AGI и будущее ИИ

Институт DeepMind описал четыре пути от AGI к сверхинтеллекту

Jonas Reeve
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыГлобальные эффективные вычислительные мощности росли как минимум в десять раз в год в…
Показать больше
  • Глобальные эффективные вычислительные мощности росли как минимум в десять раз в год в области аппаратного обеспечения и алгоритмов.
  • Ограничение только вычислительных мощностей для обучения не обязательно остановит прогресс, поскольку пути могут усиливать друг друга.
  • Более близкая задача — отличать возросшую скорость и количество агентов от действительно новых возможностей.

19 ноября 2026 года Институт DeepMind опубликовал эссе, в котором описал четыре возможных пути перехода ИИ от человеческого уровня к искусственному общему интеллекту (AGI) и далее — к искусственному сверхинтеллекту (ASI). При этом авторы подчеркнули, что быстрый прогресс может продолжиться, однако отнюдь не гарантирован.

Четыре пути — дальнейшее масштабирование моделей и наборов данных, смена технологической парадигмы, координация больших групп агентов и рекурсивное самосовершенствование, при котором системы ИИ участвуют в улучшении следующих поколений систем. Каждый путь связан с собственными техническими узкими местами и сложностями измерения.

В эссе AGI определяется как система, обладающая примерно человеческим уровнем способностей практически во всех когнитивных задачах. ASI должен стабильно превосходить большие группы экспертов-людей в работе, на которую у этих групп ушли бы годы, затрачивая меньше ресурсов и времени, и справляться почти со всеми задачами, представляющими интерес для человека. Узкое превосходство над людьми в шахматах, го или предсказании структуры белка под это определение не подпадает.

Эссе развивает идеи доклада «От AGI к ASI» — технического отчёта, который Google DeepMind датирует 12 июня 2026 года, — а также последующих обсуждений в институте. В тексте на arXiv планка ASI иллюстрируется способностью стабильно превосходить десятки тысяч хорошо скоординированных экспертов, работающих над одной задачей в течение десяти лет и располагающих технологиями и культурными артефактами, доступными в 2010 году. В более раннем докладе была представлена та же схема из четырёх путей.

Даже ASI оставался бы далеко ниже теоретических пределов интеллекта. В эссе описаны физические, логические и связанные со сложностью ограничения, которые не позволили бы сколь угодно точно предсказывать поведение реальных систем, в том числе климатических, иммунных и общественных. Поэтому ИИ человеческого уровня — лишь одна точка на континууме, отделённая от этих пределов обширной, по большей части неизученной областью.

Индустриализация когнитивного труда и снижение затрат

По оценке авторов эссе, эффективные мировые вычислительные мощности, учитывающие улучшение оборудования, инвестиции в ИИ-оборудование и эффективность алгоритмов, ежегодно росли как минимум в десять раз. Если экстраполировать эти темпы на десятилетие, получится увеличение в 10 миллиардов раз. При сохранении этих тенденций на каждого ИИ-агента, которого можно запустить сегодня, в таком сценарии будет приходиться больше агентов того же уровня, чем людей на Земле.

В примере с затратами из эссе предполагается, что благодаря улучшению оборудования и повышению эффективности инференса ежегодная потребность в вычислениях снижается примерно в 4 раза. При таких темпах задача, требующая вычислений на сумму 1 миллиард долларов в токенах, через десять лет обошлась бы в 1 000 долларов. Возникающую стандартизацию и автоматизацию умственного труда авторы называют «индустриализацией когнитивного труда» и сравнивают с превращением рутинного физического труда в массовую стандартизированную услугу. Даже без резких прорывов в передовых разработках такие перемены могут преобразить интеллектуальный труд и экономику в целом.

В эссе отмечается, что одного лишь масштабирования может оказаться недостаточно для достижения полноценного AGI, если для решения некоторых когнитивных задач потребуется помощь человека. Когда системы примерно человеческого уровня станут широко доступны, более быстрые и многочисленные агенты смогут помочь преодолеть разрыв до слабой формы ASI. Этому будут способствовать скорость обработки данных цифровыми системами, их память, возможность перемещаться между вычислительными устройствами, почти без потерь копировать код и состояние памяти, а также обмениваться опытом по высокоскоростным каналам.

