Google DeepMind опубликовала программное исследование «От AGI к ASI», в котором пересобирается базовая рамка развития искусственного интеллекта: AGI (Artificial General Intelligence) перестаёт рассматриваться как технологический предел и описывается как промежуточный этап перед искусственным суперинтеллектом (ASI).
В логике авторов ASI — это не «более умный человек», а система, которая превосходит суммарные когнитивные способности крупных организаций и экспертных сообществ. Таким образом, меняется сама точка отсчёта: сравнение идёт не с индивидуальным интеллектом, а с коллективной интеллектуальной инфраструктурой общества.
Ключевой тезис работы — развитие ИИ определяется не одной технологией, а экспоненциальным ростом «эффективных вычислений». Он складывается из трёх факторов: роста вычислительного оборудования, увеличения инвестиций в инфраструктуру и повышения алгоритмической эффективности. В сумме это даёт кратный рост доступных вычислительных мощностей, который и формирует траекторию движения к ASI.
Авторы выделяют четыре основных пути перехода к суперинтеллекту. Первый — классическое масштабирование моделей и вычислений, опирающееся на законы масштабирования. Второй — смена архитектурной парадигмы, включая системы с непрерывным обучением и расширенным контекстом. Третий — рекурсивное самосовершенствование, при котором ИИ начинает оптимизировать собственные алгоритмы и код, что потенциально создаёт ускоряющуюся динамику развития. Четвёртый — мультиагентная координация, где множество моделей формирует распределённый коллективный интеллект.
Отдельно рассматривается ограничение текущего подхода — истощение высококачественных данных для обучения, описанное как «стена данных» (data wall). Это вынудит индустрию переходить к синтетическим данным и обучению в симулированных средах, поскольку простое увеличение объёма интернет-данных больше не даёт прежнего прироста качества.
Методологически работа опирается на формализм универсального ИИ (AIXI) и шкалу Легга — Хаттера, где интеллект определяется как способность агента максимизировать вознаграждение в совокупности всех вычислимых сред, взвешенных по их сложности. Эта рамка используется как теоретическая верхняя граница возможного машинного интеллекта.
Практическая часть работы — попытка собрать разрозненные гипотезы о будущем ИИ в единую исследовательскую повестку, где AGI перестаёт быть финальной целью, а становится точкой перехода к фазе систем, способных к автономному научному прогрессу.
Финальный 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.