វិទ្យាស្ថានស្រាវជ្រាវរបស់ Google DeepMind បានបោះពុម្ភអត្ថបទដ៏ទូលំទូលាយមួយដោយលើកហេតុផលថា យុគសម័យបន្ទាប់ពី AGI ឥឡូវនេះសមនឹងទទួលបានភាពម៉ត់ចត់នៃការវិភាគដូចគ្នា ដែលវាលដែលបានបម្រុងទុកសម្រាប់ AGI ខ្លួនវាផ្ទាល់។ អត្ថបទ "តើមានអ្វីកើតឡើងបន្ទាប់ពី AGI? ពី AGI ដល់ Superintelligence" ត្រូវបានបោះពុម្ពនៅថ្ងៃទី 19 ខែវិច្ឆិកាឆ្នាំ 2026 ដោយ Tim Genewein អ្នកវិទ្យាសាស្ត្រស្រាវជ្រាវនៅ Google DeepMind នៅលើវិបផតថលអត្ថបទរបស់វិទ្យាស្ថាន DeepMind ។ ការអះអាងស្នូលរបស់វា៖ នៅពេលដែលផ្លូវបច្ចេកវិជ្ជាជាច្រើនឆ្ពោះទៅរកការស៊ើបការណ៍ទូទៅសិប្បនិម្មិតបានលេចចេញជារូបរាង របបលើសពី AGI "កំពុងផ្លាស់ប្តូរពីការប៉ាន់ស្មានទស្សនវិជ្ជាទៅជាសំណួរស្រាវជ្រាវ និងអភិបាលកិច្ច"។
អត្ថបទនេះបានលេចចេញក្នុងអំឡុងពេលព័ត៌មានស្រាវជ្រាវ AI ដ៏មមាញឹកបំផុតក្នុងរយៈពេលជាច្រើនខែ ហើយវាអានថាជាការប៉ុនប៉ងដោយចេតនាដើម្បីផ្តល់ឱ្យការពិភាក្សាក្រោយ AGI នូវវាក្យសព្ទបច្ចេកទេសជាក់ស្តែង។ សម្រាប់នរណាម្នាក់ដែលធ្វើតាមការវិវឌ្ឍន៍ AI ចុងក្រោយបំផុត វាផ្តល់នូវរូបភាពច្បាស់បំផុតអំពីរបៀបដែលមន្ទីរពិសោធន៍ឈានមុខគេមួយរបស់ពិភពលោករៀបចំផ្លូវលើសពី AI កម្រិតមនុស្ស — រួមទាំងការព្យាករណ៍តម្លៃដែលប្រសិនបើត្រឹមត្រូវនឹងផ្លាស់ប្តូរសេដ្ឋកិច្ចនៃការងារការយល់ដឹង។
អ្វីដែលចាត់ទុកថាជាមេបញ្ជាការ
Genewein ចាប់ផ្តើមដោយការដាក់ភាពវៃឆ្លាតទូទៅនៅលើការបន្តមួយ ជាមួយនឹង AGI កម្រិតមនុស្សគ្រាន់តែជាចំណុចមួយនៅតាមបណ្តោយវា។ ASI នៅក្នុងនិយមន័យនៃអត្ថបទ គឺជាប្រព័ន្ធកម្រិតខ្ពស់ដែលអនុវត្តជាប្រចាំនូវក្រុមធំៗនៃអ្នកជំនាញលើការងារ ដែលអាចចំណាយពេលច្រើនឆ្នាំដើម្បីបញ្ចប់ ដោយប្រើធនធានតិចជាងមុន និងពេលវេលាតិចជាង — ឧទាហរណ៍ ការផ្គូផ្គងលទ្ធផលវិទ្យាសាស្ត្រនៃវាលស្រាវជ្រាវទាំងមូលក្នុងប្រភាគនៃពេលវេលា ឬការសម្រេចបាននូវវឌ្ឍនភាពនៃការរចនាបន្ទះឈីប ស្របជាមួយនឹងអ្វីដែលក្រុមហ៊ុនធំផលិតក្នុងឆ្នាំ។ សំខាន់ របារត្រូវតែបំពេញតាមភារកិច្ចស្ទើរតែទាំងអស់នៃចំណាប់អារម្មណ៍របស់មនុស្ស មិនមែនជាផ្នែកតូចចង្អៀតនោះទេ។
