Institutul de cercetare Google DeepMind a publicat un eseu amplu în care susține că epoca de după AGI merită acum aceeași rigoare analitică pe care o rezervase cândva AGI însuși. Piesa, „Ce vine după AGI? De la AGI la Superintelligence”, a fost publicată pe 19 noiembrie 2026 de Tim Genewein, cercetător la Google DeepMind, pe portalul de eseuri al Institutului DeepMind. Afirmația sa de bază: pe măsură ce multiplele rute tehnologice către superinteligența generală artificială iau contur, regimul dincolo de AGI „se trece de la speculații filozofice la cercetări empirice și întrebări de guvernare”.

Eseul a aterizat în timpul uneia dintre cele mai aglomerate perioade de știri ale cercetării AI în ultimele luni și se citește ca o încercare deliberată de a oferi dezbaterii post-AGI un vocabular tehnic concret. Pentru oricine urmărește cele mai recente evoluții AI, oferă cea mai clară imagine de până acum a modului în care unul dintre laboratoarele de top din lume încadrează drumul dincolo de AI la nivel uman – inclusiv o prognoză a costurilor care, dacă este corectă, ar transforma economia muncii cognitive.

Ce contează ca Superinteligență

Genewein începe prin a plasa inteligența generală pe un continuum, cu AGI la nivel uman ca doar un punct de-a lungul ei. ASI, în definiția eseului, este un sistem avansat care depășește în mod constant grupuri mari de experți umani în sarcini care ar putea dura acelor experți ani pentru a le îndeplini, folosind mai puține resurse și mai puțin timp - de exemplu, potrivirea producției științifice a unui întreg domeniu de cercetare într-o fracțiune de timp sau realizarea unui progres în proiectarea cipului la egalitate cu ceea ce produce o companie mare într-un an. În mod esențial, bara trebuie îndeplinită pentru aproape toate sarcinile de interes uman, nu pentru o bucată îngustă.

Dominanța îngustă, notează eseul, există deja: sistemele AI înving astăzi orice om la șah și Go, prezic structurile proteinelor din secvențele de aminoacizi și au dovedit teoreme care au rezistat matematicienilor timp de decenii. Ceea ce rămâne cu adevărat neexplorat este calea de mijloc vastă dintre IA la nivel uman și limitele teoretice ale inteligenței. Ideea ilustrativă a lui Genewein: rezolvarea perfectă a șahului ar necesita mai multă putere de calcul decât există pe Pământ, dar un cip de dimensiunea unei miniaturi funcționează deja suficient de bine pentru a învinge orice om.

Industrializarea cognitivă și scăderea costurilor

Miezul cantitativ al eseului este o analiză a „industrializării cognitive”. Genewein multiplică trei tendințe de combinare din ultimul deceniu. În primul rând, hardware: calculul per dolar s-a îmbunătățit de aproximativ 1,5 ori pe an timp de șase decenii în conformitate cu legea lui Moore și tendințele conexe. În al doilea rând, eficiența algoritmică: calculul de antrenament necesar pentru a atinge un nivel de performanță fix a scăzut de aproximativ 3-6 ori pe an în ultimul deceniu, eficiența inferenței îmbunătățindu-se de aproximativ 3 ori pe an. În al treilea rând, investiția: cheltuielile pentru hardware-ul AI au crescut de aproximativ 2,5 ori pe an, iar calculul de antrenament al celor mai mari curse de frontieră crește de peste 4 ori pe an.

Înmulțiți cele trei, iar eseul estimează că calculul eficient global crește de cel puțin 10 ori pe an - „un factor de 10 miliarde în zece ani”. În ceea ce privește cererea, numai îmbunătățirile de eficiență hardware și software ar reduce calcularea necesară pentru a rula un volum de lucru fix de AI de aproximativ 4 ori pe an. Consecința, așa cum spune Genewein: o sarcină de lucru cognitivă care costă 1 miliard de dolari în jetoane de calcul pentru a fi realizate cu sistemele AI de astăzi ar costa aproximativ 1.000 de dolari în zece ani.

Aceasta nu este o extrapolare singură. Eseul citează un studiu recent de Epoch care constată că prețul de consum pentru obținerea unui scor fix pe un set de valori de referință a scăzut de peste 13 ori pe an din 2023. De asemenea, proiectează că populația efectivă de agenți de inteligență artificială ar putea crește de peste o mie de ori până în 2030 și de peste un miliard de ori în decurs de zece ani - în timp ce acest lucru nu este stabilit cu atenție, deoarece acest lucru nu este stabilit practic. ar putea interveni construirea de calcul și plafoane mai speculative privind eficiența algoritmică.

Cele patru căi de la AGI la ASI

Miezul eseului este o taxonomie a patru căi tehnologice care ar putea debloca capabilități pe care scara mare nu le poate face - pentru că, așa cum observă sec Genewein, „în timp ce Einstein și-a dat seama de relativitatea generală, o conferință de o sută de mii de astronomi ptolemeici probabil nu ar avea-o”.

Scalarea modelelor și a datelor. Capacitatea s-a îmbunătățit remarcabil în concordanță cu modelul, datele și scara de testare-timp-calculare, dar eseul identifică trei blocaje: epuizarea datelor, deoarece cererea de date de instruire de înaltă calitate depășește capacitatea umanității de a le produce; randamente descrescătoare la scara modelului, în care fiecare pas liniar al capacității necesită calcul multiplicativ, în timp ce modelele mai mari încetinesc metodele de raționament; și limitele fizice și economice ale centralelor electrice, rețelelor electrice, fabricilor de cipuri și interconexiunilor cu latență scăzută. Schimbări de paradigmă tehnologică. Paradigma de astăzi – antrenează transformatoare pentru a prezice următorul simbol, apoi rafina și adaugă calcularea timpului de testare – s-a dovedit recent, în principiu, capabilă să ruleze algoritmi complexi prin prompturi. Cu toate acestea, modelele sunt încă insuficiente pentru oameni în ceea ce privește învățarea continuă, anumite forme de modelare a lumii, luarea deciziilor, eficiența eșantionului și invenția de concepte cu adevărat noi, mai degrabă decât recombinarea celor existente. Cercetătorii sunt împărțiți dacă extensiile paradigmei de astăzi pot închide acele lacune sau dacă ASI necesită ceva mai profund. Îmbunătățirea coordonării agenților. Corporațiile umane, piețele și comunitățile de cercetare rezolvă problemele pe care niciun individ nu le-ar putea rezolva. În mod similar, coordonarea a mii sau milioane de instanțe AGI în „agenți de grup” sau economii de agenți virtuali ar putea produce superintelligence colectivă. Eseul susține că domeniul are nevoie de „legi de scalare a mai multor agenți” – cercetările timpurii găsesc câștiguri clare în anumite sarcini, dar ineficiențele de coordonare produc profituri descrescătoare pe măsură ce populația crește. Conducerea unor colective mari va necesita, de asemenea, un design instituțional, inclusiv apărare împotriva dezinformării, manipulării și coluziei; Experimentele roi arată deja agenți care învață să înșele și alții acționând ca avertizori. Auto-îmbunătățirea recursive. Discutată pentru prima dată de I. J. Good și Ray Solomonoff, RSI descrie sistemele AI care automatizează îmbunătățirile aduse generațiilor viitoare de AI. Spre deosebire de tehnologiile obișnuite, îmbunătățirile aduse AI pot accelera direct câștigurile ulterioare – dar progresul cercetării tinde, de asemenea, să devină mai greu de găsit în timp. Dacă RSI produce o accelerație fulgerătoare, spune eseul, este „în mare măsură o întrebare empirică” și poate opera prin cod și design - arhitecturi, algoritmi de antrenament, layout-uri de cipuri - precum și prin date.

De ce contează încadrarea

Eseul este în mod explicit un argument de pregătire: cartografierea drumurilor posibile de la AGI la ASI și construirea „căilor riguroase și fiabile de a urmări progresul” este, în cadrul lui Genewein, condiția prealabilă pentru guvernarea tranziției. Acesta însoțește un raport mai lung al DeepMind Institute, „De la AGI la ASI”.

Primirea a fost imediată. Eseul a atras 85 de puncte și peste 160 de comentarii la Hacker News într-o zi de la publicare, în timp ce presa comercială, inclusiv Unite.AI și BigGo Finance, au evidențiat taxonomia celor patru rute și prognoza de coliziune a costurilor de un milion de ori. De asemenea, aterizează pe fondul scepticismului mai larg cu privire la modul în care sunt făcute prognozele de superintelligence - IEEE Spectrum a publicat un articol în această săptămână intitulat „Dezbaterea AI Superintelligence are serioase defecte”.

Acea tensiune este ideea. DeepMind nu prezice ASI la o dată; susține că spațiul scenariului poate fi acum mapat, măsurat și dezbătut cu dovezi, mai degrabă decât cu vibrații. Indiferent dacă extrapolările de miliarde de ori se mențin sau se sparg împotriva plafoanelor fizice, eseul marchează o schimbare: întrebarea „ce vine după AGI?” a trecut de la seminarul de filosofie la agenda de cercetare a unuia dintre cele mai influente laboratoare de inteligență artificială de pe Pământ.

---

Rămâneți înaintea AI

Obțineți cele mai recente știri, analize și descoperiri despre AI - toate într-un singur loc.

Citiți mai multe știri AI →