สถาบันวิจัยของ Google DeepMind ได้ตีพิมพ์บทความที่กว้างขวางซึ่งโต้แย้งว่ายุคหลัง AGI สมควรได้รับความเข้มงวดในการวิเคราะห์แบบเดียวกับสาขาที่ครั้งหนึ่งเคยสงวนไว้สำหรับ AGI เอง บทความ "What come after AGI? From AGI to Superintelligence" ได้รับการตีพิมพ์เมื่อวันที่ 19 พฤศจิกายน 2026 โดย Tim Genewein นักวิทยาศาสตร์การวิจัยที่ Google DeepMind บนพอร์ทัลบทความของสถาบัน DeepMind คำกล่าวอ้างหลัก: เนื่องจากเส้นทางทางเทคโนโลยีที่หลากหลายไปสู่ปัญญาประดิษฐ์ทั่วไปที่เหนือกว่าเริ่มเป็นรูปเป็นร่าง ระบอบการปกครองที่นอกเหนือไปจาก AGI "กำลังเปลี่ยนจากการเก็งกำไรทางปรัชญาไปสู่การวิจัยเชิงประจักษ์และคำถามเกี่ยวกับการกำกับดูแล"

เรียงความดังกล่าวเกิดขึ้นในช่วงที่มีข่าวการวิจัย AI ที่คึกคักที่สุดในรอบหลายเดือน และอ่านว่าเป็นความพยายามโดยเจตนาที่จะให้คำศัพท์ทางเทคนิคที่เป็นรูปธรรมแก่การอภิปรายหลัง AGI สำหรับใครก็ตามที่ติดตามการพัฒนา AI ล่าสุด รายงานนี้จะนำเสนอภาพที่ชัดเจนว่าห้องปฏิบัติการชั้นนำแห่งหนึ่งของโลกวางกรอบเส้นทางที่เหนือกว่า AI ระดับมนุษย์อย่างไร รวมถึงการคาดการณ์ต้นทุนที่หากถูกต้อง จะเปลี่ยนแปลงเศรษฐศาสตร์ของงานด้านความรู้ความเข้าใจ

สิ่งที่นับเป็นสติปัญญาขั้นสูง

Genewein เริ่มต้นด้วยการวางความฉลาดทั่วไปไว้บนความต่อเนื่อง โดยมี AGI ระดับมนุษย์เป็นเพียงจุดเดียวเท่านั้น ตามคำจำกัดความของเรียงความ ASI เป็นระบบขั้นสูงที่มีประสิทธิภาพเหนือกว่าผู้เชี่ยวชาญกลุ่มใหญ่อย่างต่อเนื่องในงานที่อาจต้องใช้เวลาหลายปีกว่าจะสำเร็จโดยผู้เชี่ยวชาญเหล่านั้น โดยใช้ทรัพยากรน้อยลงและใช้เวลาน้อยลง ตัวอย่างเช่น จับคู่ผลลัพธ์ทางวิทยาศาสตร์ของสาขาการวิจัยทั้งหมดโดยใช้เวลาเพียงเศษเสี้ยวของเวลา หรือการบรรลุความก้าวหน้าในการออกแบบชิปที่ทัดเทียมกับสิ่งที่บริษัทขนาดใหญ่ผลิตได้ในหนึ่งปี สิ่งสำคัญที่สุดคือ จะต้องเป็นไปตามมาตรฐานกับงานแทบทุกงานที่เป็นความสนใจของมนุษย์ ไม่ใช่งานชิ้นแคบๆ

