Institut riset Google DeepMind wis nerbitake esai sing nyapu sing nyatakake yen jaman sawise AGI saiki pantes analitis analitis sing padha karo lapangan sing wis dicadhangake kanggo AGI dhewe. Potongan kasebut, "Apa sing kedadeyan sawise AGI? Saka AGI nganti Superintelligence," diterbitake tanggal 19 November 2026 dening Tim Genewein, ilmuwan riset ing Google DeepMind, ing portal karangan DeepMind Institute. Klaim inti: amarga macem-macem rute teknologi menyang superintelligence umum gawean, rezim ngluwihi AGI "wis owah saka spekulasi filosofis menyang riset empiris lan pitakonan pamrentahan."
Esai kasebut ndharat sajrone salah sawijining warta riset AI sing paling sibuk sajrone pirang-pirang wulan, lan diwaca minangka upaya sing disengaja kanggo menehi debat pasca-AGI minangka kosakata teknis konkrit. Kanggo sapa wae sing ngetutake pangembangan AI paling anyar, iki menehi gambaran sing paling jelas babagan kepiye salah sawijining laboratorium terkemuka ing donya nggawe dalan ngluwihi AI tingkat manungsa - kalebu ramalan biaya sing, yen bener, bakal ngowahi ekonomi karya kognitif.
Apa Counts minangka Superintelligence
Genewein diwiwiti kanthi nempatake intelijen umum ing kontinum, kanthi AGI tingkat manungsa mung siji titik ing sadawane. ASI, ing definisi esai, minangka sistem canggih sing terus-terusan ngungguli klompok gedhe saka pakar manungsa ing tugas sing bisa njupuk taun pakar kanggo ngrampungake, nggunakake sumber daya kurang lan wektu kurang - contone, cocog karo output ilmiah saka kabeh lapangan riset ing bagian sekedhik saka wektu, utawa entuk chip-desain kemajuan ing par karo apa perusahaan gedhe gawé ing taun. Sing penting, bar kudu ditindakake ing meh kabeh tugas sing dikarepake manungsa, dudu irisan sing sempit.
Dominasi sempit, cathetan esai, wis ana: Sistem AI saiki ngalahake manungsa ing catur lan Go, prédhiksi struktur protein saka urutan asam amino, lan wis bukti téoréma sing nolak matématikawan nganti pirang-pirang dekade. Apa sing tetep ora dingerteni yaiku tengah-tengah sing jembar antarane AI tingkat manungsa lan watesan teoretis intelijen. Titik ilustrasi Genewein: ngrampungake catur kanthi sampurna mbutuhake daya komputasi sing luwih akeh tinimbang sing ana ing Bumi, nanging chip ukuran cilik wis cukup apik kanggo ngalahake manungsa.
Industrialisasi Kognitif lan Biaya Ambruk
Inti kuantitatif esai yaiku analisis "industrialisasi kognitif." Genewein nambah telung tren gabungan saka dekade pungkasan. Kaping pisanan, hardware: ngitung saben dolar wis nambah kira-kira 1,5x saben taun sajrone nem dekade miturut hukum Moore lan tren sing ana gandhengane. Kapindho, efisiensi algoritmik: komputasi latihan sing dibutuhake kanggo nggayuh tingkat kinerja tetep wis mudhun kira-kira 3-6x saben taun sajrone dasawarsa pungkasan, kanthi efisiensi inferensi mundhak udakara 3x saben taun. Katelu, investasi: mbuwang piranti keras AI wis tuwuh kira-kira 2.5x saben taun, lan komputasi latihan ing wates paling gedhe mundhak luwih saka 4x saben taun.
Multiply telu, lan esai ngira komputasi efektif global tuwuh paling ora 10x saben taun - "faktor 10 milyar liwat sepuluh taun." Ing sisih dikarepake, dandan efisiensi hardware lan piranti lunak mung bakal nyuda komputasi sing dibutuhake kanggo mbukak beban kerja AI sing tetep udakara 4x saben taun. Akibaté, kaya sing dicritakake Genewein: beban kerja kognitif sing biaya token komputasi $ 1 milyar kanggo nindakake karo sistem AI saiki bakal biaya kira-kira $ 1,000 sajrone sepuluh taun.
Kuwi dudu ekstrapolasi tunggal. Esai kasebut nyathet studi Epoch anyar sing nemokake yen rega konsumen kanggo entuk skor tetep ing sakumpulan benchmark wis mudhun luwih saka 13x saben taun wiwit 2023. Iki uga nggambarake manawa populasi efektif agen AI bisa skala luwih saka sewu tikel ing taun 2030, lan luwih saka milyar tikel sajrone sepuluh taun - nanging kanthi ati-ati nggawe langit-langit kasebut "ora ana" langit-langit spekulatif ing efisiensi algoritma bisa campur.
Patang Pathways Saka AGI menyang ASI
Jantung esai kasebut minangka taksonomi saka papat jalur teknologi sing bisa mbukak kunci kemampuan sing ukurane ora bisa - amarga, kaya sing diamati Genewein, "nalika Einstein nemtokake relativitas umum, konferensi saka satus ewu astronom Ptolemaic mbokmenawa ora bakal duwe."
Scaling model lan data. Kapabilitas wis apik banget konsisten karo model, data, lan skala test-time-komputasi, nanging esai ngenali telung bottlenecks: data exhaustion, amarga dikarepake kanggo data latihan kualitas dhuwur ngluwihi kemampuan manungsa kanggo gawé; nyuda ngasilake ing skala model, ing ngendi saben langkah linear ing kemampuan mbutuhake komputasi multiplicative nalika model sing luwih gedhe alon-alon metode penalaran-wektu; lan watesan fisik lan ekonomi ing pembangkit listrik, jaringan listrik, fab chip, lan interkoneksi latensi rendah. Paradigma teknologi owah-owahan. Paradigma saiki - nglatih trafo kanggo prédhiksi token sabanjure, banjur nyaring lan nambah komputasi wektu tes - bubar ditampilake kanthi prinsip sing bisa mbukak algoritma rumit liwat pituduh. Nanging model isih kurang manungsa ing sinau terus-terusan, wangun modeling donya tartamtu, nggawe keputusan, efisiensi sampel, lan panemuan konsep sing bener-bener anyar tinimbang rekombinasi saka sing wis ana. Peneliti dibagi babagan apa ekstensi paradigma saiki bisa nutup kesenjangan kasebut utawa apa ASI mbutuhake sing luwih jero. Ngapikake koordinasi agen. Perusahaan manungsa, pasar, lan komunitas riset ngatasi masalah sing ora bisa ditindakake dening individu. Kajaba iku, koordinasi ewonan utawa mayuta-yuta instansi AGI dadi "agen grup" utawa ekonomi agen virtual bisa ngasilake superintelijen kolektif. Esai kasebut ujar manawa lapangan kasebut mbutuhake "undhang-undhang skala multi-agen" - riset awal nemokake keuntungan sing jelas babagan sawetara tugas, nanging inefisiensi koordinasi ngasilake asil sing saya suda nalika populasi tuwuh. Kemudi kolektif gedhe uga mbutuhake desain institusi, kalebu pertahanan marang informasi sing salah, manipulasi, lan kolusi; Eksperimen swarm wis nuduhake agen sing sinau ngapusi lan liya-liyane tumindak minangka whistleblower. Perbaikan diri rekursif. Pisanan dibahas dening I. J. Good lan Ray Solomonoff, RSI nggambarake sistem AI sing ngotomatisasi dandan kanggo generasi AI sing bakal teka. Ora kaya teknologi umume, dandan kanggo AI bisa langsung nyepetake keuntungan sakteruse - nanging kemajuan riset uga luwih angel ditemokake saka wektu. Apa RSI mrodhuksi akselerasi runaway, Essay ngandika, iku "umume pitakonan empiris," lan bisa operate liwat kode lan designs - arsitektur, kalkulus latihan, noto chip - uga liwat data.Kenapa Framing Penting
Esai kasebut kanthi tegas minangka argumentasi persiapan: pemetaan dalan sing bisa ditindakake saka AGI menyang ASI lan mbangun "cara sing ketat lan dipercaya kanggo nglacak kemajuan" yaiku, ing kerangka Genewein, prasyarat kanggo ngatur transisi. Iku ngiringi laporan DeepMind Institute sing luwih dawa, "Saka AGI menyang ASI."
Resepsi langsung. Esai kasebut narik 85 poin lan luwih saka 160 komentar babagan Hacker News sajrone sedina diterbitake, nalika pers perdagangan kalebu Unite.AI lan BigGo Finance nyorot taksonomi papat rute lan ramalan tabrakan biaya jutaan. Uga ana ing tengah-tengah skeptisisme sing luwih akeh babagan ramalan superintelligence digawe - Spektrum IEEE nerbitake potongan minggu iki kanthi judhul "Debat Superintelligence AI Nduwe Cacat Serius."
Ketegangan kasebut minangka titik. DeepMind ora prédhiksi ASI ing tanggal; iku arguing sing papan skenario saiki bisa dipetakan, diukur, lan debat karo bukti tinimbang vibes. Apa ekstrapolasi milyar-fold terus utawa break marang langit-langit fisik, Essay nandhani shift: pitakonan "apa rawuh sawise AGI?" wis pindhah saka seminar filsafat menyang agenda riset salah sawijining laboratorium AI sing paling berpengaruh ing Bumi.
---
Tetep Ahead of AIEntuk warta, analisis, lan terobosan AI paling anyar - kabeh ing sak panggonan.
Waca liyane AI warta →