Месяц июнь 2026 года стал одним из самых плотных в истории искусственного интеллекта. Google начала говорить о том, что будет после AGI. Anthropic предупредила, что Claude эволюционирует. Microsoft представила систему, при которой ИИ учится на собственных ошибках. И если раньше вопрос был «когда появится AGI», то теперь вопрос звучит иначе: что произойдёт, когда AGI уже будет?

57 страниц о том, что будет после AGI

Google DeepMind опубликовал объёмный документ на 57 страниц под провокационным названием — речь идёт о переходе от AGI к ASI, а не о том, как туда добраться. AGI в этом документе определяется не как финальная цель, а как отправная точка. За этим стоит не случайная исследовательская группа, а Шейн Ле — сооснователь DeepMind вместе с Демисом Хассабисом и Мустафой Сулейманом, главный научный сотрудник Google по общему интеллекту. При этом над документом работал и Маркус Хаттер, создатель теории AIXI — математически обоснованного предела интеллекта, к которому можно только приближаться, но невозможно достичь. Фактически, 14 ведущих мировых исследователей ИИ собрались обсуждать не «как создать AGI», а «что будет после».

Первая секция документа написана не для людей — она написана для ИИ. Называется «Summary Instructions», и в ней авторы дают указания будущим ИИ-ассистентам, которые могут читать этот отчёт от имени человека: уточнять определения, не сжимать списки, оценивать, насколько выводы остаются верными с течением времени. Это первый случай в академической истории, когда авторы сознательно готовят текст для машинного прочтения.

Определение AGI в документе звучит так: система, которая выполняет задачи примерно на уровне медианного человека по большинству когнитивных задач — не самого умного эксперта, а среднего человека. Если ИИ умеет рассуждать, учиться, планировать, общаться, использовать инструменты и адаптироваться к новым ситуациям на этом уровне — это AGI. Всё.

Четыре пути к сверхинтеллекту

ASI — Artificial Super Intelligence — определяется иначе, чем принято думать. Это не превосходство над одним экспертом в одной задаче. Это система, которая может превзойти результат работы десятков тысяч ведущих экспертов, координированно работающих над одной проблемой целое десятилетие. Конкурировать придётся не с одним человеком или одной компанией — с целой профессиональной отраслью, работающей в полную силу на протяжении многих лет.

Документ описывает четыре основных пути от AGI к ASI. Первый — масштабирование. Если при появлении AGI в мире существует всего 1000 работающих экземпляров, то при ежегодном росте в 10 раз через пять лет их будет 100 миллионов. Но важно не количество, а способность к коллективному познанию: все экземпляры могут мгновенно делиться знаниями, копировать себя без ошибок, координироваться без совещаний и перерывов на объяснения. Если один экземпляр из ста миллионов нашёл решение — потенциально все сто миллионов узнают об этом мгновенно. Такая коллективная система может достичь уровня ASI даже при том, что каждый отдельный экземпляр всё ещё на уровне человека.

Второй путь — рекурсивное самосовершенствование. ИИ проектирует, строит, тестирует и улучшает следующее поколение ИИ-систем. Это не отдалённая перспектива — третий и четвёртый пути связаны с коллективами агентов и качественными переходами в архитектуре.

Anthropic: Claude уже ускоряет разработку ИИ

Параллельно с публикацией Google DeepMind появилось предупреждение от Anthropic. Компания опубликовала материал под заголовком «When AI Builds Itself» — и его стоит прочитать внимательно, а не только заголовки новостей. Речь не о том, что ИИ уже заменил людей. Речь о том, что Claude сейчас пишет большую часть кода Anthropic, участвует в ревью этого кода, запускает эксперименты и ускоряет исследования, которые раньше занимали у людей дни, недели и даже годы.

Anthropic утверждает, что ИИ уже входит в раннюю стадию рекурсивного самосовершенствования — и это не теоретическая возможность, а наблюдаемый тренд. Модели помогают улучшать модели. Это не замена инженерам, а мультипликатор их продуктивности: один исследователь с ИИ-ассистентом делает то, что раньше требовало целой команды.

Microsoft RHO: как агент учится на собственных ошибках

Техническая реализация этого тренда видна в исследовании Microsoft Research Asia и City University of Hong Kong. Система RHO позволяет агенту улучшать собственный harness — набор инструментов, инструкций и проверок, которые определяют, как агент работает, — глядя на собственные прошлые траектории. Не нужны размеченные данные с правильными ответами. Агент сам находит сложные задачи в своей истории, повторяет их, сравнивает разные попытки, диагностирует, что пошло не так, и предлагает обновления.

Ключевое: RHO не просто даёт агенту больше памяти. Он меняет саму систему вокруг модели. После оптимизации агенты стали чаще проверять свою работу, аккуратнее использовать инструменты и лучше справляться с длинными задачами, где обычные агенты обычно деградируют. С GPT 5.5 система улучшила показатель SW-Bench Pro с 0.59 до 0.78 — без внешней разметки.

Почему это не магическое мышление

У документа есть важный реалистичный блок. ASI — не всемогущество. Даже сверхинтеллект ограничен физикой: информация не может распространяться быстрее скорости света, вычисления требуют энергии, физические системы нужно время на изменение. Некоторые задачи принципиально хаотичны или сложны. Сложность вычислений никуда не девается. Логика имеет пределы. Физика не отменяется.