บันทึกเรียงความที่มีอำนาจเหนือกว่านั้นมีอยู่แล้ว: ปัจจุบันระบบ AI เอาชนะมนุษย์ในการเล่นหมากรุกและหมาก ทำนายโครงสร้างโปรตีนจากลำดับกรดอะมิโน และได้พิสูจน์ทฤษฎีบทที่ต่อต้านนักคณิตศาสตร์มานานหลายทศวรรษ สิ่งที่ยังคงไม่มีใครสังเกตเห็นอย่างแท้จริงคือจุดกึ่งกลางอันกว้างใหญ่ระหว่าง AI ระดับมนุษย์และขีดจำกัดทางสติปัญญาทางทฤษฎี ประเด็นตัวอย่างของ Genewein: การไขหมากรุกได้อย่างสมบูรณ์แบบจะต้องใช้พลังในการคำนวณมากกว่าที่มีอยู่บนโลก แต่ชิปขนาดย่อก็เล่นได้ดีพอที่จะเอาชนะมนุษย์คนใดก็ได้

การพัฒนาอุตสาหกรรมทางปัญญาและการล่มสลายของต้นทุน

แกนเชิงปริมาณของเรียงความคือการวิเคราะห์ "อุตสาหกรรมทางปัญญา" Genewein ทวีคูณแนวโน้มสามประการจากทศวรรษที่ผ่านมา ประการแรก ฮาร์ดแวร์: การคำนวณต่อดอลลาร์ได้รับการปรับปรุงประมาณ 1.5 เท่าต่อปีเป็นเวลาหกทศวรรษภายใต้กฎของมัวร์และแนวโน้มที่เกี่ยวข้อง ประการที่สอง ประสิทธิภาพของอัลกอริทึม: การประมวลผลการฝึกอบรมที่จำเป็นเพื่อให้บรรลุระดับประสิทธิภาพคงที่ได้ลดลงประมาณ 3-6 เท่าต่อปีในช่วงทศวรรษที่ผ่านมา โดยประสิทธิภาพการอนุมานดีขึ้นประมาณ 3 เท่าต่อปี ประการที่สาม การลงทุน: การใช้จ่ายด้านฮาร์ดแวร์ AI เพิ่มขึ้นประมาณ 2.5 เท่าต่อปี และการประมวลผลการฝึกอบรมของการดำเนินการชายแดนที่ใหญ่ที่สุดเติบโตขึ้นมากกว่า 4 เท่าต่อปี

คูณสาม แล้วบทความประเมินว่าการประมวลผลที่มีประสิทธิภาพทั่วโลกมีการเติบโตอย่างน้อย 10 เท่าต่อปี - "ปัจจัย 10 พันล้านในช่วงสิบปี" ในด้านอุปสงค์ การปรับปรุงประสิทธิภาพฮาร์ดแวร์และซอฟต์แวร์เพียงอย่างเดียวจะลดการประมวลผลที่จำเป็นในการรันเวิร์กโหลด AI แบบคงที่ประมาณ 4 เท่าต่อปี ผลที่ตามมาดังที่ Genewein ระบุไว้: ปริมาณงานด้านความรู้ความเข้าใจซึ่งมีราคา 1 พันล้านดอลลาร์ในโทเค็นการประมวลผลเพื่อใช้กับระบบ AI ในปัจจุบันจะมีค่าใช้จ่ายประมาณ 1,000 ดอลลาร์ในสิบปี

นั่นไม่ใช่การคาดเดาเพียงอย่างเดียว บทความอ้างอิงถึงการศึกษา Epoch เมื่อเร็วๆ นี้ พบว่าราคาผู้บริโภคในการได้รับคะแนนคงที่จากชุดเกณฑ์มาตรฐานลดลงมากกว่า 13 เท่าต่อปีตั้งแต่ปี 2566 นอกจากนี้ยังคาดการณ์ว่าจำนวนประชากรที่มีประสิทธิผลของตัวแทน AI จะเพิ่มขึ้นมากกว่าหนึ่งพันเท่าภายในปี 2573 และมากกว่าพันล้านเท่าภายในสิบปี - ในขณะที่ตั้งค่าสถานะอย่างระมัดระวังว่าสิ่งนี้ "ไม่ได้กำหนดไว้อย่างแน่นอน" เนื่องจากเพดานในทางปฏิบัติในการสร้างการคำนวณและเพดานการเก็งกำไรมากขึ้นในอัลกอริธึม ประสิทธิภาพอาจเข้ามาแทรกแซงได้

สี่เส้นทางจาก AGI สู่ ASI

หัวใจของบทความนี้คือการจัดอนุกรมวิธานของเส้นทางเทคโนโลยีสี่เส้นทางที่สามารถปลดล็อกขีดความสามารถที่ระดับสูงสุดไม่สามารถทำได้ เนื่องจากตามที่ Genewein สังเกตอย่างแห้งแล้ง "ในขณะที่ไอน์สไตน์ค้นพบทฤษฎีสัมพัทธภาพทั่วไป การประชุมของนักดาราศาสตร์ชาวปโตเลมีหนึ่งแสนคนก็คงจะไม่มี"

การปรับขนาดโมเดลและข้อมูล ความสามารถได้รับการปรับปรุงอย่างต่อเนื่องอย่างน่าทึ่งกับโมเดล ข้อมูล และมาตราส่วนเวลาทดสอบและการคำนวณ แต่เรียงความระบุถึงปัญหาคอขวด 3 ประการ ได้แก่ ความเหนื่อยล้าของข้อมูล เนื่องจากความต้องการข้อมูลการฝึกอบรมคุณภาพสูงมีมากกว่าความสามารถของมนุษยชาติในการผลิตข้อมูลดังกล่าว ผลตอบแทนที่ลดลงในระดับแบบจำลอง โดยที่แต่ละขั้นตอนเชิงเส้นในความสามารถต้องใช้การคำนวณแบบทวีคูณ ในขณะที่แบบจำลองขนาดใหญ่ทำให้วิธีเวลาให้เหตุผลช้าลง และข้อจำกัดทางกายภาพและทางเศรษฐกิจสำหรับโรงไฟฟ้า โครงข่ายไฟฟ้า โรงงานผลิตชิป และการเชื่อมต่อระหว่างกันที่มีความหน่วงต่ำ กระบวนทัศน์ทางเทคโนโลยีเปลี่ยนไป กระบวนทัศน์ในปัจจุบัน — ฝึกหม้อแปลงให้ทำนายโทเค็นถัดไป จากนั้นปรับแต่งและเพิ่มการคำนวณเวลาทดสอบ — เพิ่งแสดงให้เห็นในหลักการที่สามารถเรียกใช้อัลกอริทึมที่ซับซ้อนผ่านการแจ้งเตือนได้ ทว่าแบบจำลองยังคงขาดการเรียนรู้อย่างต่อเนื่องของมนุษย์ การสร้างแบบจำลองโลกบางรูปแบบ การตัดสินใจ ประสิทธิภาพของตัวอย่าง และการประดิษฐ์แนวคิดใหม่อย่างแท้จริง แทนที่จะนำแนวคิดที่มีอยู่มารวมกันใหม่ นักวิจัยแบ่งแยกว่าการขยายกระบวนทัศน์ในปัจจุบันสามารถปิดช่องว่างเหล่านั้นได้หรือไม่ หรือ ASI ต้องการอะไรที่ลึกซึ้งกว่านี้หรือไม่ ปรับปรุงการประสานงานของตัวแทน องค์กรมนุษย์ ตลาด และชุมชนการวิจัยสามารถแก้ปัญหาที่ไม่มีใครสามารถทำได้ ในทำนองเดียวกัน การประสานงานอินสแตนซ์ AGI นับพันหรือหลายล้านรายการเข้ากับ "ตัวแทนกลุ่ม" หรือการประหยัดของตัวแทนเสมือนก็สามารถสร้างความฉลาดขั้นสูงแบบรวมได้ เรียงความระบุว่าสาขานี้ต้องการ "กฎหมายการปรับขนาดหลายตัวแทน" - การวิจัยเบื้องต้นพบว่าได้รับผลประโยชน์ที่ชัดเจนในบางงาน แต่ความไร้ประสิทธิภาพในการประสานงานจะสร้างผลตอบแทนที่ลดลงเมื่อจำนวนประชากรเพิ่มขึ้น การขับเคลื่อนกลุ่มใหญ่ยังจำเป็นต้องมีการออกแบบเชิงสถาบัน รวมถึงการป้องกันข้อมูลที่ผิด การบงการ และการสมรู้ร่วมคิด การทดลองจำนวนมากแสดงให้เห็นว่าเจ้าหน้าที่เรียนรู้ที่จะโกงและคนอื่นๆ ทำหน้าที่เป็นผู้แจ้งเบาะแส การพัฒนาตนเองแบบเรียกซ้ำ พูดคุยครั้งแรกโดย I. J. Good และ Ray Solomonoff โดย RSI อธิบายถึงระบบ AI ที่ทำให้การปรับปรุง AI รุ่นอนาคตเป็นแบบอัตโนมัติ ต่างจากเทคโนโลยีทั่วไป การปรับปรุง AI สามารถเร่งให้เกิดประโยชน์ตามมาได้โดยตรง แต่ความก้าวหน้าของการวิจัยก็มีแนวโน้มที่จะค้นพบได้ยากขึ้นเมื่อเวลาผ่านไป ไม่ว่า RSI จะสร้างการเร่งความเร็วแบบ Runaway หรือไม่ บทความกล่าวว่าเป็น "คำถามเชิงประจักษ์เป็นส่วนใหญ่" และสามารถดำเนินการผ่านโค้ดและการออกแบบ เช่น สถาปัตยกรรม อัลกอริธึมการฝึกอบรม เค้าโครงชิป ตลอดจนผ่านข้อมูล

เหตุใดการจัดเฟรมจึงมีความสำคัญ

บทความนี้เป็นข้อโต้แย้งในการเตรียมอย่างชัดเจน: การทำแผนที่ถนนที่เป็นไปได้จาก AGI ไปยัง ASI และการสร้าง "วิธีที่เข้มงวดและเชื่อถือได้ในการติดตามความคืบหน้า" เป็นข้อกำหนดเบื้องต้นในการควบคุมการเปลี่ยนแปลงในการกำหนดกรอบของ Genewein มาพร้อมกับรายงานของ DeepMind Institute ที่ยาวกว่า "จาก AGI สู่ ASI"

แผนกต้อนรับทันที เรียงความได้รับคะแนน 85 คะแนนและความคิดเห็นมากกว่า 160 รายการเกี่ยวกับ Hacker News ภายในหนึ่งวันที่ตีพิมพ์ ในขณะที่สื่อการค้าซึ่งรวมถึง Unite.AI และ BigGo Finance เน้นย้ำถึงอนุกรมวิธานสี่เส้นทางและการคาดการณ์การชนกันของต้นทุนล้านเท่า นอกจากนี้ยังเกิดขึ้นท่ามกลางความสงสัยในวงกว้างเกี่ยวกับวิธีการคาดการณ์ความฉลาดระดับสูง - IEEE Spectrum ตีพิมพ์บทความในสัปดาห์นี้ชื่อ "การอภิปรายเรื่อง AI Superintelligence มีข้อบกพร่องร้ายแรง"

ความตึงเครียดนั่นคือประเด็น DeepMind ไม่ได้ทำนาย ASI ในวันที่ เป็นการโต้แย้งว่าขณะนี้พื้นที่สถานการณ์สามารถถูกแมป วัด และถกเถียงโดยใช้หลักฐานมากกว่าความรู้สึก ไม่ว่าการคาดการณ์ที่คาดการณ์ไว้นับพันล้านจะคงอยู่หรือพังทลายลง เรียงความนี้ถือเป็นการเปลี่ยนแปลง: คำถามที่ว่า "อะไรจะเกิดขึ้นหลังจาก AGI" ได้ย้ายจากการสัมมนาปรัชญาไปสู่วาระการวิจัยของห้องปฏิบัติการ AI ที่มีอิทธิพลมากที่สุดในโลกแห่งหนึ่ง

---

ก้าวนำหน้า AI

รับข่าวสาร AI การวิเคราะห์ และความก้าวหน้าล่าสุด ทั้งหมดในที่เดียว

อ่านข่าว AI เพิ่มเติม →