Общий искусственный интеллект
Материал из MachineLearning.
| Статья написана с использованием LLM GPT-5.6 Thinking и проверена участником Alfit Gaifullin 00:43, 18 июля 2026 (MSD). Промпт приводится полностью в Обсуждение:Общий искусственный интеллект. |
Общий искусственный интеллект
Общий искусственный интеллект (англ. Artificial General Intelligence, AGI) — предполагаемый класс систем искусственного интеллекта, способных обучаться, рассуждать, применять накопленные знания и решать широкий круг интеллектуальных задач в различных предметных областях, включая задачи, для которых система не была специально разработана.
Общепринятого формального определения общего искусственного интеллекта не существует. Разные авторы связывают AGI с широтой решаемых задач, переносом знаний между областями, способностью осваивать новые навыки, уровнем человеческой интеллектуальной деятельности или возможностью выполнять большую часть когнитивной работы.[1]
По состоянию на июль 2026 года наличие системы, однозначно признанной научным сообществом общим искусственным интеллектом, не подтверждено. Современные модели общего назначения способны выполнять широкий набор задач, однако это само по себе не означает достижения AGI. Международный научный доклад по безопасности ИИ рассматривает AGI как потенциальную будущую систему, равную человеку или превосходящую его во всех либо почти всех когнитивных задачах, и отдельно отличает такое понятие от уже существующего искусственного интеллекта общего назначения.[1]
Происхождение понятия
Ранние представления о машинном интеллекте
Идея создания машины с широкими интеллектуальными возможностями возникла раньше самого термина «общий искусственный интеллект».
В статье «Вычислительные машины и разум» 1950 года Алан Тьюринг предложил заменить плохо определённый вопрос «Может ли машина мыслить?» операциональной проверкой поведения машины в диалоге, позднее получившей название теста Тьюринга.[1] Тьюринг не использовал термин AGI, однако обсуждал машинное обучение, рассуждение, использование языка и возможность создания машин, демонстрирующих широкий набор интеллектуальных способностей.
В предложении о проведении Дартмутского летнего исследовательского проекта 1956 года Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон исходили из предположения, что различные аспекты обучения и интеллекта в принципе могут быть описаны достаточно точно для машинного моделирования.[1]
Первоначальные цели области искусственного интеллекта были достаточно широкими. Исследователи рассматривали использование языка, образование понятий, решение задач, обучение и самоусовершенствование машин. Однако по мере развития области значительная часть практически успешных исследований сосредоточилась на отдельных формализованных задачах.
Развитие специализированного искусственного интеллекта
В последующие десятилетия были созданы системы, способные играть в шахматы и го, распознавать изображения, переводить тексты, прогнозировать свойства объектов и управлять техническими процессами. Многие из этих систем достигли или превысили человеческий уровень в конкретных задачах.
При этом высокая эффективность в одной области не означала способности решать задачи другого типа. Шахматная программа не могла автоматически использовать свои методы для медицинской диагностики, а система распознавания речи не приобретала вследствие этого способности к планированию или пространственному рассуждению.
Для обозначения таких систем стали использовать выражения слабый искусственный интеллект, узкий искусственный интеллект и narrow AI. Слово «узкий» указывает не на низкое качество работы, а на ограниченную область применимости.
Необходимость отличать специализированные системы от первоначальной цели создания машин с широкими интеллектуальными возможностями стала одной из причин появления термина AGI.
Возникновение термина AGI
Одно из наиболее ранних известных опубликованных употреблений выражения artificial general intelligence относится к работе Марка Губруда 1997 года о влиянии перспективных технологий на международную безопасность.[1] В ней общий искусственный интеллект описывался как система, способная приобретать общие знания, оперировать ими и использовать их в широком диапазоне деятельности.
