Google DeepMind раскрывает четыре ключевых пути к искусственному суперинтеллекту

Основным направлением эволюции названа ASI — результат масштабирования, самопереписывания и коллективного поведения миллионов ИИ-агентов

Google DeepMind представила исследование программного обеспечения «От AGI к ASI», в котором переосмысляется основная структура развития искусственного интеллекта: AGI (Искусственный Общий Интеллект) больше не рассматривается как технологический предел и интерпретируется как промежуточный этап перед искусственным суперинтеллектом (ASI).

Согласно авторам, ASI — это не «умнее человек», а система, которая превосходит совокупные когнитивные возможности крупных организаций и экспертных сообществ. Таким образом, изменяется сама отправная точка: сравнение ведется не с индивидуальным интеллектом, а с коллективной интеллектуальной инфраструктурой общества.

Основной тезис работы заключается в том, что развитие ИИ определяется не одной технологией, а экспоненциальным увеличением «эффективных вычислений». Он складывается из трех факторов: роста вычислительных мощностей, увеличения инвестиций в инфраструктуру и повышения алгоритмической эффективности. В совокупности это приводит к многократному увеличению доступных вычислительных ресурсов, которые формируют путь к ASI.

Авторы выделяют четыре ключевых направления перехода к суперинтеллекту. Первое — классическое масштабирование моделей и вычислений, основанное на законах масштабирования. Второе — изменение архитектурной парадигмы, включая системы с непрерывным обучением и расширенным контекстом. Третье — рекурсивное самосовершенствование, когда ИИ начинает оптимизировать свои собственные алгоритмы и код, что потенциально создает ускоряющуюся динамику развития. Четвертое — мультиагентная координация, при которой множество моделей формирует распределённый коллективный интеллект.

Отдельно обсуждается ограничение текущего подхода — истощение высококачественных данных для обучения, описанное как «стена данных» (data wall). Это вынудит индустрию перейти к синтетическим данным и обучению в симулированных средах, поскольку простое увеличение объема интернет-данных больше не обеспечивает прежнего повышения качества.

Методологически работа основывается на формализме универсального ИИ (AIXI) и шкале Легга — Хаттера, где интеллект определяется как способность агента максимизировать вознаграждение в совокупности всех вычислимых сред, взвешенных по их сложности. Эта рамка используется как теоретическая граница возможного машинного интеллекта.

Практическая часть работы — попытка объединить разрозненные гипотезы о будущем ИИ в единую исследовательскую повестку, где AGI перестает быть конечной целью и становится отправной точкой к фазе систем, способных к автономному научному прогрессу.

Заключительный вывод исследования сводится к изменению роли ИИ: от инструмента, ограниченного человеческим проектированием, к потенциально автономному фактору технологического развития, где ограничения задаются уже не архитектурами моделей, а физическими, экономическими и организационными пределами вычислений.