A Google DeepMind nemrég publikált egy tanulmányt, amely alaposan megváltoztatja azt, hogyan kellene az AGI-ról, vagyis az emberi szintű mesterséges általános intelligenciáról gondolkodnunk. Nem azért, mert konkrét dátumot mondtak be, és nem is azért, mert kijelentették volna, hogy a szuperintelligencia mindjárt itt van. A lényeg az, hogy a DeepMind immár nyíltan olyan valamiként kezeli az AGI-t, ami elég közel van ahhoz, hogy fel kelljen tennünk a kérdést, amire szinte senki sincs felkészülve: mi történik azután, hogy megépítettük?

A tanulmány igazán ijesztő része nem az, hogy a Google időzítésekről beszél, hanem az, hogy megkérdőjelezi: az AGI valóban a célegyenes vége, vagy csak az a pillanat, amikor minden felgyorsul. Ha végigkövetjük a gondolatmenetüket, az egész beszélgetés más megvilágításba kerül. Ez nem csupán okosabb chatbotokról szól, hanem arról, mi történik, amikor az intelligencia olyan dologgá válik, amit skálázni, másolni, koordinálni lehet — és amit fel lehet használni a következő generáció felépítésére.

Az első jel: az AGI már a következő évtized célkitűzése

A DeepMind szerint az elmúlt évtizedben az emberi szintű mesterséges általános intelligencia építése a gyors spekulációból egy konkrét, a következő évtizedre szóló céllá vált a legnagyobb AI-szervezetek többségénél. Ez a mondat sokat elárul. A DeepMind nem állítja, hogy az AGI 2030-ra garantáltan megjelenik, dátumot nem tűznek ki — de azt igen, hogy a beszélgetés súlypontja elmozdult. A világ legnagyobb laborjai már nem távoli akadémiai álomként kezelik az AGI-t, hanem olyasvalamiként, ami évek, nem évszázadok alatt elérhető lehet.

A tanulmány szerint a frontvonalbeli modellek egyre több olyan kognitív feladatot oldanak meg, amelyek korábban kizárólag emberi kompetenciák voltak, és az AGI a generációnk számára is elérhető lehet — talán a következő évtizeden belül, vagy annál is hamarabb. Ez jelentős hangnemváltás ahhoz képest, ahogyan az AGI-ról korábban beszéltek: sokáig filozófiai vita, távoli álom vagy a mainstreamen kívüli szereplők jóslata volt. Itt viszont a DeepMind egy gyakorlati tervezési időablakba helyezi a témát.

A tanulmány valójában az AGI utáni időszakról szól

A második jel az, hogy a tanulmány elsősorban nem az AGI eléréséről szól, hanem arról, mi történik utána. A cím — From AGI to ASI — nem véletlen. A DeepMind azt vizsgálja, hogy az AI fejlődése megáll-e az emberi szint közelében, fokozatosan lelassul, vagy tovább folytatódik a mesterséges szuperintelligencia (ASI) felé.

A tanulmányban az AGI nagyjából emberi szintű általános mesterséges intelligenciát jelent, pontosabban egy olyan rendszert, amely a kognitív feladatok széles körében a mediánhoz közeli emberi teljesítményt nyújt. Ez erős képesség, de nem ugyanaz, mint egy rendszer, amely szinte mindenben felülmúlja az emberiséget. Az ASI ennél sokkal erősebb: a DeepMind olyan rendszerként írja le, amely szuperemberi képességekkel rendelkezik gyakorlatilag minden, az emberiség számára releváns feladatban és területen — nem egyetlen szűk területen, mint az AlphaGo a Go játékban vagy az AlphaFold a fehérjeszerkezet-előrejelzésben, hanem általánosan, szakértői csoportok, kutatási területek és koordinált emberi közösségek szintjén felülmúlva azokat.

A digitális intelligencia felgyorsíthatja az átmenetet

A harmadik időzítési jel az, hogy a DeepMind sok időt szentel annak kifejtésére, miben különbözik a digitális intelligencia az emberi intelligenciától. Ha az AI csupán egy digitális ember lenne, az időzítést könnyebb lenne megbecsülni. De az AI-rendszereknek olyan előnyeik vannak, amelyekkel az emberek nem rendelkeznek: nagyon nagy sávszélességen dolgozhatnak be- és kimeneti adatokkal, több számítási kapacitással gyorsabban futtathatják a belső következtetést, sokkal nagyobb munkamemóriájuk lehet, jobb hardverre helyezhetők át, és másolhatók — a tapasztalataik tárolhatók, lejátszhatók, megoszthatók vagy újrafelhasználhatók.

Ezek az előnyök nem igényelik, hogy a rendszer tudatos legyen, vagy emberi érzésekkel, belső tapasztalattal rendelkezzen — egyszerűen mérnöki tulajdonságok. Egy digitális rendszer sokszorosítható úgy, ahogy egy biológiai elme nem; telepíthető infrastruktúrán úgy, ahogy egy ember nem; és igény esetén több példányban futtatható. Ha egy emberi kutató hasznossá válik, nem lehet millió példányban lemásolni, nem lehet felgyorsítani az agyát több GPU vásárlásával, nem lehet szüneteltetni, jobb hardverre helyezni, vagy azonnal megosztani a teljes tapasztalatát minden más kutatóval. A digitális rendszerekkel viszont ezek a korlátok meglágyulnak — ha van egy hasznos AI-kutatónk, annak skálázása inkább számítási kapacitás és infrastruktúra kérdésévé válik, nem évtizedes emberi képzésé.