В начале 2000-х годов термин был независимо принят группой исследователей, стремившихся отделить исследования общего интеллекта от основной массы работ над узкими прикладными системами. Существенную роль в его распространении сыграл сборник Artificial General Intelligence, подготовленный Беном Гёрцелем и Кассио Пенначином.[1]
В 2008 году состоялась первая международная конференция, полностью посвящённая AGI. Её организаторы описывали целью направления создание интеллекта как целостной системы, используя методы информатики, когнитивной науки, нейронауки и других дисциплин.
Термин AGI не заменил понятие искусственного интеллекта. Он стал использоваться для обозначения определённой исследовательской цели и предполагаемого класса систем с широкой переносимостью интеллектуальных способностей.
Отсутствие единого определения
Понятие общего искусственного интеллекта не имеет единственного общепринятого критерия. Разные определения подчёркивают различные свойства:
- выполнение широкого набора задач на человеческом уровне;
- способность достигать целей в различных средах;
- освоение новых задач без полного переобучения;
- перенос знаний между предметными областями;
- адаптацию к неизвестным условиям;
- решение значительной части экономически полезных интеллектуальных задач;
- наличие универсальных механизмов обучения и рассуждения.
Шейн Легг и Маркус Хаттер предложили рассматривать интеллект как способность агента достигать целей в широком диапазоне сред.[1] Это определение подчёркивает общность и адаптивность, но его формальная версия опирается на идеализированное множество сред и не образует непосредственно применимого теста для современных систем.
В других определениях AGI связывается с выполнением большинства когнитивных задач на уровне человека. Такой подход также вызывает вопросы: люди различаются по способностям, образованию, профессиональной подготовке и культурному опыту. Неочевидно, с каким человеком, группой людей или статистическим уровнем следует сравнивать систему.
Поэтому выражения «общий интеллект», «человеческий уровень» и «широкий круг задач» нуждаются в дополнительной операционализации.
Почему граница между узким и общим интеллектом остаётся спорной
Интеллектуальные способности образуют непрерывный спектр
Разделение на узкий и общий интеллект часто представляется как строгое противопоставление. На практике системы могут обладать различной степенью общности.
Одна модель может работать только с изображениями одного типа. Другая может решать множество задач компьютерного зрения. Третья может обрабатывать текст, звук и изображения, писать программы и пользоваться внешними инструментами. Однако увеличение числа поддерживаемых задач ещё не обязательно означает способность надёжно осваивать произвольные новые области.
Поэтому граница между узким ИИ и AGI может рассматриваться не как одна точка, а как переход по нескольким измерениям.
Трудность определения множества задач
Чтобы установить общность системы, необходимо определить, какие задачи входят в проверяемое множество. Набор из ста тестов может охватывать несколько областей, но оставаться узким относительно всего спектра человеческой деятельности.
Система способна показать высокий результат на известных тестах благодаря специальному обучению, подбору данных или адаптации к структуре заданий. При этом она может оказаться неустойчивой при небольшом изменении формулировки или условий.
Следовательно, оценка AGI должна проверять не только число решаемых задач, но и способность действовать в новых ситуациях.
Перенос знаний и адаптация
Одним из важных признаков общности считается перенос знаний.
Узкая система обычно обучается для заранее определённой задачи. Общая система предположительно должна использовать знания, полученные в одной области, для решения задач в другой области. Например, понимание причинно-следственных связей, освоенное в физических задачах, могло бы помогать при планировании действий робота.
Однако перенос бывает различным. Использование одной модели для нескольких заранее известных задач слабее, чем самостоятельное освоение принципиально новой задачи по небольшому числу примеров и инструкций.
Роль физического воплощения
Часть исследователей считает, что общий интеллект может быть реализован как программная система, решающая широкий набор когнитивных задач. Другие подходы предполагают, что для формирования понятий, здравого смысла и причинного понимания необходимы взаимодействие с физической средой и воплощённый интеллект.
Единого мнения о том, является ли робототехническое воплощение обязательным условием AGI, не существует. Система может обладать широкими способностями к работе с информацией, но не уметь физически взаимодействовать с окружающим миром. Обратная ситуация также возможна: автономный робот может эффективно выполнять ограниченный набор физических действий, оставаясь узкой системой.
