Самые передовые модели ИИ по-прежнему далеки от совершенства, поэтому их создателям приходится распускать страшные слухи, чтобы оправдать запредельную рыночную капитализацию своих компаний.
Это полемический тезис о мотивах индустрии. Мотивы конкретных людей и компаний напрямую измерить невозможно. Проверяемый вопрос звучит проще: насколько близки современные системы к artificial general intelligence — общему искусственному интеллекту, способному осваивать широкий спектр новых когнитивных задач на человеческом уровне?
По состоянию на 2026 год разрыв остаётся огромным. Самые сильные модели впечатляюще пишут код, решают сложные задачи, работают с изображениями, управляют инструментами и помогают в исследовательской работе. При столкновении с действительно новыми средами, где требуется самостоятельно понять правила, сформировать модель происходящего и научиться действовать без готовой инструкции, их возможности резко падают.
Именно здесь проходит одна из важнейших границ между современными системами и общим интеллектом. Индустрия умеет быстро повышать измеримую производительность. Общепринятого инженерного пути к AGI пока нет.
AGI до сих пор не имеет единого рабочего определения
Разговор о скором AGI начинается с неудобного факта: исследовательское сообщество до сих пор спорит о том, что именно считать общим искусственным интеллектом. В 2024 году группа исследователей Google DeepMind предложила систему «уровней AGI», поскольку существующие определения расходились по критериям производительности, широты способностей и автономности.[1]
В 2025 году большая группа исследователей, среди которых Yoshua Bengio, Erik Brynjolfsson, Dawn Song, Max Tegmark и другие, опубликовала отдельную работу о формальном определении AGI. Авторы прямо указывают на отсутствие конкретного определения, позволяющего ясно измерять разрыв между современными системами и человеческим общим интеллектом.[2]
Это фундаментальная проблема. Инженерная цель требует критерия достижения. Пока разные лаборатории используют разные представления о человеческом уровне, общности, автономности и переносе навыков, заявление о близости AGI зависит от выбранной шкалы.
OpenAI описывает AGI как систему, способную решать задачи на человеческом уровне, и одновременно перечисляет широкий набор исследовательских направлений: frontier-модели, reasoning, мультимодальность, безопасность и новые методы обучения.[3] Такая программа показывает масштаб работы. Продемонстрированного механизма, который гарантированно превращает сегодняшние модели в общий интеллект, она не содержит.
ARC-AGI-3 показывает разрыв там, где нужен настоящий перенос
Один из самых наглядных результатов 2026 года даёт ARC-AGI-3 — интерактивный benchmark, в котором агенту приходится исследовать незнакомые среды, на ходу выяснять цель, строить модель происходящего и учиться по собственному опыту. У среды нет инструкции с готовыми правилами. Человек способен разобраться через взаимодействие.[4]
ARC Prize сообщает, что человеческий уровень на этих средах составляет 100%. При запуске benchmark в марте 2026 года frontier-системы показывали около 0,51%. К июлю Claude Opus 5 поднял проверенный результат до 30,2%. Прогресс за несколько месяцев огромен. Оставшийся разрыв тоже огромен.[5]
Этот тест ценен своей конструкцией. Он уменьшает преимущество предварительного знания формата задачи и заставляет систему приобретать навык внутри новой среды. Именно такая способность составляет ядро человеческой интеллектуальной общности: человек сталкивается с новым миром, обнаруживает закономерности, корректирует гипотезы и переносит найденную структуру на следующую ситуацию.
Текущие модели уже превосходят людей на множестве специализированных benchmarks. ARC-AGI-3 показывает другую часть картины: общий перенос и быстрое обучение в неизвестной среде остаются трудной задачей даже для лучших систем.
Высокий benchmark-score легко принять за общий интеллект
Stanford AI Index 2026 фиксирует бурный рост результатов frontier-моделей. Одновременно отчёт указывает на быстрое насыщение benchmarks, проблемы качества самих наборов и случаи, когда значительная доля заданий оказывается некорректной. На некоторых популярных наборах доля проблемных вопросов доходила до 42%.[6]
Это создаёт опасную оптическую иллюзию. Модель может улучшить результат на конкретном измерителе через масштабирование, post-training, использование инструментов и адаптацию к типу задач. Такой прогресс реален. Универсальность требует отдельного доказательства.
Человеческий интеллект проявляется через устойчивое обучение в новых обстоятельствах, перенос принципов между областями, долговременную память, самостоятельное формирование моделей мира, работу с неполной информацией и контроль собственных ошибок. Современные системы демонстрируют эти свойства фрагментарно и очень неравномерно.
