Компания Google DeepMind представила масштабное исследование под названием «От AGI к ASI», которое предлагает пересмотреть привычную парадигму развития искусственного интеллекта. Авторы работы настаивают: AGI (общий искусственный интеллект) больше не должен восприниматься как конечная точка технологического развития. Вместо этого его следует рассматривать как необходимый промежуточный этап на пути к созданию искусственного суперинтеллекта (ASI).
В представленной концепции ASI определяется не просто как система, превосходящая человеческий интеллект, а как структура, чьи когнитивные способности превышают возможности крупнейших мировых организаций и экспертных сообществ. Таким образом, планка смещается: ИИ сравнивают не с отдельным человеком, а с совокупной интеллектуальной инфраструктурой всего человечества.
Двигатели прогресса: «эффективные вычисления»
Основная мысль исследования заключается в том, что эволюция технологий ИИ напрямую зависит от экспоненциального роста так называемых «эффективных вычислений». Этот показатель формируется за счет взаимодействия трех ключевых факторов: постоянного совершенствования аппаратного обеспечения, колоссальных инвестиций в инфраструктуру и роста алгоритмической эффективности. Именно синергия этих компонентов задает темп движения к полноценному суперинтеллекту.
Четыре сценария перехода к суперинтеллекту
Исследователи выделяют четыре магистральных пути, которые могут привести к созданию ASI:
- Масштабирование: Традиционный подход, базирующийся на увеличении вычислительных мощностей и объемов данных согласно установленным законам масштабирования.
- Архитектурная эволюция: Внедрение новых подходов, включая системы с непрерывным обучением и значительно расширенным контекстным окном.
- Рекурсивное самосовершенствование: Сценарий, при котором ИИ самостоятельно оптимизирует собственный программный код и алгоритмы, что способно запустить лавинообразный рост возможностей системы.
- Мультиагентная координация: Формирование распределенного коллективного разума, состоящего из множества взаимодействующих между собой моделей.
Изображение сгенерировано: Nano Banana
Проблема «стены данных»
Авторы доклада не обходят стороной и критические барьеры. Один из них — «стена данных» (data wall), означающая скорое истощение запасов качественной информации в сети, пригодной для обучения нейросетей. По мнению экспертов, это вынудит индустрию перейти к использованию синтетических данных и обучению ИИ в специально созданных симулированных средах, так как линейное наращивание объемов «сырых» данных из интернета перестает приносить значимый качественный результат.
Теоретическая база и взгляд в будущее
Методология работы опирается на формализм универсального ИИ (AIXI) и широко известную шкалу Легга — Хаттера. Согласно этим принципам, интеллект измеряется способностью агента максимизировать вознаграждение в любых вычислимых средах. Эта теоретическая рамка задает границы того, чего в принципе может достичь машинный разум.
Финальный вывод Google DeepMind звучит амбициозно: роль ИИ трансформируется. Он перестает быть просто инструментом, полностью зависимым от человеческого проектирования. В будущем ИИ может стать автономным фактором прогресса, где ограничения будут определяться не архитектурой модели, а исключительно физическими и экономическими пределами доступных вычислений.