Ограниченность тестов
Не существует единственного теста, прохождение которого было бы общепринятым достаточным доказательством достижения AGI.
Тест Тьюринга оценивает способность машины поддерживать текстовый диалог, неотличимый для собеседника от человеческого. Он не проверяет непосредственно пространственное мышление, долговременное обучение, надёжность, планирование, работу с физическим миром и многие другие способности.
Современные тесты оценивают математическое рассуждение, программирование, понимание текстов, работу с изображениями и использование инструментов. Однако результат на наборе тестов может не отражать способность действовать в открытой среде. Международный доклад по безопасности ИИ отмечает наличие разрыва между результатами тестирования и реальной полезностью или надёжностью систем.[1]
Основные характеристики AGI
Понятия общности, мощности, автономности, сознания и собственных целей часто смешиваются в общественных обсуждениях. В научном анализе их следует рассматривать отдельно.
Общность интеллекта
Общность характеризует широту областей, в которых система способна успешно действовать.
Система с высокой общностью должна применять знания в разнообразных условиях, осваивать новые задачи и не зависеть полностью от заранее заданного узкого набора ситуаций.
Общность не определяет, насколько хорошо система выполняет каждую отдельную задачу. Теоретически возможна система, посредственно работающая во многих областях, и система, превосходящая человека в одной области, но неспособная действовать за её пределами.
Уровень интеллектуальных возможностей
Уровень возможностей характеризует качество выполнения задач: точность, надёжность, скорость, сложность решаемых проблем и потребность в помощи человека.
В предложенной исследователями Google DeepMind классификации общность и уровень выполнения рассматриваются как два независимых измерения.[1] Например, шахматный алгоритм может иметь сверхчеловеческий уровень в узкой области, не являясь AGI. Напротив, система может охватывать множество задач, но выполнять их хуже квалифицированного человека.
Следовательно, выражение «общий» не является синонимом «сверхчеловеческий».
Автономность
Автономность описывает степень, в которой система способна действовать без непосредственного человеческого управления.
Она может включать:
- самостоятельное разбиение задачи на этапы;
- выбор и использование инструментов;
- планирование последовательности действий;
- контроль промежуточных результатов;
- исправление ошибок;
- продолжительную работу без постоянного подтверждения пользователя.
Автономность не является необходимым следствием общности. Общая система может использоваться только как инструмент, отвечающий на отдельные запросы человека. В то же время узкая система может быть высокоавтономной: например, специализированный аппарат способен самостоятельно управлять определённым технологическим процессом.
Современные определения искусственной системы отдельно указывают, что системы могут иметь различные уровни автономности и способности адаптироваться после внедрения.[1]
Сознание
Сознание связано с субъективным опытом, ощущениями и осознанием собственных состояний. Это понятие относится к философии сознания, нейронауке и когнитивной науке, а не только к измерению эффективности решения задач.
Достижение широких интеллектуальных возможностей не доказывает наличие сознания. Система может демонстрировать сложное поведение, не предоставляя научно достаточных оснований для вывода о субъективном опыте.
В настоящее время не существует общепринятого метода, позволяющего достоверно установить наличие сознания у искусственной системы. Исследователи предлагают оценивать архитектурные и функциональные признаки, выведенные из теорий сознания, однако наличие таких признаков само по себе не считается окончательным доказательством.[1]
Таким образом, AGI и сильный искусственный интеллект не всегда являются синонимами. В философской терминологии Джона Сёрла сильный ИИ связан с утверждением, что правильно организованная система действительно обладает пониманием и психическими состояниями, а не только воспроизводит внешнее поведение.[1] Определения AGI, основанные на наблюдаемых возможностях, могут не предъявлять такого требования.
Наличие собственных целей
Способность достигать целей не означает, что система самостоятельно формирует конечные цели.
