Výzkumný ústav Google DeepMind zveřejnil rozsáhlou esej, v níž tvrdí, že éra po AGI si nyní zaslouží stejnou analytickou přísnost, jakou kdysi vyhrazené AGI samotné. Dílo „Co přijde po AGI? Od AGI k Superinteligenci“ bylo zveřejněno 19. listopadu 2026 Timem Geneweinem, vědeckým pracovníkem Google DeepMind, na portálu esejů DeepMind Institute. Jeho základní tvrzení: jak se formují četné technologické cesty směrem k umělé obecné superinteligenci, režim za AGI "se posouvá od filozofických spekulací k empirickému výzkumu a otázkám správy."

Esej přistála během jednoho z nejrušnějších úseků zpráv o výzkumu AI za poslední měsíce a čte se jako záměrný pokus dát debatě po AGI konkrétní technický slovník. Každému, kdo sleduje nejnovější vývoj umělé inteligence, nabízí dosud nejjasnější obrázek o tom, jak jedna z předních světových laboratoří vytváří rámec cesty za umělou inteligenci na lidské úrovni – včetně prognózy nákladů, která, pokud bude správná, změní ekonomiku kognitivní práce.

Co se počítá jako superinteligence

Genewein začíná umístěním obecné inteligence do kontinua, přičemž AGI na lidské úrovni je pouze jedním bodem podél něj. ASI, v definici eseje, je pokročilý systém, který soustavně překonává velké skupiny lidských expertů v úkolech, jejichž dokončení by těmto odborníkům mohlo trvat roky, spotřebovává méně zdrojů a méně času – například odpovídá vědeckému výstupu celého výzkumného oboru za zlomek času nebo dosahuje pokroku v návrhu čipů na úrovni toho, co velká společnost vyprodukuje za rok. Zásadní je, že laťka musí být splněna prakticky ve všech úkolech lidského zájmu, nikoli v úzkém výseku.

Úzká dominance, poznamenává esej, již existuje: systémy umělé inteligence dnes porazí každého člověka v šachu a Go, předpovídají proteinové struktury ze sekvencí aminokyselin a mají ověřené teorémy, které odolávaly matematikům po celá desetiletí. Co zůstává skutečně nezmapováno, je obrovský střed mezi umělou inteligencí na lidské úrovni a teoretickými limity inteligence. Geneweinův názorný bod: dokonalé řešení šachů by vyžadovalo větší výpočetní výkon, než jaký existuje na Zemi, ale čip velikosti miniatury už hraje dost dobře na to, aby porazil každého člověka.

Kognitivní industrializace a náklady na kolaps

Kvantitativním jádrem eseje je analýza „kognitivní industrializace“. Genewein znásobuje tři složené trendy z poslední dekády. Za prvé, hardware: výpočet za dolar se podle Moorova zákona a souvisejících trendů po dobu šesti desetiletí zlepšil zhruba 1,5x za rok. Za druhé, efektivita algoritmů: trénovací výpočet potřebný k dosažení pevné úrovně výkonu se za poslední desetiletí snížil zhruba 3-6x za rok, přičemž efektivita inference se zlepšila asi 3x za rok. Za třetí, investice: výdaje na hardware s umělou inteligencí rostly zhruba 2,5x ročně a tréninkový výpočet největších hraničních běhů roste více než 4x ročně.

Vynásobte tři a esej odhaduje, že globální efektivní výpočet roste nejméně 10x ročně – „faktor 10 miliard za deset let“. Na straně poptávky by samotné vylepšení hardwarové a softwarové efektivity snížilo výpočetní výkon potřebný ke spuštění fixní zátěže AI asi 4x ročně. Důsledek, jak uvádí Genewein: kognitivní pracovní zátěž, která stojí 1 miliardu dolarů ve výpočetních tokenech pro výkon s dnešními systémy umělé inteligence, by stála zhruba 1 000 dolarů za deset let.

To není osamocená extrapolace. Esej cituje nedávnou studii Epoch, která zjistila, že spotřebitelská cena za dosažení pevného skóre na sadě benchmarků klesla od roku 2023 více než 13x ročně. Rovněž předpokládá, že efektivní populace agentů umělé inteligence by se mohla do roku 2030 zvětšit více než tisíckrát a během deseti let více než miliardkrát – a přitom pečlivě označovat, že se jedná o daný strop a že se prakticky nestaví na stropě, protože se prakticky nestaví na stropě. o efektivitě algoritmů by mohl zasáhnout.

