Artificial General Intelligence (AGI)

Искусственный общий интеллект (AGI) — это гипотетическая форма искусственного интеллекта (AI), которая соответствует человеческим способностям или превосходит их практически во всех когнитивных задачах и осваивает новые задачи без необходимости создавать или переобучать систему для каждой из них. Согласно большинству определений, все используемые сегодня системы ИИ относятся к узкому искусственному интеллекту (ANI), компетентному только в рамках задач, для которых он обучен. Однако большие языковые модели (LLMs), способные писать, программировать и рассуждать в разных предметных областях, сделали эту границу предметом активных дискуссий. В современном употреблении сильный ИИ — синоним AGI. Марк Губруд использовал этот термин в 1997 году, а исследователи Шейн Легг и Бен Гёрцель популяризировали его примерно в 2002 году.

Определение AGI#

Общепринятого определения AGI нет, а основные предложения измеряют разные характеристики:

• Экономический результат: В Хартии OpenAI AGI определяется как «высокоавтономные системы, превосходящие людей в большинстве видов экономически ценной деятельности».
• Производительность и универсальность: Команда Google DeepMind предложила уровни AGI, оценивающие систему по двум осям: насколько хорошо она справляется с задачами по сравнению с квалифицированными взрослыми — от начального уровня (не уступает человеку без навыков или немного превосходит его) до сверхчеловеческого уровня (превосходит всех людей), — и насколько хорошо она выполняет эти задачи: только в одной области или в широком спектре нефизических задач, включая освоение новых навыков.
• Эффективность обучения: В работе Франсуа Шолле «О мере интеллекта» (2019) интеллект определяется как эффективность приобретения навыков: насколько быстро система осваивает незнакомые задачи при ограниченном количестве данных и предварительных знаний, а не тем, сколько навыков она уже накопила.
• Разум и понимание: философский вопрос заключается в том, будет ли машина действительно понимать и обладать разумом — именно таков изначальный смысл сильного ИИ в аргументе «Китайская комната», предложенном Джоном Серлом в 1980 году.

Фреймворк уровней AGI классифицирует систему с помощью максимум трёх вопросов, начиная с общности:

Авторы отнесли чат-боты 2023 года, такие как ChatGPT, Bard и Llama 2, к зарождающемуся AGI, а все более высокие уровни общности указали как ещё не достигнутые. При этом узкоспециализированные системы уже охватывают шкалу вплоть до сверхчеловеческого уровня, на котором они разместили AlphaFold, AlphaZero и Stockfish.

AGI в сравнении с узким ИИ и сверхинтеллектом#

• ANI: Отлично справляется с задачами в заданной области, но для любой задачи за её пределами нужны новые данные и повторное обучение. Детектор Ultralytics YOLO26, обученный на COCO, занимает узкую колонку во фреймворке уровней: он находит и классифицирует 80 классов объектов за миллисекунды на изображение, но не может выучить новый класс, ответить на вопрос или спланировать действие без повторного обучения или других систем вокруг него.
• AGI: Справляется с большинством когнитивных задач на уровне квалифицированных людей и переносит полученные знания в области, на которых его никогда не обучали. Сегодня такую способность переноса обучения можно реализовать лишь между тесно связанными задачами.
• Искусственный сверхинтеллект (ASI): Превосходит лучших людей практически во всех областях. Система, которая совершенствует собственный интеллект быстрее, чем люди могут за этим уследить, — сценарий, лежащий в основе технологической сингулярности.
• Сильный ИИ: В современном употреблении — синоним AGI. В исходном понимании Серла это машина, буквально обладающая разумом; утверждение о понимании, которое не проверяют тесты способностей.

Передовые LLM раздвигают границы этих категорий. Одна модель может составлять договоры, решать олимпиадные задачи по математике и описывать изображения, но её способности неоднородны — эту особенность называют зубчатым интеллектом, а после завершения обучения её веса перестают обновляться.

Открытые проблемы#

• Непрерывное обучение: Развёрнутые модели адаптируются только в пределах своего контекстного окна, а их дальнейшее обучение на новых данных грозит катастрофическим забыванием ранее освоенных навыков.
• Надёжность: Модели, успешно сдающие экзамены для экспертов, всё равно уверенно выдают ошибки, например галлюцинации, и непредсказуемо дают сбой при простых изменениях решаемых ими задач.
• Физический мир: Системы воплощённого ИИ должны воспринимать окружающую среду, планировать и действовать в реальных условиях. Один из предлагаемых способов наделить их необходимым здравым смыслом — использовать модели мира, предсказывающие изменения сцен.
• Согласование и контроль: Исследования в области безопасности ИИ, включая сверхсогласование, изучают, как удержать систему, способную превзойти тех, кто за ней следит, на пути к целям, которые задумали люди.

Оценка прогресса на пути к AGI#

Из-за различий в определениях различаются и тесты. Бенчмарки ARC-AGI следуют определению Шолле и включают новые головоломки, которые люди решают легко; результаты оцениваются на закрытых тестовых наборах, чтобы исключить запоминание ответов. В ARC-AGI-3, запущенном в марте 2026 года, статические головоломки на сетках заменили сотнями интерактивных игровых сред без инструкций и явно заданных целей. Поэтому агент должен исследовать среду, выводить правила и планировать действия. На момент запуска люди-тестировщики набрали 100%, а передовые системы ИИ — 0,51%. В сентябре 2026 года фонд ARC Prize Foundation сообщил, что GPT-6 Astra от OpenAI набрала 62,7% при использовании стандартного тестового стенда и 99,9% на стенде, сохраняющем состояние рассуждений модели между ходами; фонд также отметил, что достижение максимального результата на бенчмарке не докажет наличие AGI. Тесты, требующие обширных знаний, например Humanity's Last Exam, вместо этого оценивают ответы на вопросы экспертного уровня.

Прогнозы о сроках появления AGI сильно расходятся. В опросе 2 778 исследователей, публиковавшихся на ведущих конференциях по ИИ, опубликованном в 2024 году, сводный прогноз оценил в 50% вероятность того, что к 2047 году машины без помощи человека превзойдут людей в любой возможной задаче. Это на 13 лет раньше, чем в опросе той же команды годом ранее.