AGI dla jednych już nadchodzi, dla innych wciąż jest mglistym hasłem

AGI, czyli sztuczna inteligencja ogólna, stała się zbiorczą etykietą dla bardzo różnych wizji. Dla jednych ma oznaczać autonomicznego wykonawcę wartościowej pracy, dla innych cyfrowego naukowca na poziomie laureata Nagrody Nobla, system o całym spektrum ludzkich zdolności poznawczych albo po prostu model, który wygrywa z ludźmi w testach.

To właśnie dlatego pewne siebie zapowiedzi dotyczące terminów mogą współistnieć bez bezpośredniej sprzeczności. Ich autorzy często nie przewidują daty tego samego wydarzenia — mówią o innych celach.

Czterech liderów, cztery progi

Sam Altman: autonomia przy pracy mającej wartość ekonomiczną

Najczęściej przywoływana definicja OpenAI opisuje AGI jako „wysoce autonomiczne systemy, które przewyższają ludzi w większości ekonomicznie wartościowej pracy”. To definicja przede wszystkim praktyczna: liczy się zdolność do wykonywania wartościowych zadań na dużą skalę, a nie idealne odtworzenie sposobu ludzkiego myślenia.

W nowszej komunikacji OpenAI mocniej akcentuje sprawczość człowieka. Firma deklaruje, że chce tworzyć systemy pomagające ludziom realizować ich własne cele, a nie zastępujące ludzki osąd w sprawach ważnych. Pełna automatyzacja wszystkiego byłaby — według OpenAI — zarazem niebezpieczna i pozbawiona sensu. 23 Jej analiza zmian na rynku pracy podkreśla też, że automatyzacja wielu zadań nie musi sama w sobie likwidować zawodu: człowiek może nadal odpowiadać za wykonanie usługi, nadzór albo odpowiedzialność za wynik. 25

Granica między zaawansowanym narzędziem, autonomicznym agentem a AGI pozostaje więc szeroka i ruchoma. Definicja ekonomiczna może pomóc mierzyć realny wpływ technologii, ale nie jest publicznym testem naukowym.

Dario Amodei: „potężna AI” jako wyjątkowy pakiet zdolności

Dyrektor generalny Anthropic, Dario Amodei, częściej używa określenia powerful AI — „potężna AI” — niż AGI. W stanowisku firmy dla administracji USA termin ten oznacza znaczący skok ponad dzisiejsze modele: zdolności intelektualne dorównujące lub przewyższające laureatów Nagrody Nobla w większości dziedzin, możliwość obsługi cyfrowych interfejsów dostępnych dla ludzkich pracowników oraz samodzielne wykonywanie złożonej pracy. 3

Anthropic prognozuje pojawienie się takich systemów pod koniec 2026 r. albo na początku 2027 r. Amodei opisywał tę perspektywę jako „państwo geniuszy w centrum danych”, wskazując na gospodarcze, bezpieczeństwowe i geopolityczne skutki skupienia takiej mocy w rękach nielicznych podmiotów. 6 7

To podejście jest konkretniejsze od ogólnego hasła AGI, ale nadal łączy kilka bardzo trudnych warunków: szerokość wiedzy, samodzielność, używanie narzędzi oraz długotrwałą niezawodność. System może dobrze spełniać część z nich, zanim spełni wszystkie naraz.

Demis Hassabis: pełen zakres ludzkiego poznania

Demis Hassabis, szef Google DeepMind, stawia AGI wyższą poprzeczkę. W jego ujęciu system powinien posiadać wszystkie zdolności poznawcze człowieka. Hassabis mówił, że AI na ludzkim poziomie może pojawić się w tej dekadzie, ale jednocześnie zaznaczał, iż obecne systemy są „bardzo daleko” od AGI na poziomie człowieka. 33 38

W tej perspektywie AGI nie jest przede wszystkim kamieniem milowym produktu. To próg naukowy, wymagający solidnej ogólności: nie tylko świetnych wyników egzaminacyjnych czy osiągnięć w kilku zawodowych dziedzinach, lecz sprawnego działania w całej rozpiętości ludzkiego poznania.

