Четыре технологических сценария перехода от общего ИИ к сверхинтеллекту: анализ Google DeepMind (2026)

10 июня 2026 года Google DeepMind опубликовал доклад «From AGI to ASI», систематизирующий траектории развития ИИ после достижения человеческого уровня. Это не прогноз, а карта неопределённостей: четыре технологических пути, их узкие места и открытые вопросы.

Определения. Общий искусственный интеллект (AGI) — система на уровне среднего человека по широкому кругу когнитивных задач. Сверхинтеллект (ASI) — система, превосходящая большие (тысячи человек) группы экспертов по всем направлениям.

Ключевое отличие. Семь преимуществ цифрового интеллекта, усиливающихся с масштабом: скорость ввода/вывода, скорость обработки, объём рабочей памяти, независимость от субстрата, беспотерьное копирование (включая состояние памяти), скоростной обмен опытом (вплоть до градиентов). Это принципиально меняет экономику масштабирования.

Текущие темпы. Эффективный объём вычислительных мощностей (effective compute) — произведение аппаратного прогресса, роста инвестиций и алгоритмической эффективности — растёт ~10×/год: аппаратура ~1,5×, инвестиции ~2,5×, алгоритмическая эффективность ~3–6× (Ho et al., 2025).

Ограничения.

• «Стена данных» (Data Wall): исчерпание качественных текстовых данных прогнозируется на конец десятилетия (Villalobos et al., 2024). Контраргумент: синтетические данные, симуляции, самообучение через игру (self-play), обучение с подкреплением (RL).
• Экономика: стоимость кластеров на 100 000+ графических процессоров (GPU) и гигаваттных датацентров. Контраргумент: ИИ-сервисы окупают инфраструктуру.

При росте эффективных вычислительных мощностей в 10×/год через 5 лет можно запускать 100 млн инстансов общего ИИ вместо 1000. Достаточно ли этого для сверхинтеллекта — открытый вопрос.

Текущая парадигма: предварительное обучение (pretraining) трансформеров, пост-тренинг (post-training), масштабирование на этапе инференса (test-time scaling) через цепочки рассуждений (chain-of-thought), генерация с дополнением через поиск (RAG), использование инструментов (tool use).

Потенциальные сдвиги: спайковые нейронные сети, нейроморфное железо, аналоговые вычисления, предварительное обучение с подкреплением (RL-pretraining), явные модели мира (world models). Характеристики непредсказуемы до эмпирической верификации. Сдвиги распознаются только при достаточном масштабе, но требуют значительных инвестиций — часто против несовместимого технологического стека.

Четыре механизма:

• Код: ИИ пишет лучшие архитектуры и оптимизаторы
• Данные: дистилляция результатов поиска в улучшенные данные — по образцу AlphaZero (AlphaZero-style)
• Железо: ИИ-проектирование чипов (ChipNeMo — Liu et al., 2023)
• Разделение труда: специализация агентов повышает эффективность коллектива

Параллель с человеческой эволюцией: генетической (код), культурной (данные/инструменты) и кооперативной (разделение труда). ИИ может достичь значительно более высоких темпов культурной эволюции.

Реализации: нейросетевой поиск архитектур (Neural Architecture Search), системы FunSearch (Romera-Paredes et al., 2024) и AlphaEvolve (Novikov et al., 2025).

Ограничения: время физических экспериментов не сократить произвольно. Итеративная дистилляция (iterated distillation) вырождается в некоторых конфигурациях (Shumailov et al., 2024).

Механизм. Искусственный сверхинтеллект (ASI) может возникнуть как эмерджентное свойство скоординированных групп агентов общего ИИ. Теория коллективного агента (group agency, List and Pettit, 2011): коллективы обладают состояниями, отличными от индивидуальных. В контексте ИИ — автоматизированные корпорации, виртуальные экономики агентов.

Формы организации:

• Рыночная: координация через ценовые сигналы (Tomašev et al., 2025b)
• Централизованная: прямое управление
• Гибридная

Открытые вопросы: для каких задач коллективы эффективнее отдельных моделей? Как масштабируется коллективный интеллект? Существуют ли мультиагентные законы масштабирования (multi-agent scaling laws)?

Доклад выделяет шесть категорий барьеров. Ключевые:

• «Стена данных» (Data Wall). Контрфакторы: синтетика, симуляции, обучение с подкреплением.
• Экономика. Контрфакторы: окупаемость ИИ-сервисов.
• Барьер абстракций (Abstraction Barrier). Модели на человеческих данных могут не формировать новые абстракции (Lerchner, 2026). Контрфакторы: коллективы агентов, обучение с подкреплением, эмпирическое открытие концептов (grounded concept discovery).
• Регулирование. Контрфакторы: межгосударственная конкуренция.

Маловероятно, что прогресс остановится ровно на человеческом уровне: для этого несколько барьеров должны оказаться фундаментальными одновременно. Даже при плато индивидуальных моделей рост эффективных вычислительных мощностей и коллективные эффекты могут обеспечить движение к сверхинтеллекту.

Исследовательская повестка (раздел 7.1)