«Я думаю, что это сейчас. Я думаю, что мы достигли AGI.» Это были слова Дженсена Хуана на подкасте Лекса Фридмана, вызвавшие шок в сообществе ИИ и вновь разжигающие самый важный дебат в области искусственного интеллекта: достигнуто ли общее искусственное сознание?
Но CEO Nvidia намеренно уклонился от какого-либо строгого объяснения, исследования или дебатов о том, что на самом деле означает AGI. Его определение AGI было чистым хайпом: ИИ-система, которая может построить компанию стоимостью 1 миллиард долларов. Вот и всё. Большинство определений AGI, как правило, ссылаются на соответствие широкому спектру когнитивных навыков человека. Для Дженсена Хуана, подразумевая, интеллект равен масштабу. С большими моделями, большим количеством параметров, больше данных и вычислений системы станут более способными. С этой точки зрения, интеллект является побочным продуктом количественного расширения.
Гипотеза масштабирования: Почему большие модели ИИ не означают более умный ИИ
Мы предполагаем, что этот подход принес явные успехи. Модели крупного масштаба демонстрируют впечатляющую производительность по широкому спектру задач, часто превосходя человеческие эталоны в узких областях (Боммасани и др., 2021). Тем не менее, мы выделили несколько раз это основное предположение как хрупкое: увеличение ёмкости не приведет к общей эффективности.
Ограничение не просто практическое, а структурное. Масштабирование улучшает производительность в рамках известных распределений, но не гарантирует когерентного поведения за их пределами (Лейк и др., 2017). Оно усиливает то, что уже присутствует; оно не реорганизует систему. Как подчеркивает исследование IBM, современные LLM все еще сталкиваются с фундаментальными задачами рассуждения: они предсказывают, но не понимают по-настоящему.
В результате эти системы часто демонстрируют знакомый паттерн: сильная локальная компетентность в сочетании с глобальной непоследовательностью. Они могут решать сложные проблемы, но терпят неудачи в простых. Они могут обобщать в некоторых контекстах, но рушатся в других. Проблема не в отсутствии возможностей, а в отсутствии интеграции. Именно поэтому дебаты о масштабировании AGI в 2026 году усилились: вычисления физические, и масштабирование достигло diminishing returns.
Когнитивная структура Google DeepMind для измерения прогресса AGI
Вторая позиция, сформулированная в недавних рамках Google DeepMind, определяет интеллект как многомерную конструкцию, состоящую из когнитивных способностей, таких как восприятие, память, обучение, рассуждение и метапознание. Намного лучше...
С этой точки зрения, прогресс к AGI можно измерить, оценивая системы по набору задач, предназначенных для проверки каждой из этих способностей (Бернелл и др., 2026). Но как разрабатываются задачи? Мы обучаем ИИ с вопросами и ответами, с которыми они столкнутся в испытаниях?
Источник: Бернелл, Р. и др. (2026). Измерение прогресса к AGI: когнитивная структура. Google DeepMind. Смотрите статью (PDF)
По крайней мере, этот подход признает, что интеллект не является одной скалярной величиной, а сложным набором взаимодействующих способностей, основанным на десятилетиях работы в когнитивной науке (Кэрролл, 1993; Каттелл, 1963).
Почему когнитивные профили не могут однозначно определить искусственный общий интеллект
Тем не менее, ограничение заключается в том, как эти способности рассматриваются. Хотя структура признает их взаимодействие, она в конечном итоге оценивает их как отдельные компоненты, создавая «когнитивный профиль» сильных и слабых сторон.
Это вводит критическое и неожиданное искажение.
Потому что интеллект не является суммой способностей. Это то, что возникает, когда эти способности организованы под единой динамикой. На самом деле, фактор g, как мы объяснили в нашей первой научной фундаментальной статье, показывает четкую иерархию. Компоненты организуются в слои!
