В Google DeepMind опубликовали развёрнутое эссе, в котором рассматривают, что произойдёт с искусственным интеллектом после достижения AGI — общего ИИ, способного выполнять практически любые интеллектуальные задачи на уровне человека. Автором текста является Тим Геневейн, а публикация, по данным отраслевых изданий, состоялась 19 ноября 2026 года. Центральная идея работы: следующим этапом после AGI может стать ASI — искусственный сверхразум, который будет стабильно превосходить крупные коллективы специалистов в задачах, на решение которых у людей уходят годы, затрачивая при этом меньше времени и ресурсов. При этом в эссе подчёркивается, что быстрый прогресс не является гарантированным: каждый из описанных сценариев связан с собственными техническими узкими местами.
«Когнитивная индустриализация»: экономика перехода
Ключевым фактором перехода от AGI к ASI Геневейн называет «когнитивную индустриализацию» — массовое удешевление и автоматизацию интеллектуального труда. По его данным, за последние десять лет эффективные вычислительные ресурсы для ИИ росли как минимум в 10 раз ежегодно. На эту динамику одновременно влияли три фактора: совершенствование аппаратного обеспечения, повышение эффективности алгоритмов и рост инвестиций в ИИ-оборудование. Конкретно вычислительная мощность на каждый вложенный доллар благодаря развитию производства микросхем увеличивалась примерно в 1,5 раза в год, а эффективность алгоритмов обучения за последнее десятилетие росла в 3–6 раз ежегодно.
Если такая тенденция сохранится, то через десять лет на выполнение интеллектуальной задачи, для которой сегодняшним ИИ требуется вычислений на миллиард долларов, может хватить всего тысячи долларов. Одновременно количество ИИ-агентов сопоставимого качества, которых можно будет запускать при доступных вычислительных ресурсах, теоретически превысит нынешнюю численность населения Земли. По более осторожной оценке с учётом физических и экономических ограничений, совокупное число доступных агентов может увеличиться более чем в 1000 раз к 2030 году и более чем в миллиард раз за десятилетие.
Четыре технологических пути от AGI к ASI
Первый путь — дальнейшее масштабирование: увеличение размеров моделей, объёмов обучающих данных и вычислений, выделяемых на обработку каждого запроса. Такой подход уже обеспечивает рост возможностей ИИ, но сталкивается с нехваткой качественных данных, снижением отдачи от увеличения моделей и ограничениями физической инфраструктуры. Второй путь — переход к новым технологическим парадигмам. Современные модели преимущественно обучаются предсказывать следующий элемент последовательности, а затем дорабатываются для рассуждений и выполнения инструкций, однако у них остаются ограничения в непрерывном обучении, построении моделей окружающего мира, принятии решений и способности самостоятельно создавать принципиально новые понятия. Учёные пока не пришли к единому мнению, можно ли устранить эти недостатки развитием существующих архитектур или потребуются принципиально новые подходы.
Третий путь — координация множества ИИ-агентов. Подобно тому как корпорации и научные сообщества решают задачи, недоступные отдельным людям, миллионы экземпляров AGI могут объединяться в виртуальные коллективы. Первые эксперименты показывают, что взаимодействие агентов способно повышать эффективность решения некоторых задач, однако при увеличении их числа возникают потери из-за сложностей координации, а также проблемы распространения ошибок, манипуляций и сговора между агентами. Четвёртый путь — рекурсивное самоулучшение (RSI): ИИ самостоятельно совершенствует программный код, архитектуры моделей, алгоритмы обучения и даже конструкции микросхем, ускоряя создание следующих поколений систем. Примером служит AlphaZero, достигшая сверхчеловеческого уровня игры за счёт собственного опыта. При этом самоулучшение не обязательно будет ускоряться бесконечно: дальнейшие усовершенствования требуют всё больших усилий, а ошибки в оценке результатов могут остановить или даже ухудшить процесс.
Контекст прогнозов и оговорки
Эссе развивает идеи более раннего технического отчёта «От AGI к ASI» и вписывается в общую линию публичных заявлений руководства DeepMind. Ранее генеральный директор подразделения Демис Хассабис указывал на возможность появления ИИ общего назначения и сверхсильных систем в районе 2030 года, а в 2026 году корректировал свои прогнозы относительно сроков достижения AGI. В новом тексте Геневейн подчёркивает, что четыре направления не исключают друг друга и могут усиливать совместное действие: даже если рекурсивное самоулучшение не приведёт к неконтролируемому ускорению прогресса, увеличение вычислительных ресурсов, эффективности моделей и числа согласованно работающих агентов способно обеспечить развитие ИИ за пределами человеческого уровня. Отсюда следует важный вывод: ограничение только одного направления, например вычислительных мощностей для обучения моделей, не обязательно остановит движение к ASI, поскольку развитие может продолжаться по другим описанным трекам.