Het onderzoeksinstituut van Google DeepMind heeft een ingrijpend essay gepubliceerd waarin wordt betoogd dat het tijdperk na AGI nu dezelfde analytische nauwkeurigheid verdient die ooit aan AGI zelf was voorbehouden. Het stuk, "Wat komt er na AGI? Van AGI tot Superintelligence", werd op 19 november 2026 gepubliceerd door Tim Genewein, een onderzoekswetenschapper bij Google DeepMind, op het essayportaal van het DeepMind Institute. Zijn kernclaim: naarmate meerdere technologische routes naar kunstmatige algemene superintelligentie vorm krijgen, verschuift het regime buiten AGI "van filosofische speculatie naar empirisch onderzoek en bestuursvragen."

Het essay kwam terecht tijdens een van de drukste periodes van AI-onderzoeksnieuws in maanden, en het leest als een doelbewuste poging om het post-AGI-debat een concreet technisch vocabulaire te geven. Voor iedereen die de nieuwste AI-ontwikkelingen volgt, biedt het het duidelijkste beeld tot nu toe van hoe een van 's werelds toonaangevende laboratoria de weg uitstippelt die verder gaat dan AI op menselijk niveau – inclusief een kostenvoorspelling die, als deze klopt, de economie van cognitief werk zou transformeren.

Wat telt als superintelligentie

Genewein begint met het plaatsen van algemene intelligentie op een continuüm, met AGI op menselijk niveau als slechts één punt erlangs. ASI is, in de definitie van het essay, een geavanceerd systeem dat consistent beter presteert dan grote groepen menselijke experts bij taken die deze experts jaren kunnen kosten, met minder middelen en minder tijd – bijvoorbeeld het matchen van de wetenschappelijke output van een heel onderzoeksveld in een fractie van de tijd, of het bereiken van vooruitgang op het gebied van chipontwerp die vergelijkbaar is met wat een groot bedrijf in een jaar produceert. Cruciaal is dat aan de lat moet worden voldaan voor vrijwel alle taken van menselijk belang, en niet voor een klein deel ervan.

Er bestaat al een beperkte dominantie, zo merkt het essay op: AI-systemen verslaan tegenwoordig ieder mens met schaken en go, voorspellen eiwitstructuren op basis van aminozuursequenties en hebben bewezen stellingen die wiskundigen tientallen jaren hebben weerstaan. Wat werkelijk onbekend blijft, is de enorme middenweg tussen AI op menselijk niveau en de theoretische grenzen van intelligentie. Het illustratieve punt van Genewein: het perfect oplossen van schaken zou meer rekenkracht vergen dan er op aarde bestaat, maar toch speelt een chip ter grootte van een miniatuur al goed genoeg om ieder mens te verslaan.

Cognitieve industrialisatie en instortende kosten

De kwantitatieve kern van het essay is een analyse van 'cognitieve industrialisatie'. Genewein vermenigvuldigt drie samengestelde trends van de afgelopen tien jaar. Ten eerste de hardware: de rekenkracht per dollar is gedurende zes decennia ruwweg 1,5x per jaar verbeterd onder de wet van Moore en aanverwante trends. Ten tweede, algoritmische efficiëntie: de trainingscomputer die nodig is om een ​​vast prestatieniveau te bereiken is de afgelopen tien jaar ongeveer 3 tot 6 keer per jaar gedaald, terwijl de inferentie-efficiëntie ongeveer 3 keer per jaar is verbeterd. Ten derde de investeringen: de uitgaven aan AI-hardware zijn ongeveer 2,5 keer per jaar gegroeid, en de trainingscomputer van de grootste grensreeksen groeit met meer dan 4 keer per jaar.

Vermenigvuldig deze drie en het essay schat dat de mondiale effectieve computercapaciteit minstens tien keer per jaar groeit – “een factor van tien miljard in tien jaar tijd.” Aan de vraagzijde zouden verbeteringen in de hardware- en software-efficiëntie alleen al de rekenkracht die nodig is om een ​​vaste AI-werklast ongeveer vier keer per jaar uit te voeren, kunnen verminderen. Het gevolg, zoals Genewein het stelt: een cognitieve werklast die 1 miljard dollar aan rekentokens kost om met de huidige AI-systemen te kunnen presteren, zou over tien jaar grofweg 1.000 dollar kosten.

Dat is geen eenzame extrapolatie. Het essay citeert een recente Epoch-studie waaruit blijkt dat de consumentenprijs voor het behalen van een vaste score op een reeks benchmarks sinds 2023 met meer dan 13x per jaar is gedaald. Het projecteert ook dat de effectieve populatie van AI-agenten tegen 2030 meer dan duizendvoudig zou kunnen opschalen, en binnen tien jaar meer dan een miljardvoudig – terwijl er zorgvuldig wordt aangegeven dat dit “zeker geen vanzelfsprekendheid” is, aangezien praktische plafonds voor de uitbouw van computers en meer speculatieve plafonds voor algoritmische efficiëntie zou kunnen ingrijpen.

