Google DeepMind ၏သုတေသနအင်စတီကျုသည် AGI ပြီးနောက်ခေတ်သည်ယခု AGI ကိုယ်တိုင်အတွက်သီးသန့်ထားရှိသောနယ်ပယ်တွင်တူညီသောခွဲခြမ်းစိတ်ဖြာမှုပြင်းထန်မှုနှင့်ထိုက်တန်ကြောင်းငြင်းခုံသောကျယ်ပြန့်သောစာစီစာကုံးတစ်စောင်ကိုထုတ်ဝေခဲ့သည်။ DeepMind Institute ၏ စာစီစာကုံးပေါ်တယ်တွင် Google DeepMind မှ သုတေသနပညာရှင် Tim Genewein မှ "AGI ပြီးနောက် အဘယ်အရာသည် AGI မှ Superintelligence အထိ" ဟူသော အပိုင်းကို 2026 ခုနှစ် နိုဝင်ဘာလ 19 ရက်နေ့တွင် ထုတ်ဝေခဲ့သည်။ ၎င်း၏အဓိကတောင်းဆိုချက်- အတုအယောင် အထွေထွေထောက်လှမ်းရေးဆီသို့ နည်းပညာလမ်းကြောင်းများစွာ ပုံဖော်လာသောအခါ AGI ကျော်လွန်သော အစိုးရသည် "ဒဿနထင်ကြေးပေးမှုမှ empirical research နှင့် governance မေးခွန်းများဆီသို့ ကူးပြောင်းနေသည်။"

အက်ဆေးသည် လများအတွင်း အလုပ်အများဆုံး AI သုတေသနသတင်းများထဲမှ တစ်ခုအတွင်း ရောက်ရှိလာပြီး AGI ငြင်းခုံမှုနောက်ပိုင်း ခိုင်မာသောနည်းပညာဆိုင်ရာ ဝေါဟာရတစ်ခုပေးရန် တမင်တကာ ကြိုးပမ်းမှုအဖြစ် ဖတ်ရှုရသည်။ နောက်ဆုံးပေါ် AI တိုးတက်မှုများကို လိုက်လျှောက်သူတိုင်းအတွက်၊ ၎င်းသည် ကမ္ဘာ့ထိပ်တန်းဓာတ်ခွဲခန်းတစ်ခုမှ လူသားအဆင့် AI ကိုကျော်လွန်၍ လမ်းကိုဘောင်သွင်းပုံ—မှန်ကန်ပါက၊ သိမှုဆိုင်ရာအလုပ်၏ စီးပွားရေးကို ပြောင်းလဲစေမည့် ကုန်ကျစရိတ်ခန့်မှန်းချက်အပါအဝင် အရှင်းလင်းဆုံးရုပ်ပုံလွှာကို ပံ့ပိုးပေးပါသည်။

ထောက်လှမ်းရေးဆိုတာ ဘာလဲ။

Genewein သည် လူသားအဆင့် AGI ဖြင့် အထွေထွေ ဉာဏ်ရည်ကို အသန္တာန်တွင် ထားရှိခြင်းဖြင့် စတင်သည်။ အက်ဆေး၏ အဓိပ္ပါယ်ဖွင့်ဆိုချက်တွင် ASI သည် အရင်းအမြစ်နည်းပါးပြီး အချိန်နည်း၍ ပြီးမြောက်ရန် နှစ်ပေါင်းများစွာ အချိန်ယူရနိုင်သော ကျွမ်းကျင်သူများ၏ လုပ်ငန်းများတွင် လူသားကျွမ်းကျင်သူအုပ်စုကြီးများကို တသမတ်တည်း စွမ်းဆောင်နိုင်သည့် အဆင့်မြင့်စနစ်တစ်ခုဖြစ်သည် — ဥပမာ၊ ကုမ္ပဏီကြီးတစ်ခု၏ တစ်နှစ်တာအတွင်း သုတေသနနယ်ပယ်တစ်ခုလုံး၏ သိပ္ပံနည်းကျရလဒ်ကို ကိုက်ညီစေခြင်း သို့မဟုတ် Chip-design တိုးတက်မှုကို တစ်နှစ်အတွင်း အောင်မြင်မှုရရှိစေရန်။ အရေးကြီးသည်မှာ၊ ကန့်လန့်ဖြတ်သည် ကျဉ်းမြောင်းသောအပိုင်းမဟုတ်ဘဲ လူသားများ၏ အကျိုးစီးပွားအတွက် လုပ်ဆောင်ရမည့် အလုပ်အားလုံးကို ဖြတ်ကျော်ရမည်ဖြစ်သည်။

ကျဉ်းမြောင်းသော လွှမ်းမိုးချုပ်ကိုင်မှု ၊ အက်ဆေးမှတ်စုများ ရှိနှင့်ပြီးသားဖြစ်သည်- ယနေ့ခေတ် AI စနစ်များသည် လူသားတိုင်းကို စစ်တုရင်နှင့် Go တွင်အနိုင်ယူပြီး၊ အမိုင်နိုအက်ဆစ်အစီအစဉ်များမှ ပရိုတင်းဖွဲ့စည်းပုံများကို ခန့်မှန်းကာ သင်္ချာပညာရှင်များကို ဆယ်စုနှစ်များစွာ ဆန့်ကျင်ခဲ့သော သီအိုရီများကို သက်သေပြထားသည်။ စစ်မှန်စွာမသတ်မှတ်ရသေးသည့်အရာမှာ လူသားအဆင့် AI နှင့် ဉာဏ်ရည်ဆိုင်ရာ သီအိုရီကန့်သတ်ချက်များကြားတွင် ကြီးမားသောအလယ်အလတ်နေရာဖြစ်သည်။ Genewein ၏ သရုပ်ဖော်အချက်- စစ်တုရင်ကို ပြီးပြည့်စုံစွာ ဖြေရှင်းခြင်းသည် ကမ္ဘာပေါ်တွင် ရှိသည်ထက် ကွန်ပြူတာစွမ်းအား ပိုလိုအပ်သော်လည်း၊ ပုံသေးအရွယ် ချစ်ပ်တစ်ခုသည် လူသားတိုင်းကို အနိုင်ယူရန် လုံလောက်နေပြီဖြစ်သည်။

သိမြင်မှု စက်မှုထွန်းကားရေးနှင့် ပြိုကျမှုကုန်ကျစရိတ်

စာစီစာကုံး၏ အရေအတွက်ဆိုင်ရာ အဓိကအချက်မှာ "သိမှုစက်မှုလုပ်ငန်း" ၏ ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုဖြစ်သည်။ Genewein သည် ပြီးခဲ့သည့်ဆယ်စုနှစ်မှ ပေါင်းစပ်လမ်းကြောင်းသုံးခုကို တိုးပွားစေသည်။ ပထမအချက်၊ ဟာ့ဒ်ဝဲ- တစ်ဒေါ်လာလျှင် တွက်ချက်မှုသည် Moore ၏ ဥပဒေနှင့် ဆက်နွှယ်သော ခေတ်ရေစီးကြောင်းများအောက်တွင် ဆယ်စုနှစ် ခြောက်ခုအတွက် အကြမ်းဖျင်းအားဖြင့် တစ်နှစ်လျှင် 1.5x တိုးတက်လာခဲ့သည်။ ဒုတိယ၊ အယ်လဂိုရီသမ်ထိရောက်မှု- ပုံသေစွမ်းဆောင်ရည်အဆင့်သို့ရောက်ရှိရန် လိုအပ်သောလေ့ကျင့်ရေးတွက်ချက်မှုသည် ပြီးခဲ့သည့်ဆယ်စုနှစ်အတွင်း တစ်နှစ်လျှင် ၃ ဆမှ ၆ဆခန့် ကျဆင်းသွားပြီး အနုမာနထိရောက်မှုမှာ တစ်နှစ်လျှင် 3 ဆခန့် တိုးတက်လာသည်။ တတိယ၊ ရင်းနှီးမြုပ်နှံမှု- AI ဟာ့ဒ်ဝဲအတွက် အသုံးစရိတ်သည် တစ်နှစ်လျှင် အကြမ်းဖျင်း 2.5 ဆ တိုးလာပြီး အကြီးဆုံး နယ်နိမိတ်ပြေးများ၏ လေ့ကျင့်ရေးတွက်ချက်မှုသည် တစ်နှစ်လျှင် 4 ဆ ပိုများလာသည်။