В большинстве существующих систем задача, функция потерь, критерий вознаграждения или инструкция задаются разработчиком либо пользователем. Система может самостоятельно выбирать промежуточные действия, но её деятельность всё равно направляется внешней целью.
Следует различать:
- выполнение отдельной команды;
- самостоятельное планирование способа выполнения команды;
- выбор промежуточных подцелей;
- долговременное сохранение цели;
- самостоятельное формирование новых конечных целей.
AGI не обязательно должен обладать последним свойством. Система может быть общей по своим возможностям, но действовать только по внешнему запросу. Напротив, ограниченный программный агент может иметь устойчивую цель, оставаясь узким по набору способностей.
Приписывание системе желаний, намерений и собственных интересов требует дополнительных оснований и не следует автоматически из сложности её поведения.
Сравнение со слабым искусственным интеллектом
Слабый искусственный интеллект создаётся для решения ограниченной задачи или некоторого заранее определённого класса задач. К нему относятся многие системы классификации, распознавания, прогнозирования, поиска и управления.
Основное различие между слабым ИИ и AGI состоит не в абсолютном уровне результата, а в широте применимости.
Узкая система может превосходить любого человека в шахматах, вычислениях или поиске определённых закономерностей, но не обладать способностью переносить это преимущество в другие области. Предполагаемый AGI должен выполнять разнообразные задачи и осваивать новые виды деятельности без разработки отдельной системы для каждого случая.
Слабый ИИ не обязательно является простым. Современная фундаментальная модель может содержать большое число параметров, обрабатывая тексты, изображения и звук. Тем не менее широкое множество функций ещё не гарантирует устойчивого общего интеллекта. Модель может демонстрировать неравномерный профиль: решать сложные задачи и одновременно допускать ошибки в более простых ситуациях.
Различие также связано с адаптацией. Узкую систему обычно переобучают или модифицируют для новой задачи. От AGI ожидается более самостоятельное применение старых знаний и освоение новых навыков.
Сравнение с искусственным суперинтеллектом
Искусственный супер-интеллект — гипотетическая система, интеллектуальные возможности которой значительно превосходят возможности людей в широком спектре значимых областей.
AGI определяется преимущественно через общность способностей, а суперинтеллект — через их уровень. Поэтому эти понятия описывают разные свойства.
Система может считаться общей, если она надёжно выполняет большинство когнитивных задач на уровне обычного или квалифицированного человека. Для суперинтеллекта требуется существенное превосходство над человеком, причём не в одной узкой задаче, а в широком диапазоне деятельности.
Сверхчеловеческая узкая система не является искусственным суперинтеллектом в данном смысле. Например, программа, превосходящая всех людей в настольной игре, остаётся специализированной.
В некоторых концепциях AGI рассматривается как возможный этап, предшествующий суперинтеллекту. Однако переход от одного уровня к другому не является установленным законом. Возможность, скорость и механизмы такого перехода остаются предметом теоретических исследований и прогнозов, которые не следует представлять как доказанные факты.
Сравнение с человеческим интеллектом
Человеческий интеллект представляет собой совокупность биологических, когнитивных и социальных способностей человека. Он связан с восприятием, памятью, обучением, языком, эмоциями, мотивацией, телесным опытом и взаимодействием с культурной средой.
AGI часто определяется через сравнение с человеком, поскольку человеческий интеллект является единственным известным примером системы, способной успешно осваивать большое количество существенно различающихся интеллектуальных задач.
Однако «человеческий уровень» не является однозначным критерием. Люди имеют различные способности, а отдельный человек не обладает профессиональной компетентностью во всех областях. Кроме того, человеческий интеллект ограничен скоростью обработки информации, объёмом рабочей памяти и продолжительностью жизни.
AGI не обязательно должен воспроизводить устройство человеческого мозга. Возможна система, достигающая сходных функциональных результатов с помощью иной архитектуры, способов обучения и представления информации.