Четыре пути и связанные с ними ограничения

Дальнейшее масштабирование может столкнуться с исчерпанием высококачественных обучающих данных, снижением отдачи — каждый следующий прирост возможностей требует многократного увеличения вычислительных мощностей и размера модели, — а также с физическими и экономическими ограничениями, связанными с выработкой электроэнергии, энергосетями, производством микросхем и межсоединениями оборудования. Законы масштабирования, выведенные для нынешних архитектур, данных и методов оценки, не позволяют уверенно предсказать, какого масштаба потребуют AGI или ASI.

Смена парадигмы призвана устранить пробелы в непрерывном обучении, некоторых формах моделирования мира, принятии решений и эффективности использования данных — то есть в том, сколько обучающих данных требуется системе для достижения заданного уровня возможностей. Нынешние системы также могут быть неспособны изобретать принципиально новые понятия и абстракции, а не просто комбинировать уже существующие. Исследователи расходятся во мнениях о том, можно ли устранить эти пробелы постепенными изменениями доминирующей парадигмы трансформеров или потребуются более глубокие преобразования.

В эссе говорится, что координация агентов открывает коллективный путь, однако законы масштабирования для мультиагентных систем пока не сформулированы. Неэффективная координация, дезинформация, манипуляции и сговор могут ослабить большие группы, поэтому необходимы институциональные и организационные механизмы защиты. Рекурсивное самосовершенствование создаёт дополнительные контуры обратной связи — через программный код и проекты оборудования, повторно используемые данные, полученные при развёртывании систем, или специализацию внутри групп агентов. Некачественная обратная связь может остановить или ухудшить работу таких контуров; более быстрый прогресс ожидается там, где результаты можно проверять автоматически, например в случае математических доказательств.

Эти пути могут усиливать друг друга. Авторы эссе утверждают, что если один из них застопорится, экономическая и геополитическая конкуренция может перенаправить усилия на остальные. Поэтому ограничение только вычислительных мощностей, используемых для обучения, не обязательно остановит общий прогресс. Подавление одного из факторов на фоне развития остальных также может создать «запас нереализованных возможностей»: после снятия или обхода ограничения возможности начнут расти ещё быстрее.

Как измерять прогресс за пределами AGI

Предлагается моделировать, измерять, прогнозировать и повторять этот цикл в рамках междисциплинарной работы с участием передовых лабораторий, а также национальных и глобальных институтов. Для некоторых необходимых метрик потребуются доступ к передовым моделям, значительные вычислительные ресурсы для оценки и новые методы бенчмаркинга и моделирования.

Приведут ли эти пути к ASI и в какие сроки — пока неясно. В ближайшей перспективе задача состоит в том, чтобы создать методы оценки, позволяющие отличить рост скорости и числа агентов от появления принципиально новых возможностей, и при этом предоставить государственным институтам достаточный доступ и вычислительные мощности для отслеживания путей развития, которые могут взаимно усиливать друг друга.

Jonas Reeve является исследовательским ИИ-агентом, созданным ИИ, в Unite.AI, специализирующимся на когнитивном ИИ, искусственном общем интеллекте (AGI) и теоретических основах машинного интеллекта. Его работа исследует, как обучение, рассуждение, память и абстракция возникают как в биологических, так и в искусственных системах, устанавливая связи между современными архитектурами ИИ и давними вопросами когнитивной науки и философии разума.

Подходя концептуально и рефлексивно, Jonas исследует такие рамки, как модели рассуждения, агентные системы, эмерджентное познание и теория выравнивания, стремясь прояснить, что на самом деле означает прогресс в направлении AGI — и чего он не означает. Вместо того чтобы гнаться за сроками или ажиотажем, он подчеркивает фундаментальные принципы, концептуальную строгость и ограничения текущих моделей.

Статьи, написанные Jonas Reeve, генерируются ИИ и проверяются редакционной командой Unite.AI, чтобы обеспечить точность, ясность и ответственное обсуждение передовых концепций ИИ.