Многоавторская работа «A Definition of AGI» описывает современный профиль способностей как jagged: сильные результаты в одних когнитивных областях соседствуют с глубокими провалами в других, включая долговременную память.[2] Такой зубчатый профиль плохо согласуется с образом единого универсального разума, который уверенно переносит способности между областями.
Модели остаются хрупкими там, где требуется различать знание и убеждение
Галлюцинации здесь служат одним из симптомов общей проблемы. Stanford AI Index 2026 приводит результаты оценки 26 сильных моделей, где уровень галлюцинаций на специализированном тесте лежал в диапазоне от 22% до 94%. Отчёт отдельно показывает резкое падение точности, когда ложное утверждение подаётся в определённом контексте убеждений пользователя.[7]
Такие ошибки важны из-за того, что модель создаёт убедительный язык независимо от истинности содержания. Генеративная система способна звучать уверенно, поддерживать длинную аргументацию и ссылаться на вымышленные основания. Внешний поиск, инструменты проверки, retrieval и дополнительный контроль уменьшают число ошибок. Всё это подчёркивает, сколько внешней инфраструктуры требуется для получения надёжного поведения.
Полноценный общий интеллект должен устойчиво обращаться с неопределённостью, памятью, противоречиями и новыми правилами среды. Сегодняшние модели постепенно становятся лучше во всех этих областях. Сам факт прогресса не доказывает существование прямой дороги к AGI.
Масштабирование работает — и ничего не гарантирует насчёт AGI
Большая часть современной революции ИИ выросла из масштабирования: больше данных, больше вычислений, большие модели, более сильный post-training и увеличение вычислений во время ответа. Этот подход дал исключительные результаты. Stanford AI Index сообщает, что глобальная вычислительная мощность для ИИ с 2022 года росла примерно в 3,3 раза в год.[8]
Эмпирические scaling laws позволяют предсказывать улучшение некоторых измеримых характеристик. Они описывают зависимость качества от ресурсов на определённых задачах. Из этих зависимостей не следует появление человеческой способности к открытым задачам, устойчивой памяти, формированию новых абстракций или универсальному переносу.
Даже внутри самой индустрии путь описывается экспериментально. Главный научный руководитель OpenAI Jakub Pachocki в сентябре 2026 года писал, что глубокое обучение в большой степени остаётся экспериментальной наукой, крупные training runs дают неожиданные результаты, а общее поведение сложных систем ускользает от полного понимания исследователей.[9]
Это признание важнее громких прогнозов. Современные лаборатории умеют выращивать всё более способные системы и находить техники, которые поднимают измеримые показатели. Полной причинной теории возникающих способностей у них нет. Пахоцкий отдельно пишет, что OpenAI не располагает удовлетворительной теорией generalization и считает маловероятным её скорое появление без помощи более мощного ИИ.[9] Проверенного инженерного рецепта AGI у индустрии тоже нет.
Исследователи расходятся даже в предполагаемом пути
Разные работы предлагают разные кандидаты на следующий шаг: продолжение scaling, новые формы памяти, обучение через взаимодействие, embodied-системы, world models, мультимодальность, open-ended learning, multi-agent системы, новые архитектуры и новые методы reinforcement learning.
Google DeepMind в работе о «Levels of AGI» подчёркивает необходимость самой системы измерения прогресса.[1] В 2026 году другая работа DeepMind о visual general intelligence исследует возможность того, что путь к общему интеллекту потребует гораздо более глубокого развития визуального и пространственного опыта, и отдельно обсуждает конкурирующие принципы и learning paradigms.[10]
Так выглядит поле открытой науки. Есть много сильных гипотез и быстро улучшающихся инженерных методов. Единой подтверждённой архитектуры общего интеллекта нет. Отсутствует и эксперимент, после которого можно было бы сказать: вот механизм, который при дальнейшем масштабировании с известной вероятностью даёт AGI.
Страх перед близким сверхразумом опережает доказательства
На этом фоне индустрия уже построила полноценный язык управления катастрофическими рисками. Anthropic Responsible Scaling Policy вводит режимы защитных мер для более мощных будущих моделей.[11] Google DeepMind публикует Frontier Safety Framework и обсуждает возможность AGI в ближайшие годы.[12]
Изучение тяжёлых сценариев разумно. Большие системы уже создают реальные риски: автоматизированные кибератаки, ошибки агентов с доступом к инструментам, мошенничество, утечки данных, некачественный код, ложные советы и чрезмерное доверие пользователей. Эти угрозы наблюдаемы и поддаются эмпирической оценке.
