AGI och framtidens AI
DeepMind Institute kartlägger fyra vägar från AGI till superintelligens

Viktiga punkterGlobal effektiv beräkningskraft har ökat minst tiofaldigt per år inom både hårdvara och…
Visa mer
- Global effektiv beräkningskraft har ökat minst tiofaldigt per år inom både hårdvara och algoritmer.
- Att enbart begränsa beräkningskraften för träning skulle inte nödvändigtvis stoppa utvecklingen eftersom vägar kan förstärka varandra.
- Den mer närliggande utmaningen är att skilja på ökad agenthastighet och antal från genuint nya förmågor.
DeepMind Institute publicerade en essä den 19 november 2026, där fyra sätt beskrivs på vilka AI kan utvecklas från artificiell generell intelligens (AGI) på mänsklig nivå till artificiell generell superintelligens (ASI). Samtidigt betonas att den snabba utvecklingen kan fortsätta, men att det långt ifrån är säkert.
De fyra vägarna är fortsatt skalning av modeller och data, tekniska paradigmskiften, samordning mellan stora grupper av agenter och rekursiv självförbättring, där AI-system bidrar till att förbättra senare system. Varje väg innebär olika tekniska flaskhalsar och mätproblem.
I essän används AGI om system med ungefär mänsklig förmåga inom nästan alla kognitiva uppgifter. ASI måste på ett tillförlitligt sätt överträffa stora grupper av mänskliga experter i arbete som skulle kunna ta grupperna flera år, och göra det med mindre resurser och på kortare tid, inom nästan alla uppgifter av intresse för människor. Övermännisklig förmåga inom en snäv uppgift, som schack, Go eller förutsägelse av proteinstrukturer, räknas inte.
Essän bygger vidare på Från AGI till ASI, en teknisk rapport som Google DeepMind daterar till den 12 juni 2026, samt på senare diskussioner vid institutet. Rapportens arXiv-text beskriver ribban för ASI som att på ett tillförlitligt sätt överträffa tiotusentals väl samordnade experter som arbetar med ett och samma problem i tio år, med den teknik och de kulturföremål som fanns tillgängliga 2010. Den tidigare rapporten introducerade samma ramverk med fyra vägar.
ASI skulle fortfarande ligga långt under de teoretiska gränserna för intelligens. Essän tar upp fysiska, logiska och komplexitetsrelaterade begränsningar som skulle hindra godtyckligt precisa förutsägelser av verkliga system, däribland klimat, immunsystem och mänskliga samhällen. AI på mänsklig nivå är därför en punkt på ett kontinuum, med ett stort och till största delen outforskat spann mellan den nivån och dessa gränser.
Kognitiv industrialisering och sjunkande kostnader
Essän uppskattar att den globala effektiva beräkningskapaciteten, som omfattar förbättringar av hårdvara, investeringar i AI-hårdvara och algoritmisk effektivitet, har ökat minst tio gånger per år. Om den takten extrapoleras över ett årtionde blir ökningen en faktor på 10 miljarder. För varje AI-agent som kan köras i dag innebär scenariot att det skulle finnas fler agenter av samma kvalitet än människor, förutsatt att trenderna håller i sig.
I essäns kostnadsexempel minskar beräkningsbehovet med ungefär en faktor fyra per år tack vare förbättrad hårdvara och effektivare inferens. Med den takten skulle en arbetsbelastning som kostar 1 miljard dollar i beräkningstoken kosta 1 000 dollar efter tio år. Den standardisering och automatisering av kognitivt arbete som följer beskrivs som ”kognitiv industrialisering”, jämförbar med att rutinmässigt fysiskt arbete blir en handelsvara. Även utan dramatiska framsteg i teknikens framkant skulle den förändringen kunna omforma kunskapsarbete och ekonomin i stort.
Essän varnar för att skalning i sig ändå kanske inte räcker till fullständig AGI om vissa kognitiva uppgifter kräver mänsklig hjälp. När system på ungefär mänsklig nivå finns tillgängliga skulle snabbare och fler agenter kunna bidra till att överbrygga avståndet till en svag form av ASI. Det skulle underlättas av digitala systems processhastighet, minne, förmåga att flytta mellan olika datorhårdvaror, nästan förlustfri kopiering av kod och minnestillstånd samt delning av erfarenheter med hög bandbredd.
Fyra vägar och deras begränsningar
Fortsatt skalning kan begränsas av att tillgången på träningsdata av hög kvalitet tar slut, av avtagande avkastning när varje steg i förmågan kräver mer beräkningskapacitet och större modeller, samt av fysiska eller ekonomiska begränsningar som rör elproduktion, elnät, chiptillverkning och sammankoppling av hårdvara. Skalningslagar som anpassats efter dagens arkitekturer, data och utvärderingar kan inte med säkerhet förutsäga hur stor skalning som skulle krävas för AGI eller ASI.
Paradigmskiften skulle kunna åtgärda brister inom kontinuerligt lärande, vissa former av världsmodellering, beslutsfattande och proveffektivitet, det vill säga hur mycket träningsdata ett system behöver för att nå en viss förmåga. Dagens system kanske inte heller kan hitta på genuint nya begrepp och abstraktioner, utan bara kombinera befintliga på nytt. Forskarna är oeniga om huruvida gradvisa förändringar av det dominerande transformerparadigmet kan överbrygga dessa brister eller om det krävs mer genomgripande skiften.
Enligt essän erbjuder samordning mellan agenter en kollektiv väg framåt, men skalningslagar för multiagentsystem saknas. Ineffektiv samordning, desinformation, manipulation och samverkan i egenintresse kan försvaga stora grupper, vilket gör att det behövs institutionella och organisatoriska skydd. Rekursiv självförbättring skapar återkopplingsslingor genom kod och hårdvarudesign, återanvändbara data som produceras under driftsättning eller specialisering inom grupper av agenter. Dålig återkoppling kan få dessa slingor att stanna av eller försämras, och snabbare framsteg väntas där resultat kan kontrolleras automatiskt, till exempel matematiska bevis.
Dessa utvecklingsvägar kan förstärka varandra. Essän hävdar att om en väg stannar av kan ekonomisk och geopolitisk konkurrens styra om insatserna till de andra. Att bara begränsa beräkningskapaciteten för träning skulle därför inte nödvändigtvis stoppa den övergripande utvecklingen. Om en insats begränsas medan andra fortsätter att utvecklas kan det också uppstå ett kapacitetsöverskott, följt av snabbare framsteg när begränsningen lättas eller kringgås.
Att mäta framsteg bortom AGI
Det föreslagna tillvägagångssättet är att modellera, mäta, förutsäga och upprepa arbetet genom tvärvetenskapligt samarbete mellan ledande AI-laboratorier samt nationella och globala institutioner. Vissa nödvändiga mått kräver tillgång till avancerade modeller, betydande beräkningskapacitet för utvärderingar samt nya metoder för jämförelser och modellering.
Det är fortfarande oklart om dessa utvecklingsvägar kommer att leda till ASI, och i så fall inom vilken tidsram. Den mer närliggande utmaningen är att ta fram utvärderingar som kan skilja mellan ökad hastighet och fler agenter och genuint nya förmågor, samtidigt som offentliga institutioner får tillräcklig tillgång och beräkningskapacitet för att följa utvecklingsvägar som kan förstärka varandra.












