Ярлыки полезны, но это не законы природы
Узкий искусственный интеллект, искусственный общий интеллект и искусственный сверхинтеллект лучше всего понимать как области на нескольких измерениях возможностей, а не как три чётко очерченных ящика. Исследователи и институты используют разные определения, и не существует научного органа, который мог бы удостоверить, что система «стала AGI». Поэтому внимательному читателю стоит спрашивать, что именно имеет в виду говорящий под этим термином и какие доказательства подтверждают такую классификацию.
Узкий искусственный интеллект (ANI) традиционно означает систему, оптимизированную под ограниченную задачу или область: шахматный движок, детектор мошенничества, распознаватель речи или предсказатель структуры белков. Такая система может превосходить любого человека в своей целевой задаче, оставаясь бесполезной во всём остальном. Но называть «узкой» каждую развёрнутую сегодня модель всё чаще вводит в заблуждение. Языковые и мультимодальные модели общего назначения умеют писать, программировать, анализировать изображения, использовать инструменты и адаптироваться ко многим задачам по инструкциям. Они широки в одном смысле, но при этом ненадёжны, зависят от вспомогательной инфраструктуры и неровны в разных областях. «ИИ общего назначения» или «широко способная модель» — часто более информативное описание, чем попытка втиснуть эти системы в старую бинарную схему «узкий/общий».
Искусственный общий интеллект (AGI) обычно обозначает машину с широкой компетентностью, которая переносится на незнакомые задачи. За пределами этого ядра определения расходятся. Одни требуют производительности на уровне типичного человека в большинстве видов когнитивной работы; другие требуют способности эффективно обучаться; третьи делают акцент на экономически ценном труде; а четвёртые добавляют автономность в физическом или цифровом мире. Исследователи Google DeepMind предложили описывать AGI одновременно через широту — сколько задач система может выполнять — и глубину — насколько хорошо она их выполняет, — рассматривая автономность как отдельное свойство развёртывания (DeepMind, Levels of AGI). Такая модель позволяет не притворяться, будто один тест создаёт волшебный порог.
Искусственный сверхинтеллект (ASI) — это гипотетическая система, существенно превосходящая лучших людей практически во всех когнитивно ценных областях. Это не наблюдаемая категория технологий. Это сценарий, используемый для рассуждений о системах, которые могли бы превзойти человеческие институты в науке, стратегии, инженерии, убеждении и, возможно, в самих исследованиях ИИ. Возможна ли такая система, насколько быстро она могла бы последовать за AGI и можно ли объединить интеллект во всех областях в одной системе — вопросы остаются спорными.
У возможностей больше одной оси
Полезная оценка разделяет как минимум пять свойств:
- Широта: разнообразие задач и сред, в которых система компетентна.
- Производительность: соответствует ли она новичку, типичному работнику, эксперту или лучшему человеку.
- Надёжность: как часто она добивается успеха, в том числе в необычных или состязательных условиях.
- Обучение и перенос: насколько легко она справляется с по-настоящему новой задачей без дообучения под неё.
- Автономность: как долго и насколько безопасно она может планировать, действовать, использовать инструменты, исправлять ошибки и преследовать цель при ограниченном надзоре.
Эти оси могут расходиться очень сильно. Одна модель может отвечать на вопросы по сотням тем, совершая при этом элементарные ошибки. Другая может быть исключительно надёжной в одном научном рабочем процессе, но неспособной к обобщению. Диалоговая модель может выглядеть широко осведомлённой, в то время как агент, построенный на той же модели, терпит неудачу, потому что теряет контекст, неправильно использует инструмент или не распознаёт, что его план идёт не так. Определение системы ИИ в ОЭСР схожим образом отличает генерируемые результаты и влияние на среду от различных уровней автономности и способности адаптироваться после развёртывания (принципы ИИ ОЭСР).
