Глава Google DeepMind Демис Хассабис снова обозначил ориентир для появления сильного искусственного интеллекта. По его оценке, системы уровня AGI могут появиться примерно к 2030 году. Речь идёт не о более умном чат-боте, а о технологии, которая сможет решать широкий круг интеллектуальных задач на уровне человека или выше.

Прогноз прозвучал на фоне Google I/O и общего ускорения гонки в ИИ. Но наиболее интересна не сама дата, а то, как Хассабис предлагает отличать настоящий AGI от очередной мощной модели, которая хорошо отвечает на вопросы и умеет убедительно рассуждать в диалоге.

Что именно сказал Хассабис

Хассабис считает, что к концу десятилетия индустрия может подойти к созданию сильного ИИ. Он не говорит, что AGI уже почти готов или что нынешние модели достаточно лишь немного увеличить. Напротив, по его словам, для перехода к настоящему общему интеллекту нужны ещё несколько серьёзных прорывов.

Современные ИИ-системы уже умеют писать код, анализировать документы, генерировать изображения и помогать в научных задачах. Но они всё ещё плохо справляются с настоящей самостоятельной научной работой, долгим планированием, надёжной проверкой своих выводов и переносом знаний между разными областями.

Именно эти способности обычно и отделяют сильный ИИ от продвинутой генеративной модели.

Что такое «тест Эйнштейна»

Хассабис предложил мысленный критерий, который можно назвать «тестом Эйнштейна». Идея такая: ИИ обучают только на научных данных по физике до 1901 года, а затем проверяют, сможет ли он самостоятельно прийти к открытиям уровня работ Альберта Эйнштейна 1905 года.

Смысл теста не в том, чтобы модель пересказала известную теорию из интернета. Ей нужно было бы восстановить научный скачок без доступа к готовому ответу.

Такой подход лучше показывает разницу между запоминанием и настоящим открытием. Если система может только комбинировать уже увиденные знания, это ещё не AGI. Если она способна строить новые объяснения, проверять их и выходить за пределы обучающего материала, разговор становится серьёзнее.

Почему нынешние модели до этого не дотягивают

Современные ИИ-модели сильны в работе с уже накопленным человеческим знанием. Они умеют искать закономерности в огромных массивах данных, быстро писать тексты, помогать программистам и объяснять сложные темы.

Но у них остаются слабые места. Они могут ошибаться в фактах, уверенно выдавать неверные ответы, плохо удерживать долгие цепочки рассуждений и не всегда понимают физический смысл задачи за пределами языковой формы.

Для AGI этого недостаточно. Сильный ИИ должен быть не просто быстрым ассистентом, а системой, которая может самостоятельно учиться, ставить задачи, находить новые методы и проверять результаты.

Google делает ставку на научный ИИ

DeepMind давно развивает ИИ не только как потребительский сервис. Один из главных примеров — AlphaFold и последующие модели для работы с белковыми структурами. Именно это направление принесло Хассабису Нобелевскую премию по химии в 2024 году.

Поэтому его разговор об AGI строится не вокруг красивых демо, а вокруг научной продуктивности. Для DeepMind сильный ИИ — это система, которая сможет ускорять открытия, помогать в медицине, материаловедении, климатическом моделировании и других сложных областях.

Хассабис также приводит практические примеры уже существующей пользы. ИИ-модели могут помогать прогнозировать экстремальные погодные явления быстрее традиционных подходов, что особенно важно для подготовки к катаклизмам.

Почему конкуренция стала жёстче

Глава DeepMind называет нынешнюю ИИ-гонку одной из самых напряжённых в истории технологий. За лидерство борются Google, OpenAI, Anthropic, Meta, xAI, китайские лаборатории и множество стартапов.

У Google сильная исследовательская база, собственные чипы, облачная инфраструктура, поисковая экосистема и массовые продукты. Но это не снимает давления. Рынок требует быстрых релизов, а фундаментальные исследования требуют осторожности.

Именно здесь возникает конфликт: компании хотят первыми показать возможности будущего AGI, но слишком быстрый запуск мощных систем может создать риски.

Какие риски обсуждает DeepMind

DeepMind отдельно подчёркивает необходимость безопасного пути к AGI. Сильный ИИ может быть полезен в науке, экономике и медицине, но он же может усилить киберриски, дезинформацию, биологические угрозы и неконтролируемую автоматизацию.

Хассабис ранее поддерживал идею, что снижение рисков от ИИ должно стать глобальным приоритетом наряду с крупными угрозами для человечества.

Поэтому прогноз на 2030 год нельзя читать только как обещание технологического праздника. Это также предупреждение: если AGI действительно может появиться в такие сроки, вопросы тестирования, контроля и ответственности нужно решать заранее.

Что означает прогноз на 2030 год

Дата 2030 года не является точным расписанием. Это оценка человека, который руководит одной из ведущих ИИ-лабораторий мира. Она показывает ожидание индустрии, но не гарантирует результата.

AGI может появиться позже. Может оказаться, что нынешний подход через масштабирование моделей упрётся в ограничения. Может потребоваться новая архитектура, новая память, новые способы обучения или более тесная связь ИИ с реальными экспериментами.

Пока главный вывод осторожный: DeepMind считает сильный ИИ достижимым в ближайшие годы, но не сводит его к увеличению числа параметров. Настоящий тест будет не в том, насколько убедительно модель говорит, а в том, сможет ли она делать открытия, которые раньше требовали человеческого гения.