Искусственный интеллект должен внедрить специализацию посредством сверхчеловеческого адаптивного интеллекта

Аннотация

Все, от руководителей и исследователей в области ИИ до алармистов, политиков и активистов, говорят об искусственном общем интеллекте (AGI). Тем не менее, они часто не могут прийти к согласию относительно его точного определения. Одно из распространенных определений AGI — это ИИ, способный делать все, что может делать человек, но действительно ли люди являются универсальными? В этой статье мы рассматриваем, что не так с нашей концепцией AGI и почему, даже в своей наиболее последовательной формулировке, это ошибочная концепция для описания будущего ИИ. Мы исследуем, являются ли наиболее широко принятые определения правдоподобными, полезными и по-настоящему универсальными. Мы утверждаем, что ИИ должен стремиться к специализации, а не к универсальности, и в своей специализации стремиться к сверхчеловеческой производительности, и вводим понятие сверхчеловеческого адаптивного интеллекта (SAI). SAI определяется как интеллект, который может научиться превосходить людей во всем важном, что мы можем делать, и который может заполнить пробелы в навыках там, где люди неспособны. Затем мы излагаем, как SAI может помочь отточить дискуссию вокруг ИИ, которая была размыта перегруженным определением AGI, и экстраполируем последствия использования его в качестве ориентира для будущего..

1 Введение

Сообщество ИИ становится все более расколотым относительно того, в каком направлении движется эта область. С одной стороны находятся «думеры», которые утверждают, что мы движемся к ужасающему общественному финалу — массовой безработице, утрате человеческой свободы действий и будущему, в котором человечество станет подчиненным искусственных повелителей. С другой стороны — те, кто ожидает, что продвинутый искусственный интеллект принесет нечто близкое к утопии, положив конец голоду, страданиям и дефициту. Третий лагерь рассматривает ИИ как «обычную технологию», прогнозируя серьезные последствия, но отвергая крайние нарративы (Narayanan and Kapoor, 2025).

Центральным элементом всех этих взглядов является концепция искусственного общего интеллекта или AGI. Однако, как это часто бывает в широко освещаемых публичных дискуссиях, большая часть разногласий проистекает не столько из доказательств, сколько из терминологии: AGI упоминается постоянно, но редко определяется точно, и возникшая в результате двусмысленность сделала дискуссию гораздо более запутанной и гораздо более поляризованной, чем это необходимо..

Большая часть дискуссий использует человеческий интеллект в качестве парадигмы универсальности, однако мы утверждаем, что это представление в корне ошибочно. Как люди, мы с трудом осознаем собственные «слепые зоны»; это порождает иллюзию универсальности. По правде говоря, мы хороши лишь в специфическом подмножестве задач, важных для нашего существования, но совершенно неспособны выполнять задачи за пределами этого узкого диапазона. Осознание человеческих ограничений приводит к критически важному выводу: люди могут быть специализированными существами, но, тем не менее, способны выполнять или быстро осваивать широкий спектр невероятных вещей. Мы утверждаем, что текущий фокус на AGI и универсальности как на путеводной звезде данной области должен быть заменен акцентом на адаптивность, включая время, необходимое для изучения новой задачи, и диапазон задач, которые можно освоить. Мы называем это сверхчеловеческим адаптивным интеллектом (SAI). Естественным следствием акцента на адаптивности является потребность в модели с сильными допущениями о мире. Это указывает на самообучение (SSL) как на многообещающий способ получения общих знаний, а на модели мира — как на полезный механизм для планирования и переноса задач в режиме zero-shot. Мы полагаем, что переориентация дискурса вокруг SAI приведет к улучшению коммуникации, более четким целям и более быстрому прогрессу..

2 Человеческий интеллект специализирован

Хотя идея человеческого интеллекта как парадигмы общности повсеместно встречается в литературе, два связанных, но различных понятия общности часто смешиваются:

1. ⟦ Среднестатистический образованный человек способен выполнять широкий спектр задач, которые носят весьма «общий» характер и позволяют достигать множества целей. Сюда относятся такие вещи, как сложное планирование и передвижение, мелкая моторика, абстрактное мышление, самомоделирование, пространственное мышление и визуальное восприятие..
2. ⟦ Человеческий интеллект в целом является «общим», поскольку он может быть адаптирован к «любой» поставленной задаче, будь то медицина, высшая математика, сантехника или игра в шахматы.

Оба этих утверждения совершают одну и ту же ошибку: циклически определяют общность в человеческих терминах, а затем провозглашают человечество её парадигмой.

