مؤسسه تحقیقاتی Google DeepMind مقاله ای جامع منتشر کرده است که در آن استدلال می کند که دوران پس از AGI اکنون مستحق همان دقت تحلیلی است که زمانی برای خود AGI محفوظ بود. قطعه "پس از AGI چه می آید؟ از AGI تا سوپرهوش" در 19 نوامبر 2026 توسط تیم ژنوین، دانشمند پژوهشی در گوگل دیپ مایند، در پورتال مقالات موسسه DeepMind منتشر شد. ادعای اصلی آن: با شکل‌گیری چندین مسیر فن‌آوری به سمت ابرهوش عمومی مصنوعی، رژیم فراتر از AGI "در حال تغییر از حدس و گمان فلسفی به تحقیقات تجربی و پرسش‌های حاکمیتی است."

این مقاله در یکی از شلوغ‌ترین اخبار تحقیقاتی هوش مصنوعی در ماه‌ها منتشر شد و به عنوان تلاشی عمدی برای دادن واژگان فنی به بحث پس از AGI خوانده می‌شود. برای هر کسی که آخرین پیشرفت‌های هوش مصنوعی را دنبال می‌کند، واضح‌ترین تصویری را ارائه می‌دهد که چگونه یکی از آزمایشگاه‌های پیشرو جهان مسیر را فراتر از هوش مصنوعی در سطح انسانی چارچوب می‌دهد - از جمله پیش‌بینی هزینه‌ای که اگر درست باشد، اقتصاد کار شناختی را متحول می‌کند.

آنچه به عنوان ابرهوشی به حساب می آید

Genewein با قرار دادن هوش عمومی بر روی یک پیوستار، با AGI در سطح انسان به عنوان تنها یک نقطه در طول آن، شروع می‌کند. ASI، در تعریف مقاله، سیستم پیشرفته‌ای است که به طور مداوم از گروه‌های بزرگی از متخصصان انسانی در کارهایی که ممکن است سال‌ها طول بکشد، با استفاده از منابع کمتر و زمان کمتر، بهتر عمل می‌کند - برای مثال، مطابقت با خروجی علمی کل یک حوزه تحقیقاتی در کسری از زمان، یا دستیابی به پیشرفت طراحی تراشه در حد آنچه که یک شرکت بزرگ در یک سال تولید می‌کند. مهمتر از همه، این نوار باید تقریباً در تمام وظایف مورد علاقه انسان برآورده شود، نه یک تکه باریک.

مقاله اشاره می‌کند که تسلط باریکی از قبل وجود داشته است: سیستم‌های هوش مصنوعی امروزه هر انسانی را در شطرنج و Go شکست می‌دهند، ساختارهای پروتئینی را از توالی اسیدهای آمینه پیش‌بینی می‌کنند، و قضایایی اثبات‌شده‌ای دارند که دهه‌ها در برابر ریاضیدانان مقاومت می‌کردند. آنچه واقعاً ناشناخته باقی مانده است، حد وسط گسترده بین هوش مصنوعی در سطح انسانی و محدودیت های نظری هوش است. نکته گویای Genewein: حل کامل شطرنج به قدرت محاسباتی بیشتری نسبت به زمین نیاز دارد، با این حال یک تراشه به اندازه تصویر کوچک در حال حاضر به اندازه کافی خوب بازی می کند تا هر انسانی را شکست دهد.

صنعتی سازی شناختی و هزینه های در حال فروپاشی

هسته کمی این مقاله، تحلیلی از «صنعتی‌سازی شناختی» است. Genewein سه روند ترکیبی را از دهه گذشته ضرب می کند. اول، سخت افزار: محاسبه به ازای هر دلار تقریباً 1.5 برابر در سال برای شش دهه تحت قانون مور و روندهای مرتبط بهبود یافته است. دوم، کارایی الگوریتمی: محاسبات آموزشی مورد نیاز برای رسیدن به یک سطح عملکرد ثابت تقریباً 3-6 برابر در سال در طول دهه گذشته کاهش یافته است، با بازده استنتاج حدود 3 برابر در سال بهبود یافته است. سوم، سرمایه‌گذاری: هزینه‌های مربوط به سخت‌افزار هوش مصنوعی تقریباً 2.5 برابر در سال افزایش یافته است، و محاسبات آموزشی بزرگترین اجراهای مرزی بیش از 4 برابر در سال رشد می‌کنند.