ការត្រួតត្រាតូចចង្អៀត កំណត់ចំណាំអត្ថបទមានរួចហើយ៖ ប្រព័ន្ធ AI សព្វថ្ងៃនេះបានផ្តួលមនុស្សណាម្នាក់នៅអុក និងទៅ ទស្សន៍ទាយរចនាសម្ព័ន្ធប្រូតេអ៊ីនពីលំដាប់អាស៊ីតអាមីណូ និងទ្រឹស្តីបទដែលបង្ហាញឱ្យឃើញដែលទប់ទល់នឹងគណិតវិទូអស់ជាច្រើនទសវត្សរ៍។ អ្វីដែលនៅតែមិនទាន់កំណត់បានគឺចំណុចកណ្តាលដ៏ធំរវាង AI កម្រិតមនុស្ស និងកម្រិតទ្រឹស្តីនៃការស៊ើបការណ៍។ ចំណុចឧទាហរណ៍របស់ Genewein៖ ការដោះស្រាយអុកយ៉ាងល្អឥតខ្ចោះនឹងត្រូវការថាមពលកុំព្យូទ័រច្រើនជាងមាននៅលើផែនដី ប៉ុន្តែបន្ទះឈីបដែលមានទំហំតូចល្មមអាចយកឈ្នះមនុស្សបាន។
ការយល់ដឹងអំពីឧស្សាហូបនីយកម្ម និងការចំណាយដួលរលំ
ស្នូលបរិមាណនៃអត្ថបទគឺជាការវិភាគនៃ "ឧស្សាហូបនីយកម្មការយល់ដឹង" ។ Genewein គុណនឹងនិន្នាការផ្សំបីពីទសវត្សរ៍ចុងក្រោយ។ ទីមួយផ្នែករឹង៖ ការគណនាក្នុងមួយដុល្លារបានប្រសើរឡើងប្រហែល 1.5x ក្នុងមួយឆ្នាំសម្រាប់រយៈពេលប្រាំមួយទសវត្សរ៍ក្រោមច្បាប់របស់ Moore និងនិន្នាការពាក់ព័ន្ធ។ ទីពីរ ប្រសិទ្ធភាពនៃក្បួនដោះស្រាយ៖ ការគណនាការបណ្តុះបណ្តាលដែលត្រូវការដើម្បីឈានដល់កម្រិតនៃការអនុវត្តថេរបានធ្លាក់ចុះប្រហែល 3-6 ដងក្នុងមួយឆ្នាំក្នុងរយៈពេលមួយទសវត្សរ៍ចុងក្រោយនេះ ជាមួយនឹងប្រសិទ្ធភាពការសន្និដ្ឋានបានប្រសើរឡើងប្រហែល 3 ដងក្នុងមួយឆ្នាំ។ ទីបី ការវិនិយោគ៖ ការចំណាយលើផ្នែករឹង AI បានកើនឡើងប្រហែល 2.5 ដងក្នុងមួយឆ្នាំ ហើយការគណនាការបណ្តុះបណ្តាលនៃការរត់ព្រំដែនធំបំផុតកើនឡើងច្រើនជាង 4 ដងក្នុងមួយឆ្នាំ។