Эволюция с течением времени оттачивала человечество, делая его узкоспециализированным в области навыков, необходимых для выживания в физическом мире. То, что является для нас наиболее врожденным, не всегда самое простое, но наиболее критически важное для нашего выживания. Это наблюдение породило парадокс Моравека, согласно которому задачи, которые мы считаем самыми легкими, такие как передвижение, сложны для компьютеров, а задачи, которые мы считаем трудными и которые не являются существенными для нашего выживания, такие как игра в шахматы, оказываются для компьютеров гораздо проще. Это наглядно иллюстрирует иллюзию нашей универсальности. Хотя средние способности образованного человека поистине замечательны, достаточно попросить его сыграть в шахматы как гроссмейстер или сочинить музыкальную симфонию как Бетховен, чтобы по-настоящему осознать самонадеянность называть такой интеллект общим..

Приведенный выше аргумент служит для опровержения первого определения общности. Второе понятие общности содержит более тонкую ошибку. Отождествляя специализацию/адаптацию с ключевым компонентом общности, оно ближе к определению SAI, в пользу которого мы выступаем. Однако наш предмет спора заключается в том, что мы возражаем против того, чтобы называть человеческую адаптацию общей. Хотя мы превосходно адаптируемся к задачам, имевшим большое эволюционное значение, мы просто не способны адаптироваться ко многим задачам вне этого диапазона на высоком уровне. Возьмем в качестве примера шахматы. Магнус Карлсен широко признан величайшим шахматистом всех времен и, как таковой, представляет собой вершину человеческой адаптации в том, что касается игры в шахматы. Но это вызывает вопрос: действительно ли Магнус хорош в шахматах? При сравнении с лучшими компьютерами ответ однозначно отрицательный. Еще более показательно то, что с современными компьютерами создание программы, играющей в шахматы на гораздо более высоком уровне, чем Магнус, не представляет особой сложности. Наше восприятие его способностей окрашено ограничениями человечества. Люди в целом плохо играют в шахматы; Магнус намного лучше большинства людей. Вывод о том, что Магнус хорош в шахматах, является идеальной иллюстрацией наших собственных антропоцентрических предубеждений. Магнус Карлсен не является объективно хорошим игроком в шахматы, он хорош в шахматах относительно уровней человеческой производительности. С любой объективной точки зрения, игра в шахматы на гораздо более высоком уровне не является сложной с вычислительной точки зрения, но это то, на что люди не способны. В связи с этим многие животные могут выполнять задачи, с которыми люди не справляются на высоком уровне, например, эхолокацию..

Так кто же тогда люди, если не парадигма общего интеллекта? Факты указывают на специализированную адаптацию. Мы обладаем невероятной способностью адаптироваться и специализироваться в рамках тех задач, для решения которых мы эволюционировали (Russell and Norvig, 2010). Это главный аргумент [Pos. #1].

Альтернативные взгляды

Было выдвинуто несколько возражений против нашего утверждения о том, что люди не являются универсальными. Илон Маск и Демис Хассабис заявили, что наш аргумент смешивает общий интеллект с универсальным интеллектом. Далее они утверждают, что человеческий мозг действительно является универсальным в смысле машины Тьюринга, способным изучить всё вычислимое при наличии достаточного количества времени, памяти и данных. Следовательно, они утверждают, что «мозг — это самое изысканное и сложное явление, известное нам во Вселенной (на данный момент), и на самом деле он чрезвычайно универсален» (Hassabis, 2025; Musk, 2025).

В ответ на это действительно важно прояснить термины. Универсальный интеллект относится к способности действовать разумно во всех вычислимых средах (Legg and Hutter, 2007). Общий интеллект, в том смысле, в котором его использует Демис, по-видимому, относится к адаптации к любой вычислимой задаче при наличии времени и ресурсов. Мы вовсе не смешиваем эти понятия, а утверждаем, что люди не способны ни на то, ни на другое..

Хотя вопрос о том, имеет ли значение приблизительная полнота по Тьюрингу в идеализированных условиях для определения интеллекта, является правомерным, он упускает суть. Даже если мы допустим тот факт, что человеческий мозг приблизительно обладает полнотой по Тьюрингу (что далеко от очевидного факта), в условиях реальных ограничений, таких как ограниченная память, ограниченное время и ограниченное внимание, мы справляемся лишь с крошечной долей возможных задач. Пространство возможных функций невообразимо огромно, и мы можем представить лишь бесконечно малую его часть. Мы чувствуем себя универсальными, потому что не осознаем своих «слепых зон», а не потому, что у нас их нет..

3 Последствия для терминологии Полярной звезды ИИ

⟦Figure 1: Двумерная семантическая карта, систематизирующая ключевые определения AGI и другие ориентиры для оценки искусственного интеллекта по двум осям. Вертикальная ось представляет источник интеллекта, варьирующийся от способностей, основанных на производительности (DO, внизу), до обучения и адаптивности (LEARN, вверху). Горизонтальная ось представляет охват задач: от универсальных/открытых доменов (слева) до человекоцентричных и экономически ориентированных доменов (справа). Определения группируются в три категории: Адаптивные генералисты (бирюзовый) делают упор на эффективность обучения и обобщение в открытых средах; Когнитивные зеркала (фиолетовый) фокусируются на воспроизведении когнитивных способностей человеческого уровня в широких областях задач; Экономические двигатели (оранжевый) отдают приоритет практической полезности и экономической ценности в задачах, значимых для человека. Сверхчеловеческий адаптивный интеллект (SAI) относится к сфере адаптивного ИИ, способного выполнять любые важные задачи как внутри, так и за пределами человеческой сферы деятельности..

3.1 Обзор определений

Измерение машинного интеллекта является нетривиальной задачей. Тесты, основанные на языке, такие как тест Тьюринга, где машина должна притворяться человеком достаточно убедительно, чтобы обмануть человека и заставить его поверить, что машина является человеком (Turing, 1950), и тест Винограда, который проверяет здравый смысл и понимание естественного языка (Levesque et al., 2012), полезны для оценки аспектов интеллекта, но не являются истинным мерилом достижения AGI. «Кофейный тест» Стива Возняка — способен ли робот приготовить чашку кофе, если его отправить на случайную кухню — привлекает внимание к тому факту, что, несмотря на заявления об обратном (Chen et al., 2026), одного лишь языка недостаточно, чтобы считаться разумным, и что человеческий интеллект хорошо адаптируется к незнакомым условиям (Wozniak, 2010). Определения AGI обычно делятся на категории по двум осям: первая определяет, о каких именно способностях идет речь, а вторая определяет требуемый охват этих способностей.:

1. ⟦ Ось 1 (способность): (A) ИИ, который может обучаться выполнению задач, против (B) ИИ, который может выполнять задачи без предварительной настройки
2. ⟦ Ось 2 (область применения): (I) Что угодно, (II) Что угодно важное, (III) Что угодно, что могут делать люди, (IV) Что угодно важное, что могут делать люди

Мы визуализировали популярные определения AGI в соответствии с этой двухмерной структурой на рис. 1⟧.

Существует весомый аргумент в пользу третьей оси, которая охватывает пространство от наблюдаемой способности до субъективного понимания (Searle, 1980), тем самым включая измерение интерналистского взгляда. Согласно этому взгляду, ИИ может соответствовать любому критерию производительности для AGI, однако, если ему не хватает субъективного опыта (qualia), он остается лишь симуляцией интеллекта, а не подлинным объектом. Хотя исследование этого измерения является глубоким, мы считаем его выходящим за рамки данной работы. Наш фокус направлен на операциональные определения — метрики, которые можно наблюдать и измерять, — в то время как интерналистское возражение в настоящее время находится в области метафизики и философии сознания, не предлагая фальсифицируемого теста для инженерного прогресса..

Как бы то ни было, одно ясно: термин AGI перегружен различными определениями из авторитетных источников. Эта путаница привела даже к утверждениям, что AGI уже наступил(Agüera y Arcas and Norvig, 2023; Chen et al., 2026). Различные определения, представленные на рис. 1, и неточный характер публичных дискуссий вокруг AGI, которые ведут высокопоставленные лица, как показано в предыдущем разделе, ясно демонстрируют [Pos. #3].

3.2 Почему существующие определения недостаточны

[Поз. #1] имеет следующие последствия для данных определений:

1. ⟦ Человечество по-прежнему весьма полезно, поэтому ИИ не обязательно должен быть общим, чтобы оставаться революционным и мощным ([Pos. #2]).
2. ⟦ Любое определение, сфокусированное исключительно на человечестве как на цели, не может претендовать на статус общего.
3. ⟦ Сосредоточенность исключительно на людях также не является идеальной, поскольку существует множество задач, которые мы не можем выполнить, но которые при этом обладают высокой полезностью и важностью.

Кроме того, чтобы определение было полезным, оно должно соответствовать следующим критериям:

1. ⟦ Это должно быть осуществимо. Если цель невозможно реализовать с теоретической точки зрения, она представляет сомнительную ценность..
2. ⟦ Она должна быть внутренне непротиворечивой. Если определение претендует на всеобщность, оно должно быть таковым по существу..
3. ⟦ Она должна быть поддающейся оценке. Представленная цель должна приводить к четким подцелям и стратегиям, а также должен существовать ясный показатель, с помощью которого можно измерить прогресс..

Установив данные критерии, мы теперь можем продемонстрировать ⟦Pos. #4⟧, а именно то, что существующие определения являются недостаточными.

AGI Definition	Failure mode	Explanation
“Match or exceed the cognitive versatility and proficiency of a well-educated adult.” (Hendrycks et al., 2025)	Not Consistent	Human cognition is not general in any meaningful way. This definition is also unnecessarily narrow
“Highly autonomous systems that outperform humans at most economically valuable work.” (Morris et al., 2024)	Not Consistent	The focus here is explicitly on a subset of tasks that are of economic worth. Clearly not General
“A system that should be able to do pretty much any cognitive task that humans can do.” — Demis Hassabis (DeepMind CEO) (Mitchell, 2024)	Not Consistent	This definition is not actually general both in its focus on humans, and also in its focus on ”cognitive tasks”, which seems to be to the exclusion of physical tasks like locomotion
“We need precise, quantitative definitions and measures of intelligence – in particular human-like general intelligence…. …The intelligence of a system is a measure of its skill-acquisition efficiency over a scope of tasks, with respect to priors, experience, and generalization difficulty” (Chollet, 2019)	Not Consistent	Chollet himself admits as much, calling human cognition ’only “general” in a limited sense’, a contradiction of terms
“We define AGI as a system that demonstrates broad generality (performing a wide range of tasks) and high performance (matching or exceeding human levels).” (Morris et al., 2024)	Not Feasible	While they acknowledge generality requires exceeding human levels, with a focus on direct performance over adaptation, such a system is not realizable with finite resources.
“Intelligence measures an agent’s ability to achieve goals in a wide range of environments.” (Legg and Hutter, 2007)	Not Feasible	Legg and Hutter define the domain of environments as all that are computable. They further emphasize ability over adaptability. Strong ability on such a vast set of tasks is not realizable with finite resources
”Highly autonomous systems that outperform humans at most economically valuable work” (OpenAI, ).	Not Assessable	The focus on performance means that any evaluation would have to benchmark against an ever growing set of tasks

⟦Table 1: Несостоятельность большинства определений AGI. Примечание: некоторые определения неверны по нескольким причинам, но мы выделяем только одну.

Во-первых, определения AGI, претендующие на истинную универсальность, подпадают под действие теоремы «No Free Lunch» — ни один отдельный алгоритм машинного обучения или стратегия оптимизации общего назначения не работают лучше всего для каждой задачи (Wolpert and Macready, 1997). Или, если сформулировать иначе: при ограниченной энергии подход, направляющий доступную энергию на изучение конечного набора задач, будет закономерно превосходить подход, распределяющий ограниченную энергию на бесконечное количество задач. В пределе количество энергии, выделяемой на каждую из бесконечных задач, стремится к нулю. Таким образом, любое определение, которое трактует область применения буквально как всё вычислимое, не соответствует нашим критериям, поскольку не является практически осуществимым..

Во-вторых, любое определение AGI, которое фокусируется на подмножестве задач или делает упор на специализацию и адаптацию как на ключевые метрики, нельзя назвать по-настоящему общим. Аналогично, AGI, измеряемый «общей» природой человека, не является по-настоящему общим. Шолле признает эту проблему и утверждает, что человеческий интеллект «является «общим» лишь в ограниченном смысле» (Chollet, 2019), но мы утверждаем, что это просто внутреннее противоречие терминологии. По этой причине Шейн Легг и Маркус Хаттер говорят об «универсальном интеллекте», а не об AGI, поскольку человеческий интеллект «слишком ограничен» (Legg and Hutter, 2007), так как определение AGI, ориентированное на человека, исключает бесконечное пространство нечеловеческого интеллекта (Wang, 2019). Несмотря на вышеуказанные возражения, AGI, определяемый именно как способность соответствовать когнитивному охвату человека, весьма популярен: Хендрикс и соавторы, а также Моррис и соавторы утверждают, что человеческая общность является единственным общим примером для концепции интеллекта (Hendrycks et al., 2025; Morris et al., 2024). В то время как выше подчеркивалась способность делать все, что могут делать люди, другие утверждают, что AGI должен быть способен научиться делать или делать все важное, что могут делать люди. Их аргументы признают, что область человеческого интеллекта конечна и что для ИИ желательно уметь выполнять или учиться выполнять подмножество важных задач: задач, которые создают экономическую ценность. По словам Нильссона, «системы с истинным интеллектом человеческого уровня должны быть способны выполнять задачи, за которые людям платят» (Nilsson, 2005).111Нильссон не использует термин AGI, он говорит о «сильном ИИ» или «искусственном интеллекте человеческого уровня» (термин был популяризирован позже Шейном Леггом и Беном Герцелем), но все же продвигает идею о том, что люди являются «более или менее» универсальными, идея, которая нашла дальнейшее отражение в Уставе OpenAI (OpenAI, ).

