Google DeepMind описала 4 пути к сверхразуму: что ждет мир после AGI
Искусственный интеллект развивается так быстро, что разговор об AGI постепенно уступает место обсуждению следующей ступени, ASI. Под AGI понимают общий искусственный интеллект, который способен выполнять практически любые интеллектуальные задачи на уровне человека. ASI, или искусственный сверхразум, будет стабильно превосходить крупные коллективы специалистов в задачах, на которые у людей уходят годы. Недавно появилось эссе исследователя в области ИИ, в котором переход от одной стадии к другой разбирается как набор конкретных технологических возможностей, а не как абстрактная фантастика.

Автор опирается на измеримые показатели: эффективные вычислительные ресурсы для ИИ растут минимум в 10 раз в год, а стоимость интеллектуальной работы может резко упасть. Он описывает четыре технологических пути к сверхразуму и объясняет, почему блокировка одного из них мало что меняет. Ниже разобраны основные идеи материала и добавлены несколько практических замечаний.
Центральное понятие эссе — «когнитивная индустриализация». Так называется массовое удешевление и автоматизация интеллектуального труда, подобно тому как промышленная революция сделала дешёвым физический. За последние 10 лет эффективные вычислительные ресурсы для ИИ выросли как минимум в 10 раз ежегодно. На это одновременно влияли три фактора: совершенствование аппаратного обеспечения, повышение эффективности алгоритмов и рост инвестиций в ИИ-оборудование.
Вклад каждого фактора можно оценить отдельно. Благодаря развитию производства микросхем вычислительная мощность на каждый вложенный доллар увеличивалась примерно в 1,5 раза в год. Эффективность алгоритмов обучения за десятилетие росла в 3–6 раз ежегодно. Эти множители перемножаются, а рост бюджетов на оборудование усиливает итоговый эффект. Поэтому прогресс ИИ нельзя объяснять одним лишь «железом» или одним лишь удачным алгоритмом.
Если тенденция сохранится, через 10 лет задача, на которую сегодняшнему ИИ нужно вычислений на $1 млрд, потребует всего около $1000, то есть удешевление составит примерно миллион раз. Количество ИИ-агентов сопоставимого качества, которых можно будет запустить на доступных мощностях, теоретически превысит нынешнюю численность населения Земли. Более осторожная оценка учитывает физические и экономические ограничения. По ней число доступных агентов вырастет более чем в 1000 раз к 2030 году и более чем в миллиард раз за десятилетие. Такие цифры стоит воспринимать как сценарии с широким диапазоном, а не как точный прогноз. Планируя стратегию, разумно ориентироваться на оба сценария, консервативный и агрессивный.
По мнению автора, при достижении AGI одного увеличения скорости и количества агентов может хватить для перехода к формам сверхразума. Однако само по себе масштабирование не гарантирует появления всех необходимых интеллектуальных способностей. Поэтому в эссе выделены четыре отдельных технологических пути от AGI к ASI.
Первый путь — дальнейшее увеличение размеров моделей, объёмов обучающих данных и вычислений, выделяемых на обработку каждого запроса. Такой подход уже повышает возможности ИИ, но упирается в нехватку качественных данных, снижающуюся отдачу от роста моделей и ограничения физической инфраструктуры. Один из способов смягчить дефицит данных — синтетические данные, но их качество приходится тщательно проверять, иначе модель начнёт усиливать собственные ошибки.
Второй путь — переход к новым технологическим парадигмам. Современные модели в основном обучаются предсказывать следующий элемент последовательности в массивах данных, а затем дорабатываются для рассуждений и выполнения инструкций. У них остаются слабые места: непрерывное обучение, построение моделей окружающего мира, принятие решений и самостоятельное создание принципиально новых понятий. Под непрерывным обучением понимается способность усваивать новое, не забывая старое и не требуя полного переобучения. Учёные пока не пришли к единому мнению, можно ли устранить эти недостатки развитием существующих архитектур или нужны принципиально новые подходы.
Третий путь — координация множества ИИ-агентов. Корпорации и научные сообщества решают задачи, недоступные людям по отдельности, и миллионы экземпляров AGI могут объединяться в такие же виртуальные коллективы. Первые эксперименты показывают, что взаимодействие агентов повышает эффективность решения некоторых задач. С ростом числа участников, однако, появляются потери на координацию, распространение ошибок, манипуляции и сговор между агентами. Те, кто уже строит многоагентные системы, могут учесть это на практике: ограничивать число агентов разумным минимумом, вводить независимую проверку промежуточных результатов и чётко распределять роли.
Четвёртый путь — рекурсивное самоулучшение (RSI). ИИ сам совершенствует программный код, архитектуры моделей, алгоритмы обучения и даже конструкции микросхем, ускоряя создание следующих поколений систем. Процесс возможен и через данные: AlphaZero достиг сверхчеловеческого уровня игры, обучаясь на собственном опыте. Но самоулучшение не обязательно будет ускоряться бесконечно. Каждый следующий шаг требует всё больше усилий, а ошибки в оценке результатов могут остановить процесс или даже ухудшить систему.
Все четыре направления не исключают друг друга и могут усиливать друг друга. Даже если рекурсивное самоулучшение не приведёт к неконтролируемому ускорению, рост вычислительных ресурсов, эффективности моделей и числа согласованно работающих агентов способен обеспечить быстрое развитие ИИ за пределами человеческого уровня. Поэтому ограничение только одного направления, например вычислительных мощностей для обучения, не обязательно остановит движение к ASI, ведь прогресс может продолжиться по другим маршрутам.
Автор считает необходимым уже сейчас разрабатывать методы измерения и прогнозирования прогресса на пути к сверхразуму. Особенно важны области с автоматической проверкой результатов, например математические доказательства: там можно объективно оценить, действительно ли система справилась с задачей. Эссе основано на техническом докладе, подготовленном совместно с другими специалистами. В нём переход к сверхразуму рассматривается как совокупность технологических возможностей, последствия которых для науки, экономики и общества нужно изучать заранее. Практический вывод для компаний и специалистов простой: следить за динамикой стоимости вычислений, регулярно пересматривать, какие интеллектуальные задачи можно автоматизировать, и развивать навыки постановки задач, проверки результатов и управления ИИ-системами.
Читайте также:
- Anthropic представила Claude Opus 4.8: четырёхкратное снижение пропущенных ошибок и экономия бюджета разработчиков
- Claude интегрировался с Blender, Adobe и другими креативными приложениями
- Anthropic запустила Claude for Small Business для автоматизации бухгалтерии и продаж
- Нейросети Gemini и Claude появятся на Apple Iphone в iOS 27
- xAI запустила сверхкачественный режим для Grok Imagine
- OpenAI запустила GPT-5.5 Instant: точнее на 52% и доступна бесплатно
Последние новости:
- ИИ OpenAI ускорил графический чип AMD на 14 %: годовую работу инженеров нейросеть выполнила за пять месяцев
- Claude обновил мобильное приложение: теперь Claude Code можно запускать с телефона
- OpenAI открыла API голосовой модели GPT-Live-1.1: что теперь доступно разработчикам
- Математик Anthropic заявил, что вместе с ИИ нашел доказательство гипотезы Римана
- Google представила Genie 4: ИИ создаёт интерактивные миры со звуком и речью в реальном времени