Зачем нужна эта страница
Большая часть этого руководства склоняется к тому, чтобы всерьёз воспринимать риск AGI, поскольку основной его объём посвящён тому, что произойдёт, если оптимисты окажутся правы. Такая позиция легко превращает скептиков в соломенное чучело — «они просто не понимают масштабирование» — и позволяет двигаться дальше. Это медвежья услуга содержательной позиции, которую занимают исследователи, построившие часть фундаментальных инструментов этой области. Эта страница излагает их реальные аргументы, а не версию, специально сконструированную для проигрыша, не берясь судить, кто прав; см. как взвешивать заявления об AGI и прогнозы сроков появления AGI о том, как обычно освещается диапазон мнений.
Ян Лекун: нет модели мира — нет планирования
Ян Лекун покинул Meta в ноябре 2025 года после двенадцати лет работы, включая основание её лаборатории FAIR, а к марту 2026 года стал исполнительным председателем и сооснователем AMI Labs — парижского стартапа, привлёкшего посевной раунд в 1,03 миллиарда долларов, по сообщениям, крупнейший зарегистрированный посевной раунд среди европейских стартапов, — для создания того, что он называет «моделями мира» (TechCrunch). Это важно: скептицизм Лекуна не смягчился до осторожной оговорки — он затвердел в компанию, на которую Лекун ставит свою карьеру.
Возражение Лекуна — это архитектурный аргумент, а не теорема о том, что трансформеры не способны планировать. Стандартные авторегрессионные модели предсказывают токены без явной постоянной модели мира или отдельного планировщика. Каждый проход модели использует фиксированный вычислительный граф, но более крупная система может затратить больше вычислений на инференс, генерируя, оценивая или пересматривая дополнительные токены. Это может улучшить результат, не доказывая наличие заземлённого долгосрочного планирования.
Вместо этого Лекун предлагает настраиваемую модель мира, предсказывающую правдоподобные будущие состояния, и исполнитель, который ищет действия на нескольких уровнях абстракции (позиционная статья Лекуна; обзор исследования Meta). Это предложенное им направление исследований, а не установленное описание того, чего современные языковые модели никогда не смогут делать. Ставка состоит в том, что для надёжного автономного интеллекта потребуются архитектуры, обучающиеся на видео, пространственном и сенсомоторном опыте, а не только на тексте.
Эндрю Ын: поднять планку доказательности
Эндрю Ын — основатель DeepLearning.AI, управляющий партнёр AI Fund и адъюнкт-профессор Стэнфорда — утверждает, что «AGI превратился в термин шумихи, а не в термин с точным значением», и что индустрии остаются десятилетия до появления системы, способной выполнить любую интеллектуальную задачу, доступную человеку, — от вождения грузовика до написания докторской диссертации (PYMNTS). Его конкретный вклад методологический: предложенный «тест Тьюринга-AGI», в котором судья разрабатывает многодневное испытание реальной работой — реальные задачи, а не подобранная демонстрация, — и система проходит тест, только если справляется не хуже квалифицированного человека. Смысл — сместить критерий успеха с показателей таблиц лидеров на устойчивую производительность, обезвредив то, что он считает шумихой пузыря риска.
Гэри Маркус: галлюцинации, коллапс рассуждения и арифметика накапливающихся допущений
Гэри Маркус, заслуженный профессор психологии и нейронауки Нью-Йоркского университета и основатель Geometric Intelligence и Robust.AI, выстроил аргументацию на нескольких фронтах. О надёжности: LLM «буквально не различают истину и ложь», и он ссылается на формальное доказательство того, что они будут галлюцинировать даже при идеальных данных и неограниченных вычислениях, — что подтвердилось, по его словам, когда GPT-5 (август 2025 года) не решила проблему галлюцинаций, а o3 от OpenAI галлюцинировала больше своих предшественников (Marcus on AI). О рассуждении: «мы не решим физику с помощью систем, которые не могут сыграть в Ханойскую башню с башней из 8 дисков», ссылаясь на находку Apple о том, что модели «рассуждения» LLM резко разрушаются после определённого порога сложности, а не деградируют постепенно.
Его наиболее широко обсуждаемое выступление носит методологический характер: разгром прогнозного сценария «AI 2027» как «вымысла, наряженного в науку», — сценарий заимствует нарративные приёмы, представляя при этом ссылки и сноски так, будто результат является прогнозом. Маркус разбивает сценарий примерно на восемь последовательных «скачков веры», перемножает их предполагаемые индивидуальные вероятности и показывает, что совокупная вероятность того, что вся цепочка сработает по расписанию, близка к нулю (Substack), — что подкрепляется собственным послужным списком прогнозирования: галлюцинации, объявленные «решёнными» в 2024 году, беспилотные автомобили, якобы «повсюду» к 2017 году. Примечательно, что Маркус не утверждает, что «AGI невозможен», — «любой, кто считает AGI невозможным», по его словам, ошибается не меньше, чем тот, кто считает его неминуемым, — и теперь называет правдоподобным появление к 2100 году, а не к 2027-му. Сама эта позиция — свидетельство того, что скептический лагерь представляет собой разброс мнений, а не единую позицию, — этот же тезис страница прогнозов сроков делает применительно ко всей области в целом.