Мы полагаем, что причина столь широкого отождествления человеческого интеллекта с общностью проистекает из стремления к самовосхвалению и трудности по-настоящему осознать наши собственные ограничения. Как бы то ни было, все определения в этой категории не соответствуют нашим критериям, поскольку не являются внутренне непротиворечивыми..

Можно возразить, что наше утверждение здесь — лишь вопрос семантики и что эти определения все еще могут служить ценными ориентирами для данной области, даже если термин «общий» используется в них неверно. В ответ мы утверждаем, что при определении конечной цели всей дисциплины семантика чрезвычайно важна. Неверное понимание общности опасно по нескольким причинам. Оно скрывает то, как такой интеллект может быть реализован на самом деле, что нарушает наши критерии осуществимости. Кроме того, это может привести к неоправданно узким представлениям о том, какой должна быть конечная цель. Например, убеждение в том, что люди обладают общим интеллектом, привело к появлению нескольких определений AGI как имитации человека, что, безусловно, является слишком ограниченной целью для того, чем является и чем может стать AI..

В-третьих, определения AGI, которые невозможно оценить или проверить, не являются практическими или полезными. Legg и Hutter признают эту проблему в своей статье: ”various practical challenges will need to be addressed before universal intelligence can be used to construct an effective intelligence test” (Legg and Hutter, 2007). Способность измерять прогресс критически важна по многим причинам. Огромный массив данных свидетельствует о том, что точная способность измерять прогресс является одним из сильнейших катализаторов самого прогресса (Wyder et al., 2025). В связи с этим четкие метрики обычно дают представление о том, какие подцели и стратегии являются полезными. Еще более фундаментально то, что определение, которое невозможно измерить, на самом деле не является определением в полной мере и часто указывает на недостаток точности или поверхностный характер..

Этот критерий подчеркивает ключевое различие между двумя категориями определений по нашей первой оси (способность). Любое определение, сфокусированное на обучении или адаптации, неявно содержит четкую метрику для оценки интеллекта: скорость адаптации к новым задачам. И наоборот, определения, сфокусированные на действии и выполнении, часто не имеют очевидного способа измерения этого, за исключением бенчмаркинга способности LLM выполнять всё подряд — постоянно расширяющегося и плохо определенного набора тестов. Таблица 1 подробно описывает наши проблемы со многими популярными определениями AGI ([Pos. #4]).

4 Почему специализация побеждает

Чтобы обосновать (Forister et al., 2012), нам следует изучить важность специализации. Специализация не является биологической случайностью; это предсказуемое следствие ограниченности ресурсов, конкурирующих целей и сред, которые вознаграждают за эффективность в узком подмножестве эволюционно значимых задач. Форестер и соавторы утверждают, что организм-генералист обладает генетическими признаками, подходящими для различных сред, но никогда не имеет идеальной комбинации для процветания в какой-либо одной из них (Forister et al., 2012). Организмы сталкиваются с постоянными компромиссами: повышение эффективности в одной нише часто снижает её в других, и поэтому естественный отбор стремится отдавать предпочтение структурам, которые точно настроены на локальный ландшафт вознаграждений, а не являются одинаково компетентными во всех возможных условиях (Futuyma and Moreno, 1988). На рынках и в организациях та же логика проявляется под другим названием: субъекты, не достигающие порога эффективности, исчезают, поэтому конкуренция выступает в качестве механизма отбора, который усиливает эффективные стратегии и устраняет неэффективные (Hannan and Freeman, 1977; Loasby, 1983). Системы ИИ не освобождены от этого давления: модели, которые слишком дороги, слишком ненадежны или недостаточно точны в важных областях, будут игнорироваться в пользу систем, которые лучше соответствуют этим областям..

В машинном обучении ключевой математический аспект заключается в том, что повышение производительности требует допущений относительно класса задач, то есть целевого распределения. И снова: «Бесплатных обедов не бывает». Алгоритм выигрывает за счет того, что хорошо подходит для целевой задачи. По мере совершенствования ИИ специализированные системы также могут улучшаться: если возможно достичь более высокой производительности в задаче, система, которая концентрирует эту способность на более узкой задаче, как правило, может реализовать большие выигрыши, чем система, которая должна тратить емкость и вычислительные ресурсы на охват дополнительных несвязанных задач..