Это важно, потому что отточенная речь — не то же самое, что устойчивая агентность. Похожий на человеческий разговор поощряет антропоморфизм, тогда как результаты на эталонных тестах могут скрывать зависимость от тщательно составленных подсказок, чистых данных и автоматизированного оценивания. И наоборот, системе не обязательно разговаривать как человек, чтобы обладать значимыми возможностями. Научная модель, торговый агент или киберинструмент могут иметь значение из-за того, что они умеют делать, а не потому, что напоминают человеческий разум.
Почему ни один отдельный тест не доказывает наличие AGI
Эталонные тесты фиксируют поведение при заданных условиях. Они напрямую не раскрывают понимание, сознание, намерения или производительность в любой непроверенной ситуации. Результаты могут расти из-за подлинного обобщения, знакомства с похожими примерами из обучения, более удачных подсказок, доступа к инструментам или инженерных ухищрений вокруг модели. Тест также может насыщаться: как только ведущие системы приближаются к его потолку, небольшие различия становится трудно интерпретировать.
То же предостережение относится и к экономическим определениям. «Может автоматизировать большинство рабочих мест» звучит конкретно, но рабочие места — это наборы технических задач, социальных переговоров, подотчётности, физической активности, местных знаний и ответственности за ошибки. Успех в самодостаточных задачах не доказывает, что система способна заменить работника внутри неупорядоченной организации. METR прямо заявляет, что их горизонт времени выполнения задач сосредоточен на разработке ПО, машинном обучении и кибербезопасности и не должен восприниматься как общая мера автоматизации труда (методология METR).
Поэтому к AGI следует относиться как к утверждению, требующему целого набора доказательств. Какие области были протестированы? Насколько новыми были задачи? Какие инструменты и человеческая помощь были разрешены? Была ли производительность независимо воспроизведена? Какова была доля успеха? Оставалась ли система надёжной, когда цели были неоднозначны или среда менялась? Без этих деталей заявление об AGI — это брендинг, прогноз или личное суждение, а не результат измерения.
Почему это различие меняет политику
Разные профили возможностей создают разные риски. Нынешние системы уже причиняют документированный вред через мошенничество, дискриминацию, вторжение в частную жизнь, небезопасные советы, потрясения на рынке труда и синтетические медиа. Эти проблемы не требуют наличия AGI, и их не следует откладывать до некоего будущего порога. Широко автономные системы могли бы добавить другие риски, проводя кибероперации, ускоряя опасные исследования или управляя критическими процессами в масштабе, превышающем возможности человеческого контроля. Гипотетический сверхинтеллект поднимает ещё более неопределённые вопросы о том, смогут ли человеческие институты осуществлять надзор за системой, стратегически превосходящей их самих.
Категории также определяют соразмерные меры защиты. Узкому медицинскому классификатору может требоваться клиническая валидация, мониторинг и процедура обжалования. Модели общего назначения может требоваться оценка возможностей, выявление злоупотреблений, отчётность об инцидентах и контроль над опасными инструментами. Высоко автономная система, управляющая критической инфраструктурой, оправдывала бы более строгие требования к гарантиям, сдерживанию и человеческой авторизации. Использование «ИИ» как единой недифференцированной категории скрывает эти различия.
Как лучше читать заявления об AGI
Когда кто-то говорит, что AGI уже здесь — или что она невозможна, — переведите это утверждение в наблюдаемые вопросы. Широко ли компетентна система или лишь широка по интерфейсу? Переносится ли она на новую работу? Насколько она надёжна? Может ли она завершать длинные реальные проекты? Требует ли она постоянной коррекции со стороны человека? Обучается ли она после развёртывания? Являются ли доказательства публичными и независимо воспроизводимыми?
Честный вывод в 2026 году состоит не в том, что весь развёрнутый ИИ попросту узок, и не в том, что широкие языковые модели пересекли общепризнанную черту AGI. Нынешние системы сочетают поразительную широту с серьёзной хрупкостью. AGI остаётся спорным понятием, а ASI — по-прежнему гипотетическим. Поэтому самая полезная «лестница возможностей» — это многомерная карта с датированными доказательствами, а не лестница из трёх ступеней, на верхней из которых какая-нибудь компания могла бы объявить себя победителем.