Тим Деттмерс: вычисления физичны
Тим Деттмерс, исследователь из Allen Institute for AI, выдвигает аргумент, не зависящий от архитектуры модели, — он касается физики. По его утверждению, производительность GPU в расчёте на доллар вышла на плато примерно в 2018 году, а большая часть видимого прироста с тех пор происходила от снижения точности численных вычислений — выполнения той же арифметики дешевле, — а не от подлинного роста вычислительных мощностей. Он оценивает, что осталось «может быть, один, может быть, два года масштабирования», прежде чем прирост упрётся в стены памяти, ввода-вывода и энергии, где затраты энергии и стоимость растут экспоненциально ради лишь линейного прироста возможностей (timdettmers.com). Он определяет «AGI» как требующий экономически значимой компетентности в физических задачах, а не баллов в эталонных тестах, и доводит эту логику до предела: сверхинтеллект столкнулся бы с теми же физическими ограничениями при попытке улучшить собственный стек вывода. В отличие от аргументов выше, этот не зависит от правоты именно в отношении LLM — это утверждение о субстрате, на котором работает любой цифровой интеллект.
Более короткий список: смотрите также
Более короткий список дополняет картину. Родни Брукс, технический директор Robust.AI и заслуженный профессор робототехники в MIT, ведёт ежегодную датированную, фальсифицируемую таблицу прогнозов — редкая дисциплина среди комментаторов ИИ — и на основе десятилетий опыта в робототехнике утверждает, что прогресс в узких эталонных тестах постоянно принимают за общую компетентность. Франсуа Шолле, создатель эталонного теста ARC-AGI, указывает на модели, набирающие результат, близкий к нулю, в задачах, спроектированных так, чтобы противостоять запоминанию, — более новый ARC-AGI-3 показал, что лучшие модели 2026 года набрали менее 1% против 100% у людей, — как на доказательство того, что интеллект — это эффективность приобретения навыков, а не масштаб. Суббарао Камбхампати из Университета штата Аризона утверждает, что LLM не способны планировать или самостоятельно проверять себя независимо от формулировки промпта, и теперь ставит под вопрос, представляют ли токены цепочки рассуждений вообще реальное рассуждение. Мелани Митчелл из Института Санта-Фе утверждает, что успех LLM отражает сопоставление паттернов на распределениях обучающих данных, а не каузальное рассуждение. Эмили Бендер, лингвист Вашингтонского университета и соавтор работы «Стохастические попугаи», утверждает, что беглый результат — это форма без обоснованного понимания: модели, обученные предсказывать последовательности слов, не имеют доступа к коммуникативному намерению.
Сама методология прогнозирования — тоже мишень
Помимо отдельных исследователей, скептики напрямую целятся в то, как формируются сроки появления AGI. Методология опросов экспертов демонстрирует хорошо задокументированный эффект «подвижного горизонта» — респонденты помещают AGI примерно на пятнадцать-двадцать пять лет вперёд независимо от того, когда их спрашивают, — усугубляемый эффектами отбора и чувствительностью к формулировке вопроса. Отчёт RAND за март 2026 года систематически каталогизирует эти проблемы применительно к опросам, прогнозным рынкам и методам экстраполяции вычислений в равной мере (RAND).
Собственная метрика «временного горизонта» METR — кривая возможностей, чаще всего цитируемая как доказательство ускорения и обсуждаемая на странице прогнозов сроков — тоже подверглась пристальному вниманию, в том числе со стороны самой METR. Уведомление за январь 2026 года раскрыло 35-процентную поправку, применённую к логистической подгонке с фиксированным наклоном, что примерно треть оценок сложности задач выведена, а не измерена, и что METR «понятия не имеет», действительно ли истинный временной горизонт модели находится внутри заявляемого доверительного интервала (METR). Независимая критика, опубликованная за несколько дней до этого, пошла дальше: задачи нереалистично «чисты», публичные решения могли загрязнить данные, а базовое время выполнения человеком получено из небольшой, финансово мотивированной выборки, которая, вероятно, завысила то, сколько времени задачи «должны» занимать, — из-за чего кажущееся ускорение ИИ отчасти оказывается артефактом самого сравнения (Transformer News). В любом случае значительная доля выводов о сроках в этой области пересчитывается на основе подгонки одной зашумлённой кривой, за которую даже её собственные авторы не могут полностью поручиться.
Это усугубляется более старой проблемой: законом Гудхарта применительно к эталонным тестам. Как только эталонный тест становится целью оптимизации, лаборатории начинают дообучение под таблицу лидеров, а не под конструкт, который она измеряет, — MMLU прошёл путь от результата GPT-3 в 43 балла против человеческой базовой линии в 90 баллов в 2020 году до того, что к середине 2024 года лучшие модели сгрудились настолько плотно, что различия укладываются в шум форматирования промптов. Загрязнение из-за утечки эталонных тестов делает растущие баллы всё труднее читать как подлинный прирост. См. как взвешивать заявления об AGI и лестницу возможностей, чтобы понять, почему «превзойти эталонный тест» и «достичь AGI» — разные утверждения.
Чего эта страница не утверждает
Ничто из этого не складывается в тезис о невозможности AGI, и ни один из упомянутых выше исследователей такого утверждения не делает — Маркус прямо говорит, что обе крайности ошибочны. Что это устанавливает, так это реальную содержательность: архитектурные ограничения, не решающиеся очевидным образом при масштабировании, физический потолок вычислений, безразличный к любой дорожной карте, и аппарат прогнозирования, который, по собственному признанию METR, не может полностью поручиться за кривую, на которую все ссылаются. Складывается ли это в «до появления остаются десятилетия» или в «ближе, чем предполагает эта страница», — именно это руководство сознательно оставляет нерешённым для читателя. Чего оно не сделает — так это не позволит скептическому аргументу остаться карикатурой.