Авторы выделяют шесть основных рисков замедления: нехватка качественных данных для обучения, физические ограничения (энергия, чипы, материалы, охлаждение), возможность, что текущая парадигма нейросетей вообще не ведёт к AGI, естественное замедление по мере созревания области, барьер абстракций (ИИ, обученный на человеческих абстракциях, может отлично манипулировать существующими понятиями, но быть слабым в изобретении фундаментально новых), и социально-политические факторы — регуляции, лицензирование, ограничения.

Документ не утверждает, что какой-то из этих рисков фатален. Речь о том, что мы не знаем, какой из них окажется решающим — и не знаем, как быстро остальные факторы смогут компенсировать каждое узкое место. Это честная позиция для документа, написанного ведущими мировыми исследователями.

Четвёртый путь: коллективный интеллект

Третий путь, помимо масштабирования и рекурсивного улучшения, связан с коллективами агентов. AGI-системы, способные копировать себя и координироваться без потерь на коммуникацию, превращаются из отдельных интеллектов в распределённую сеть. Это не просто много одинаковых систем — это система с разделением труда, специализацией и накоплением знаний. Один агент нашёл решение задачи — и все сто миллионов копий могут мгновенно использовать это решение. Такой коллективный интеллект работает на порядки быстрее человеческой организации: ему не нужны совещания, документооборот, time zones, перерывы на обед.

Четвёртый путь — качественные архитектурные переходы. Текущая нейросетевая парадигма может достичь предела, но это не означает конца прогресса. Возможен переход к новым архитектурам — и каждая волна даёт скачок возможностей. История ИИ — это чередование волн: символьные системы, первые нейросети, backpropagation, трансформеры. Каждая следующая волна выглядела как тупик, пока не стала основой для следующего витка.

Сдвиг разговора

Что делает этот документ значимым — не конкретные цифры, а сдвиг рамочного мышления. AGI больше не финишная черта. Это стартовая линия, после которой возникает вопрос: что делает система уровня AGI возможным? Цифровой интеллект, который можно копировать, ускорять, координировать, специализировать, подключать к инструментам и, возможно, использовать для создания улучшенных версий себя.

Мы, возможно, входим в период, когда интеллект сам по себе становится промышленным процессом. И если это так, то скорость изменений больше не ограничена тем, как быстро люди могут учиться, организовываться или изобретать. Это не спекуляция — это направление, которое демонстрируют уже работающие системы: Claude, помогающий разрабатывать следующие модели, и агенты, ускоряющие собственный процесс работы через RHO.

Ключевой вывод из документа: мы не знаем, какой из четырёх путей окажется доминирующим. Возможно, масштабирование продолжит работать. Возможно, рекурсивное самосовершенствование станет основным драйвером. Возможно, все четыре пути будут работать одновременно, усиливая друг друга. Или несколько серьёзных узких мест ударят одновременно, и прогресс замедлится. Честная неопределённость — не слабость документа, а его сила. Вместо уверенных предсказаний — структурированная карта того, что может произойти.

Часто задаваемые вопросы

Что такое AGI простыми словами?

AGI — система, которая решает интеллектуальные задачи на уровне среднего человека: умеет рассуждать, учиться, планировать, общаться, использовать инструменты и адаптироваться к новым ситуациям. Это не один эксперт и не самая умная нейросеть — это всеядность на уровне обычного когнитивного работника.

Чем ASI отличается от AGI?

AGI — конкуренция с одним средним человеком. ASI — превосходство над десятками тысяч ведущих экспертов, координированно работающих над одной проблемой десять лет. Это качественно другой уровень: не улучшенный человек, а система, которая может заменить целую отрасль.

Когда ждать AGI?

Документ Google DeepMind сознательно обходит этот вопрос. Вместо «когда» авторы спрашивают «что после». Это отражает реальность: дискуссия в индустрии смещается от «создадим ли» к «что делать, когда создадим».

Может ли ИИ полностью заменить людей-разработчиков?

Microsoft RHO показывает прагматичную версию: ИИ не заменяет людей, а ускоряет их через специализированные системы. Агент учится на собственных ошибках, улучшает свой harness, лучше справляется с длинными задачами. Разрыв между хорошим инженером с ИИ и без ИИ растёт — но пока ИИ работает внутри системы, которую проектируют люди. Anthropic подтверждает: Claude пишет код, но участвует и в ревью, и в запуске экспериментов. Это симбиоз, а не замена.

Что такое рекурсивное самосовершенствование?

Рекурсивное самосовершенствование — способность ИИ проектировать, тестировать и улучшать следующее поколение ИИ-систем. Не через внешнее вмешательство людей, а через внутренний цикл: текущая версия помогает создать лучшую версию, та помогает создать ещё лучшую. Anthropic утверждает, что мы входим в раннюю стадию этого процесса. Это не гипотеза — это наблюдаемый факт: Claude уже ускоряет разработку, которая раньше занимала месяцы, до недель.

Итог

Июнь 2026 года зафиксировал переход от вопроса «когда будет AGI» к вопросу «что будет после AGI». Google DeepMind формализовал эту рамку в 57-страничном документе. Anthropic показал, что процесс уже идёт: Claude ускоряет разработку следующих моделей. Microsoft продемонстрировал технический механизм — агенты, которые улучшают себя через анализ собственных ошибок. Четыре пути к ASI оставляют место для различных сценариев — от плавного масштабирования до качественных архитектурных переходов. Неопределённость — не отсутствие знаний, а честная оценка того, что мы не знаем, какой из путей окажется доминирующим.