Jensen Huang: szeroka przewaga w testach

Jensen Huang, dyrektor generalny Nvidii, stosował definicję bliższą benchmarkom, czyli porównywalnym testom wydajności. W 2024 r. mówił, że AGI może pojawić się w ciągu pięciu lat, jeśli rozumieć ją jako AI przewyższającą ludzi właściwie w każdym teście. Relacje z 2026 r. opisywały jego stanowisko jako uznanie AGI za osiągniętą według znacznie luźniejszego, praktycznego kryterium. 34

Zaletą tego podejścia jest pozorna prostota: testy dają wyniki liczbowe. Ograniczenie jest równie oczywiste. Dobre rezultaty w wielu testach nie dowodzą jeszcze, że system potrafi niezawodnie działać samodzielnie przez długi czas, rozsądnie oceniać sytuację albo bezpiecznie funkcjonować w nieuporządkowanym świecie poza laboratorium.

Dlaczego tych prognoz nie można zestawiać wprost

To nie są wyłącznie różne szacunki daty jednego przełomu. Każdy z liderów wskazuje inne miejsce docelowe:

• Altman i OpenAI: autonomia w większości pracy mającej wartość ekonomiczną;
• Amodei i Anthropic: intelektualna praca na poziomie noblowskim, połączona z długim, samodzielnym wykonywaniem zadań cyfrowych;
• Hassabis i DeepMind: pełny zakres ludzkich zdolności poznawczych;
• Huang i Nvidia: wyniki przewyższające ludzi w szerokim zestawie testów.

AI może wygrywać w licznych benchmarkach, a mimo to nie być zdolna do samodzielnego prowadzenia wielotygodniowego projektu badawczego. Może też automatyzować dużą część pracy cyfrowej, nie posiadając pełnego repertuaru poznawczego człowieka. Dat przypisywanych tym deklaracjom nie należy więc traktować jak jednego zegara odliczającego do AGI.

Skąd opinia, że AGI jest pojęciem „niemierzalnym”

Problem nie polega na tym, że zdolności AI są niemożliwe do zmierzenia. Są mierzalne. Kłopot w tym, że nie istnieje wspólna, niezależnie zarządzana reguła „zaliczone/niezaliczone” dla AGI.

Jedna z propozycji akademickich nazywa AGI pojęciem ważnym, ale kontrowersyjnym, i operacyjnie określa je jako co najmniej ludzką zdolność wykonywania większości zadań. 50 To pokazuje zarówno próbę uczynienia terminu mierzalnym, jak i nierozstrzygnięte pytania ukryte pod definicją: jakie zadania, jacy ludzie jako punkt odniesienia, jaki poziom niezawodności i w jakich warunkach?

Wiarygodny publiczny test wymagałby co najmniej:

1. jasno określonego rozkładu zadań, a nie zmiennego zbioru efektownych demonstracji;
2. progów skuteczności i niezawodności, w tym informacji o częstotliwości błędów;
3. sprawdzania długotrwałej autonomii i używania narzędzi, nie tylko jednorazowych odpowiedzi;
4. zabezpieczeń przed „uczeniem pod test”; oraz
5. niezależnego dostępu pozwalającego odtworzyć lub skontrolować wynik.

Bez takiej infrastruktury AGI łatwo staje się deklaracją prestiżową firm, które mają zarazem najsilniejszy interes w wyznaczaniu linii mety. AI Now Institute krytykuje wiele dostępnych miar jako wąskie, niejasne i służące interesom podmiotów, które je stosują. 62

Spór o definicję jest też kryzysem zaufania

Debata o AGI odsłania szerszy problem wiarygodności. Firmy mogą przedstawiać daleko idące zapowiedzi przełomowych zdolności, podczas gdy pracownicy i klienci nadal spotykają systemy nierówne w działaniu, podatne na błędy i trudne do niezawodnego wdrożenia. Nie dowodzi to, że każda długoterminowa prognoza jest błędna. Oznacza jednak, że nadzwyczajne twierdzenia wymagają obserwowalnych dowodów i rozliczalnych prognoz.