De vier trajecten van AGI naar ASI

De kern van het essay is een taxonomie van vier technologische trajecten die mogelijkheden kunnen ontsluiten die op grote schaal niet mogelijk zijn – omdat, zoals Genewein droogjes opmerkt, ‘terwijl Einstein de algemene relativiteitstheorie had ontdekt, een conferentie van honderdduizend Ptolemeïsche astronomen dat waarschijnlijk niet zou hebben gedaan.’

Schaalmodellen en data. De mogelijkheden zijn opmerkelijk consistent verbeterd met de schaal van modellen, data en test-time-compute, maar het essay identificeert drie knelpunten: uitputting van data, omdat de vraag naar trainingsdata van hoge kwaliteit groter is dan het vermogen van de mensheid om deze te produceren; afnemende opbrengsten op modelschaal, waarbij elke lineaire stap in capaciteit multiplicatieve rekenkracht vereist, terwijl grotere modellen de redeneertijdmethoden vertragen; en fysieke en economische beperkingen op energiecentrales, elektriciteitsnetwerken, chipfabrieken en verbindingen met lage latentie. Technologische paradigmaverschuivingen. Het huidige paradigma – transformatoren trainen om het volgende token te voorspellen, vervolgens testtijdcomputing verfijnen en toevoegen – is onlangs in principe in staat gebleken om complexe algoritmen via aanwijzingen uit te voeren. Toch schieten modellen nog steeds tekort bij mensen als het gaat om voortdurend leren, bepaalde vormen van wereldmodellering, besluitvorming, steekproefefficiëntie en de uitvinding van werkelijk nieuwe concepten in plaats van recombinatie van bestaande. Onderzoekers zijn verdeeld over de vraag of uitbreidingen van het huidige paradigma deze hiaten kunnen dichten of dat KSI iets diepers vereist. Verbetering van de coördinatie van agenten. Menselijke bedrijven, markten en onderzoeksgemeenschappen lossen problemen op die geen enkel individu kan oplossen. Op dezelfde manier zou het coördineren van duizenden of miljoenen AGI-instanties in ‘groepsagenten’ of virtuele agenteconomieën collectieve superintelligentie kunnen opleveren. Het essay stelt dat het veld ‘multi-agent schalingswetten’ nodig heeft – vroeg onderzoek laat duidelijke winst zien bij sommige taken, maar coördinatie-inefficiënties zorgen voor afnemende opbrengsten naarmate de bevolking groeit. Voor het aansturen van grote collectieven zal ook een institutioneel ontwerp nodig zijn, inclusief verdediging tegen desinformatie, manipulatie en samenzwering; Uit zwermexperimenten blijkt al dat agenten leren vals te spelen en dat anderen als klokkenluiders optreden. Recursieve zelfverbetering. RSI, voor het eerst besproken door I. J. Good en Ray Solomonoff, beschrijft AI-systemen die verbeteringen aan toekomstige generaties AI automatiseren. In tegenstelling tot typische technologieën kunnen verbeteringen aan AI de daaropvolgende winsten direct versnellen, maar onderzoeksvooruitgang wordt in de loop van de tijd ook moeilijker te vinden. Of RSI een op hol geslagen versnelling produceert, zegt het essay, is 'grotendeels een empirische vraag', en kan werken via code en ontwerpen (architecturen, trainingsalgoritmen, chiplay-outs) maar ook via data.

Waarom de framing ertoe doet

Het essay is expliciet een voorbereidingsargument: het in kaart brengen van de mogelijke wegen van AGI naar KSI en het bouwen van 'rigoureuze, betrouwbare manieren om de voortgang te volgen' is, in de opvatting van Genewein, de voorwaarde voor het besturen van de transitie. Het begeleidt een langer rapport van het DeepMind Institute, "From AGI to ASI."

De ontvangst was onmiddellijk. Het essay kreeg binnen een dag na publicatie 85 punten en meer dan 160 reacties op Hacker News, terwijl vakpers, waaronder Unite.AI en BigGo Finance, de taxonomie van de vier routes en de voorspelling van een miljoenvoudige kostenbotsing benadrukten. Het komt ook terecht in een bredere scepsis over de manier waarop superintelligentievoorspellingen worden gedaan: IEEE Spectrum publiceerde deze week een stuk met de titel "Het AI-superintelligentiedebat heeft ernstige gebreken."

Die spanning is het punt. DeepMind voorspelt geen ASI op een datum; het betoogt dat de scenarioruimte nu in kaart kan worden gebracht, gemeten en besproken met bewijsmateriaal in plaats van met vibraties. Of de miljardvoudige extrapolaties nu standhouden of breken met fysieke plafonds, het essay markeert een verschuiving: de vraag "wat komt er na AGI?" is van het filosofieseminar naar de onderzoeksagenda van een van de meest invloedrijke AI-laboratoria op aarde gegaan.

---

Blijf AI een stap voor

Ontvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.

Lees meer AI-nieuws →