គុណនឹងបី ហើយអត្ថបទនេះបានប៉ាន់ប្រមាណថា ការគណនាមានប្រសិទ្ធភាពសកលកំពុងកើនឡើងយ៉ាងហោចណាស់ 10 ដងក្នុងមួយឆ្នាំ — "កត្តានៃ 10 ពាន់លានក្នុងរយៈពេលដប់ឆ្នាំ" ។ នៅលើផ្នែកតម្រូវការ ការកែលម្អប្រសិទ្ធភាពផ្នែករឹង និងសូហ្វវែរតែម្នាក់ឯងនឹងកាត់បន្ថយការគណនាដែលត្រូវការដើម្បីដំណើរការបន្ទុកការងារ AI ថេរប្រហែល 4 ដងក្នុងមួយឆ្នាំ។ ផលវិបាកដូចដែល Genewein ដាក់វា៖ បន្ទុកការយល់ដឹងដែលចំណាយអស់ 1 ពាន់លានដុល្លារក្នុងការគណនាថូខឹនដើម្បីអនុវត្តជាមួយប្រព័ន្ធ AI នាពេលបច្ចុប្បន្ននេះនឹងត្រូវចំណាយប្រហែល 1,000 ដុល្លារក្នុងរយៈពេលដប់ឆ្នាំ។
នោះមិនមែនជាការបូកសរុបតែម្នាក់ឯងទេ។ អត្ថបទដកស្រង់ពីការសិក្សា Epoch ថ្មីៗនេះដែលបានរកឃើញថាតម្លៃអ្នកប្រើប្រាស់នៃការសម្រេចបានពិន្ទុថេរលើសំណុំនៃគោលមួយបានធ្លាក់ចុះច្រើនជាង 13 ដងក្នុងមួយឆ្នាំចាប់តាំងពីឆ្នាំ 2023 ។ វាក៏បានព្យាករណ៍ថាចំនួនប្រជាជនដែលមានប្រសិទ្ធភាពនៃភ្នាក់ងារ AI អាចធ្វើមាត្រដ្ឋានលើសពីមួយពាន់ដងនៅឆ្នាំ 2030 និងច្រើនជាងមួយពាន់លានដងក្នុងរយៈពេលដប់ឆ្នាំ។ ការសាងសង់ចេញ និងការរំពឹងទុកបន្ថែមទៀតលើប្រសិទ្ធភាពនៃក្បួនដោះស្រាយអាចធ្វើអន្តរាគមន៍។
ផ្លូវទាំងបួនពី AGI ទៅ ASI
បេះដូងនៃអត្ថបទគឺជាវចនានុក្រមនៃផ្លូវបច្ចេកវិជ្ជាចំនួនបួន ដែលអាចដោះសោសមត្ថភាពដែលខ្នាតធំមិនអាច - ដោយសារតែដូចដែល Genewein សង្កេតយ៉ាងស្ងួត "ខណៈពេលដែល Einstein បានរកឃើញទំនាក់ទំនងទូទៅ សន្និសិទនៃតារាវិទូ Ptolemaic មួយរយពាន់ប្រហែលជាមិនមាន" ។
ការធ្វើមាត្រដ្ឋានគំរូ និងទិន្នន័យ។ សមត្ថភាពមានភាពប្រសើរឡើងគួរឱ្យកត់សម្គាល់ជាមួយនឹងគំរូ ទិន្នន័យ និងមាត្រដ្ឋានគណនាពេលវេលាសាកល្បង ប៉ុន្តែអត្ថបទនេះកំណត់បញ្ហាបីយ៉ាង៖ ការហត់នឿយទិន្នន័យ ដោយសារតម្រូវការសម្រាប់ទិន្នន័យបណ្តុះបណ្តាលគុណភាពខ្ពស់ លើសពីសមត្ថភាពរបស់មនុស្សជាតិក្នុងការផលិតវា។ ការបន្ថយការត្រឡប់មកវិញនៅលើមាត្រដ្ឋានគំរូ ដែលជំហានលីនេអ៊ែរនីមួយៗនៅក្នុងសមត្ថភាពទាមទារការគណនាពហុគុណ ខណៈដែលគំរូធំ ៗ បន្ថយវិធីសាស្រ្តពេលវេលាសមហេតុផល។ និងដែនកំណត់រូបវន្ត និងសេដ្ឋកិច្ចលើរោងចក្រថាមពល បណ្តាញអគ្គិសនី បន្ទះសៀគ្វី និងការភ្ជាប់ទំនាក់ទំនងគ្នាដែលមានភាពយឺតយ៉ាវទាប។ ការផ្លាស់ប្តូរគំរូបច្ចេកវិជ្ជា។ គំរូថ្ងៃនេះ — រថភ្លើងបំប្លែងដើម្បីទស្សន៍ទាយនិមិត្តសញ្ញាបន្ទាប់ បន្ទាប់មកកែលម្អ និងបន្ថែមការគណនាម៉ោងសាកល្បង — ថ្មីៗនេះត្រូវបានបង្ហាញជាគោលការណ៍ដែលមានសមត្ថភាពដំណើរការក្បួនដោះស្រាយស្មុគស្មាញតាមរយៈការជម្រុញ។ ទោះជាយ៉ាងណាក៏ដោយ គំរូនៅតែខ្វះមនុស្សលើការរៀនសូត្រជាបន្ត ទម្រង់ជាក់លាក់នៃគំរូពិភពលោក ការសម្រេចចិត្ត ប្រសិទ្ធភាពគំរូ និងការច្នៃប្រឌិតនៃគំនិតថ្មីពិតប្រាកដ ជាជាងការរួមផ្សំនៃគំនិតដែលមានស្រាប់ឡើងវិញ។ អ្នកស្រាវជ្រាវត្រូវបានបែងចែកថាតើការបន្ថែមនៃគំរូនាពេលបច្ចុប្បន្ននេះអាចបិទចន្លោះប្រហោងទាំងនោះឬថាតើ ASI ទាមទារអ្វីដែលកាន់តែស៊ីជម្រៅ។ ការកែលម្អការសម្របសម្រួលភ្នាក់ងារ។ សាជីវកម្មមនុស្ស ទីផ្សារ និងសហគមន៍ស្រាវជ្រាវដោះស្រាយបញ្ហាដែលបុគ្គលមិនអាចធ្វើបាន។ ស្រដៀងគ្នានេះដែរ ការសម្របសម្រួល AGI រាប់ពាន់ ឬរាប់លានចូលទៅក្នុង "ភ្នាក់ងារក្រុម" ឬសេដ្ឋកិច្ចភ្នាក់ងារនិម្មិត អាចបង្កើតភាពវៃឆ្លាតរួម។ អត្ថបទនេះអះអាងថា វិស័យនេះត្រូវការ "ច្បាប់ធ្វើមាត្រដ្ឋានច្រើនភ្នាក់ងារ" - ការស្រាវជ្រាវដំបូងរកឃើញផលចំណេញច្បាស់លាស់លើកិច្ចការមួយចំនួន ប៉ុន្តែភាពគ្មានប្រសិទ្ធភាពនៃការសម្របសម្រួលបង្កើតឱ្យមានការថយចុះនៅពេលដែលចំនួនប្រជាជនកើនឡើង។ ការដឹកនាំសមូហភាពធំក៏នឹងតម្រូវឱ្យមានការរចនាស្ថាប័នផងដែរ រួមទាំងការការពារប្រឆាំងនឹងព័ត៌មានមិនពិត ឧបាយកល និងការឃុបឃិត។ ការពិសោធន៍ swarm កំពុងបង្ហាញភ្នាក់ងារដែលកំពុងរៀនបន្លំ ហើយអ្នកផ្សេងទៀតដើរតួជាអ្នកផ្តល់ព័ត៌មាន។ ការកែលម្អខ្លួនឯងឡើងវិញ។ ពិភាក្សាដំបូងដោយ I. J. Good និង Ray Solomonoff, RSI ពិពណ៌នាអំពីប្រព័ន្ធ AI ដែលធ្វើអោយប្រសើរឡើងដោយស្វ័យប្រវត្តិចំពោះ AI ជំនាន់អនាគត។ មិនដូចបច្ចេកវិទ្យាធម្មតាទេ ការកែលម្អ AI អាចបង្កើនល្បឿនដោយផ្ទាល់ - ប៉ុន្តែវឌ្ឍនភាពនៃការស្រាវជ្រាវក៏មានទំនោរទៅរកការលំបាកក្នុងការស្វែងរកតាមពេលវេលា។ ថាតើ RSI ផលិតការបង្កើនល្បឿនរត់ចេញឬអត់ អត្ថបទនិយាយថា "ភាគច្រើនជាសំណួរជាក់ស្តែង" ហើយវាអាចដំណើរការតាមរយៈកូដ និងការរចនា — ស្ថាបត្យកម្ម ក្បួនដោះស្រាយការបណ្តុះបណ្តាល ប្លង់បន្ទះឈីប — ក៏ដូចជាតាមរយៈទិន្នន័យផងដែរ។ហេតុអ្វីបានជាស៊ុមសំខាន់