သုံးခုကို မြှောက်ပြီး ကမ္ဘာလုံးဆိုင်ရာ ထိရောက်သော တွက်ချက်မှုမှာ တစ်နှစ်လျှင် အနည်းဆုံး 10 ဆ တိုးလာနေသည် — "ဆယ်နှစ်အတွင်း 10 ဘီလီယံ၏ ကိန်းဂဏန်းတစ်ခု" ဟု ခန့်မှန်းထားသည်။ ဝယ်လိုအားဘက်တွင်၊ ဟာ့ဒ်ဝဲနှင့် ဆော့ဖ်ဝဲလ် စွမ်းဆောင်ရည်မြှင့်တင်မှုများသည် တစ်နှစ်လျှင် ပုံသေ AI အလုပ်တာဝန်ကို 4 ဆခန့်လုပ်ဆောင်ရန် လိုအပ်သော ကွန်ပျူတာကို ဖြတ်တောက်မည်ဖြစ်သည်။ Genewein ကပြောသည့်အတိုင်း အကျိုးဆက်အနေဖြင့် ယနေ့ခေတ် AI စနစ်များနှင့်လုပ်ဆောင်ရန် $1 ဘီလီယံတန်သော တွက်ချက်မှုဆိုင်ရာ အလုပ်တာဝန်သည် ဆယ်နှစ်အတွင်း အကြမ်းဖျင်းအားဖြင့် $1,000 ကုန်ကျမည်ဖြစ်သည်။

အဲဒါက တစ်ဦးတည်း ကောက်ချက်ချတာ မဟုတ်ပါဘူး။ စံသတ်မှတ်ထားသော အမှတ်များရရှိခြင်း၏ စားသုံးသူစျေးနှုန်းသည် 2023 ခုနှစ်မှစတင်၍ တစ်နှစ်လျှင် 13 ဆကျော် ကျဆင်းသွားကြောင်း မကြာသေးမီက Epoch လေ့လာမှုတစ်ခုတွင် ကိုးကားဖော်ပြထားသည်။ ၎င်းသည် AI အေးဂျင့်များ၏ ထိရောက်သောလူဦးရေသည် 2030 တွင် အဆတစ်ထောင်ကျော်နိုင်ပြီး ဆယ်နှစ်အတွင်း အဆတစ်ဘီလီယံကျော်အထိ ကျဆင်းသွားနိုင်ကြောင်းကိုလည်း ရည်ညွှန်းဖော်ပြပါသည်။ အယ်လဂိုရစ်သမ် ထိရောက်မှုအပေါ် မှန်းဆနိုင်သော မျက်နှာကျက်များ တည်ဆောက်ခြင်းနှင့် နောက်ထပ် မှန်းဆနိုင်သော မျက်နှာကျက်များက စွက်ဖက်နိုင်သည်။

AGI မှ ASI သို့ လမ်းကြောင်းလေးခု

စာစီစာကုံး၏ နှလုံးသားသည် ကြီးမားသောအတိုင်းအတာဖြင့် မလုပ်ဆောင်နိုင်သော စွမ်းရည်များကို ဖွင့်ထုတ်နိုင်သည့် နည်းပညာလမ်းကြောင်းလေးခု၏ စည်းမျဥ်းတစ်ခုဖြစ်သည် — Genewein ခြောက်သွေ့စွာ လေ့လာတွေ့ရှိထားသည့်အတိုင်း "အိုင်းစတိုင်းသည် ယေဘုယျနှိုင်းရကို တွက်ချက်နေချိန်တွင်၊ Ptolemaic နက္ခတ္တဗေဒပညာရှင် တစ်သိန်း၏ ကွန်ဖရင့်တွင် ဖြစ်နိုင်မည်မဟုတ်ပေ။"

မော်ဒယ်များနှင့် ဒေတာများကို ချဲ့ထွင်ခြင်း။ မော်ဒယ်၊ ဒေတာနှင့် စမ်းသပ်ချိန်-တွက်ချက်မှုစကေးတို့နှင့်အတူ စွမ်းဆောင်ရည်သည် သိသိသာသာ တိုးတက်ကောင်းမွန်လာသော်လည်း အက်ဆေးတွင် အရည်အသွေးမြင့် လေ့ကျင့်ရေးဒေတာ လိုအပ်ချက်ကြောင့် ၎င်းကို လူသားများ၏ ထုတ်လုပ်နိုင်စွမ်းထက် ကျော်လွန်၍ ဒေတာကုန်ခန်းမှု သုံးခုကို ဖော်ထုတ်ပေးပါသည်။ မော်ဒယ်ကြီးများသည် ကျိုးကြောင်းဆင်ခြင်မှု-အချိန်နည်းလမ်းများကို နှေးကွေးစေသော်လည်း မော်ဒယ်ကြီးများသည် ကိန်းဂဏန်းအဆင့်တစ်ခုစီတွင် ကိန်းဂဏန်းများကို ပေါင်းစပ်တွက်ချက်ရန် လိုအပ်သည့် မော်ဒယ်စကေးပေါ်တွင် ရလဒ်များ လျော့နည်းခြင်း၊ ဓာတ်အားပေးစက်ရုံများ၊ လျှပ်စစ်ဓာတ်အားလိုင်းများ၊ ချစ်ပ်ဆက်ပ်များနှင့် latency နည်းပါးသော အပြန်အလှန်ချိတ်ဆက်မှုများအပေါ် ရုပ်ပိုင်းဆိုင်ရာနှင့် စီးပွားရေးဆိုင်ရာ ကန့်သတ်ချက်များ။ နည်းပညာဆိုင်ရာ ပါရာဒိုင်း အပြောင်းအလဲများ။ ယနေ့ ပါရာဒိုင်း — နောက်တိုကင်ကို ခန့်မှန်းရန် ထရန်စဖော်မာများကို လေ့ကျင့်ပါ၊ ထို့နောက် စမ်းသပ်ချိန်တွက်ချက်မှုကို ပြုပြင်ပြီး ပေါင်းထည့်ပါ — မကြာမီက အချက်ပြမှုများမှတစ်ဆင့် ရှုပ်ထွေးသော အယ်လဂိုရီသမ်များကို လုပ်ဆောင်နိုင်စွမ်းရှိကြောင်း မူအရ ပြသထားသည်။ သို့သော် မော်ဒယ်များသည် စဉ်ဆက်မပြတ် သင်ယူမှု၊ ကမ္ဘာ့မော်ဒယ်လ်ပုံစံအချို့၊ ဆုံးဖြတ်ချက်ချခြင်း၊ နမူနာစွမ်းဆောင်ရည်နှင့် ရှိပြီးသားအရာများကို ပြန်လည်ပေါင်းစပ်ခြင်းထက် စစ်မှန်သောအသစ်သော အယူအဆများကို တီထွင်ခြင်းအတွက် လူသားများနှင့် ကင်းကွာနေဆဲဖြစ်သည်။ ယနေ့ခေတ် ပါရာဒိုင်း၏ တိုးချဲ့မှုများသည် အဆိုပါ ကွာဟချက်များကို ပိတ်နိုင်သလား သို့မဟုတ် ASI သည် ပိုမိုလေးနက်သော အရာတစ်ခု လိုအပ်ခြင်း ရှိမရှိအပေါ် သုတေသီများက ပိုင်းခြားထားသည်။ အေးဂျင့်ညှိနှိုင်းဆောင်ရွက်မှုကို တိုးတက်စေသည်။ လူသားကော်ပိုရေးရှင်းများ၊ စျေးကွက်များနှင့် သုတေသနအသိုင်းအဝိုင်းများသည် ပြဿနာများကို တစ်ဦးတစ်ယောက်မှ မဖြေရှင်းနိုင်ပါ။ အလားတူပင်၊ ထောင်နှင့်ချီသော AGI ဖြစ်ရပ်များကို "အုပ်စုအေးဂျင့်များ" သို့မဟုတ် virtual အေးဂျင့်စီးပွားရေးများအဖြစ် ပူးပေါင်းဆောင်ရွက်ခြင်းသည် စုပေါင်းထောက်လှမ်းရေးကို ဖြစ်ပေါ်စေနိုင်သည်။ အက်ဆေးသည် နယ်ပယ်တွင် "အများအပြားအေးဂျင့်စကေးချဲ့ခြင်းဥပဒေများ" လိုအပ်ကြောင်း စောဒကတက်သည် — အစောပိုင်းသုတေသနများသည် အချို့သောအလုပ်များအတွက် ရှင်းရှင်းလင်းလင်းအကျိုးအမြတ်များကိုတွေ့ရှိသော်လည်း လူဦးရေတိုးပွားလာသည်နှင့်အမျှ ညှိနှိုင်းဆောင်ရွက်မှုအားနည်းမှုများသည် လျော့နည်းလာကာ ရလဒ်များထွက်လာသည်။ ကြီးမားသောစုပေါင်းများကို ဦးဆောင်ရာတွင်လည်း သတင်းမှား၊ ခြယ်လှယ်မှုနှင့် လိမ်လည်မှုတို့ကို ခုခံကာကွယ်ခြင်း အပါအဝင် အဖွဲ့အစည်းဆိုင်ရာ ဒီဇိုင်းကိုလည်း လိုအပ်မည်ဖြစ်သည်။ swarm စမ်းသပ်မှုများသည် အေးဂျင့်များကို လိမ်လည်ရန် သင်ယူနေပြီး အခြားသူများကို သတင်းပေးသူများအဖြစ် လုပ်ဆောင်နေခြင်းကို ပြသနေပြီဖြစ်သည်။ Recursive self-improvement. I. J. Good နှင့် Ray Solomonoff တို့မှ ပထမအကြိမ် ဆွေးနွေးခဲ့ပြီး RSI သည် AI ၏ အနာဂတ်မျိုးဆက်များအတွက် အလိုအလျောက်တိုးတက်စေမည့် AI စနစ်များကို ဖော်ပြပါသည်။ ပုံမှန်နည်းပညာများနှင့်မတူဘဲ AI ၏တိုးတက်မှုများသည် နောက်ဆက်တွဲအကျိုးအမြတ်များကို တိုက်ရိုက်အရှိန်မြှင့်နိုင်သည် — သို့သော် သုတေသနတိုးတက်မှုသည် အချိန်ကြာလာသည်နှင့်အမျှ ရှာဖွေရန်ပိုမိုခက်ခဲလာပါသည်။ RSI သည် ထွက်ပြေးသွားသော အရှိန်ကို ထုတ်ပေးသည်ရှိမရှိ အက်ဆေးက "ကြီးမားသော လက်တွေ့ကျသော မေးခွန်းဖြစ်သည်" ဟုဆိုကာ ၎င်းသည် ကုဒ်နှင့် ဒီဇိုင်းများ— ဗိသုကာပညာများ၊ လေ့ကျင့်ရေး အယ်လဂိုရီသမ်များ၊ ချစ်ပ်အပြင်အဆင်များ — နှင့် ဒေတာမှတဆင့် လုပ်ဆောင်နိုင်သည်။