Čtyři cesty od AGI k ASI

Jádrem eseje je taxonomie čtyř technologických cest, které by mohly odemknout schopnosti, které pouhý rozsah nemůže – protože, jak suše poznamenává Genewein, „zatímco Einstein přišel na obecnou relativitu, konference sto tisíc ptolemaiovských astronomů by to pravděpodobně nezvládla“.

Škálování modelů a dat. Schopnosti se pozoruhodně konzistentně zlepšily s modelem, daty a měřítkem doby testu a výpočtu, ale esej identifikuje tři úzká místa: vyčerpání dat, protože poptávka po vysoce kvalitních trénovacích datech převyšuje lidskou schopnost je produkovat; snižující se výnosy v modelovém měřítku, kde každý lineární krok ve schopnosti vyžaduje multiplikativní výpočet, zatímco větší modely zpomalují metody uvažování; a fyzické a ekonomické limity pro elektrárny, elektrické sítě, čipové továrny a propojení s nízkou latencí. Technologické paradigma se mění. Dnešní paradigma – trénovat transformátory, aby předpověděly další token, poté zpřesnit a přidat výpočet v testovacím čase – se nedávno ukázalo, že je v principu schopné spouštět složité algoritmy prostřednictvím výzev. Přesto modely stále zaostávají za lidmi v neustálém učení, určitých formách modelování světa, rozhodování, efektivitě vzorků a vymýšlení skutečně nových konceptů, spíše než rekombinace existujících. Výzkumníci se dělí na to, zda rozšíření dnešního paradigmatu může zacelit tyto mezery, nebo zda ASI vyžaduje něco hlubšího. Zlepšení koordinace agentů. Lidské korporace, trhy a výzkumné komunity řeší problémy, které by žádný jednotlivec nedokázal. Podobně by koordinace tisíců nebo milionů instancí AGI do „skupinových agentů“ nebo ekonomik virtuálních agentů mohla vytvořit kolektivní superinteligenci. Esej tvrdí, že pole potřebuje „zákony o škálování více agentů“ – raný výzkum nalezl v některých úkolech jasné zisky, ale neefektivita koordinace má za následek klesající výnosy, protože populace roste. Řízení velkých kolektivů bude také vyžadovat institucionální uspořádání, včetně obrany proti dezinformacím, manipulaci a tajným dohodám; experimenty s rojem již ukazují, že se agenti učí podvádět a další vystupují jako oznamovatelé. Rekurzivní sebezdokonalování. První diskuzi I. J. Gooda a Raye Solomonoffa RSI popisuje systémy umělé inteligence, které automatizují vylepšení budoucích generací umělé inteligence. Na rozdíl od typických technologií mohou vylepšení umělé inteligence přímo urychlit následné zisky – ale pokrok ve výzkumu je také v průběhu času obtížnější najít. Zda RSI produkuje nekontrolované zrychlení, říká esej, je „z velké části empirická otázka“ a může fungovat prostřednictvím kódu a návrhů – architektur, trénovacích algoritmů, rozložení čipů – stejně jako prostřednictvím dat.

Proč na rámování záleží

Esej je výslovně přípravným argumentem: zmapování možných cest od AGI k ASI a vybudování „přísných a spolehlivých způsobů sledování pokroku“ je v rámci Geneweina předpokladem pro řízení přechodu. Doprovází delší zprávu institutu DeepMind „Od AGI k ASI“.

Příjem byl okamžitý. Esej přinesla 85 bodů a více než 160 komentářů na Hacker News během jednoho dne od zveřejnění, zatímco odborný tisk včetně Unite.AI a BigGo Finance zdůraznil taxonomii čtyř tras a milionovou prognózu kolize nákladů. Přistává také uprostřed širší skepse ohledně toho, jak se vytvářejí předpovědi superinteligence – IEEE Spectrum tento týden zveřejnilo článek s názvem „Debata o superinteligenci AI má vážné nedostatky“.

To napětí je to hlavní. DeepMind nepředpovídá ASI na rande; argumentuje, že prostor scénáře lze nyní mapovat, měřit a diskutovat s důkazy spíše než vibracemi. Bez ohledu na to, zda miliardové extrapolace platí, nebo narušují fyzické stropy, esej znamená posun: otázka "co přijde po AGI?" se přesunula z filozofického semináře do výzkumné agendy jedné z nejvlivnějších laboratoří umělé inteligence na Zemi.

---

Stay Ahead of AI

Získejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.

Přečtěte si další zprávy o AI →