Google DeepMinds forskningsinstitut har publicerat en svepande uppsats som hävdar att eran efter AGI nu förtjänar samma analytiska noggrannhet som fältet en gång reserverat för AGI själv. Stycket, "Vad kommer efter AGI? Från AGI till Superintelligens," publicerades den 19 november 2026 av Tim Genewein, en forskare vid Google DeepMind, på DeepMind Institutes uppsatsportal. Dess kärnanspråk: när flera tekniska vägar mot artificiell allmän superintelligens tar form, skiftar regimen bortom AGI "från filosofisk spekulation till empirisk forskning och förvaltningsfrågor."

Uppsatsen landade under en av de mest hektiska delarna av AI-forskningsnyheter på månader, och den läses som ett medvetet försök att ge debatten efter AGI en konkret teknisk vokabulär. För alla som följer den senaste AI-utvecklingen ger den den tydligaste bilden hittills av hur ett av världens ledande labb ramar in vägen bortom AI på mänsklig nivå – inklusive en kostnadsprognos som, om den stämmer, skulle förändra ekonomin i kognitivt arbete.

Vad som räknas som superintelligens

Genewein börjar med att placera allmän intelligens på ett kontinuum, med AGI på mänsklig nivå som bara en punkt längs den. ASI, i uppsatsens definition, är ett avancerat system som konsekvent överträffar stora grupper av mänskliga experter på uppgifter som kan ta dessa experter år att slutföra, med färre resurser och mindre tid – till exempel matcha den vetenskapliga produktionen från ett helt forskningsfält på en bråkdel av tiden, eller uppnå framsteg i chipdesign i nivå med vad ett stort företag producerar under ett år. Avgörande är att ribban måste uppfyllas över praktiskt taget alla uppgifter av mänskligt intresse, inte en smal del.

Snäv dominans, konstaterar uppsatsen, existerar redan: AI-system slår idag vilken människa som helst i schack och Go, förutsäger proteinstrukturer från aminosyrasekvenser och har bevisade satser som stått emot matematiker i årtionden. Det som är verkligt okänt är den stora mellanvägen mellan AI på mänsklig nivå och de teoretiska gränserna för intelligens. Geneweins illustrativa poäng: att lösa schack perfekt skulle kräva mer datorkraft än vad som finns på jorden, men ett chip i miniatyrstorlek spelar redan tillräckligt bra för att besegra alla människor.

Kognitiv industrialisering och kollapsande kostnader

Uppsatsens kvantitativa kärna är en analys av "kognitiv industrialisering". Genewein multiplicerar tre sammansatta trender från det senaste decenniet. För det första, hårdvara: beräkning per dollar har förbättrats ungefär 1,5 gånger per år under sex decennier enligt Moores lag och relaterade trender. För det andra, algoritmisk effektivitet: träningsberäkningen som behövs för att nå en fast prestationsnivå har sjunkit ungefär 3-6 gånger per år under det senaste decenniet, med slutledningseffektiviteten som har förbättrats ungefär 3 gånger per år. För det tredje, investeringar: utgifterna för AI-hårdvara har vuxit ungefär 2,5 gånger per år, och utbildningsberäkningen för de största gränsloppen växer med mer än 4 gånger per år.

Multiplicera de tre, och uppsatsen uppskattar att den globala effektiva beräkningen växer minst 10 gånger per år - "en faktor på 10 miljarder under tio år." På efterfrågesidan skulle enbart förbättringar av maskin- och mjukvarueffektiviteten minska beräkningen som behövs för att köra en fast AI-arbetsbelastning cirka 4 gånger per år. Konsekvensen, som Genewein uttrycker det: en kognitiv arbetsbelastning som kostar 1 miljard dollar i datortokens att utföra med dagens AI-system skulle kosta ungefär 1 000 dollar på tio år.

Det är inte en ensam extrapolering. Uppsatsen citerar en nyligen genomförd Epoch-studie som fann att konsumentpriset för att uppnå ett fast betyg på en uppsättning riktmärken har sjunkit med mer än 13 gånger per år sedan 2023. Den projicerar också att den effektiva populationen av AI-agenter skulle kunna skala mer än tusen gånger till 2030, och mer än en miljard gånger inom tio år, eftersom det praktiskt taget inte ges ett tak, samtidigt som man noggrant räknar ut det här taket. utbyggnad och mer spekulativa tak för algoritmisk effektivitet skulle kunna ingripa.

De fyra vägarna från AGI till ASI

Hjärtat i uppsatsen är en taxonomi av fyra tekniska vägar som skulle kunna låsa upp förmågor som ren skala inte kan - för, som Genewein torrt observerar, "medan Einstein tog reda på allmän relativitet, skulle en konferens med hundra tusen ptolemaiska astronomer förmodligen inte ha."

Skala modeller och data. Förmågan har förbättrats anmärkningsvärt konsekvent med modell, data och test-tid-beräkna skala, men uppsatsen identifierar tre flaskhalsar: datautmattning, eftersom efterfrågan på utbildningsdata av hög kvalitet överträffar mänsklighetens förmåga att producera den; minskande avkastning på modellskala, där varje linjärt steg i förmåga kräver multiplikativ beräkning medan större modeller saktar ner resonemangstidmetoder; och fysiska och ekonomiska begränsningar för kraftverk, elnät, chipfabriker och sammankopplingar med låg latens. Teknologiska paradigmskiften. Dagens paradigm – träna transformatorer att förutsäga nästa token, sedan förfina och lägga till test-tidsberäkning – har nyligen visat sig i princip kunna köra komplexa algoritmer genom prompter. Ändå saknar modeller fortfarande människor när det gäller kontinuerligt lärande, vissa former av världsmodellering, beslutsfattande, proveffektivitet och uppfinnandet av genuint nya koncept snarare än rekombination av befintliga. Forskarna är delade om huruvida förlängningar av dagens paradigm kan täppa till dessa luckor eller om ASI kräver något djupare. Förbättrad agentkoordination. Mänskliga företag, marknader och forskningsgemenskaper löser problem som ingen individ skulle kunna. På liknande sätt kan en samordning av tusentals eller miljoner AGI-instanser till "gruppagenter" eller virtuella agentekonomier producera kollektiv superintelligens. Uppsatsen hävdar att fältet behöver "skalningslagar för flera agenter" - tidig forskning finner tydliga vinster på vissa uppgifter, men samordningsineffektivitet ger minskande avkastning när befolkningen växer. Att styra stora kollektiv kommer också att kräva institutionell design, inklusive försvar mot desinformation, manipulation och maskopi; svärmexperiment visar redan agenter som lär sig fuska och andra som agerar som whistleblowers. Rekursiv självförbättring. Först diskuterades av I. J. Good och Ray Solomonoff, RSI beskriver AI-system som automatiserar förbättringar av framtida generationer av AI. Till skillnad från typiska tekniker kan förbättringar av AI direkt påskynda efterföljande vinster - men forskningsframsteg tenderar också att bli svårare att hitta med tiden. Huruvida RSI producerar skenande acceleration, säger uppsatsen, är "till stor del en empirisk fråga", och det kan fungera genom kod och design - arkitekturer, träningsalgoritmer, chiplayouter - såväl som genom data.

Varför inramningen är viktig

Uppsatsen är uttryckligen ett förberedande argument: att kartlägga möjliga vägar från AGI till ASI och bygga "rigorösa, tillförlitliga sätt att spåra framsteg" är, i Geneweins ramar, förutsättningen för att styra övergången. Den åtföljer en längre rapport från DeepMind Institute, "From AGI to ASI."

Mottagandet var omedelbart. Uppsatsen drog 85 poäng och mer än 160 kommentarer på Hacker News inom en dag efter publiceringen, medan fackpress inklusive Unite.AI och BigGo Finance lyfte fram taxonomin för fyra vägar och den miljonfaldiga kostnadskollisionsprognosen. Det landar också mitt i en bredare skepsis om hur superintelligens prognoser görs - IEEE Spectrum publicerade ett stycke denna vecka med titeln "AI Superintelligence Debate Has Serious Flaws."

Den spänningen är poängen. DeepMind förutspår inte ASI på ett datum; det hävdar att scenarioutrymmet nu kan kartläggas, mätas och diskuteras med bevis snarare än vibbar. Oavsett om de miljardfaldiga extrapoleringarna håller eller bryter mot fysiska tak, markerar uppsatsen ett skifte: frågan "vad kommer efter AGI?" har flyttat från filosofiseminariet till forskningsagendan för ett av de mest inflytelserika AI-labben på jorden.

---

Stay ahead of AI

Få de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.

Läs mer AI-nyheter →