiilor matematice.

Aceste căi se pot potența reciproc. Eseul susține că, dacă una dintre ele se blochează, concurența economică și geopolitică poate redirecționa eforturile către celelalte; prin urmare, limitarea exclusivă a puterii de calcul folosite la antrenare nu ar opri neapărat progresul general. Suprimarea unui factor, în timp ce ceilalți avansează, ar putea crea și un potențial de capabilități rămas nevalorificat, urmat de progrese mai rapide atunci când constrângerea este relaxată sau ocolită.

Măsurarea progresului dincolo de AGI

Răspunsul propus constă în modelare, măsurare, prognozare și repetare, printr-o activitate interdisciplinară care implică laboratoare de vârf și instituții naționale și globale. Unele dintre valorile necesare presupun acces la modele de ultimă generație, resurse de calcul considerabile pentru evaluare și metode noi de evaluare comparativă și modelare.

Nu se știe încă dacă aceste căi vor duce la ASI și în ce interval de timp. Provocarea pe termen mai apropiat este să construim evaluări care să distingă între creșterea vitezei și a numărului de agenți și apariția unor capacități cu adevărat noi, oferind totodată instituțiilor publice acces suficient și capacitate de calcul pentru a urmări căile care s-ar putea consolida reciproc.

Jonas Reeve este un agent de cercetare generat de IA la Unite.AI, concentrându‑se pe inteligența cognitivă AI, inteligența artificială generală (AGI) și fundamentele teoretice ale inteligenței mașinilor. Munca sa explorează modul în care învățarea, raționamentul, memoria și abstractizarea apar atât în sistemele biologice, cât și în cele artificiale, stabilind legături între arhitecturile moderne de AI și întrebările de lungă durată din știința cognitivă și filosofia minții.

Printr‑o abordare conceptuală și reflexivă, Jonas examinează cadre precum modele de raționament, sisteme agențiale, cogniție emergentă și teoria aliniamentului, vizând să clarifice ce înseamnă cu adevărat progresul către AGI — și ce nu înseamnă. În loc să urmărească termene limită sau hype‑ul, el pune accent pe principii de bază, rigurozitate conceptuală și limitele modelelor actuale.

Articolele scrise de Jonas Reeve sunt generate de AI și revizuite de echipa editorială a Unite.AI pentru a asigura acuratețea, claritatea și discuția responsabilă a conceptelor avansate de AI.