AGI та майбутній ШІ
Інститут DeepMind окреслив чотири шляхи від AGI до надінтелекту

Ключові моментиГлобальні ефективні обчислення зростали щонайменше вдесятеро щороку завдяки апаратному…
Показати більше
- Глобальні ефективні обчислення зростали щонайменше вдесятеро щороку завдяки апаратному забезпеченню та алгоритмам.
- Обмеження лише обчислень для тренування не обов'язково зупинило б прогрес, оскільки шляхи можуть посилювати один одного.
- Ближчим викликом є відрізнити більшу швидкість і кількість агентів від справді нових можливостей.
Інститут DeepMind опублікував есе 19 листопада 2026 року, у якому окреслив чотири шляхи, якими ШІ може перейти від створеного на людському рівні загального штучного інтелекту (AGI) до штучного загального надінтелекту (ASI), водночас наголосивши, що швидкий подальший прогрес можливий, але зовсім не гарантований.
Чотири шляхи — це подальше масштабування моделей і даних, зміна технологічної парадигми, координація великих груп агентів і рекурсивне самовдосконалення, за якого системи ШІ долучаються до вдосконалення наступних систем. Кожен шлях має свої технічні вузькі місця та проблеми з вимірюванням.
В есе AGI визначено як системи, здатні виконувати майже всі когнітивні завдання приблизно на людському рівні. ASI має надійно перевершувати великі групи експертів у роботі, на яку цим групам могли б знадобитися роки, використовуючи менше ресурсів і часу, — майже в усіх завданнях, важливих для людей. Вузькоспеціалізована надлюдська майстерність у шахах, ґо чи прогнозуванні структури білків не відповідає цьому критерію.
Есе розвиває ідеї з праці «Від AGI до ASI» — технічного звіту, датованого Google DeepMind 12 червня 2026 року, — а також з подальших обговорень в інституті. Текст звіту на arXiv ілюструє вимоги до ASI так: вона має надійно перевершувати десятки тисяч добре скоординованих експертів, які працюють над однією проблемою протягом десяти років і мають у своєму розпорядженні технології та культурні надбання, доступні у 2010 році. У попередньому звіті було представлено ту саму систему з чотирьох шляхів.
ASI все одно залишалася б далеко нижче теоретичних меж інтелекту. В есе названо фізичні, логічні та обчислювальні обмеження, які не дали б змоги з довільною точністю прогнозувати поведінку реальних систем, зокрема клімату, імунної системи та людських суспільств. Отже, ШІ людського рівня — лише одна точка на континуумі, а між ним і цими межами лежить широкий і майже не досліджений простір.
Індустріалізація когнітивної праці та зниження витрат
За оцінкою есе, сукупна ефективна обчислювальна потужність у світі, що враховує вдосконалення апаратного забезпечення, інвестиції в обладнання для ШІ та ефективність алгоритмів, щороку зростала щонайменше вдесятеро. Якщо екстраполювати цей темп на десятиліття, отримаємо зростання в 10 мільярдів разів. За такого сценарію на кожного агента ШІ, якого можна запустити нині, припадатиме більше агентів такої самої якості, ніж людей у світі, — за умови, що ці тенденції збережуться.
У прикладі з витратами в есе враховано, що завдяки вдосконаленню апаратного забезпечення та ефективності інференсу потреба в обчислювальних ресурсах щороку зменшується приблизно учетверо. За такого темпу обчислення, які коштують 1 мільярд доларів у токенах, після десяти років коштували б 1 000 доларів. Стандартизацію й автоматизацію когнітивної праці, що виникають унаслідок цього, названо «когнітивною індустріалізацією» — за аналогією з перетворенням рутинної фізичної праці на стандартизовану послугу. Навіть без стрімких проривів у передових моделях такий зсув міг би змінити інтелектуальну працю та економіку загалом.
В есе застерігають, що самого лише масштабування може бути недостатньо для досягнення повноцінного AGI, якщо деякі когнітивні завдання потребуватимуть допомоги людини. Коли системи приблизно людського рівня стануть широко доступними, швидші й численніші агенти можуть допомогти подолати розрив до слабкої форми ASI. Цьому сприятимуть швидкість обробки даних цифровими системами, їхня пам’ять, здатність переміщуватися між обчислювальним обладнанням, майже безвтратне копіювання коду й стану пам’яті, а також обмін досвідом із високою пропускною здатністю.
Чотири шляхи та їхні обмеження
Подальше масштабування може зіткнутися з вичерпанням високоякісних навчальних даних, спадною віддачею — адже кожен наступний крок у розвитку можливостей потребуватиме кратного збільшення обчислювальних потужностей і розміру моделі, — а також із фізичними й економічними обмеженнями, пов’язаними з виробництвом електроенергії, електромережами, виготовленням мікросхем і з’єднаннями між компонентами обладнання. Закони масштабування, побудовані на основі сучасних архітектур, даних і методів оцінювання, не дають змоги впевнено передбачити, якого масштабу потребуватимуть AGI чи ASI.
Зміни парадигми мають усунути прогалини у безперервному навчанні, окремих формах моделювання світу, ухваленні рішень та ефективності використання даних — тобто в тому, скільки навчальних даних потрібно системі для досягнення певного рівня можливостей. Сучасні системи також можуть бути нездатними винаходити справді нові поняття й абстракції, а не лише поєднувати вже наявні. Дослідники розходяться в думках щодо того, чи допоможуть поступові зміни панівної парадигми трансформерів усунути ці прогалини, чи знадобляться глибші перетворення.
В есе зазначено, що координація агентів — це колективний шлях, однак законів масштабування для мультиагентних систем поки немає. Неефективна координація, дезінформація, маніпуляції та змови можуть послаблювати великі групи, тому потрібні інституційні й організаційні механізми захисту. Рекурсивне самовдосконалення створює цикли зворотного зв’язку через код і апаратні розробки, повторно використовувані дані, отримані під час розгортання систем, або спеціалізацію в групах агентів. Неякісний зворотний зв’язок може зупинити ці цикли або погіршити їхні результати; швидший прогрес очікується там, де результати можна перевірити автоматично, наприклад у математичних доведеннях.
Ці шляхи можуть посилювати один одного. На думку авторів есе, якщо один із них зупиниться, економічна й геополітична конкуренція може спрямувати зусилля на інші, тож обмеження лише обчислювальних потужностей для навчання не обов’язково зупинить загальний прогрес. Якщо стримувати один чинник, тоді як інші розвиваються, може також утворитися «відкладений потенціал» у можливостях, а після послаблення чи обходу обмеження зростання може різко прискоритися.
Вимірювання прогресу після AGI
Запропонований підхід — моделювати, вимірювати, прогнозувати й повторювати цей процес у межах міждисциплінарної співпраці між провідними лабораторіями та національними й міжнародними установами. Для визначення деяких необхідних показників потрібні доступ до передових моделей, значні обчислювальні ресурси для оцінювання, а також нові методи бенчмаркінгу й моделювання.
Чи приведуть ці шляхи до створення штучного суперінтелекту (ASI) і в які строки — поки що невідомо. Найближчим часом головне завдання полягає в тому, щоб розробити методики оцінювання, які дадуть змогу відрізнити зростання швидкості роботи агентів і їхньої кількості від появи справді нових можливостей, водночас забезпечивши державним установам достатній доступ і обчислювальні потужності для відстеження шляхів розвитку, що можуть взаємно посилювати один одного.