Следует различать человеческий уровень и человекоподобие. Система может решать задачи на уровне человека, не имея человеческих эмоций, биологических потребностей или формы сознания. С другой стороны, моделирование отдельных особенностей человеческого поведения не доказывает наличия общего интеллекта.
Также остаётся открытым вопрос о том, насколько для общего интеллекта необходимы социальное взаимодействие, физическое тело и развитие в реальной среде.
Сравнение с машинным обучением
Машинное обучение — область методов, позволяющих моделям улучшать выполнение задач на основании данных или опыта. К машинному обучению относятся обучение с учителем, обучение без учителя, обучение с подкреплением и другие подходы.
AGI является не отдельным алгоритмом обучения, а предполагаемым свойством или классом интеллектуальных систем.
Методы машинного обучения могут использоваться для создания как узких, так и более универсальных систем. Например, модель классификации медицинских изображений относится к машинному обучению, но не является AGI.
Возможная архитектура AGI может включать:
- модели машинного обучения;
- механизмы рассуждения;
- долговременную и рабочую память;
- планирование;
- поиск;
- представление знаний;
- восприятие;
- взаимодействие с инструментами;
- контроль собственных ошибок.
Не установлено, может ли AGI быть получен только за счёт увеличения масштаба существующих моделей машинного обучения или потребует принципиально новых архитектурных компонентов.
Таким образом, машинное обучение представляет собой совокупность методов, а общий искусственный интеллект — возможную цель применения этих и других методов.
Подходы к созданию AGI
Масштабирование обучаемых моделей
Один из подходов предполагает, что рост размера моделей, объёма данных и вычислительных ресурсов, дополненный улучшением алгоритмов обучения, способен привести к всё более общим возможностям.
Современные фундаментальные модели демонстрируют определённый перенос между задачами и способность выполнять инструкции без отдельного полного обучения для каждого случая. Однако остаётся открытым вопрос, достаточно ли подобного масштабирования для устойчивого общего интеллекта.
Даже высокопроизводительные модели могут выдавать фактически неверные ответы, нестабильно выполнять длинные последовательности действий и зависеть от формулировки запроса.
Когнитивные архитектуры
Когнитивные архитектуры стремятся объединить разные интеллектуальные процессы в единой системе. В них могут быть представлены память, внимание, обучение, постановка подцелей, рассуждение и управление действиями.
Примерами исследовательских направлений являются SOAR, ACT-R, OpenCog и NARS. Эти системы опираются на различные представления о структуре общего интеллекта и не образуют единой теории.
Нейросимвольные методы
Нейросимвольный искусственный интеллект сочетает обучаемые нейронные модели с явными символами, правилами, программами или логическим выводом.
Нейронные сети эффективны при извлечении статистических закономерностей из больших объёмов данных. Символьные методы позволяют явно представлять отношения и выполнять структурированный вывод. Предполагается, что их объединение может улучшить переносимость, интерпретируемость и систематическое рассуждение.
Однако создание устойчивого взаимодействия между нейронными и символьными компонентами остаётся сложной исследовательской задачей.
Агентные системы
Интеллектуальный агент получает наблюдения, выбирает действия и воздействует на цифровую или физическую среду. Агент может использовать языковые модели, внешнюю память, программные инструменты и механизмы планирования.
Агентность способна расширить практические возможности модели, но не тождественна общему интеллекту. Система может автономно выполнять узкую задачу, не обладая широкими интеллектуальными способностями.
Воплощённый интеллект
В подходах к воплощённому интеллекту обучение происходит через взаимодействие с физической или моделируемой средой.
Сторонники этого направления предполагают, что практическое действие помогает формировать причинные представления, пространственное понимание и здравый смысл. Однако робототехнические ограничения могут затруднять обучение, а необходимость физического воплощения для AGI остаётся спорной.
Непрерывное обучение
Общий интеллект предполагает способность приобретать новые знания после первоначального обучения. Поэтому важным направлением является непрерывное обучение, при котором система осваивает новые задачи, не теряя ранее приобретённых навыков.
Одной из проблем нейронных сетей является катастрофическое забывание: обучение новой задаче может ухудшить выполнение предыдущих задач. Решение этой проблемы считается значимым для создания более адаптивных систем.
Оценка общего искусственного интеллекта
Широта и уровень выполнения
Оценка AGI должна учитывать как широту, так и качество способностей.
Широта показывает, в скольких существенно различающихся областях система может действовать. Уровень выполнения определяет, насколько хорошо она решает задачи в каждой области.
Система не становится общей только потому, что способна выдать некоторый ответ на вопросы из разных дисциплин. Требуются достаточная правильность, устойчивость и способность распознавать пределы собственной компетентности.
Решение новых задач
Важным критерием считается способность решать задачи, отсутствовавшие в обучающих данных или существенно отличающиеся от известных примеров.
Однако установить, была ли конкретная задача фактически новой для большой модели, сложно. Обучающие наборы могут содержать аналогичные тексты, решения и тесты. Это создаёт проблему загрязнения тестовых данных.
Эффективность обучения
Человек часто осваивает новое понятие по небольшому числу примеров. Многие системы машинного обучения требуют значительно большего объёма данных.
Поэтому при оценке общего интеллекта могут учитываться:
- число примеров, необходимое для освоения задачи;
- вычислительные затраты;
- время обучения;
- способность использовать прежние знания;
- потребность в обратной связи человека.
Надёжность и устойчивость
Высокое среднее качество не гарантирует пригодности системы для реального применения. Общая система должна сохранять работоспособность при изменении формулировок, неполных данных и необычных ситуациях.
Современные системы иногда создают ложную информацию, предлагают ошибочный программный код и дают вводящие в заблуждение рекомендации. Существующие методы уменьшают частоту таких отказов, но не устраняют их полностью, особенно в задачах с высокой ценой ошибки.[1]
Метакогнитивные способности
Под метакогнитивными способностями понимают оценку системой собственных знаний и ограничений.
К ним относятся:
- обнаружение недостатка информации;
- запрос уточнений;
- выбор подходящего метода решения;
- проверка результата;
- определение необходимости помощи человека;
- оценка уверенности.
Такие способности могут быть важны для AGI, поскольку общая система неизбежно будет сталкиваться с незнакомыми задачами.
Современные системы и статус AGI
Современные модели общего назначения могут создавать тексты и изображения, писать программы, анализировать документы, решать учебные задачи и работать с несколькими видами данных. Это представляет значительное расширение области применимости по сравнению с традиционными узкими системами.
Однако их способности остаются неравномерными. Система может успешно решать сложную задачу, но допускать ошибку при простом изменении условий. Она может поддерживать диалог по множеству тем, не обеспечивая стабильной фактической точности и надёжного долговременного планирования.
Международные научные обзоры отдельно отмечают, что современные системы испытывают трудности при самостоятельном выполнении продолжительных многоэтапных проектов и не способны постоянно избегать ложных утверждений.[1]
Наличие широкой языковой компетентности породило дискуссию о том, следует ли считать современные фундаментальные модели ранней формой AGI. Некоторые авторы предлагают многоуровневые классификации и относят такие модели к начальному уровню общей функциональности. Другие считают, что термин AGI следует сохранять для значительно более надёжных и адаптивных систем.
Поскольку единого определения и общепринятого теста не существует, заявления о достижении AGI зависят от выбранных критериев. По этой причине корректнее отдельно описывать конкретные способности системы, а не делать вывод только на основании одного общего обозначения.
Научные и методологические проблемы
К основным открытым вопросам исследования AGI относятся:
- определение и измерение общности;
- перенос знаний между существенно различающимися областями;
- обучение по небольшому числу примеров;
- непрерывное обучение без катастрофического забывания;
- формирование причинных моделей;
- долговременное планирование;
- устойчивость к новым условиям;
- оценка уверенности и собственных ограничений;
- взаимодействие нейронных, символических и внешних инструментальных компонентов;
- обеспечение управляемости и безопасности автономных систем.
Ни одна из существующих теорий не считается подтверждённым полным объяснением общего интеллекта. Неизвестно, требуется ли для AGI единая универсальная архитектура или общность может возникать из объединения множества специализированных компонентов.
Также отсутствует доказанный прогноз времени создания AGI. Оценки исследователей существенно различаются и зависят от используемого определения. Такие оценки являются экспертными предположениями, а не установленными научными фактами.
Социальные и этические аспекты
Потенциальное создание AGI обсуждается в связи с изменениями в экономике, образовании, науке, безопасности и государственном управлении.
Возможные последствия зависят не только от интеллектуального уровня системы, но и от способа её внедрения, доступности, автономности, владельцев, поставленных целей и механизмов контроля.
К исследуемым вопросам относятся:
- соответствие поведения системы человеческим намерениям и общественным нормам;
- распределение ответственности за решения;
- защита данных;
- влияние на занятость;
- концентрация технологических ресурсов;
- возможность злоупотребления;
- контроль автономных действий;
- проверка надёжности в критических областях.
Обсуждение этих вопросов не означает, что конкретный сценарий обязательно реализуется. Социальные последствия AGI остаются предметом междисциплинарных исследований и зависят от будущих технических и институциональных решений.
Заключение
Общий искусственный интеллект — предполагаемый класс систем, способных обучаться, рассуждать и решать широкий набор интеллектуальных задач в различных областях. В отличие от слабого искусственного интеллекта, AGI должен обладать существенной переносимостью знаний и способностью адаптироваться к новым задачам.
Общепринятого формального определения AGI не существует. Различные подходы используют широту задач, уровень человеческой деятельности, способность к обучению, адаптацию и практическую полезность в качестве основных критериев.
Общность интеллекта следует отличать от уровня возможностей, автономности, сознания и наличия собственных целей. Система может быть сверхчеловеческой в узкой задаче, высокоавтономной, но специализированной, либо общей по набору функций, но не обладающей сознанием и самостоятельно сформированными целями.
AGI также не является синонимом машинного обучения. Машинное обучение представляет собой набор методов, которые могут использоваться при создании интеллектуальных систем, тогда как AGI обозначает предполагаемый уровень общности и адаптивности всей системы.
Современные модели общего назначения существенно расширили диапазон задач, доступных искусственным системам, но их отнесение к AGI остаётся спорным. По состоянию на июль 2026 года система, однозначно признанная научным сообществом общим искусственным интеллектом, отсутствует.
См. также
- Искусственный интеллект
- Слабый искусственный интеллект
- Искусственный суперинтеллект
- Машинное обучение
- Обучение с подкреплением
- Фундаментальная модель
- Когнитивная архитектура
- Тест Тьюринга
Литература
- Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press, 2014.
- Goertzel B., Pennachin C., eds. Artificial General Intelligence. Berlin: Springer, 2007.
- Legg S., Hutter M. Universal Intelligence: A Definition of Machine Intelligence // Minds and Machines. 2007. Vol. 17. P. 391–444.
- Morris M. R., Sohl-Dickstein J., Fiedel N., Warkentin T., Dafoe A., Faust A., Farabet C., Legg S. Levels of AGI: Operationalizing Progress on the Path to AGI. arXiv:2311.02462, 2023.
- Russell S., Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson, 2021.
- Shanahan M. The Technological Singularity. Cambridge, Massachusetts: MIT Press, 2015.
- Turing A. M. Computing Machinery and Intelligence // Mind. 1950. Vol. 59, No. 236. P. 433–460.
- Wang P., Goertzel B. Introduction: Aspects of Artificial General Intelligence // Artificial General Intelligence. Berlin: Springer, 2007.
- International AI Safety Report 2025. Department for Science, Innovation and Technology, 2025.
- International AI Safety Report 2026. Department for Science, Innovation and Technology, 2026.
