Google DeepMind च्या संशोधन संस्थेने एक व्यापक निबंध प्रकाशित केला आहे ज्यामध्ये AGI नंतरचे युग आता AGI साठी राखीव असलेले क्षेत्र त्याच विश्लेषणात्मक कठोरतेसाठी पात्र आहे. "AGI नंतर काय येते? AGI पासून सुपरइंटिलिजन्स पर्यंत," हा तुकडा 19 नोव्हेंबर 2026 रोजी Google DeepMind मधील संशोधन शास्त्रज्ञ टिम Genewein यांनी DeepMind संस्थेच्या निबंध पोर्टलवर प्रकाशित केला होता. त्याचा मूळ दावा: कृत्रिम जनरल सुपरइंटिलिजन्सच्या दिशेने अनेक तांत्रिक मार्ग आकार घेत असताना, एजीआयच्या पलीकडे शासन "तात्विक अनुमानांपासून प्रायोगिक संशोधन आणि प्रशासन प्रश्नांकडे सरकत आहे."
हा निबंध काही महिन्यांतील AI संशोधन बातम्यांच्या सर्वात व्यस्त भागांमध्ये आला आणि तो AGI नंतरच्या चर्चेला एक ठोस तांत्रिक शब्दसंग्रह देण्याचा जाणीवपूर्वक केलेला प्रयत्न म्हणून वाचला. नवीनतम AI घडामोडींचे अनुसरण करणाऱ्या प्रत्येकासाठी, जगातील अग्रगण्य प्रयोगशाळांपैकी एक मानवी-स्तरीय AI च्या पलीकडे रस्ता कसा बनवते याचे सर्वात स्पष्ट चित्र देते — बरोबर असल्यास, संज्ञानात्मक कार्याचे अर्थशास्त्र बदलेल अशा खर्चाच्या अंदाजासह.
सुपरइंटिलिजन्स म्हणून काय मोजले जाते
Genewein सामान्य बुद्धिमत्ता एका निरंतरतेवर ठेवून सुरू होते, मानवी-स्तरीय AGI त्याच्या बाजूने फक्त एक बिंदू आहे. ASI, निबंधाच्या व्याख्येनुसार, एक प्रगत प्रणाली आहे जी मानवी तज्ञांच्या मोठ्या गटांना कामांवर सातत्याने मागे टाकते जे त्या तज्ञांना पूर्ण होण्यास वर्षे लागू शकतात, कमी संसाधने आणि कमी वेळ वापरून — उदाहरणार्थ, वेळेच्या एका अंशामध्ये संपूर्ण संशोधन क्षेत्राचे वैज्ञानिक आउटपुट जुळणे, किंवा चिप-डिझाइनची प्रगती कंपनीने वर्षभरात किती मोठ्या उत्पादनात केली आहे. निर्णायकपणे, बारला मानवी हिताची अक्षरशः सर्व कार्ये पूर्ण करणे आवश्यक आहे, एक अरुंद तुकडा नाही.
संकुचित वर्चस्व, निबंध नोट्स, आधीपासूनच अस्तित्वात आहेत: AI प्रणाली आज बुद्धिबळ आणि गो मध्ये कोणत्याही माणसाला हरवते, एमिनो ऍसिड अनुक्रमांवरून प्रथिने संरचनांचा अंदाज लावतात आणि अनेक दशकांपासून गणितज्ञांना विरोध करणारे प्रमेय सिद्ध केले आहेत. मानवी स्तरावरील AI आणि बुद्धिमत्तेच्या सैद्धांतिक मर्यादा यांच्यातील विस्तीर्ण मधली ग्राउंड जे खरोखर अज्ञात आहे. Genewein चा स्पष्टीकरणात्मक मुद्दा: बुद्धिबळ उत्तम प्रकारे सोडवण्यासाठी पृथ्वीवरील अस्तित्वापेक्षा अधिक संगणकीय शक्ती आवश्यक असते, तरीही लघुप्रतिमा आकाराची चिप कोणत्याही माणसाला पराभूत करण्यासाठी आधीच पुरेशी खेळते.
संज्ञानात्मक औद्योगिकीकरण आणि संकुचित खर्च
निबंधाचा परिमाणात्मक गाभा "संज्ञानात्मक औद्योगिकीकरण" चे विश्लेषण आहे. Genewein गेल्या दशकात तीन चक्रवाढ ट्रेंड गुणाकार. प्रथम, हार्डवेअर: मूरच्या कायद्यानुसार आणि संबंधित ट्रेंड अंतर्गत सहा दशकांमध्ये प्रति डॉलर गणना अंदाजे 1.5x प्रति वर्ष सुधारली आहे. दुसरे, अल्गोरिदमिक कार्यक्षमता: निश्चित कामगिरी पातळीपर्यंत पोहोचण्यासाठी आवश्यक असलेले प्रशिक्षण गणना गेल्या दशकात अंदाजे 3-6x प्रति वर्ष कमी झाली आहे, अनुमान कार्यक्षमतेत दरवर्षी सुमारे 3x सुधारणा होत आहे. तिसरी, गुंतवणूक: AI हार्डवेअरवरील खर्च दरवर्षी अंदाजे 2.5x वाढला आहे आणि सर्वात मोठ्या फ्रंटियर रनचे प्रशिक्षण गणना दरवर्षी 4x पेक्षा जास्त वाढते.
