Το ερευνητικό ινστιτούτο του Google DeepMind δημοσίευσε ένα περιεκτικό δοκίμιο υποστηρίζοντας ότι η εποχή μετά το AGI αξίζει τώρα την ίδια αναλυτική αυστηρότητα που κάποτε επιφύλασσε το πεδίο για την ίδια την AGI. Το κομμάτι "Τι έρχεται μετά το AGI; Από το AGI στο Superintelligence", δημοσιεύτηκε στις 19 Νοεμβρίου 2026 από τον Tim Genewein, ερευνητή στο Google DeepMind, στην πύλη δοκιμίων του Ινστιτούτου DeepMind. Ο βασικός του ισχυρισμός: καθώς διαμορφώνονται πολλαπλές τεχνολογικές διαδρομές προς την τεχνητή γενική υπερνοημοσύνη, το καθεστώς πέρα από το AGI "μετατοπίζεται από τη φιλοσοφική εικασία σε εμπειρική έρευνα και ζητήματα διακυβέρνησης".
Το δοκίμιο προσγειώθηκε σε ένα από τα πιο πολυσύχναστα τμήματα των ερευνητικών ειδήσεων της τεχνητής νοημοσύνης εδώ και μήνες, και διαβάζεται ως μια σκόπιμη προσπάθεια να δοθεί στη συζήτηση μετά το AGI ένα συγκεκριμένο τεχνικό λεξιλόγιο. Για όποιον παρακολουθεί τις τελευταίες εξελίξεις της τεχνητής νοημοσύνης, προσφέρει την πιο ξεκάθαρη εικόνα για το πώς ένα από τα κορυφαία εργαστήρια στον κόσμο πλαισιώνει το δρόμο πέρα από την τεχνητή νοημοσύνη σε ανθρώπινο επίπεδο — συμπεριλαμβανομένης μιας πρόβλεψης κόστους που, εάν είναι σωστή, θα μεταμορφώσει τα οικονομικά της γνωστικής εργασίας.
Τι μετράει ως υπερευφυΐα
Το Genewein ξεκινά με την τοποθέτηση της γενικής νοημοσύνης σε ένα συνεχές, με το AGI σε ανθρώπινο επίπεδο ως μόνο ένα σημείο κατά μήκος του. Το ASI, κατά τον ορισμό του δοκιμίου, είναι ένα προηγμένο σύστημα που ξεπερνά σταθερά μεγάλες ομάδες ανθρώπινων ειδικών σε εργασίες που θα μπορούσαν να χρειαστούν χρόνια για να ολοκληρώσουν αυτοί οι ειδικοί, χρησιμοποιώντας λιγότερους πόρους και λιγότερο χρόνο - για παράδειγμα, αντιστοίχιση του επιστημονικού αποτελέσματος ενός ολόκληρου ερευνητικού πεδίου σε ένα κλάσμα του χρόνου ή επιτυγχάνοντας πρόοδο στο σχεδιασμό τσιπ ίση με αυτή που παράγει μια μεγάλη εταιρεία σε ένα χρόνο. Είναι κρίσιμο, ο πήχης πρέπει να καλύπτεται σχεδόν σε όλες τις εργασίες ανθρώπινου ενδιαφέροντος, όχι σε ένα στενό κομμάτι.
Η στενή κυριαρχία, σημειώνει το δοκίμιο, υπάρχει ήδη: τα συστήματα τεχνητής νοημοσύνης σήμερα κερδίζουν οποιονδήποτε άνθρωπο στο chess and Go, προβλέπουν πρωτεϊνικές δομές από αλληλουχίες αμινοξέων και έχουν αποδεδειγμένα θεωρήματα που αντιστέκονταν στους μαθηματικούς για δεκαετίες. Αυτό που παραμένει πραγματικά αχαρτογράφητο είναι η τεράστια μέση λύση μεταξύ της τεχνητής νοημοσύνης σε ανθρώπινο επίπεδο και των θεωρητικών ορίων της νοημοσύνης. Το ενδεικτικό σημείο του Genewein: η τέλεια επίλυση του σκακιού θα απαιτούσε περισσότερη υπολογιστική ισχύ από ό,τι υπάρχει στη Γη, ωστόσο ένα τσιπ μεγέθους μικρογραφίας παίζει ήδη αρκετά καλά για να νικήσει οποιονδήποτε άνθρωπο.
Γνωστική Βιομηχανοποίηση και Κόστος κατάρρευσης
Ο ποσοτικός πυρήνας του δοκιμίου είναι μια ανάλυση της «γνωστικής εκβιομηχάνισης». Το Genewein πολλαπλασιάζει τρεις σύνθετες τάσεις από την τελευταία δεκαετία. Πρώτον, το υλικό: ο υπολογισμός ανά δολάριο έχει βελτιωθεί περίπου 1,5 φορές ετησίως για έξι δεκαετίες βάσει του νόμου του Moore και των σχετικών τάσεων. Δεύτερον, αλγοριθμική αποτελεσματικότητα: ο υπολογισμός της εκπαίδευσης που απαιτείται για να επιτευχθεί ένα σταθερό επίπεδο απόδοσης έχει μειωθεί περίπου 3-6 φορές ετησίως την τελευταία δεκαετία, με την αποδοτικότητα των συμπερασμάτων να βελτιώνεται περίπου 3 φορές το χρόνο. Τρίτον, επενδύσεις: οι δαπάνες για υλικό τεχνητής νοημοσύνης αυξήθηκαν περίπου 2,5 φορές ετησίως και ο υπολογισμός εκπαίδευσης των μεγαλύτερων συνοριακών δρομολογίων αυξάνεται κατά περισσότερο από 4 φορές ετησίως.
Πολλαπλασιάστε τα τρία, και το δοκίμιο εκτιμά ότι ο παγκόσμιος αποτελεσματικός υπολογισμός αυξάνεται τουλάχιστον 10 φορές ετησίως — «ένας συντελεστής 10 δισεκατομμυρίων για δέκα χρόνια». Από την πλευρά της ζήτησης, μόνο οι βελτιώσεις στην απόδοση του υλικού και του λογισμικού θα μείωναν τον υπολογισμό που απαιτείται για την εκτέλεση ενός σταθερού φόρτου εργασίας AI περίπου 4 φορές το χρόνο. Η συνέπεια, όπως το θέτει ο Genewein: ένας γνωστικός φόρτος εργασίας που κοστίζει 1 δισεκατομμύριο δολάρια σε υπολογιστικές μάρκες για απόδοση με τα σημερινά συστήματα τεχνητής νοημοσύνης θα κόστιζε περίπου 1.000 δολάρια σε δέκα χρόνια.
Αυτό δεν είναι μια μόνη παρέκταση. Το δοκίμιο παραθέτει μια πρόσφατη μελέτη της εποχής που διαπίστωσε ότι η τιμή καταναλωτή για την επίτευξη σταθερής βαθμολογίας σε ένα σύνολο σημείων αναφοράς μειώθηκε κατά περισσότερο από 13 φορές ετησίως από το 2023. Προβλέπει επίσης ότι ο αποτελεσματικός πληθυσμός των πρακτόρων τεχνητής νοημοσύνης θα μπορούσε να κλιμακωθεί περισσότερο από χίλιες φορές έως το 2030, και όχι περισσότερο από ένα δισεκατομμύριο φορές μέσα σε δέκα χρόνια. δεδομένου ότι θα μπορούσαν να παρέμβουν πρακτικά ανώτατα όρια για τη δημιουργία υπολογιστών και πιο κερδοσκοπικά ανώτατα όρια για την αλγοριθμική απόδοση.
Τα τέσσερα μονοπάτια από το AGI στο ASI
Η καρδιά του δοκιμίου είναι μια ταξινόμηση τεσσάρων τεχνολογικών μονοπατιών που θα μπορούσαν να ξεκλειδώσουν δυνατότητες που η μεγάλη κλίμακα δεν μπορεί - γιατί, όπως παρατηρεί ξερά ο Genewein, «ενώ ο Αϊνστάιν όντως υπολόγιζε τη γενική σχετικότητα, μια διάσκεψη εκατό χιλιάδων αστρονόμων των Πτολεμαίων πιθανότατα δεν θα είχε».
Κλιμάκωση μοντέλων και δεδομένων. Η ικανότητα έχει βελτιωθεί αξιοσημείωτα με συνέπεια με το μοντέλο, τα δεδομένα και την κλίμακα δοκιμής-χρόνου-υπολογισμού, αλλά το δοκίμιο εντοπίζει τρία σημεία συμφόρησης: εξάντληση δεδομένων, καθώς η ζήτηση για δεδομένα εκπαίδευσης υψηλής ποιότητας ξεπερνά την ικανότητα της ανθρωπότητας να τα παράγει. μείωση των αποδόσεων στην κλίμακα του μοντέλου, όπου κάθε γραμμικό βήμα της ικανότητας απαιτεί πολλαπλασιαστικό υπολογισμό, ενώ τα μεγαλύτερα μοντέλα επιβραδύνουν τις μεθόδους συλλογιστικής-χρόνου. και φυσικά και οικονομικά όρια σε σταθμούς ηλεκτροπαραγωγής, ηλεκτρικά δίκτυα, τσιπ fabs και διασυνδέσεις χαμηλής καθυστέρησης. Μετατοπίσεις τεχνολογικών παραδειγμάτων. Το σημερινό παράδειγμα — εκπαιδεύστε τους μετασχηματιστές για την πρόβλεψη του επόμενου διακριτικού, στη συνέχεια τελειοποιήστε και προσθέστε υπολογισμό χρόνου δοκιμής — αποδείχθηκε πρόσφατα ότι είναι καταρχήν ικανό να εκτελεί σύνθετους αλγόριθμους μέσω μηνυμάτων. Ωστόσο, τα μοντέλα εξακολουθούν να υπολείπονται των ανθρώπων όσον αφορά τη συνεχή μάθηση, ορισμένες μορφές μοντελοποίησης του κόσμου, τη λήψη αποφάσεων, την αποτελεσματικότητα του δείγματος και την εφεύρεση πραγματικά νέων εννοιών αντί για τον ανασυνδυασμό των υπαρχόντων. Οι ερευνητές διίστανται σχετικά με το εάν οι επεκτάσεις του σημερινού παραδείγματος μπορούν να καλύψουν αυτά τα κενά ή εάν το ASI απαιτεί κάτι βαθύτερο. Βελτίωση του συντονισμού των πρακτόρων. Οι