Источник: Санчес, Дж. и Виванкас, Д. (2024). Путешествие Qubic AGI: Человеческий и искусственный интеллект: К AGI с Aigarth. Смотрите статью на ResearchGate
Система может иметь высокие оценки в нескольких областях и все равно не вести себя интеллектуально в общем смысле. Не потому, что ей не хватает возможностей, а потому, что эти возможности не интегрированы когерентно. Структура DeepMind явно избегает указания, как эти процессы реализованы, сосредоточиваясь вместо этого на том, что система может делать. Это делает её полезным инструментом для бенчмаркинга, но недостаточным как теорию интеллекта. Почему-то кажется, что компании ИИ забывают, что мы знаем об интеллекте на протяжении века: что это такое, как его измерить, какие компоненты, области и их взаимодействия.
Проблема слабого звена: Почему средняя производительность ИИ скрывает критические сбои
Ключевым вопросом является то, что производительность измеряется, но организация — нет.
И это приводит к более глубокой проблеме: слабость системы заключается в самом слабом звене цепи. Система может показывать хорошие результаты в среднем, но всё равно систематически проваливаться в определённых аспектах, таких как поддержание контекста или стабильность. Эти провалы не маргинальны. Они определяют систему.
Система, которая рассуждает, но не может поддерживать контекст, которая обучается, но не может переносить, которая генерирует, но не может валидировать, не является частично интеллектуальной. Она структурно ограничена. И это ограничение не проявляется в усредненных профилях, потому что усреднение скрывает точку сбоя.
В реальном интеллекте нет терпимости к внутренней дискретности. В момент, когда один компонент не интегрируется с другими, поведение перестает быть общим и становится локальным (Ковач и Конвей, 2016).
Это именно тот паттерн, который наблюдается в современных системах ИИ: высокоразвитые способности, которые слабо связаны между собой. Как мы исследовали в нашем глубоком сравнении биологических и искусственных нейронных сетей, разрыв между распознаванием паттернов и подлинной когнитивной интеграцией остается огромным.
Подход Qubic: Интеллект как адаптивная организация в условиях неопределенности
Для Qubic/Aigarth/Neuraxon интеллект не определяется количеством способностей, которые имеет система, и не тем, как хорошо она выполняет заранее определенные задачи, а тем, как она ведет себя, когда не знает, что делать. Потому что это и есть суть интеллекта: что вы делаете, когда не знаете, что делать.
В этом смысле интеллект по своей сути является адаптивным процессом в условиях неопределенности (Берейтер, 1995). Этот взгляд согласуется с классическими определениями, где интеллект понимается как способность решать новые проблемы, строить внутренние модели и действовать на их основе (Гертцель и Пенначин, 2007). Но он расширяет их, подчеркивая субстрат, в котором происходят эти процессы.
Биологические доказательства: фактор g, мозговые сети и когнитивная интеграция
С этой точки зрения, интеллект возникает из организации системы, а не из её компонентов. Биологические доказательства поддерживают этот сдвиг. Общий фактор интеллекта (g) не объясняется изолированными когнитивными модулями, а эффективностью и интеграцией крупных мозговых сетей (Юнг и Хайер, 2007; Бастен и др., 2015). Интеллект коррелирует гораздо сильнее с паттернами связности и скоординированной активности, чем с производительностью отдельных областей.
Наши исследования по коннектому плодовой мушки еще больше укрепляют этот принцип: даже в самой простой полной карте мозга, когда-либо созданной, интеллект начинается с архитектуры. Коннектом Drosophila демонстрирует, что часть интеллекта может находиться в структуре даже до того, как происходит обучение.
Aigarth и Multi-Neuraxon: архитектура ИИ, вдохновленная мозгом для истинного AGI
Архитектуры, такие как Aigarth и Multi-Neuraxon, пытаются операционализировать эту идею. Вместо того чтобы максимизировать масштаб или перечислять способности, они сосредотачиваются на том, как несколько взаимодействующих единиц (сферы, колебательные каналы и динамические механизмы управления) могут создавать когерентное поведение в различных контекстах (Санчез и Виванкас, 2024).