तीन गुणाकार करा, आणि निबंधाचा अंदाज आहे की जागतिक प्रभावी गणना दरवर्षी किमान 10x वाढत आहे - "दहा वर्षांत 10 अब्जचा घटक." मागणीच्या बाजूने, केवळ हार्डवेअर आणि सॉफ्टवेअर कार्यक्षमतेतील सुधारणांमुळे एक निश्चित एआय वर्कलोड चालविण्यासाठी आवश्यक असलेली गणना दर वर्षी सुमारे 4x कमी होईल. Genewein ने म्हटल्याप्रमाणे परिणाम: आजच्या AI सिस्टीमसह कार्य करण्यासाठी $1 बिलियन मोजणी टोकन्स खर्च करणाऱ्या संज्ञानात्मक कार्यभाराची दहा वर्षांत अंदाजे $1,000 खर्च येईल.
ते एकटे एक्सट्रापोलेशन नाही. निबंधाने अलीकडील एका Epoch अभ्यासाचा हवाला दिला आहे की 2023 पासून बेंचमार्कच्या सेटवर निश्चित स्कोअर मिळविण्याची ग्राहक किंमत दरवर्षी 13x पेक्षा जास्त घसरली आहे. AI एजंट्सची प्रभावी लोकसंख्या 2030 पर्यंत हजार पटीहून अधिक वाढू शकते, आणि दहा वर्षांच्या आत हे ध्वजांकन "दश कोटींपेक्षा जास्त" सावधगिरीने दिले जात नाही. गणना बिल्ड-आउटवरील व्यावहारिक मर्यादा आणि अल्गोरिदमिक कार्यक्षमतेवर अधिक सट्टा मर्यादा हस्तक्षेप करू शकतात.
AGI ते ASI पर्यंतचे चार मार्ग
निबंधाचे हृदय हे चार तांत्रिक मार्गांचे वर्गीकरण आहे जे क्षमतांना अनलॉक करू शकतात ज्या पूर्ण प्रमाणात करू शकत नाहीत — कारण, जेनेवीनने कोरडेपणे निरीक्षण केल्याप्रमाणे, "आईनस्टाईनने सामान्य सापेक्षता शोधून काढली, तेव्हा एक लाख टॉलेमिक खगोलशास्त्रज्ञांची परिषद कदाचित नसेल."
मॉडेल आणि डेटा स्केलिंग करणे. मॉडेल, डेटा आणि चाचणी-वेळ-गणना स्केलच्या सहाय्याने क्षमता लक्षणीयरीत्या सुधारली आहे, परंतु निबंध तीन अडथळे ओळखतो: उच्च-गुणवत्तेच्या प्रशिक्षण डेटाची मागणी मानवतेच्या उत्पादनाच्या क्षमतेपेक्षा जास्त आहे; मॉडेल स्केलवर कमी होणारा परतावा, जिथे क्षमतेच्या प्रत्येक रेखीय पायरीसाठी गुणाकार गणना आवश्यक असते तर मोठ्या मॉडेल्समुळे तर्क-वेळेच्या पद्धती कमी होतात; आणि पॉवर प्लांट्स, इलेक्ट्रिकल ग्रिड्स, चिप फॅब्स आणि लो-लेटेंसी इंटरकनेक्ट्सवरील भौतिक आणि आर्थिक मर्यादा. तांत्रिक प्रतिमान बदलत आहे. आजचा नमुना — पुढील टोकनचा अंदाज लावण्यासाठी ट्रेन ट्रान्सफॉर्मर, नंतर परिष्कृत आणि चाचणी-वेळेची गणना जोडण्यासाठी — अलीकडे प्रॉम्प्ट्सद्वारे जटिल अल्गोरिदम चालविण्यास तत्त्वतः सक्षम दर्शविले गेले आहे. तरीही सतत शिकणे, जागतिक मॉडेलिंगचे काही प्रकार, निर्णयक्षमता, नमुना कार्यक्षमता आणि विद्यमान संकल्पनांच्या पुनर्संयोजनाऐवजी खऱ्या अर्थाने नवीन संकल्पनांचा आविष्कार यामध्ये मॉडेल्स अजूनही कमी पडतात. आजच्या पॅराडाइमचे विस्तार हे अंतर बंद करू शकतात की ASI ला काहीतरी सखोल आवश्यक आहे का यावर संशोधक विभाजित आहेत. एजंट समन्वय सुधारणे. मानवी कॉर्पोरेशन, बाजार आणि संशोधन समुदाय कोणतीही व्यक्ती करू शकत नसलेल्या समस्यांचे निराकरण करतात. त्याचप्रमाणे, हजारो किंवा लाखो एजीआय उदाहरणे "ग्रुप एजंट" किंवा व्हर्च्युअल एजंट इकॉनॉमीमध्ये समन्वयित केल्याने सामूहिक सुपरइंटिलिजन्स निर्माण होऊ शकते. निबंधात असा युक्तिवाद आहे की फील्डला "मल्टी-एजंट स्केलिंग कायदे" आवश्यक आहेत - सुरुवातीच्या संशोधनात काही कार्यांवर स्पष्ट नफा मिळतो, परंतु समन्वयाच्या अकार्यक्षमतेमुळे लोकसंख्या वाढत असताना घटते परतावा मिळतो. मोठ्या समूहांचे संचालन करण्यासाठी संस्थात्मक रचना देखील आवश्यक असेल, ज्यामध्ये चुकीची माहिती, हाताळणी आणि संगनमतापासून संरक्षण समाविष्ट आहे; झुंडीच्या प्रयोगांमध्ये एजंट फसवणूक शिकत आहेत आणि इतर व्हिसलब्लोअर म्हणून काम करत आहेत. पुनरावर्ती स्वयं-सुधारणा. प्रथम I. J. गुड आणि रे सोलोमोनॉफ यांनी चर्चा केली, RSI AI च्या भावी पिढ्यांसाठी स्वयंचलित सुधारणा करणाऱ्या AI प्रणालीचे वर्णन करते. ठराविक तंत्रज्ञानाच्या विपरीत, AI मधील सुधारणा थेट त्यानंतरच्या नफ्याला गती देऊ शकतात - परंतु संशोधन प्रगती देखील कालांतराने शोधणे कठीण होते. RSI रनअवे प्रवेग निर्माण करते की नाही, निबंध म्हणतो, "मोठ्या प्रमाणात एक अनुभवजन्य प्रश्न आहे," आणि तो कोड आणि डिझाइन - आर्किटेक्चर, प्रशिक्षण अल्गोरिदम, चिप लेआउट्स - तसेच डेटाद्वारे ऑपरेट करू शकतो.फ्रेमिंग महत्त्वाचे का आहे
निबंध स्पष्टपणे एक तयारी युक्तिवाद आहे: AGI ते ASI पर्यंत संभाव्य रस्त्यांचे मॅपिंग करणे आणि "प्रगतीचा मागोवा घेण्याचे कठोर, विश्वासार्ह मार्ग" तयार करणे, जेनेवीनच्या फ्रेमिंगमध्ये, संक्रमण नियंत्रित करण्याची पूर्व शर्त आहे. हे डीपमाइंड इन्स्टिट्यूटच्या दीर्घ अहवालासोबत आहे, "एजीआय ते एएसआय."
रिसेप्शन लगेच होते. निबंध प्रकाशित झाल्याच्या एका दिवसात हॅकर न्यूजवर 85 गुण आणि 160 हून अधिक टिप्पण्या मिळवल्या, तर Unite.AI आणि BigGo Finance सह ट्रेड प्रेसने चार-मार्ग वर्गीकरण आणि दशलक्षपट खर्च-टक्कर अंदाज हायलाइट केला. सुपरइंटिलिजन्सचा अंदाज कसा लावला जातो याविषयीच्या व्यापक साशंकतेमध्येही हे स्थान आहे - IEEE स्पेक्ट्रमने या आठवड्यात "एआय सुपरइंटिलिजन्स डिबेट हॅज सीरीयस फ्लॉज" नावाचा एक भाग प्रकाशित केला.
तो ताण हा मुद्दा आहे. डीपमाइंड एएसआयला तारखेचा अंदाज लावत नाही; तो असा युक्तिवाद करत आहे की परिस्थितीची जागा आता मॅप केली जाऊ शकते, मोजली जाऊ शकते आणि व्हायब्सऐवजी पुराव्यांसह वादविवाद केला जाऊ शकतो. बिलियन-फोल्ड एक्स्ट्रापोलेशन भौतिक मर्यादांच्या विरूद्ध धारण करतात किंवा तोडतात का, निबंध एक बदल दर्शवितो: प्रश्न "AGI नंतर काय येते?" तत्वज्ञान परिसंवादातून पृथ्वीवरील सर्वात प्रभावशाली एआय लॅबच्या संशोधन अजेंड्यात गेले आहे.
---
एआयच्या पुढे राहानवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.
अधिक AI बातम्या वाचा →