این سه را ضرب کنید، و این مقاله تخمین می‌زند که محاسبات مؤثر جهانی حداقل 10 برابر در سال رشد می‌کند - «ضریب 10 میلیارد در طول ده سال». در سمت تقاضا، بهبود کارایی سخت افزار و نرم افزار به تنهایی می تواند محاسبات مورد نیاز برای اجرای یک بار کاری ثابت هوش مصنوعی را حدود 4 برابر در سال کاهش دهد. نتیجه، همانطور که Genewein بیان می کند: حجم کار شناختی که یک میلیارد دلار در توکن های محاسباتی هزینه دارد تا با سیستم های هوش مصنوعی امروزی انجام شود، در عرض ده سال تقریباً 1000 دلار هزینه خواهد داشت.

این یک برون یابی به تنهایی نیست. این مقاله به یک مطالعه اخیر دوره ای اشاره می کند که نشان می دهد قیمت مصرف کننده برای دستیابی به یک امتیاز ثابت در مجموعه ای از معیارها از سال 2023 تا کنون بیش از 13 برابر در سال کاهش یافته است. همچنین پیش بینی می کند که جمعیت مؤثر عوامل هوش مصنوعی تا سال 2030 می تواند بیش از هزار برابر شود، و البته با دقت بیش از یک میلیارد برابر در طی ده سال انجام می شود. از آنجایی که سقف‌های عملی در ساخت محاسبات و سقف‌های گمانه‌زنی بیشتر در بازده الگوریتمی می‌توانند مداخله کنند.

چهار مسیر از AGI به ASI

قلب این مقاله طبقه‌بندی از چهار مسیر تکنولوژیکی است که می‌تواند قابلیت‌هایی را باز کند که در مقیاس مطلق نمی‌توان آن‌ها را باز کرد - زیرا، همانطور که Genewein به طور خشک مشاهده می‌کند، "در حالی که اینشتین نسبیت عام را کشف کرد، کنفرانسی متشکل از صد هزار ستاره شناس بطلمیوسی احتمالاً چنین نخواهد داشت."