На практике это означает, что достижение универсальности является трудноразрешимой задачей. Хотя многозадачное обучение может способствовать повышению производительности, когда задачи имеют общую базовую структуру, оно может привести к «отрицательному переносу», когда задачи конкурируют за репрезентативную емкость или создают конфликтующие градиенты, тем самым ухудшая выполнение задач (Ruder, 2017). Модели, которые направляют запросы к специализированным подмножествам параметров модели в зависимости от задачи, являются технологическим признанием этого ограничения — такие системы достигают широты охвата и масштабируемости за счет повторяющейся модульной специализации, а не за счет использования единых общих параметров для всех входных данных (Fedus et al., 2022). Несмотря на кажущуюся «универсальность», эти модели достигают наилучшей производительности именно благодаря внутренней специализации..

Универсальная общность является теоретической концепцией, но с практической точки зрения это миф. Большая часть того, что мы интуитивно подразумеваем под «делать что угодно», сводится к планированию и принятию решений в условиях неопределенности. Классические задачи планирования быстро становятся неразрешимыми в худшем случае (например, пропозициональные варианты STRIPS) (Bylander, 1994), а вероятностное планирование наследует столь же серьезные барьеры сложности (Littman et al., 1998). Это не означает, что планирование невозможно на практике; это означает, что широкая общность в произвольных средах не имеет причин быть вычислительно дешевой. Специализированный агент, который ограничивает пространство сред, целей и моделей действий, с которыми он должен справляться, может использовать структуру и избегать взрывного роста сложности в худшем случае. Это похоже на людей, поскольку наши предубеждения, генетическая предрасположенность и окружающая среда естественным образом подталкивают нас к «человеческим вещам», что является лишь малой долей универсальной общности..

Эмпирически специализированные системы ИИ неоднократно демонстрируют преимущество концентрации проектирования моделей, подготовки данных и оценки вокруг единой предметной цели. Прогнозирование структуры белка является архетипическим примером: AlphaFold достиг значительных успехов, ориентируясь на конкретную научную задачу с помощью специализированного обучения и архитектурных решений, и установил новую планку точности и полезности в этой области (Jumper et al., 2021). Таким образом, вполне вероятно — и даже ожидаемо в рамках концепции No Free Lunch и динамики негативного переноса — что система ИИ, которой поручено «сворачивать белки и складывать белье», не сравнится со специалистом по сворачиванию белков в эффективности выполнения этой задачи, если она внутренне не восстановит специализацию (например, посредством маршрутизации, модульности или выделенных подмоделей) (Wolpert and Macready, 1997; Ruder, 2017; Fedus et al., 2022; Jumper et al., 2021).

Специализация также проясняет, почему ИИ может быть уникально ценным: он способен точно воздействовать на те области, где человеческое познание систематически дает сбои. Люди демонстрируют устойчивые когнитивные искажения и эвристики, которые часто были разумны в условиях эволюционного прошлого, но склонны к ошибкам в современных реалиях (Tversky and Kahneman, 1974). В более широком смысле, гипотеза эволюционного несоответствия утверждает, что многие психологические механизмы были настроены на прошлые режимы отбора и поэтому могут приводить к неадаптивным результатам в современной среде (Li et al., 2018). Это создает возможности: специализированные системы ИИ могут быть спроектированы так, чтобы превосходить человека именно там, где он слаб, но где правильность решений имеет критическое значение (например, многомерный статистический вывод, оптимизация при наличии ограничений, сложное механистическое моделирование) (Tversky and Kahneman, 1974; Domingos, 2012).

Наконец, все это не означает, что универсальность — это «плохо». Это подразумевает более узкое, более операциональное утверждение: мы должны принять специализацию, а не бороться с ней. Даже в областях, которые кажутся демонстрацией «общего интеллекта», история вех в области ИИ часто отражает интенсивную ориентацию на конкретную область, а не широкую компетентность, в то время как новые «общие» методы по-прежнему добиваются успеха за счет использования сильной структуры в семействе задач (Silver et al., 2018). Для приложений с высокими ставками (например, научные открытия, медицина) правильное стремление состоит не в том, чтобы сохранить романтику единого разума-универсала, а в том, чтобы создать сильнейших доступных специалистов — и, при необходимости, объединить их в системы, координация которых является спроектированной, а не предполагаемой..

Следует также отметить, что данное утверждение не оспаривает bitter lesson (Sutton, 2019). Bitter lesson — это наблюдение о том, что подходы, масштабируемые с увеличением вычислительной мощности, как правило, превосходят подходы, основанные на предметных знаниях, и с этим утверждением мы согласны. Уменьшение полезности предметных знаний отличается от полезности предметной специализации. По мере развития масштабирования нам потребуется знать меньше о белках для создания системы, выполняющей свертывание белков; однако такая система по-прежнему выигрывает от узкой специализации на белках..

⟦Figure 2: Иллюстрация перекрытия пространства задач между доменом человека и доменом ИИ в рамках универсального пространства задач.

Осознание «ограниченности» людей и преимуществ специализации позволяет нам использовать взаимодополняющую природу ИИ, поскольку он заполняет пробелы в человеческой сфере там, где он соответствует человеческой производительности или превосходит её, при этом будучи способным выполнять задачи вне человеческой сферы (см. рисунок 2).

5 На пути к сверхчеловеческому адаптивному интеллекту

Учитывая полезность специализации, мы предлагаем Сверхчеловеческий Адаптивный Интеллект (SAI) в качестве idée fixe исследований ИИ ([Pos. #5]). В отличие от более ранних терминологий «Полярной звезды» ИИ, которые мы подвергли сомнению, наше определение SAI обходит проблемы осуществимости, фокусируясь на адаптации к задачам, имеющим человеческую полезность, в противовес результативности простого выполнения задачи. Мы принимаем необходимость специализации и избегаем ловушки утверждения об универсальности. Более того, мы расширяем область задач за пределы человеческой предметной области, не требуя при этом, чтобы ИИ был мастером человеческой предметной области в целом. Наконец, скорость адаптации — скорость, с которой агент может приобретать новые навыки и изучать новые задачи, поддается измерению, и, таким образом, наш подход является практичным..

Наше определение наиболее близко к (Chollet, 2019) Шолле, за исключением того, что мы возражаем против того, чтобы называть такое определение общим, а также отвергаем его точку зрения о том, что мы «должны оценивать прогресс конкретно в сравнении с человеческим интеллектом». Хотя показатели эффективности человека могут быть полезной отправной точкой на ранних этапах разработки, мы утверждаем, что привязка бенчмарков к человеческим базовым показателям в конечном итоге ортогональна пути к сверхчеловеческим возможностям. Модели и системы ИИ, которые оптимизируют четко определенные цели и совершенствуются посредством самообучения, эволюционного поиска или крупномасштабного исследования в симуляции, могут превзойти показатели человека без имитации (Zhao et al., 2025). Мы считаем, что чрезмерная ориентация на метрики «человеческого уровня» создает риск неверного определения цели и ограничения оценки антропоцентрическими задачами и ограничениями..

В более широком смысле любая схема оценки, рассматривающая интеллект как контрольный список фиксированных компетенций — будь то привязанный к человеческим базовым показателям или к постоянно растущему каталогу задач, — упускает суть SAI. Вместо этого основное внимание следует уделить минимизации времени адаптации. Пространство возможных навыков фактически безгранично, поэтому индивидуальное тестирование навыков становится сизифовым трудом..

Наше видение SAI как Полярной звезды потенциально достижимо посредством self-supervised learning (SSL). Мы полагаем, что обучение в пространстве эмбеддингов, в отличие от обучения в пространстве токенов, может способствовать повышению производительности. Мы также считаем, что world models могут помочь нам продвинуться к SAI. В то же время мы отвергаем концепцию единой модели или архитектуры как «единственной парадигмы, способной управлять всем», поскольку это означало бы, что эволюция искусственного интеллекта остановится, как только такая архитектура будет обнаружена..

Также важно отметить, что наше определение делает акцент на задачах вне человеческой сферы, которые обладают полезностью. Цель этого положения заключалась в том, чтобы исключить из нашего определения потенциально бесконечное множество бесполезных задач, однако мы до сих пор не дали точного определения полезности или того, как мы определяем важность задачи. Было предложено множество определений, таких как экономическая ценность или общественное согласие. Точное определение, которому отдается предпочтение, в значительной степени ортогонально нашим аргументам здесь, и мы оставляем обсуждение того, какое из них является наиболее подходящим, для других работ..

⟦Figure 3: Иллюстрация расхождения авторегрессионной модели

5.1 Почему Self Supervised Learning

Смещая фокус с производительности на адаптацию, SAI указывает на SSL как на потенциальный путь развития. Специализация на широком спектре задач требует способности к изучению общих знаний. Во многих реальных условиях supervised learning на практике невыполним, поскольку предполагает наличие больших, надежно размеченных наборов данных (LeCun et al., 2015) — допущение, которое часто не оправдывается вне тщательно отобранных бенчмарков. Напротив, SSL может быть применен к любым данным, содержащим используемую внутреннюю структуру (Balestriero et al., 2023). Более того, что, возможно, еще важнее, было показано, что SSL фактически находится на одном уровне с SL и даже превосходит его, даже когда данных для обучения с учителем предостаточно (He et al., 2020; Grill et al., 2020; Chen et al., 2020; He et al., 2022). SSL способствовал появлению GPTs и достиг SOTA производительности в большинстве областей..

