Искусственный интеллект, Технологии | Олег Брагинский, Марина Строева
Основатель «Школы траблшутеров» Олег Брагинский и ученица Марина Строева разбирают, почему путь к AGI оказался сложнее, чем простое наращивание вычислительных мощностей, и какие четыре технологических опоры формируют облик будущего общего интеллекта.
AGI – общий искусственный интеллект – долго находился в зоне фантастики. Одни видели машину, способную мыслить на уровне человека. Другие – цифрового сверхразумного помощника. Третьи воспринимали концепцию как маркетинговую конструкцию для инвесторов.
К 2025–2026 годам изменилась сама логика развития. Эпоха грубого масштабирования упёрлась в убывающую отдачу. Фокус сместился от размеров моделей к качеству способностей: наличие рассуждения, понимание среды, обучение в процессе использования.
AGI всё чаще трактуется как система, решающая широкий спектр когнитивных задач на уровне образованного взрослого. Не в узкой специализации, а универсально – с гибкостью и глубиной. Оценка строится по двум осям:
- широта – компетентность в разных доменах: язык, математика, логика, память, зрение, звук, абстракция, адаптация к новым правилам
- глубина – надёжность и точность действий внутри каждого домена.
Современные модели демонстрируют выдающиеся результаты в отдельных задачах: генерация текста, пересказ знаний, решение уравнений, программирование. Однако сохраняется перекос: сильные стороны сочетаются с системными ограничениями.
ИИ эффективен при наличии структурированных данных и устойчивых языковых закономерностей. Слабые зоны – долговременная память, работа с нестандартными ситуациями, понимание физического мира, причинно-следственные связи, накопление опыта.
Несколько лет индустрия следовала логике scaling law: больше параметров, больше данных, больше вычислений – выше качество. Подход работал.
К 2025 году стало очевидно: одного масштабирования недостаточно. Рост сохраняется, но перестал давать качественный скачок. Увеличение размеров больше не гарантирует появления критически важных свойств.
На первый план вышли четыре направления: рассуждение, память, пространственный интеллект и world models, а также мета-обучение.
Ключевой сдвиг – развитие test-time compute. Модель получает возможность тратить дополнительные вычисления на этапе ответа: проверять гипотезы, выстраивать промежуточные шаги, возвращаться к предыдущим состояниям, корректировать решения.
Рассуждение перестаёт быть побочным эффектом предсказания токенов и превращается в управляемый процесс.
Увеличение контекста, подключение RAG, сохранение истории диалога – лишь надстройки. Полноценная память требует другого: накопления опыта, отбора значимого, забывания лишнего, изменения поведения на основе пройденных ситуаций.
Поэтому внимание сместилось к архитектурам, выходящим за рамки «замороженных весов». Обучение перестаёт быть исключительно предварительным этапом.
Новые подходы предполагают фиксацию значимых событий, адаптацию в процессе эксплуатации с удержанием усвоенного. Без памяти интеллект остаётся быстрым, но лишённым накопления.
Следующий рубеж – переход от работы с текстом к пониманию среды. Здесь возникает тема world models и пространственного интеллекта.
Видео и изображения добавляют недостающие компоненты: физику, устойчивость объектов, динамику во времени, пространственные ограничения, причинность.
Понимание того, что объект сохраняется вне кадра, движение подчиняется законам, действия приводят к последствиям, а сцены развиваются по внутренней логике, – признак выхода за пределы поверхностной генерации.
Дальнейший шаг – воплощённый интеллект (embodied intelligence): взаимодействие с реальным миром через роботов, сенсоры, устройства и симуляции. Интеллект переходит от описания к действию.
Текущие системы представляют собой «мощное прошлое»: обучены на огромных массивах данных, но почти не развиваются в процессе использования. Воспроизведение знаний доминирует над их приобретением.
Отсюда интерес к мета-обучению и continual learning. Задача – не только решать задачи, но и совершенствовать способы решения. Быстро адаптироваться к новым условиям с минимальным числом примеров. Осваивать сам процесс обучения. Без этого AGI остаётся иллюзией.
Настоящий интеллект определяется не объёмом знаний, а скоростью освоения нового. Следующий вопрос – последствия. Системы, способные выполнять интеллектуальный труд на уровне человека быстрее и дешевле, трансформируют не только рынок программного обеспечения.
Изменения затронут рынок труда, образование, баланс капитала и труда, ценность навыков, структуру потребления, роль государства и само понимание человеческой ценности.
Появление AGI вряд ли примет форму резкого события. Скорее нас ждёт длинная кривая постепенных улучшений:
- сначала – устойчивое рассуждение
- затем – эффективная память
- далее – работа с инструментами
- и, наконец – адаптация и длительная автономность.
Финальный этап – выполнение социальных ролей: помощник, исследователь, аналитик, оператор, медицинский консультант, юридический ассистент, научный агент.
AGI не сводится к одной большой модели. Требуется совокупность свойств: память, адаптация, управляемое рассуждение, понимание среды, обучение в процессе, существование во времени.
Общий искусственный интеллект остаётся предметом дискуссии. Однако важнее не сроки появления, а характеристики будущих систем, круг бенефициаров и управление последствиями.
Возможны два сценария: усиление концентрации капитала и автоматизация человека – либо создание инфраструктуры, усиливающей возможности людей в науке, медицине, образовании и повседневной жизни.
Именно этот выбор сегодня имеет большее значение, чем любые прогнозы дат.