A számítási kapacitás növekedése a legfontosabb középtávú jel

A negyedik időzítési jel a számítási kapacitás. A DeepMind szerint annak megbecslése, mennyi számítási kapacitás lesz elérhető, a probléma egyik kezelhetőbb része — a képességek nehezen jósolhatók, de a számítási kapacitás növekedése legalább becsülhető a hardverfejlődés, a befektetések és az algoritmikus hatékonyság alapján. A tanulmány szerint a hardvergyártás évtizedek óta növeli a dolláronkénti számítási kapacitást, a hardverberuházások gyorsan nőnek, és az algoritmusok hatékonysága is javul. Ezeket összevonva a DeepMind olyan becsléseket említ, amelyek szerint az effektív számítási kapacitás évente nagyságrendileg nő — bár hangsúlyozzák, hogy ezek a számok bizonytalanok.

A DeepMind egy szemléletes közeltávú példát is ad: ha az AI-fejlődés jelenlegi üteme legalább az évtized végéig blokkoló tényezők nélkül folytatódik, az akár tízezerszeres effektív számítási kapacitás-növekedést is jelenthet a maihoz képest. Ez nem azt jelenti, hogy az évtized vége egyenlő az AGI vagy ASI megjelenésével, hanem azt, hogy ha a jelenlegi növekedés eddig a pontig kitart, az AI mögötti infrastruktúra drasztikusan nagyobb lehet, mint most. Ha ez jobb algoritmusokkal párosul, az AI-rendszerek gyakorlati képességei egészen mások lehetnek, mint ma. A DeepMind egy példát is bemutat: 100–1000 AGI-példányból egy év alatt 10 000, öt év alatt akár 100 millió is lehet, ha az effektív számítási kapacitás évente tízszeresére nő.

Az önmagát gyorsító kutatás: a rekurzív önfejlesztés

Az ötödik időzítési jel a rekurzív önfejlesztés: az a folyamat, amelyben az AI segít fejleszteni az AI-t, majd a továbbfejlesztett AI még jobban segít a következő fejlesztésben. A DeepMind nem állítja, hogy a gyors intelligenciarobbanás garantált, de azt igen, hogy ha az AI-rendszerek jelentősen felgyorsítják az AI-kutatást és -fejlesztést, a fejlődés önmagát gyorsíthatja. Az AI segíthet jobb kódot írni, jobb kísérleteket tervezni, jobb tanítóadatokat előállítani, új architektúrákat keresni, algoritmusokat javítani, és a gépi tanulási kutatás egyes részeit automatizálni.

Ez nem feltétlenül egyetlen drámai pillanatként jelenik meg. Kezdődhet azzal, hogy az AI segít a kutatóknak gyorsabban kódot írni, majd kísérleteket futtatni, kudarcokat elemezni, jobb adatokat generálni, új tanítási recepteket tervezni, és kutatócsoportokat koordinálni. Minden lépés egy kicsit tovább tömöríti a ciklust — ezért lehet, hogy az átmenet nem egyetlen eseményként érkezik, hanem a kutatási munkafolyamatok fokozatos, egyre automatizáltabb és párhuzamosabb sorozataként, amíg az AI-vezérelt fejlődés mértéke túl gyorssá nem válik ahhoz, hogy az emberek valós időben kövessék. A DeepMind ugyanakkor óvatos: a kutatás nem karosszékből végezhető tudomány — a modellek tanítása időt vesz igénybe, a kísérletek futtatása számítási kapacitást, a hardverfejlesztés pedig gyárakat, energiát és ellátási láncokat igényel. A fizikai világ tehát visszahúzza a folyamatot, még ha a szoftver gyorsan is fejlődhet.

A szuperintelligencia AI-közösségekből is származhat

A hatodik időzítési jel az, hogy a DeepMind szerint az ASI nem feltétlenül egyetlen óriási modellből fog megszületni, hanem AI-ügynökök közösségeiből is. A legtöbben egyetlen hatalmas elmeként képzelik el a szuperintelligenciát, de a DeepMind rámutat, hogy már az emberi intelligencia is skálázódik — csoportokon, intézményeken, együttműködő közösségeken keresztül. Ha ez a logika a digitális rendszerekre is érvényes, az ASI megjelenése kevésbé egyetlen áttörésen, sokkal inkább koordinált AI-ügynökök tömegén múlhat.

Összességében a DeepMind tanulmánya nem jóslat egyetlen dátumra, hanem egy keretrendszer, amely megmutatja, mely tényezők — a számítási kapacitás növekedése, a digitális intelligencia sajátosságai és a kutatás automatizálása — együttesen alakíthatják azt, hogy az AGI-tól az ASI-ig vezető út évek vagy évtizedek kérdése lesz-e.