В эссе ASI описан как система, которая стабильно превосходит большие группы экспертов в задачах, на которые людям нужны годы, и делает это быстрее и с меньшими затратами ресурсов. Авторы приводят примеры: за долю обычного времени получить научный прогресс целой исследовательской области или за год разработать микросхемы на уровне крупных компаний. Такой уровень должен достигаться почти во всех областях, а не только в узких, вроде шахмат или предсказания структуры белков.

«Наше новое эссе рассматривает путь от AGI к ASI», написал в X соучредитель Google DeepMind Шейн Легг. В самом тексте авторы предлагают считать общий интеллект шкалой, где человеческий уровень AGI лишь одна из точек, а не финиш.

Какие пути к сверхинтеллекту рассматривают в DeepMind?

Авторы называют четыре технологических пути. Первый: масштабирование моделей и данных, то есть рост качества при увеличении размера моделей и объема обучения. Второй: координация тысяч или миллионов агентов в групповые системы, которые решают задачи, не посильные одиночным моделям.

Третий путь: смена технологической парадигмы, ведь нынешние большие трансформеры могут не справиться с непрерывным обучением и некоторыми формами понимания мира. Четвертый: рекурсивное самосовершенствование, при котором ИИ сам ускоряет создание следующих поколений ИИ. Эти пути не исключают друг друга, а усиливают.

Эссе называет и ограничения. Одно из них «стена данных»: качественных обучающих данных нужно больше, чем человечество успевает производить. Отдача от увеличения масштаба моделей падает, а рост вычислений упирается в электростанции, электросети и заводы по выпуску микросхем. Авторы признают, что неясно, смогут ли улучшения железа и программ компенсировать эти пределы.

На чем основано эссе?

Текст опирается на технический отчет From AGI to ASI. Его первая версия появилась на arXiv 10 июня 2026 года, третья датирована 10 ноября 2026 года. В аннотации отчета переход к ASI описан не как один шаг после появления AGI, а как возможная серия трансформационных изменений в науке и обществе. Шейн Легг значится среди авторов.

Эссе вышло на платформе DeepMind Institute, которую компания запустила 16 сентября 2026 года как площадку для обсуждения того, как строить и регулировать AGI. Легг указан одним из директоров института и его управляющим редактором.

Для дискуссии о регулировании важен вывод авторов: ограничение одного направления, например вычислительных мощностей для обучения моделей, не остановит общий прогресс, потому что остальные пути продолжат работать. Быстрый прогресс в ближайшее десятилетие авторы считают серьезной возможностью, но не гарантией. Следующим шагом они предлагают цикл «моделировать, измерять, прогнозировать и повторять». Для этого, по их словам, нужны доступ к передовым моделям и значительные вычислительные ресурсы для оценок.