អត្ថបទនេះគឺជាអាគុយម៉ង់រៀបចំយ៉ាងច្បាស់លាស់៖ ការគូសផែនទីផ្លូវដែលអាចធ្វើទៅបានពី AGI ទៅ ASI និងការកសាង "វិធីដ៏ម៉ត់ចត់ និងគួរឱ្យទុកចិត្តដើម្បីតាមដានវឌ្ឍនភាព" គឺនៅក្នុងស៊ុមរបស់ Genewein ដែលជាតម្រូវការជាមុនសម្រាប់ការគ្រប់គ្រងការផ្លាស់ប្តូរ។ វាអមជាមួយរបាយការណ៍របស់វិទ្យាស្ថាន DeepMind យូរជាងនេះ "ពី AGI ទៅ ASI" ។
ការទទួលស្វាគមន៍ភ្លាមៗ។ អត្ថបទនេះបានទាក់ទាញ 85 ពិន្ទុ និងច្រើនជាង 160 យោបល់លើ Hacker News ក្នុងរយៈពេលមួយថ្ងៃនៃការបោះពុម្ភផ្សាយ ខណៈដែលសារព័ត៌មានពាណិជ្ជកម្មរួមមាន Unite.AI និង BigGo Finance បានគូសបញ្ជាក់អំពីវចនានុក្រមផ្លូវចំនួន 4 និងការព្យាករណ៍នៃការចំណាយរាប់លានដង។ វាក៏កើតឡើងចំពេលមានការសង្ស័យកាន់តែទូលំទូលាយអំពីរបៀបដែលការព្យាករណ៍របស់ស៊ើបការណ៍សម្ងាត់ត្រូវបានធ្វើឡើង — IEEE Spectrum បានបោះពុម្ពផ្សាយមួយដុំនៅសប្តាហ៍នេះដែលមានចំណងជើងថា "ការជជែកដេញដោល AI Superintelligence មានកំហុសធ្ងន់ធ្ងរ" ។
ភាពតានតឹងនេះគឺជាចំណុច។ DeepMind មិនត្រូវបានព្យាករ ASI នៅលើកាលបរិច្ឆេទមួយ។ វាកំពុងជជែកវែកញែកថា លំហសេណារីយ៉ូឥឡូវនេះអាចត្រូវបានគូសវាស វាស់វែង និងពិភាក្សាជាមួយភស្តុតាងជាជាងរំញ័រ។ ថាតើការបន្ថែមរាប់ពាន់លានដងជាប់ឬបំបែកប្រឆាំងនឹងពិដានរាងកាយ អត្ថបទនេះបង្ហាញពីការផ្លាស់ប្តូរមួយ: សំណួរ "តើមានអ្វីកើតឡើងបន្ទាប់ពី AGI?" បានផ្លាស់ប្តូរពីសិក្ខាសាលាទស្សនវិជ្ជាទៅជារបៀបវារៈស្រាវជ្រាវនៃមន្ទីរពិសោធន៍ AI ដ៏មានឥទ្ធិពលបំផុតមួយនៅលើផែនដី។
---
ស្នាក់នៅមុន AIទទួលបានព័ត៌មាន AI ការវិភាគ និងរបកគំហើញចុងក្រោយបំផុត — ទាំងអស់នៅកន្លែងតែមួយ។
អានព័ត៌មាន AI បន្ថែម →