مقیاس‌سازی مدل‌ها و داده‌ها. قابلیت به طور قابل ملاحظه‌ای با مدل، داده‌ها و مقیاس آزمون-زمان محاسبه بهبود یافته است، اما این مقاله سه تنگنا را شناسایی می‌کند: فرسودگی داده‌ها، زیرا تقاضا برای داده‌های آموزشی با کیفیت بالا از توانایی بشر برای تولید آن پیشی می‌گیرد. کاهش بازده در مقیاس مدل، که در آن هر مرحله خطی در قابلیت نیاز به محاسبه ضربی دارد در حالی که مدل‌های بزرگتر روش‌های زمان استدلال را کاهش می‌دهند. و محدودیت‌های فیزیکی و اقتصادی در نیروگاه‌ها، شبکه‌های برق، تراشه‌ها و اتصالات کم تأخیر. تغییر پارادایم تکنولوژیکی. پارادایم امروزی - آموزش ترانسفورماتورها برای پیش بینی نشانه بعدی، سپس اصلاح و اضافه کردن محاسبه زمان تست - اخیراً نشان داده شده است که قادر به اجرای الگوریتم های پیچیده از طریق اعلانات است. با این حال، مدل‌ها هنوز از نظر یادگیری مداوم، اشکال خاصی از مدل‌سازی جهان، تصمیم‌گیری، کارایی نمونه و اختراع مفاهیم جدید واقعاً به جای ترکیب مجدد مفاهیم موجود، از انسان‌ها فاصله دارند. محققان در مورد اینکه آیا توسعه‌های پارادایم امروزی می‌توانند این شکاف‌ها را ببندند یا اینکه ASI به چیزی عمیق‌تر نیاز دارد، اختلاف نظر دارند. بهبود هماهنگی کارگزاران. شرکت های انسانی، بازارها و جوامع تحقیقاتی مشکلاتی را حل می کنند که هیچ فردی قادر به حل آن نیست. به طور مشابه، هماهنگ کردن هزاران یا میلیون‌ها نمونه AGI در «عامل‌های گروهی» یا اقتصادهای عامل مجازی می‌تواند ابرهوش جمعی ایجاد کند. این مقاله استدلال می‌کند که این رشته به «قوانین مقیاس‌گذاری چند عاملی» نیاز دارد - تحقیقات اولیه دستاوردهای واضحی را در برخی از وظایف پیدا می‌کند، اما ناکارآمدی هماهنگی با افزایش جمعیت، بازده کاهشی را به همراه دارد. هدایت گروه‌های بزرگ نیز نیازمند طراحی نهادی، از جمله دفاع در برابر اطلاعات نادرست، دستکاری و تبانی است. آزمایش‌های ازدحام در حال حاضر نشان می‌دهد که عواملی که تقلب می‌کنند و دیگران به عنوان افشاگر عمل می‌کنند. خود-بهبودی بازگشتی. اولین بار توسط I. J. Good و Ray Solomonoff مورد بحث قرار گرفت، RSI سیستم های هوش مصنوعی را توصیف می کند که بهبودهای نسل های آینده هوش مصنوعی را خودکار می کند. برخلاف فناوری‌های معمولی، پیشرفت‌های هوش مصنوعی می‌توانند مستقیماً دستاوردهای بعدی را تسریع کنند - اما پیشرفت تحقیقات نیز در طول زمان سخت‌تر می‌شود. این مقاله می‌گوید که آیا RSI شتاب غیرقابل پیش‌بینی ایجاد می‌کند، "تا حد زیادی یک سوال تجربی" است و می‌تواند از طریق کد و طرح‌ها - معماری‌ها، الگوریتم‌های آموزشی، طرح‌بندی تراشه‌ها - و همچنین از طریق داده‌ها عمل کند.

چرا قاب بندی مهم است

این مقاله صراحتاً یک استدلال آماده‌سازی است: نقشه‌برداری جاده‌های احتمالی از AGI به ASI و ایجاد «راه‌های دقیق و قابل اعتماد برای ردیابی پیشرفت»، در چارچوب Genewein، پیش‌نیاز برای اداره این گذار است. این گزارش با گزارش طولانی‌تر موسسه DeepMind، "از AGI تا ASI" همراه است.

پذیرش فوری بود. این مقاله در یک روز پس از انتشار، 85 امتیاز و بیش از 160 نظر در مورد Hacker News جلب کرد، در حالی که مطبوعات تجاری از جمله Unite.AI و BigGo Finance طبقه‌بندی چهار مسیر و پیش‌بینی هزینه برخورد میلیونی را برجسته کردند. همچنین در میان شک و تردیدهای گسترده تر در مورد چگونگی پیش بینی های ابراطلاعاتی قرار می گیرد - IEEE Spectrum این هفته قطعه ای را با عنوان "بحث ابر هوش مصنوعی دارای نقص های جدی است" منتشر کرد.

این تنش نکته است. DeepMind ASI را در تاریخ پیش بینی نمی کند. این بحث وجود دارد که اکنون فضای سناریو را می‌توان با شواهد و نه با پرشورها ترسیم، اندازه‌گیری و بحث کرد. این که آیا برون یابی های میلیارد برابری سقف های فیزیکی را حفظ می کند یا می شکند، این مقاله یک تغییر را نشان می دهد: سؤال "پس از AGI چه می آید؟" از سمینار فلسفه به دستور کار تحقیقاتی یکی از تأثیرگذارترین آزمایشگاه‌های هوش مصنوعی روی زمین رفته است.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →