Дослідницький інститут Google DeepMind опублікував широке есе, в якому стверджується, що ера після AGI тепер заслуговує на таку саму аналітичну суворість, яку колись зарезервувала сама AGI. Стаття «Що відбувається після AGI? Від AGI до суперінтелекту» була опублікована 19 листопада 2026 року Тімом Геневейном, науковим співробітником Google DeepMind, на порталі есе DeepMind Institute. Його основна претензія: у міру того, як формуються численні технологічні шляхи до штучного загального суперінтелекту, режим за межами AGI «переходить від філософських спекуляцій до емпіричних досліджень і питань управління».
Це есе потрапило під час однієї з найжвавіших новин про дослідження штучного інтелекту за останні місяці, і воно читається як навмисна спроба надати дебатам після AGI конкретний технічний словник. Для тих, хто стежить за останніми розробками штучного інтелекту, він пропонує найясніше уявлення про те, як одна з провідних світових лабораторій планує шлях за межі штучного інтелекту людського рівня, включаючи прогноз витрат, який, якщо він правильний, змінить економіку когнітивної роботи.
Що вважається суперінтелектом
Genewein починає з розміщення загального інтелекту в континуумі, де людський рівень AGI є лише однією точкою вздовж нього. Згідно з визначенням есе, ASI є вдосконаленою системою, яка стабільно перевершує великі групи експертів-людей у завданнях, на виконання яких у цих експертів можуть піти роки, використовуючи менше ресурсів і менше часу — наприклад, порівняння наукової продукції цілої дослідницької галузі за частку часу або досягнення прогресу в дизайні чіпів на рівні з тим, що виробляє велика компанія за рік. Найважливіше те, що планка повинна відповідати практично всім завданням, що становлять інтерес для людини, а не вузькій частині.
В есе зазначається, що вузьке домінування вже існує: системи штучного інтелекту сьогодні перемагають будь-яку людину в шахах і го, передбачають структури білків на основі амінокислотних послідовностей і мають доведені теореми, які десятиліттями протистояли математикам. Те, що залишається по-справжньому нез’ясованим, — це велика середина між штучним інтелектом на рівні людини та теоретичними межами інтелекту. Ілюстративна теза Геневейна: щоб ідеально розв’язати шахи, знадобиться більше обчислювальної потужності, ніж існує на Землі, однак чіп розміром з мініатюру грає достатньо добре, щоб перемогти будь-яку людину.
Когнітивна індустріалізація та падіння витрат
Кількісним ядром есе є аналіз «когнітивної індустріалізації». Genewein множить три тенденції компаундування останнього десятиліття. По-перше, апаратне забезпечення: обчислення на долар покращувалися приблизно в 1,5 рази на рік протягом шести десятиліть згідно із законом Мура та пов’язаними тенденціями. По-друге, алгоритмічна ефективність: навчальні обчислення, необхідні для досягнення фіксованого рівня продуктивності, падали приблизно в 3-6 разів на рік протягом останнього десятиліття, при цьому ефективність висновків покращувалася приблизно в 3 рази на рік. По-третє, інвестиції: витрати на апаратне забезпечення штучного інтелекту зросли приблизно в 2,5 рази на рік, а навчальні обчислення найбільших передових запусків зростають більш ніж у 4 рази на рік.
Помножте на три, і в есе оцінюється, що глобальні ефективні обчислення зростають принаймні в 10 разів на рік — «коефіцієнт 10 мільярдів за десять років». З боку попиту лише підвищення ефективності обладнання та програмного забезпечення скоротило б обчислення, необхідні для виконання фіксованого робочого навантаження AI приблизно в 4 рази на рік. Наслідки, за словами Дженевайна: когнітивне робоче навантаження, яке коштує 1 мільярд доларів США в обчислювальних жетонах для виконання сучасних систем штучного інтелекту, коштуватиме приблизно 1000 доларів США через десять років.
Це не самотня екстраполяція. У есе цитується нещодавнє дослідження Epoch, яке виявило, що споживча ціна досягнення фіксованого результату за набором контрольних показників впала більш ніж у 13 разів на рік з 2023 року. У ньому також прогнозується, що ефективна популяція агентів штучного інтелекту може збільшитися більш ніж у тисячу разів до 2030 року та більш ніж у мільярд разів протягом десяти років — при цьому ретельно відзначається, що це «безумовно не даність», оскільки практична можуть втрутитися обмеження щодо нарощування обчислювальної потужності та більш спекулятивні обмеження щодо ефективності алгоритмів.
Чотири шляхи від AGI до ASI
Серцем есе є таксономія чотирьох технологічних шляхів, які можуть розкрити можливості, які не можуть отримати самі масштаби, тому що, як сухо зауважує Геневайн, «хоч Ейнштейн таки з’ясував загальну теорію відносності, конференція ста тисяч птолемеївських астрономів, ймовірно, не змогла б цього зробити».
Масштабування моделей і даних. Можливості значно покращилися разом із моделлю, даними та масштабом тестування, часу й обчислень, але в есе визначено три вузькі місця: вичерпання даних, оскільки попит на високоякісні навчальні дані випереджає здатність людства їх створювати; зменшення віддачі в масштабі моделі, де кожен лінійний крок у можливостях вимагає мультиплікативних обчислень, тоді як більші моделі уповільнюють методи міркування; а також фізичні й економічні обмеження на електростанції, електричні мережі, фабрики мікросхем і з’єднання з низькою затримкою. Зміни технологічної парадигми. Сучасна парадигма — тренування трансформаторів для прогнозування наступного токена, а потім уточнення та додавання обчислень під час тестування — нещодавно продемонструвала принципову здатність запускати складні алгоритми через підказки. Проте моделі все ще не вистачають людей щодо постійного навчання, певних форм моделювання світу, прийняття рішень, ефективності вибірки та винаходу справді нових концепцій, а не рекомбінації існуючих. Дослідники розділилися щодо того, чи можуть розширення сучасної парадигми закрити ці прогалини, чи ASI вимагає чогось глибшого. Покращення координації агентів. Людські корпорації, ринки та дослідницькі спільноти розв’язують проблеми, які не під силу жодній окремій людині. Подібним чином координація тисяч або мільйонів екземплярів AGI у «групових агентів» або віртуальну агентську економіку може створити колективний суперінтелект. У есе стверджується, що цій галузі потрібні «закони мультиагентного масштабування» — перші дослідження виявляють явні переваги в деяких завданнях, але неефективність координації призводить до зменшення віддачі в міру зростання населення. Керування великими колективами також вимагатиме інституційного дизайну, включаючи захист від дезінформації, маніпуляцій і змови; Ройові експерименти вже показують, як агенти вчаться шахраювати, а інші діють як викривачі. Рекурсивне самовдосконалення. Вперше обговорене І. Дж. Гудом і Реєм Соломоновим, RSI описує системи штучного інтелекту, що автоматизують вдосконалення майбутніх поколінь ШІ. На відміну від типових технологій, удосконалення штучного інтелекту може безпосередньо прискорити подальші досягнення, але прогрес у дослідженнях також з часом стає все важче знайти. Чи створює RSI різке прискорення, говориться в есе, це «в основному емпіричне питання», і воно може працювати через код і проекти — архітектури, алгоритми навчання, компонування мікросхем — а також через дані.Чому кадрування має значення
Це есе явно є підготовчим аргументом: відображення можливих доріг від AGI до ASI та побудова «суворих, надійних способів відстеження прогресу» є, згідно з формулюванням Геневейна, необхідною умовою для управління переходом. Він супроводжує довший звіт Інституту DeepMind «Від AGI до ASI».
Прийом був негайним. Це есе зібрало 85 балів і понад 160 коментарів на Hacker News протягом дня після публікації, а спеціальна преса, включаючи Unite.AI і BigGo Finance, висвітлила таксономію чотирьох маршрутів і прогноз мільйонного зіткнення витрат. Це також спричиняє більш широкий скептицизм щодо того, як робляться прогнози щодо суперінтелекту — цього тижня IEEE Spectrum опублікував матеріал під назвою «Дебати про суперінтелект AI має серйозні недоліки».
Ця напруга і є суть. DeepMind не передбачає ASI на дату; він стверджує, що простір сценарію тепер можна картографувати, вимірювати та обговорювати за допомогою доказів, а не вібрацій. Незалежно від того, чи тривають мільярдні екстраполяції чи порушуються фізичні межі, це есе знаменує зміну: питання «що буде після AGI?» перемістився з філософського семінару в програму досліджень однієї з найвпливовіших лабораторій ШІ на Землі.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →