AGI และ AI แห่งอนาคต
สถาบัน DeepMind ชี้ให้เห็น 4 เส้นทางจาก AGI สู่ภาวะเหนือปัญญาประดิษฐ์

ประเด็นสำคัญคอมพิวต์ที่มีประสิทธิผลระดับโลกเติบโตอย่างน้อยสิบเท่าต่อปีทั้งในด้านฮาร์ดแวร์และอัลกอริท…
ดูเพิ่มเติม
- คอมพิวต์ที่มีประสิทธิผลระดับโลกเติบโตอย่างน้อยสิบเท่าต่อปีทั้งในด้านฮาร์ดแวร์และอัลกอริทึม
- การจำกัดเฉพาะคอมพิวต์สำหรับการฝึกไม่จำเป็นต้องหยุดความก้าวหน้า เพราะเส้นทางต่างๆ สามารถทบต้นกันได้
- ความท้าทายในระยะใกล้กว่าคือการแยกแยะความเร็วและจำนวนของเอเจนต์ที่มากขึ้นออกจากความสามารถใหม่ที่แท้จริง
สถาบัน DeepMind เผยแพร่บทความเมื่อวันที่ 19 พฤศจิกายน 2026 โดยอธิบาย 4 แนวทางที่ AI อาจพัฒนาจากปัญญาประดิษฐ์ทั่วไป (AGI)ที่มีความสามารถระดับมนุษย์ไปสู่ปัญญาประดิษฐ์ทั่วไปที่เหนือมนุษย์ (ASI) พร้อมย้ำว่าความก้าวหน้าอย่างรวดเร็วที่ดำเนินต่อไปนั้นเป็นไปได้ แต่ยังห่างไกลจากการรับประกันว่าจะเกิดขึ้น
4 เส้นทางดังกล่าว ได้แก่ การขยายขนาดโมเดลและข้อมูลอย่างต่อเนื่อง การเปลี่ยนผ่านกระบวนทัศน์ทางเทคโนโลยี การประสานงานระหว่างกลุ่มเอเจนต์จำนวนมาก และการพัฒนาตนเองแบบวนซ้ำ ซึ่งระบบ AI มีส่วนช่วยปรับปรุงระบบรุ่นถัดไป แต่ละเส้นทางมีคอขวดทางเทคนิคและปัญหาในการวัดผลที่แตกต่างกัน
บทความใช้คำว่า AGI กับระบบที่มีความสามารถใกล้เคียงระดับมนุษย์ในงานด้านการรู้คิดเกือบทั้งหมด ส่วน ASI ต้องมีความสามารถเหนือกว่ากลุ่มผู้เชี่ยวชาญจำนวนมากได้อย่างสม่ำเสมอ ในงานที่กลุ่มเหล่านั้นอาจต้องใช้เวลาหลายปี โดยใช้ทรัพยากรและเวลาน้อยกว่า และต้องทำได้ในแทบทุกงานที่มนุษย์ให้ความสำคัญ ความสามารถเหนือมนุษย์เฉพาะด้าน เช่น การเล่นหมากรุก โกะ หรือการทำนายโครงสร้างโปรตีน ยังไม่นับว่าเข้าเกณฑ์
บทความต่อยอดจากจาก AGI สู่ ASI ซึ่งเป็นรายงานทางเทคนิคที่ Google DeepMind ระบุวันที่ไว้เป็น 12 มิถุนายน 2026 รวมถึงการหารือของสถาบันในเวลาต่อมา ข้อความใน arXivของรายงานยกตัวอย่างเกณฑ์ ASI ว่าต้องมีความสามารถเหนือกว่าผู้เชี่ยวชาญหลายหมื่นคนที่ประสานงานกันเป็นอย่างดี ทำงานกับปัญหาเดียวกันเป็นเวลา 10 ปี ได้อย่างสม่ำเสมอ โดยใช้เทคโนโลยีและสิ่งประดิษฐ์ทางวัฒนธรรมที่มีอยู่ในปี 2010 รายงานฉบับก่อนหน้านี้ได้เสนอกรอบแนวคิด 4 เส้นทางแบบเดียวกันไว้แล้ว
ถึงกระนั้น ASI ก็ยังมีระดับต่ำกว่าขีดจำกัดทางทฤษฎีของสติปัญญาอยู่มาก บทความระบุถึงข้อจำกัดทางกายภาพ ตรรกะ และความซับซ้อน ซึ่งจะทำให้ไม่สามารถคาดการณ์ระบบในโลกจริงได้อย่างแม่นยำไร้ขีดจำกัด ไม่ว่าจะเป็นสภาพภูมิอากาศ ระบบภูมิคุ้มกัน หรือสังคมมนุษย์ ดังนั้น AI ระดับมนุษย์จึงเป็นเพียงจุดหนึ่งบนเส้นต่อเนื่อง โดยยังมีช่วงห่างขนาดใหญ่ที่แทบไม่มีการสำรวจอยู่ระหว่างจุดนั้นกับขีดจำกัดดังกล่าว