ဘာကြောင့် ဘောင်သွင်းဖို့ အရေးကြီးတာလဲ။

အက်ဆေးသည် အထူးတလည်ပြင်ဆင်မှုတစ်ခုဖြစ်သည်- AGI မှ ASI သို့ဖြစ်နိုင်သောလမ်းများကိုပုံဖော်ခြင်းနှင့် "တိုးတက်မှုကိုခြေရာခံရန် ခိုင်မာပြီး ယုံကြည်စိတ်ချရသောနည်းလမ်းများ" ကိုတည်ဆောက်ခြင်းသည် Genewein ၏ဘောင်တွင်၊ အသွင်ကူးပြောင်းမှုကိုအုပ်ချုပ်ရန်အတွက်မဖြစ်မနေလိုအပ်သည်။ ၎င်းသည် ပိုမိုရှည်လျားသော DeepMind Institute အစီရင်ခံစာ၊ "AGI မှ ASI သို့" ပါဝင်သည်။

ဧည့်ခံပွဲက ချက်ချင်းပဲ။ Unite.AI နှင့် BigGo Finance အပါအဝင် ကုန်သွယ်မှု စာနယ်ဇင်းများတွင် လမ်းကြောင်းလေးခု ခွဲခြားသတ်မှတ်မှုနှင့် အဆမီလီယံချီသော ကုန်ကျစရိတ် ခန့်မှန်းချက်တို့ကို မီးမောင်းထိုးပြခဲ့ပြီး အဆိုပါစာစီစာကုံးတွင် ထုတ်ဝေသည့် တစ်ရက်အတွင်း ဟက်ကာသတင်းတွင် အချက် 85 နှင့် မှတ်ချက် 160 ကျော် ရရှိခဲ့သည်။ ထောက်လှမ်းရေး၏ ကြိုတင်ခန့်မှန်းချက်များကို မည်ကဲ့သို့ပြုလုပ်သည်နှင့် ပတ်သက်၍ ကျယ်ပြန့်သောသံသယများကြားတွင် ရှိနေသည် — IEEE Spectrum သည် "AI Superintelligence Debate Has Serious Flaws" ဟူသောခေါင်းစဉ်ဖြင့် ယခုအပတ်တွင် ထုတ်ဝေခဲ့သည်။

အဲဒီ တင်းမာမှုက အချက်ပါပဲ။ DeepMind သည် နေ့စွဲတစ်ခုတွင် ASI ကို ခန့်မှန်းခြင်းမဟုတ်ပါ။ ယခု မြင်ကွင်းသည် အာကာသအား ပုံဖော်ခြင်း၊ တိုင်းတာခြင်း နှင့် vibes များထက် အထောက်အထားများဖြင့် အချေအတင် ဆွေးနွေးနိုင်ပြီဖြစ်သည်။ အဆပေါင်း ဘီလီယံနှင့်ချီသော အပိုထည့်ဝင်မှုများသည် ရုပ်ပိုင်းဆိုင်ရာမျက်နှာကျက်များကို ထိန်းထားနိုင်သည်ဖြစ်စေ အက်ဆေးသည် အပြောင်းအလဲတစ်ခုကို အမှတ်အသားပြုသည်- "AGI ပြီးနောက် အဘယ်အရာဖြစ်လာသနည်း။" ဒဿနိက နှီးနှောဖလှယ်ပွဲမှ ကမ္ဘာပေါ်ရှိ သြဇာအရှိဆုံး AI ဓာတ်ခွဲခန်းများထဲမှ တစ်ခု၏ သုတေသန အစီအစဉ်သို့ ပြောင်းရွှေ့ခဲ့သည်။

---

AI ၏ရှေ့တွင်နေရန်

နောက်ဆုံးပေါ် AI သတင်းများ၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အောင်မြင်မှုများ—အားလုံးကို တစ်နေရာတည်းတွင် ရယူပါ။

AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →