Instytut badawczy Google DeepMind opublikował obszerny esej, w którym argumentuje, że era po AGI zasługuje obecnie na taki sam rygor analityczny, jaki kiedyś był zarezerwowany dla samego AGI. Artykuł „Co przychodzi po AGI? Od AGI do superinteligencji” został opublikowany 19 listopada 2026 r. przez Tima Geneweina, naukowca z Google DeepMind, na portalu esejów DeepMind Institute. Jego główne twierdzenie: w miarę jak kształtują się liczne ścieżki technologiczne prowadzące do sztucznej ogólnej superinteligencji, reżim poza AGI „przechodzi od spekulacji filozoficznych do badań empirycznych i kwestii zarządzania”.
Esej ukazał się w jednym z najgłośniejszych okresów w doniesieniach o badaniach nad sztuczną inteligencją od miesięcy i można go odczytać jako celową próbę nadania debacie po AGI konkretnego, technicznego słownictwa. Każdemu, kto śledzi najnowsze osiągnięcia sztucznej inteligencji, oferuje najjaśniejszy jak dotąd obraz tego, jak jedno z wiodących laboratoriów na świecie wyznacza drogę poza sztuczną inteligencję na poziomie ludzkim – w tym prognozę kosztów, która, jeśli jest prawidłowa, zmieni ekonomikę pracy poznawczej.
Co liczy się jako superinteligencja
Genewein zaczyna od umieszczenia ogólnej inteligencji na kontinuum, a AGI na poziomie ludzkim jest tylko jednym punktem. ASI, zgodnie z definicją zawartą w eseju, to zaawansowany system, który stale przewyższa duże grupy ekspertów w zadaniach, których wykonanie mogłoby zająć tym ekspertom lata, przy mniejszym zużyciu zasobów i czasie — na przykład dopasowując dorobek naukowy całej dziedziny badawczej w ułamku czasu lub osiągając postęp w projektowaniu chipów na poziomie porównywalnym z tym, co duża firma produkuje w ciągu roku. Co najważniejsze, poprzeczka musi zostać spełniona w przypadku praktycznie wszystkich zadań będących przedmiotem zainteresowania człowieka, a nie wąskiego wycinka.
W eseju zauważa się, że wąska dominacja już istnieje: dzisiejsze systemy sztucznej inteligencji pokonują każdego człowieka w szachach i w Go, przewidują struktury białek na podstawie sekwencji aminokwasów i udowadniają twierdzenia, które przez dziesięciolecia opierały się matematykom. To, co pozostaje naprawdę niezbadane, to rozległy środek pomiędzy sztuczną inteligencją na poziomie ludzkim a teoretycznymi granicami inteligencji. Ilustrujący punkt Geneweina: doskonałe rozwiązanie szachów wymagałoby większej mocy obliczeniowej niż istnieje na Ziemi, a mimo to chip wielkości miniatury gra już wystarczająco dobrze, aby pokonać każdego człowieka.
Uprzemysłowienie poznawcze i upadek kosztów
Ilościowy rdzeń eseju stanowi analiza „uprzemysłowienia poznawczego”. Genewein powiela trzy złożone trendy z ostatniej dekady. Po pierwsze, sprzęt: liczba obliczeń na dolara poprawiała się mniej więcej 1,5 raza rocznie przez sześć dekad zgodnie z prawem Moore'a i powiązanymi trendami. Po drugie, wydajność algorytmiczna: moc obliczeniowa szkolenia potrzebna do osiągnięcia stałego poziomu wydajności spadała w przybliżeniu 3-6 razy w ciągu ostatniej dekady, przy czym wydajność wnioskowania poprawiała się około 3 razy w roku. Po trzecie, inwestycje: wydatki na sprzęt AI rosną około 2,5 razy rocznie, a moc obliczeniowa szkoleń w największych seriach pionierskich rośnie ponad 4 razy rocznie.
Pomnóż tę liczbę, a w eseju szacuje się, że globalna efektywna moc obliczeniowa rośnie co najmniej 10 razy w roku – „współczynnik 10 miliardów w ciągu dziesięciu lat”. Po stronie popytu same ulepszenia wydajności sprzętu i oprogramowania zmniejszyłyby moc obliczeniową potrzebną do obsługi stałego obciążenia AI około 4 razy w roku. Konsekwencja, jak to ujął Genewein: obciążenie poznawcze, które kosztuje 1 miliard dolarów w tokenach obliczeniowych do wykonania w dzisiejszych systemach sztucznej inteligencji, będzie kosztować około 1000 dolarów w ciągu dziesięciu lat.
To nie jest samotna ekstrapolacja. W eseju przytacza się niedawne badanie Epoch, w którym stwierdzono, że cena dla konsumentów za osiągnięcie stałego wyniku w zestawie wskaźników spada od 2023 r. ponad 13 razy rocznie. Przewiduje się również, że efektywna populacja agentów sztucznej inteligencji może wzrosnąć ponad tysiąckrotnie do 2030 r. i ponad miliard razy w ciągu dziesięciu lat – jednocześnie starannie zaznaczając, że „z pewnością nie jest to pewne”, ponieważ praktyczne pułapy rozbudowy obliczeniowej i bardziej spekulacyjne pułapy wydajności algorytmicznej mogą interweniować.