5.2 Субстрат для быстрой адаптации

Адаптация и специализация могут быть достигнуты с помощью множества архитектур и парадигм, однако вопрос о том, какая архитектура является наиболее эффективной, остается открытым для исследований. Разработка максимально адаптивных алгоритмов остается центральной задачей метаобучения (Finn et al., 2017). Мозг не является монолитом, это система систем. Это говорит о том, что ни одна отдельная система не сможет адаптироваться так, как это делают люди. Таким образом, мы полагаем, что адаптация требует иерархии и разнообразия моделей и модальностей..

В частности, мы полагаем, что адаптации способствует наличие модели мира и переход от прогнозирования на уровне токенов к архитектурам латентного прогнозирования, таким как Dreamer 4, Genie 2 или Joint Embedding Prediction Architecture (JEPA) (Van Assel et al., 2025; Assran et al., 2023; Hafner et al., 2025; Bruce et al., 2024). Пиксели не являются состоянием. Физический мир слишком богат и стохастичен, чтобы прогнозирование на уровне пикселей было значимой целью; важно изучать и прогнозировать компактное представление, которое отражает динамику системы. Давно предполагалось, что люди и животные активно используют модели мира в своем познании (Craik, 1967). Модель мира позволяет осуществлять симуляцию, а следовательно, и планирование (Schrittwieser et al., 2020). Таким образом, это является отличительной чертой адаптации с нулевым и малым количеством примеров (LeCun, 2022). Хотя мы находим этот аргумент в пользу определенной группы архитектур убедительным, SAI не диктует конкретную архитектуру..

5.3 О важности разнообразия

Однородность губит исследования. Авторегрессионные LLM и LMM стали доминирующей архитектурой в области передовых «общих» систем ИИ (Huang et al., 2024; Su, 2025). Эта концентрация понятна — общие инструменты и эталонные тесты создают импульс, — но она также сужает пространство поиска. Прогресс идет наиболее быстрыми темпами, когда исследуется большее разнообразие решений..

Помимо замедления прогресса, эти однородные решения зачастую являются лишь локальными оптимумами. GPT и аналогичные авторегрессионные модели не являются исключением, они имеют множество недостатков (Lin et al., 2021); их ошибки растут экспоненциально с увеличением длины предсказания (LeCun, 2024), как показано на рисунке 3. На практике накопление ошибки предсказания делает долгосрочное взаимодействие хрупким. SAI противодействует гомогенизации и стимулирует разнообразие в разработке ИИ. Это обеспечивает более согласованную и разумную цель, которая способствует разнообразию профилей специализации. Принятие специализации противодействует стимулам, которые ведут к быстрой сходимости к среднему значению..

6 Обсуждение

Дискурс об AGI часто представляется как единый пункт назначения, оцениваемый по нечетко определенному понятию «человеческого уровня» общности. Мы утверждаем, что такая постановка вопроса является как научно бесполезной, так и операционно вводящей в заблуждение. Человеческий интеллект не является универсальным двигателем компетенций; это совокупность специализированных способностей, сформированных ограничениями и селективным давлением. Нет никаких оснований ожидать, что наиболее способные искусственные системы будут зеркально отражать распределение человеческих задач, равно как и рассматривать человеческую производительность в качестве естественной точки отсчета для прогресса..

Мы предлагаем Сверхчеловеческий Адаптивный Интеллект (SAI) в качестве более конкретного и продуктивного ориентира: способность к быстрой адаптации к важным задачам внутри и вне человеческой сферы. Центральной величиной является не контрольный список навыков, а скорость и эффективность, с которыми новые навыки приобретаются в условиях реалистичных ресурсных ограничений. Это переосмысливает оценку, смещая фокус с антропоцентрических бенчмарков в сторону измеримой динамики адаптации..

Наконец, специализация SAI создает среду, способствующую разнообразию инженерных подходов. Прогресс не будет достигнут за счет единой архитектуры, оптимизированной для предсказания следующего токена. Мы полагаем, что системы, которые изучают общую латентную структуру на основе неразмеченных данных, строят модели мира, поддерживающие планирование, и компонуют специализированные модули, лучше приспособлены к быстрой адаптации. Иными словами: крайне маловероятно, что ИИ, которому поручено сворачивать как белки, так и белье, превзойдет специалиста по сворачиванию белков в сворачивании белков или специалиста по складыванию белья в складывании белья. Учитывая ограниченные ресурсы, возможности следует распределять на задачи, приносящие пользу, а не на антропоцентрическое представление об универсальной компетентности. Таким образом, один из многообещающих путей развития заключается в том, чтобы делать упор на методы самообучения, предиктивные модели мира и модульность, а также оценивать достижения по тому, насколько быстро и надежно они формируют новую компетентность, а не по тому, насколько точно они имитируют поведение человека..