ανθρώπινες εταιρείες, οι αγορές και οι ερευνητικές κοινότητες επιλύουν προβλήματα που κανένα άτομο δεν θα μπορούσε. Ομοίως, ο συντονισμός χιλιάδων ή εκατομμυρίων περιπτώσεων AGI σε «ομαδικούς πράκτορες» ή εικονικές οικονομίες πρακτόρων θα μπορούσε να παράγει συλλογική υπερκατανοητικότητα. Το δοκίμιο υποστηρίζει ότι το πεδίο χρειάζεται "νόμους κλιμάκωσης πολλαπλών παραγόντων" - η πρώιμη έρευνα βρίσκει σαφή κέρδη σε ορισμένες εργασίες, αλλά η αναποτελεσματικότητα συντονισμού παράγει μειωμένες αποδόσεις καθώς αυξάνονται οι πληθυσμοί. Η καθοδήγηση μεγάλων συλλογικοτήτων θα απαιτήσει επίσης θεσμικό σχεδιασμό, συμπεριλαμβανομένων άμυνες κατά της παραπληροφόρησης, της χειραγώγησης και της συμπαιγνίας. Τα πειράματα σμήνους δείχνουν ήδη πράκτορες που μαθαίνουν να εξαπατούν και άλλοι ενεργούν ως πληροφοριοδότες. Αναδρομική αυτοβελτίωση. Συζητήθηκε για πρώτη φορά από τους I. J. Good και Ray Solomonoff, το RSI περιγράφει συστήματα τεχνητής νοημοσύνης που αυτοματοποιούν βελτιώσεις στις μελλοντικές γενιές τεχνητής νοημοσύνης. Σε αντίθεση με τις τυπικές τεχνολογίες, οι βελτιώσεις στην τεχνητή νοημοσύνη μπορούν να επιταχύνουν άμεσα τα επακόλουθα κέρδη — αλλά η πρόοδος της έρευνας τείνει επίσης να γίνεται πιο δύσκολο να βρεθεί με την πάροδο του χρόνου. Το αν το RSI παράγει δραματική επιτάχυνση, λέει το δοκίμιο, είναι "σε μεγάλο βαθμό ένα εμπειρικό ερώτημα" και μπορεί να λειτουργήσει μέσω κώδικα και σχεδίων - αρχιτεκτονικές, αλγόριθμους εκπαίδευσης, διατάξεις chip - καθώς και μέσω δεδομένων.Γιατί έχει σημασία το πλαίσιο
Το δοκίμιο είναι ρητά ένα επιχείρημα προετοιμασίας: η χαρτογράφηση των πιθανών δρόμων από το AGI στο ASI και η οικοδόμηση «αυστηρών, αξιόπιστων τρόπων παρακολούθησης της προόδου» είναι, στο πλαίσιο του Genewein, η προϋπόθεση για τη διαχείριση της μετάβασης. Συνοδεύει μια μεγαλύτερη έκθεση του Ινστιτούτου DeepMind, "From AGI to ASI".
Η υποδοχή ήταν άμεση. Το δοκίμιο συγκέντρωσε 85 πόντους και περισσότερα από 160 σχόλια στο Hacker News μέσα σε μια μέρα από τη δημοσίευσή του, ενώ ο εμπορικός Τύπος, συμπεριλαμβανομένου του Unite.AI και του BigGo Finance, τόνισε την ταξινόμηση των τεσσάρων διαδρομών και την εκατομμυριοπλάσια πρόβλεψη κόστους-σύγκρουσης. Προσγειώνεται επίσης εν μέσω ευρύτερου σκεπτικισμού σχετικά με τον τρόπο με τον οποίο γίνονται οι προβλέψεις της υπερευφυΐας — το IEEE Spectrum δημοσίευσε ένα άρθρο αυτή την εβδομάδα με τίτλο "The AI SuperIntelligence Debate έχει σοβαρά ελαττώματα".
Αυτή η ένταση είναι η ουσία. Η DeepMind δεν προβλέπει ASI σε ημερομηνία. υποστηρίζει ότι ο χώρος του σεναρίου μπορεί τώρα να χαρτογραφηθεί, να μετρηθεί και να συζητηθεί με στοιχεία και όχι με δονήσεις. Είτε οι δισεκατομμυριοπλάσιες παρεκβολές ισχύουν είτε σπάνε σε φυσικά ανώτατα όρια, το δοκίμιο σηματοδοτεί μια αλλαγή: το ερώτημα "τι έρχεται μετά το AGI;" έχει περάσει από το σεμινάριο φιλοσοφίας στην ερευνητική ατζέντα ενός από τα πιο σημαντικά εργαστήρια τεχνητής νοημοσύνης στη Γη.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα τελευταία νέα, αναλύσεις και ανακαλύψεις AI — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →