Google DeepMind описала 4 пути от AGI к ASI: искусственный интеллект ждут барьеры на каждом

Отчёт готовила группа из 14 учёных. Ведущий автор Тим Геневайн, соавторы включают Шейна Легга, сооснователя Google DeepMind, а также исследователей из Университета Ватерлоо, Австралийского национального университета и Университетского колледжа Лондона. Организация известна проектами AlphaGo, AlphaFold и AlphaZero.

Публикация появилась на фоне того, что крупнейшие лаборатории ИИ перевели создание AGI из категории «когда-нибудь» в конкретную цель на ближайшее десятилетие. Авторы прямо заявляют: представление о едином трансформационном скачке при появлении AGI может оказаться неточным, и готовиться стоит к серии последовательных трансформаций.

Что авторы понимают под ASI?

Сверхинтеллект определён не через абстрактное «умнее человека», а через конкретное сравнение: ASI превосходит по интеллекту и когнитивным способностям крупные организации людей, не отдельного эксперта, а целую компанию или исследовательский институт.

Теоретической конечной точкой развития авторы называют Универсальный ИИ (Universal AI), математически изученную конструкцию, которая задаёт формальную рамку для всего обсуждения. Между сегодняшним AGI-уровнем и Универсальным ИИ лежит непрерывный «континуум машинного интеллекта», и отчёт сосредоточен на участке от AGI к ASI.

Четыре пути и что их тормозит

Авторы выделили четыре потенциальных маршрута от AGI к ASI. Они не взаимоисключающие и могут развиваться параллельно:

• Масштабирование AGI. Наращивание вычислительных мощностей, данных и размера моделей. Отчёт перечисляет преимущества цифрового интеллекта, которые растут вместе с вычислениями: скорость обработки, объём памяти, возможность копирования и параллельного запуска.

• Сдвиги парадигм в ИИ. Появление принципиально новых архитектур или методов обучения, аналогичных тому, как в своё время трансформеры (архитектура нейросетей, на которой построены ChatGPT и другие большие языковые модели) сменили предыдущие подходы.

• Рекурсивное улучшение. Ситуация, когда ИИ-система сама улучшает собственный код, архитектуру или процесс обучения, запуская цикл самоусиления.

• Мультиагентные системы. ASI возникает не из одной модели, а из взаимодействия множества ИИ-агентов (программ, способных самостоятельно выполнять задачи и координироваться друг с другом).

Для каждого пути отчёт описывает потенциальные препятствия, «факторы торможения». Авторы подчёркивают: определение того, окажется ли влияние каждого препятствия незначительным или существенным, порождает набор открытых исследовательских вопросов, на которые пока нет ответов.

Одна из позиций отчёта: прогресс в области ИИ может продолжить ускоряться в ближайшие годы, и подготовка к такому будущему требует «массовых междисциплинарных усилий глобального масштаба».

Что делать с этим прямо сейчас?

Авторам Дзена и копирайтерам. Отчёт даёт рабочий словарь для статей о будущем ИИ: четыре пути, конкретные термины, структура рисков. Если пишете о нейросетях, эта классификация (масштабирование, смена парадигм, рекурсивное улучшение, мультиагентные группы) полезна как каркас для объяснения читателям, куда движется технология и почему «ИИ захватит мир» не равно одному сценарию.

Маркетологам. Документ прямо указывает: трансформация будет не разовой, а серийной. Для планирования это значит, что адаптировать процессы придётся не «когда появится суперИИ», а постоянно, по мере каждого следующего скачка в возможностях моделей.

Предпринимателям в РФ и СНГ. Отчёт написан на английском и описывает глобальную картину. Из доступных в России инструментов для работы с ИИ-агентами (один из четырёх путей к ASI) можно отметить YandexGPT и GigaChat. Практический вывод: следить не за обещаниями «скоро будет суперИИ», а за конкретными узкими местами, их решение или нерешение определит, какие возможности появятся на рынке в ближайшие годы.

Эпиграф, который авторы выбрали для отчёта, цитата Алана Тьюринга 1950 года: «Мы можем видеть будущее лишь на небольшом расстоянии, но даже там мы видим многое из того, что нужно сделать». Спустя 76 лет формулировка не устарела, только масштаб «того, что нужно сделать» вырос на порядки.

По данным Google DeepMind