Исследовательский институт Google DeepMind опубликовал обширное эссе, в котором утверждается, что эпоха после создания искусственного интеллекта теперь заслуживает той же аналитической строгости, которая когда-то была предназначена для самого искусственного интеллекта. Статья «Что будет после AGI? От AGI до суперинтеллекта» была опубликована 19 ноября 2026 года Тимом Джиневейном, научным сотрудником Google DeepMind, на портале эссе DeepMind Institute. Его основное утверждение: по мере того, как формируются многочисленные технологические пути к общему искусственному сверхразуму, режим за пределами ОИИ «смещается от философских спекуляций к эмпирическим исследованиям и вопросам управления».
Эссе появилось в один из самых оживленных периодов новостей об исследованиях ИИ за последние несколько месяцев, и оно читается как преднамеренная попытка придать дебатам после ИИ конкретный технический словарь. Для тех, кто следит за последними разработками в области искусственного интеллекта, он предлагает самую ясную картину того, как одна из ведущих лабораторий мира определяет путь за пределы искусственного интеллекта человеческого уровня, включая прогноз затрат, который, если он окажется верным, изменит экономику когнитивной работы.
Что считается сверхинтеллектом
Genewein начинает с того, что помещает общий интеллект в континуум, где AGI человеческого уровня является лишь одной из точек на нем. ASI, по определению в эссе, — это передовая система, которая постоянно превосходит большие группы экспертов в решении задач, на выполнение которых у этих экспертов могут уйти годы, используя меньше ресурсов и меньше времени — например, сопоставление научных результатов всей области исследований за долю времени или достижение прогресса в проектировании чипов на уровне того, что крупная компания производит за год. Крайне важно, что эта планка должна соблюдаться практически во всех задачах, представляющих человеческий интерес, а не в узком круге.
В эссе отмечается, что узкое доминирование уже существует: сегодня системы искусственного интеллекта побеждают любого человека в шахматах и го, предсказывают структуры белков на основе аминокислотных последовательностей и доказали теоремы, которые десятилетиями сопротивлялись математикам. Что остается действительно неизведанным, так это огромная золотая середина между ИИ человеческого уровня и теоретическими пределами интеллекта. Показательная мысль Геневейна: идеальное решение шахмат потребует большей вычислительной мощности, чем существует на Земле, однако чип размером с миниатюру уже играет достаточно хорошо, чтобы победить любого человека.
Когнитивная индустриализация и сокращение издержек
Количественное ядро эссе представляет собой анализ «когнитивной индустриализации». Genewein умножает три тенденции начисления сложных процентов за последнее десятилетие. Во-первых, аппаратное обеспечение: в соответствии с законом Мура и связанными с ним тенденциями вычислительная мощность на доллар улучшалась примерно в 1,5 раза в год в течение шести десятилетий. Во-вторых, алгоритмическая эффективность: за последнее десятилетие объем обучающих вычислений, необходимых для достижения фиксированного уровня производительности, падал примерно в 3–6 раз в год, а эффективность вывода увеличивалась примерно в 3 раза в год. В-третьих, инвестиции: расходы на оборудование искусственного интеллекта растут примерно в 2,5 раза в год, а объем обучающих вычислений на крупнейших пограничных трассах растет более чем в 4 раза в год.
Умножьте это число на три, и в эссе будет подсчитано, что глобальные эффективные вычислительные мощности будут расти как минимум в 10 раз в год — «в 10 миллиардов раз за десять лет». Что касается спроса, то одно лишь повышение эффективности аппаратного и программного обеспечения позволит сократить вычислительные ресурсы, необходимые для выполнения фиксированной рабочей нагрузки ИИ, примерно в 4 раза в год. Следствием этого, по словам Геневейна, является то, что когнитивная нагрузка, стоимость которой составляет 1 миллиард долларов США в виде вычислительных токенов для работы с современными системами искусственного интеллекта, через десять лет будет стоить примерно 1000 долларов США.
Это не единственная экстраполяция. В эссе цитируется недавнее исследование Epoch, в котором показано, что потребительская цена достижения фиксированного балла по ряду тестов падала более чем в 13 раз в год с 2023 года. В нем также прогнозируется, что эффективная популяция агентов ИИ может увеличиться более чем в тысячу раз к 2030 году и более чем в миллиард раз в течение десяти лет - при этом осторожно отмечается, что это «определенно не является данностью», поскольку практические потолки наращивания вычислительных ресурсов и более спекулятивные потолки алгоритмической эффективности мог вмешаться.
Четыре пути от AGI к ASI
Сердцем эссе является таксономия четырех технологических путей, которые могли бы раскрыть возможности, недоступные простому масштабу, потому что, как сухо замечает Геневейн, «хотя Эйнштейн и разработал общую теорию относительности, конференция из ста тысяч астрономов-Птолемеев, вероятно, не смогла бы этого сделать».
Масштабирование моделей и данных. Возможности значительно улучшаются с увеличением масштаба моделей, данных и вычислений во время тестирования, но в эссе обозначены три узких места: истощение данных, поскольку спрос на высококачественные обучающие данные превосходит возможности человечества их производить; уменьшающаяся отдача от масштаба модели, где каждый линейный шаг в возможностях требует мультипликативных вычислений, в то время как более крупные модели замедляют методы рассуждения; а также физические и экономические ограничения на электростанции, электрические сети, заводы по производству микросхем и межсоединения с малой задержкой. Смена технологической парадигмы. Сегодняшняя парадигма — обучение преобразователей прогнозированию следующего токена, затем уточнение и добавление вычислений во время тестирования — недавно была продемонстрирована в принципе, что она способна запускать сложные алгоритмы с помощью подсказок. Тем не менее, модели по-прежнему отстают от людей в плане непрерывного обучения, определенных форм моделирования мира, принятия решений, эффективности выборки и изобретения действительно новых концепций, а не рекомбинации существующих. Мнения исследователей относительно того, сможет ли расширение сегодняшней парадигмы закрыть эти пробелы или ИСИ требует чего-то более глубокого. Улучшение координации агентов. Человеческие корпорации, рынки и исследовательские сообщества решают проблемы, которые не под силу ни одному отдельному человеку. Аналогичным образом, объединение тысяч или миллионов экземпляров ОИИ в «групповые агенты» или виртуальные агентские экономики может привести к созданию коллективного сверхразума. В эссе утверждается, что в этой области необходимы «многоагентные законы масштабирования» — ранние исследования обнаруживают явные преимущества в некоторых задачах, но неэффективность координации приводит к уменьшению отдачи по мере роста населения. Управление большими коллективами также потребует институционального дизайна, включая защиту от дезинформации, манипуляций и сговора; Массовые эксперименты уже показывают, что агенты учатся жульничать, а другие действуют как информаторы. Рекурсивное самосовершенствование. Впервые обсужденная И. Дж. Гудом и Рэем Соломоновым, RSI описывает системы искусственного интеллекта, автоматизирующие улучшения будущих поколений искусственного интеллекта. В отличие от типичных технологий, усовершенствования ИИ могут напрямую ускорить последующие достижения, но со временем прогресс в исследованиях, как правило, становится все труднее обнаружить. В эссе говорится, что RSI обеспечивает безудержное ускорение — это «во многом эмпирический вопрос», и он может работать через код и конструкции — архитектуры, алгоритмы обучения, компоновку микросхем — а также через данные.Почему кадр имеет значение
Это эссе явно является подготовительным аргументом: отображение возможных путей от AGI к ASI и создание «строгих и надежных способов отслеживания прогресса» являются, по мнению Геневейна, предпосылкой для управления переходом. Он сопровождает более длинный отчет Института DeepMind «От AGI к ASI».
Прием был незамедлительным. Эссе набрало 85 баллов и более 160 комментариев на Hacker News в течение дня после публикации, а отраслевая пресса, включая Unite.AI и BigGo Finance, подчеркнула таксономию четырех маршрутов и прогноз миллионного столкновения затрат. Это также происходит на фоне более широкого скептицизма по поводу того, как делаются прогнозы сверхинтеллекта — IEEE Spectrum опубликовал на этой неделе статью под названием «Дебаты по поводу суперинтеллекта искусственного интеллекта имеют серьезные недостатки».
В этом напряжении и есть суть. DeepMind не прогнозирует ASI на свидании; он утверждает, что пространство сценариев теперь можно картографировать, измерять и обсуждать с помощью доказательств, а не флюидов. Независимо от того, соответствуют ли миллиардные экстраполяции физическим потолкам или нет, эссе знаменует собой сдвиг: вопрос «что будет после ОИИ?» перешел из философского семинара в исследовательскую программу одной из самых влиятельных лабораторий искусственного интеллекта на Земле.
---
Будьте впереди ИИПолучайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.
Подробнее новости AI →