การทำให้งานด้านการรู้คิดเป็นอุตสาหกรรมและต้นทุนที่ลดลง
บทความประเมินว่ากำลังประมวลผลที่มีประสิทธิผลทั่วโลก ซึ่งรวมการพัฒนาฮาร์ดแวร์ การลงทุนในฮาร์ดแวร์สำหรับ AI และประสิทธิภาพของอัลกอริทึม เติบโตอย่างน้อย 10 เท่าต่อปี หากคาดการณ์อัตรานี้ต่อไปอีกหนึ่งทศวรรษ จะได้ตัวคูณ 10,000 ล้านเท่า สำหรับเอเจนต์ AI แต่ละตัวที่สามารถเรียกใช้งานได้ในปัจจุบัน สถานการณ์นี้หมายความว่าอาจมีเอเจนต์ที่มีคุณภาพเท่ากันมากกว่าจำนวนประชากรมนุษย์ หากแนวโน้มเหล่านั้นยังคงดำเนินต่อไป
ตัวอย่างด้านต้นทุนในบทความตั้งอยู่บนสมมติฐานว่าความต้องการกำลังประมวลผลลดลงประมาณ 4 เท่าต่อปี จากการพัฒนาฮาร์ดแวร์และประสิทธิภาพการอนุมานที่ดีขึ้น ในอัตรานี้ งานที่มีต้นทุนเป็นโทเค็นการประมวลผล 1 พันล้านดอลลาร์จะมีต้นทุน 1,000 ดอลลาร์หลังผ่านไป 10 ปี การทำให้งานด้านการรู้คิดเป็นมาตรฐานเดียวกันและทำงานโดยอัตโนมัติในลักษณะนี้เรียกว่า “การทำให้งานด้านการรู้คิดเป็นอุตสาหกรรม” ซึ่งคล้ายกับการทำให้งานใช้แรงกายที่ทำเป็นกิจวัตรกลายเป็นสิ่งที่หาได้ทั่วไป แม้ไม่มีความก้าวหน้าครั้งใหญ่ในเทคโนโลยีแนวหน้า การเปลี่ยนแปลงนี้ก็อาจพลิกโฉมงานที่ใช้ความรู้และเศรษฐกิจในวงกว้างได้
บทความเตือนว่าการเพิ่มขนาดเพียงอย่างเดียวอาจยังไม่เพียงพอที่จะทำให้เกิด AGI อย่างสมบูรณ์ หากงานด้านการรู้คิดบางอย่างยังต้องอาศัยความช่วยเหลือจากมนุษย์ เมื่อมีระบบที่ทำงานได้ในระดับใกล้เคียงมนุษย์อย่างกว้างขวาง เอเจนต์ที่ทำงานได้เร็วขึ้นและมีจำนวนมากขึ้นก็อาจช่วยเชื่อมช่องว่างไปสู่ ASI รูปแบบอ่อนได้ โดยได้แรงหนุนจากความเร็วในการประมวลผลและหน่วยความจำของระบบดิจิทัล ความสามารถในการย้ายข้ามฮาร์ดแวร์คอมพิวเตอร์ การทำสำเนาโค้ดและสถานะหน่วยความจำโดยแทบไม่สูญเสียข้อมูล และการแบ่งปันประสบการณ์ด้วยแบนด์วิดท์สูง
4 เส้นทางและข้อจำกัดของแต่ละเส้นทาง
การขยายขนาดอย่างต่อเนื่องอาจเผชิญกับการขาดแคลนข้อมูลฝึกคุณภาพสูง ผลตอบแทนที่ลดลงเมื่อการเพิ่มขีดความสามารถแต่ละขั้นต้องใช้กำลังประมวลผลและขนาดโมเดลเพิ่มขึ้นหลายเท่า ตลอดจนข้อจำกัดทางกายภาพหรือเศรษฐกิจที่เกี่ยวข้องกับการผลิตพลังงาน โครงข่ายไฟฟ้า การผลิตชิป และการเชื่อมต่อระหว่างฮาร์ดแวร์ กฎการขยายขนาดที่ปรับให้เข้ากับสถาปัตยกรรม ข้อมูล และการประเมินผลในปัจจุบัน ยังไม่สามารถใช้คาดการณ์ได้อย่างมั่นใจว่า AGI หรือ ASI ต้องอาศัยการขยายขนาดมากเพียงใด
การเปลี่ยนกระบวนทัศน์มุ่งแก้ช่องว่างด้านการเรียนรู้อย่างต่อเนื่อง การสร้างแบบจำลองโลกบางรูปแบบ การตัดสินใจ และประสิทธิภาพการใช้ตัวอย่าง ซึ่งหมายถึงปริมาณข้อมูลฝึกที่ระบบต้องใช้เพื่อให้มีขีดความสามารถถึงระดับหนึ่ง ระบบปัจจุบันอาจยังไม่สามารถคิดค้นแนวคิดและนามธรรมใหม่อย่างแท้จริงได้ แต่ทำได้เพียงนำสิ่งที่มีอยู่แล้วมาผสมผสานกัน นักวิจัยยังเห็นต่างกันว่า การปรับเปลี่ยนแนวทางทีละน้อยภายใต้กระบวนทัศน์ทรานส์ฟอร์เมอร์ที่ใช้อยู่ในปัจจุบันจะช่วยปิดช่องว่างเหล่านี้ได้หรือไม่ หรือจำเป็นต้องเปลี่ยนแปลงในระดับที่ลึกซึ้งกว่านั้น
บทความระบุว่าการประสานงานระหว่างเอเจนต์เป็นแนวทางที่อาศัยพลังของส่วนรวม แต่ยังไม่มีสูตรกฎการขยายขนาดสำหรับระบบหลายเอเจนต์ ความไร้ประสิทธิภาพในการประสานงาน ข้อมูลบิดเบือน การชักใย และการสมคบคิด อาจบั่นทอนกลุ่มขนาดใหญ่ จึงจำเป็นต้องมีมาตรการป้องกันในระดับสถาบันและองค์กร การพัฒนาตนเองแบบวนซ้ำยังเพิ่มวงจรป้อนกลับผ่านโค้ดและการออกแบบฮาร์ดแวร์ ข้อมูลที่นำกลับมาใช้ซ้ำได้ซึ่งเกิดจากการใช้งานจริง หรือการแบ่งงานเฉพาะทางภายในกลุ่มเอเจนต์ หากข้อมูลป้อนกลับไม่มีคุณภาพ วงจรเหล่านี้ก็อาจหยุดชะงักหรือเสื่อมประสิทธิภาพ โดยคาดว่าจะก้าวหน้าได้เร็วกว่าในกรณีที่ตรวจสอบผลลัพธ์โดยอัตโนมัติได้ เช่น การพิสูจน์ทางคณิตศาสตร์
เส้นทางเหล่านี้อาจเสริมแรงซึ่งกันและกัน บทความให้เหตุผลว่า หากเส้นทางหนึ่งชะงัก การแข่งขันทางเศรษฐกิจและภูมิรัฐศาสตร์อาจผลักให้หันไปทุ่มเทกับเส้นทางอื่น ดังนั้น การจำกัดเฉพาะกำลังประมวลผลสำหรับการฝึกจึงไม่จำเป็นต้องหยุดความก้าวหน้าโดยรวมได้ การกดดันปัจจัยนำเข้าหนึ่งอย่างขณะที่ปัจจัยอื่นยังพัฒนาต่อไป อาจทำให้เกิด “ส่วนต่างความสามารถที่ยังไม่ได้นำมาใช้” และตามมาด้วยความก้าวหน้าที่รวดเร็วยิ่งขึ้นเมื่อผ่อนคลายหรือหลีกเลี่ยงข้อจำกัดนั้นได้
การวัดความก้าวหน้าที่ไกลกว่า AGI
แนวทางตอบสนองที่เสนอคือการสร้างแบบจำลอง วัดผล คาดการณ์ และทำซ้ำ ผ่านการทำงานแบบสหสาขาที่ครอบคลุมทั้งห้องปฏิบัติการแนวหน้า ตลอดจนสถาบันระดับชาติและระดับโลก ตัวชี้วัดที่จำเป็นบางส่วนต้องอาศัยการเข้าถึงโมเดลแนวหน้า ทรัพยากรประมวลผลจำนวนมากสำหรับการประเมิน และวิธีการใหม่ ๆ ในการจัดทำเกณฑ์มาตรฐานและสร้างแบบจำลอง
ยังไม่มีข้อยุติว่าเส้นทางเหล่านั้นจะนำไปสู่ ASI หรือไม่ และต้องใช้เวลาอีกนานเท่าใด ความท้าทายในระยะใกล้คือการสร้างการประเมินที่แยกแยะได้ว่า ความเร็วและจำนวนของเอเจนต์ที่เพิ่มขึ้นแตกต่างจากขีดความสามารถใหม่ ๆ อย่างแท้จริงอย่างไร พร้อมทั้งจัดให้สถาบันสาธารณะมีสิทธิ์เข้าถึงและขีดความสามารถด้านการประมวลผลเพียงพอที่จะติดตามเส้นทางต่าง ๆ ซึ่งอาจส่งเสริมซึ่งกันและกัน