В этих системах интеллект не предопределен. Он не закодирован в модулях или оценивается как контрольный список способностей. Он возникает из взаимодействия между компонентами, которые сами по себе адаптивны, структурированы по времени и взаимно ограничены. Как мы исследуем в Академии ИИ Neuraxon, эти сети включают нейромодуляцию, пластичность на нескольких временных масштабах и астроцитарные механизмы управления, принципы, заимствованные непосредственно из нейробиологии, чтобы создать системы с внутренней экосистемой, а не просто вычислительной мощью.
Важно, что этот подход напрямую решает проблему, которую игнорируют другие два: интеграция. Вопрос о сознании ИИ против интеллекта дальше проясняет это различие: система, которая интегрирует несколько масштабов, поддерживает динамическую стабильность и эволюционирует, не теряя когерентности, предоставляет гораздо более прочную основу для общего интеллекта.
Заключение: Почему дебаты об AGI должны выйти за рамки хайпа и эталонов
Потому что в организованной системе сбой в одном компоненте распространяется на всю систему. Именно поэтому ни экономическое определение Дженсена Хуана, ни когнитивное профилирование DeepMind не захватывают суть искусственного общего интеллекта. Путь к AGI не проходит через большие кластеры GPU или длинные списки когнитивных способностей. Он проходит через фундаментальную реорганизацию того, как строятся системы ИИ: от оптимизации к организации.
Мы должны перейти от оптимизации (LLMs) к организации (Aigarth). Мы твердо верим, что это один из самых значимых сдвигов в будущем искусственного интеллекта.
Научные ссылки
Бастен, У., Хилгер, К., и Фибах, К. Дж. (2015). Где умные умы различаются: количественный мета-анализ функциональных и структурных исследований мозга на тему интеллекта. Интеллект, 51, 10–27. https://doi.org/10.1016/j.intell.2015.04.009
Берейтер, К. (1995). Диспозиционный взгляд на перенос. Обучение для переноса: Стимулирование обобщения в обучении, 21–34.
Боммасани, Р., Хадсон, Д. А., Адели, Э., и др. (2021). О возможностях и рисках моделей оснований. arXiv preprint arXiv:2108.07258. https://arxiv.org/abs/2108.07258
Бернелл, Р., Ямамори, Я., Фират, О., и др. (2026). Измерение прогресса к AGI: когнитивная структура. Google DeepMind. Смотрите статью
Кэрролл, Дж. Б. (1993). Человеческие когнитивные способности: Обзор факторных аналитических исследований. Cambridge University Press. https://doi.org/10.1017/CBO9780511571312
Каттелл, Р. Б. (1963). Теория текучего и кристаллизованного интеллекта: критический эксперимент. Журнал образовательной психологии, 54(1), 1–22.
Гертцель, Б., и Пенначин, К. (2007). Искусственный общий интеллект. Springer.
Юнг, Р. Е., и Хайер, Р. Дж. (2007). Теория интеграции парьето-фронтальных функций (P-FIT) интеллекта. Поведенческие и мозговые науки, 30(2), 135–154. https://doi.org/10.1017/S0140525X07001185
Ковач, К., и Конвей, А. Р. А. (2016). Теория перекрытия процессов: единая концепция общего фактора интеллекта. Психологическое исследование, 27(3), 151–177. https://doi.org/10.1080/1047840X.2016.1153946
Лейк, Б. М., Ульман, Т. Д., Тененбаум, Дж. Б., и Гершман, С. Дж. (2017). Создание машин, которые учатся и думают как люди. Поведенческие и мозговые науки, 40, e253. https://doi.org/10.1017/S0140525X16001837
Санчез, Дж., и Виванкас, Д. (2024). Путешествие Qubic AGI: Человеческий и искусственный интеллект: К AGI с Aigarth. Препринт. Просмотр на ResearchGate