Dobrze widać to w rozmowie o pracy. OpenAI przyznaje, że AI będzie przekształcać rynek pracy, część zawodów zniknie, ale dotychczasowe dane sugerują raczej rolę narzędzia wspierającego niż zastępującego człowieka. 17 Nie musi to być sprzeczność: automatyzacja zadań, zmiana zawodu i likwidacja miejsc pracy to trzy różne zjawiska. Zaufanie słabnie jednak wtedy, gdy prognozom wielkiej transformacji nie towarzyszą przejrzyste wskaźniki jej rzeczywistych skutków dla zatrudnienia.

Zamiast etykiety AGI: nadzór oparty na konkretnych zdolnościach

Silniejszy model regulacyjny skupiałby się nie na rozstrzyganiu, czy system „osiągnął AGI”, lecz na konkretnych zdolnościach i ryzykach, które rzeczywiście prezentuje.

Podejście Anthropic pod nazwą AI Safety Levels opiera się na jawnej zasadzie warunkowej: jeśli model ma określoną niebezpieczną zdolność, przed wdrożeniem lub dalszym zwiększaniem jego mocy muszą zostać zastosowane konkretne zabezpieczenia. 5 Późniejsza propozycja polityczna firmy obejmuje przejrzystość, niezależne oceny i uprawnienie władz do blokowania lub powstrzymywania niebezpiecznych wdrożeń. 10

Altman również opowiadał się za zewnętrzną walidacją i niezależną oceną ryzyka w przypadku silnych modeli, w tym testami przed premierą oraz publikowaniem wyników ewaluacji. 49

Hassabis zaproponował utworzenie kierowanego przez USA organu standardów dla AI granicznej, wzorowanego na FINRA — finansowanej przez branżę instytucji nadzorującej rynki finansowe pod kontrolą publiczną. Taki organ miałby niezależnie oceniać najbardziej zaawansowane modele przed udostępnieniem. 52 Z relacji na temat tej propozycji wynika, że wśród kilku liderów firm tworzących modele graniczne pojawia się wspólny punkt: zaawansowane systemy powinny być testowane przez podmioty trzecie, które jednocześnie współtworzą standardy dla polityki publicznej. 51

Między propozycjami a egzekwowalną praktyką nadal istnieje jednak duża luka. AI Safety Index Future of Life Institute z 2026 r. wskazał, że nie ma wiążących krajowych regulacji ani standardów, które wprost obejmowałyby ryzyka związane z AI graniczną i określały odpowiadające im procedury oceny. 59

Jak wyglądałyby wiarygodne deklaracje o AI

Najbardziej użyteczne pytanie publiczne nie brzmi: „Czy AGI już nadeszła?”. Brzmi raczej: co ten model potrafi zrobić, z jaką niezawodnością, co może pójść źle i kto niezależnie to zweryfikował?

To prowadzi do wymogów opartych na konkretnych możliwościach:

• publicznych protokołów oceny wysokiego ryzyka w cyberbezpieczeństwie, biologii i oszustwach;
• niezależnych testów oraz red-teamingu przed wdrożeniem;
• raportowania niezawodności, incydentów i istotnych zmian warunków użycia;
• zabezpieczeń i ograniczeń dostępu powiązanych z wykazanymi progami ryzyka;
• konsekwencji prawnych za nieprzestrzeganie zasad, a nie samych dobrowolnych deklaracji.

AGI może pozostać ważną aspiracją, hasłem marketingowym i pytaniem filozoficznym. Jako wyzwalacz regulacji jest jednak słaba, dopóki ogłoszenia o jej osiągnięciu nie stoją na publicznie dostępnych dowodach. Zaufanie będzie można odbudować wtedy, gdy twórcy modeli nie będą mogli po prostu zmienić definicji celu, ogłosić sukcesu i samodzielnie wystawić sobie certyfikatu bezpieczeństwa.