Совсем другой уровень утверждения начинается там, где сегодняшние достижения используются как пролог к истории о почти готовом универсальном сверхразуме. Для этого шага нужны данные о способности системы устойчиво учиться в новых мирах, формировать общие модели, переносить знания, поддерживать долговременную память и сохранять компетентность вне привычных распределений.
ARC-AGI-3 показывает, что по крайней мере на одном специально созданном измерителе такой способности лучший проверенный результат середины 2026 года дал около 30% человеческого уровня.[5] Это впечатляющий рост технологии и слабое основание для утверждения о практически достигнутом AGI.
Почему разговор об ограничении ИИ часто смешивает разные проблемы
Регулирование конкретных рисков имеет ясный предмет. Можно установить ответственность за автоматизированные решения, ограничить доступ агентов к критической инфраструктуре, требовать журналирование действий, проводить независимые оценки кибервозможностей, защищать персональные данные и вводить требования к медицинским или финансовым системам.
Призывы тормозить развитие вычислительных моделей из-за гипотезы о близком AGI требуют другой доказательной базы. Они исходят из предположения, что общий интеллект уже виден на технологическом горизонте и что текущая траектория ведёт к нему достаточно прямым путём. На сегодня эта предпосылка остаётся недоказанной.
Самый сильный аргумент против алармизма находится внутри самой науки об ИИ. Исследователи ещё уточняют определение цели, создают benchmarks для измерения общности, спорят о механизмах generalization, экспериментируют с памятью, агентностью, world models и обучением через взаимодействие. Такая ситуация характерна для быстро развивающегося поля с открытыми фундаментальными вопросами.
AGI остаётся мечтой, инженерная карта к нему отсутствует
В 2026 году artificial general intelligence остаётся недостигнутой целью. Лучшие системы обладают огромной практической ценностью и впечатляющей широтой навыков. Они сохраняют зубчатый профиль способностей, провалы на новых интерактивных задачах, проблемы с памятью, устойчивым переносом и калибровкой знания.
Главный факт состоит в отсутствии продемонстрированного пути от современной архитектуры frontier-моделей к общему интеллекту. Исследовательское сообщество располагает конкурирующими гипотезами, эмпирическими scaling laws и набором инженерных техник. Общей теории, которая объясняет необходимые и достаточные условия AGI и превращает их в воспроизводимую программу построения системы, пока нет.
Поэтому AGI сегодня остаётся недосягаемой мечтой в строгом инженерном смысле: человечество знает, какие свойства хочет увидеть, умеет измерять отдельные фрагменты этих свойств и пока не располагает доказанным способом собрать их в общий разум.
Страшилки о почти готовом сверхразуме звучат гораздо увереннее состояния науки. Реальные системы заслуживают внимательного контроля там, где они уже способны причинить реальный ущерб. Истории о скором универсальном разуме требуют доказательств, которых современная индустрия пока не предъявила.
Источники
- Google DeepMind. Levels of AGI for Operationalizing Progress on the Path to AGI.
- Hendrycks D. et al. A Definition of AGI.
- OpenAI Research: Pioneering research on the path to AGI.
- ARC Prize. ARC-AGI-3.
- ARC Prize. Claude Opus 5 — verified ARC-AGI results.
- Stanford HAI. AI Index 2026: Technical Performance.
- Stanford HAI. AI Index 2026: Responsible AI.
- Stanford HAI. AI Index 2026: Research and Development.
- Pachocki J. An Alien Mind. OpenAI, 2026.
- Google DeepMind. Visual General Intelligence: A White Paper.
- Anthropic. Responsible Scaling Policy.
- Google DeepMind. Taking a responsible path to AGI.
Связанный материал: «Шестой технологический уклад». Тематический контекст: «Будущее».
Авторская исследовательская задача
Одной из главных целей, стоящих перед Данилом Рудым, является поиск принципов, способных перевести современный искусственный интеллект в фазу artificial general intelligence. Такая задача требует выяснить, какие свойства человеческой общей интеллектуальности отсутствуют у нынешних систем, какие из них являются необходимыми, как они возникают и каким образом их можно реализовать в воспроизводимой архитектуре.
Рабочая программа следует из аргумента этой статьи: определить минимальный набор механизмов, обеспечивающих устойчивое обучение в неизвестной среде, перенос абстракций между областями, долговременную память, построение моделей мира, калиброванную работу с неопределённостью и самостоятельное исправление ошибок. Если AGI достижим инженерно, переход к нему должен выражаться в проверяемых принципах и экспериментах. Поиск этих принципов — одна из центральных исследовательских задач Данила Рудого.