Cztery ścieżki od AGI do ASI
Sercem eseju jest taksonomia czterech ścieżek technologicznych, które mogą odblokować możliwości, których nie jest w stanie zapewnić sama skala — ponieważ, jak sucho zauważa Genewein, „chociaż Einstein odkrył ogólną teorię względności, konferencja zrzeszająca sto tysięcy astronomów ptolemejskich prawdopodobnie by się nie odbyła”.
Skalowanie modeli i danych. Możliwości uległy znacznej poprawie wraz z modelem, danymi i skalą obliczeniową w czasie testów, ale w eseju wskazano trzy wąskie gardła: wyczerpanie danych, ponieważ zapotrzebowanie na wysokiej jakości dane szkoleniowe przewyższa zdolność ludzkości do ich wytworzenia; malejące zyski w skali modelu, gdzie każdy liniowy krok w zakresie możliwości wymaga obliczeń multiplikatywnych, podczas gdy większe modele spowalniają metody wnioskowania; oraz ograniczenia fizyczne i ekonomiczne dotyczące elektrowni, sieci elektrycznych, fabryk chipów i połączeń wzajemnych o niskim opóźnieniu. Zmiany paradygmatu technologicznego. Dzisiejszy paradygmat — pociąg transformatorów do przewidywania następnego tokenu, a następnie udoskonalania i dodawania obliczeń w czasie testu — został niedawno wykazany, że zasadniczo umożliwia uruchamianie złożonych algorytmów za pomocą podpowiedzi. Jednak modele w dalszym ciągu nie dorównują ludziom w zakresie ciągłego uczenia się, pewnych form modelowania świata, podejmowania decyzji, wydajności próbek i tworzenia naprawdę nowych koncepcji, a nie rekombinacji istniejących. Badacze są podzieleni co do tego, czy rozszerzenie dzisiejszego paradygmatu może wypełnić te luki, czy też ASI wymaga czegoś głębszego. Poprawa koordynacji agentów. Korporacje ludzkie, rynki i społeczności badawcze rozwiązują problemy, których nie byłaby w stanie rozwiązać żadna jednostka. Podobnie koordynacja tysięcy lub milionów instancji AGI w „agentów grupowych” lub ekonomię agentów wirtualnych mogłaby wytworzyć zbiorową superinteligencję. W eseju dowodzi się, że w tej dziedzinie potrzebne są „prawa skalowania wieloagentowego” — wczesne badania wykazały wyraźne korzyści w przypadku niektórych zadań, ale nieefektywność koordynacji powoduje zmniejszenie zysków w miarę wzrostu populacji. Sterowanie dużymi kolektywami będzie również wymagało konstrukcji instytucjonalnej, obejmującej mechanizmy obronne przed dezinformacją, manipulacją i zmową; Eksperymenty z rojem już pokazują, że agenci uczą się oszukiwać, a inne osoby działają jako sygnaliści. Rekurencyjne samodoskonalenie. RSI omówione po raz pierwszy przez I. J. Gooda i Raya Solomonoffa opisuje systemy sztucznej inteligencji automatyzujące ulepszenia przyszłych generacji sztucznej inteligencji. W przeciwieństwie do typowych technologii ulepszenia sztucznej inteligencji mogą bezpośrednio przyspieszyć późniejsze osiągnięcia, ale postęp w badaniach również z biegiem czasu staje się coraz trudniejszy do znalezienia. W eseju czytamy, że to, czy RSI powoduje niekontrolowane przyspieszenie, jest „w dużej mierze kwestią empiryczną” i może działać za pomocą kodu i projektów – architektur, algorytmów szkoleniowych, układów chipów – a także danych.Dlaczego kadrowanie ma znaczenie
Esej jest wyraźnie argumentem przygotowawczym: wytyczenie możliwych dróg od AGI do ASI i zbudowanie „rygorystycznych, niezawodnych sposobów śledzenia postępu” jest, w ujęciu Geneweina, warunkiem wstępnym zarządzania transformacją. Towarzyszy dłuższemu raportowi DeepMind Institute „Od AGI do ASI”.
Odbiór był natychmiastowy. Esej zebrał 85 punktów i ponad 160 komentarzy w serwisie Hacker News w ciągu jednego dnia od publikacji, a prasa branżowa, w tym Unite.AI i BigGo Finance, podkreśliła taksonomię czterech tras i milionkrotną prognozę kolizji kosztów. Pojawia się to także w kontekście szerszego sceptycyzmu co do sposobu tworzenia prognoz superinteligencji — IEEE Spectrum opublikowało w tym tygodniu artykuł zatytułowany „Debata na temat superinteligencji AI ma poważne wady”.
O to napięcie chodzi. DeepMind nie przewiduje ASI na randce; argumentuje, że przestrzeń scenariusza można teraz mapować, mierzyć i omawiać na podstawie dowodów, a nie wibracji. Niezależnie od tego, czy miliardowe ekstrapolacje utrzymają się, czy przełamią fizyczne pułapy, esej wyznacza zmianę: pytanie „co nastąpi po AGI?” przeszło z seminarium filozoficznego do programu badawczego jednego z najbardziej wpływowych laboratoriów AI na Ziemi.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →