Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Agi protiv ai klyuchevye razlichiya i sposoby otsenki zayavleniy ob agi
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

AGI против AI: ключевые различия и способы оценки заявлений об AGI

Источник: Perplexity AI•17 ноября 2026 г. в 00:01

AGI против AI: ключевые различия и способы оценки заявлений об AGI

Сравните AI и AGI, изучите конкурирующие определения и узнайте, как оценивать бенчмарки и заявления о создании общего искусственного интеллекта.

Искусственный интеллект (AI) охватывает широкую категорию систем, выполняющих задачи, связанные с интеллектом. Общий искусственный интеллект (AGI) — это теоретическая форма AI, которая применяет машинный интеллект на более или менее человеческом уровне в различных областях. AI уже выполняет такие задачи, как:

  • Написание программного обеспечения
  • Анализ изображений
  • Проведение исследований
  • Выполнение интеллектуальной и творческой работы с использованием широкого спектра цифровых инструментов

Но его способности остаются неравномерными в зависимости от того, как AI обучали, какие промпты использовали, чем оснащали и как контролировали.

AGI будет надежно применять интеллект в незнакомых задачах и областях. Однако исследователи расходятся во мнениях относительно того, что именно делает систему AI системой AGI, и общепринятого теста не существует.

Представьте, что вы просите AI-ассистента решить проблему, для которой он не был специально обучен. Система AGI самостоятельно определит, чему ей нужно научиться, применит знания из других областей и адаптируется, если первый подход не сработает. Это и есть AGI, и это то, чего платформы AI все еще не могут делать по состоянию на октябрь 2026 года.

У исследователей есть разные способы оценки этой способности, основанные на таких показателях, как эффективность обучения, когнитивный охват и автономная работа.

Краткое сравнение AGI и AI

AI — это обширная область создания систем, выполняющих задачи, связанные с интеллектом. Люди обычно используют модели и инструменты AI в бизнесе, науке и для отдыха.

Существует множество моделей AI, включая:

  • Большие языковые модели (LLM): модели, обученные на огромных массивах текста, которые предсказывают, какие слова статистически должны следовать далее.
  • Модели преобразования текста в изображения (Text-to-image): модели, которые превращают текстовые запросы в изображения на основе паттернов, усвоенных в процессе обучения.
  • Модели глубокого обучения: модели, которые извлекают закономерности из данных, используя множество слоев связанных вычислительных узлов.

AGI — это гипотетический вид AI, который переносит знания между областями и адаптируется к незнакомым проблемам. Главное отличие заключается в том, что он сможет выполнять многие рабочие и развлекательные задачи, такие как управление бизнесом или игра в видеоигру с открытым миром, на определенном уровне человеческих способностей.

Сравнение современного AI и гипотетического AGI

Параметр

AI, используемый сегодня

AGI в общепринятом определении

Сфера применения

Выполняет конкретные задачи или широкий спектр задач с неравномерной эффективностью

Обобщает знания в широком диапазоне незнакомых задач и областей

Обучение и

адаптация

Адаптируется через обучение, инструкции, примеры или инструменты

Адаптируется к незнакомым проблемам без переобучения под конкретную задачу

Перенос знаний

Применяет знания в разных областях, но перенос происходит неравномерно

Более последовательно переносит знания и идеи между областями

Автономность

Зависит от системы и задачи; может требовать указаний или вмешательства человека

Выполняет длительную работу с ограниченным

контролем согласно определениям, основанным на автономности

Надежность

Может обладать высокими способностями, но быть непоследовательным в различных

условиях

Будет соответствовать заданному порогу человеческой производительности в широком диапазоне задач и условий

Статус

Широко внедрен

Предложенная категория; заявления о достижении остаются спорными

Примеры

Языковые модели, рекомендательные системы,

модели изображений, автономные агенты

Общепринятых примеров не существует

Что означает AI сегодня

В широком смысле существует три вида систем AI: узкий, генеративный и агентный. Узкий AI может проверять документы на грамматику и орфографию, генеративный AI может написать рассказ, а агентный AI может отправлять электронные письма коллегам с одобрения пользователя.

Узкий AI: то, что внедрено на самом деле

Узкие системы AI лучше всего справляются с конкретными задачами.

Распространенные варианты использования узкого AI включают рекомендательные системы, обнаружение мошенничества, распознавание изображений и игровые системы. Как правило, они плохо справляются с задачами, выходящими за рамки их основной функции.

Генеративный AI — это подмножество, а не шаг к AGI сам по себе

Генеративные системы AI создают текст, изображения, аудио, видео, код и другой контент на основе вводимых нами данных. Термин «генеративный AI» описывает то, что производит система, а не то, является ли AI системой AGI.

Популярные системы генеративного AI включают следующие:

  • Perplexity
  • Gemini
  • Claude

Агентный AI ≠ AGI

Агентные системы AI автономно планируют и предпринимают действия для достижения целей, используя инструменты и программное обеспечение. Хотя идея агентности важна в нескольких определениях AGI, агентный AI еще не соответствует критериям AGI. Агентные системы не могут работать бесконечно долго самостоятельно или изучать новые темы, по которым они еще не были обучены.

Текущая волна персональных ассистентов AI относится к категории агентного AI. Системы, выполняющие автономные задачи, такие как использование программного обеспечения и веб-сайтов, анализ электронных таблиц и составление черновиков писем, не считаются AGI.

Что означает AGI и почему определения различаются

Исследователи и разработчики AI предлагают разные стандарты как для того, что включает в себя AGI, так и для его измерения. Некоторые делают акцент на экономически ценной работе, в то время как другие отдают приоритет обучению незнакомым задачам или демонстрации широких когнических способностей.

Почему определения AGI различаются

Различные определения AGI придают разный вес широте охвата, производительности на уровне человека, эффективности обучения и автономности.

Определение AGI

Что считается AGI?

Основной источник

Автоматизация интеллектуального труда на экспертном уровне

AI, который автоматизирует подавляющее большинство нефизической работы на экспертном уровне

Эффективность обучения

Соответствует человеческой эффективности в приобретении навыков для незнакомых задач

ARC Prize

Когнитивный охват

Соответствует или превосходит когнитивную гибкость и мастерство образованного взрослого человека в таких областях, как извлечение информации из памяти, рассуждение и знания

Производительность и

универсальность

Широкие возможности, измеряемые на прогрессивных уровнях производительности, включая «Компетентный

AGI» как минимум на уровне 50-го процентиля квалифицированных взрослых с соответствующими навыками

Google DeepMind

Автономность на рабочем месте

Система, выполняющая длительную, сквозную работу с ограниченным человеческим

вмешательством

AGI Scorecard

Широта и глубина

Экспертная глубина в некоторых областях в сочетании с компетентностью в широком спектре различных задач

Эти различные определения означают наличие реальных разногласий между инженерами, практиками, бизнес-лидерами и регуляторами относительно того, чем на самом деле является AGI. Когда лаборатория или организация заявляет о достижении AGI, помните, какое определение они используют, какие доказательства это подтверждают и какие способности остаются непроверенными.

AGI не требует сознания или тела

Различные определения AGI делают акцент на том, может ли AI учиться, решать незнакомые проблемы и применять навыки в различных задачах. Фреймворк DeepMind Levels of AGI рассматривает эти возможности без учета того, сможет ли AI когда-либо обрести сознание или выполнять физические задачи. Система, достигающая уровня AGI, не требует ничего похожего на сознание, чувства или даже мышление по человеческому образцу.

О чем говорят тесты AGI сейчас

По состоянию на октябрь 2026 года проводится ряд различных тестов, чтобы выяснить, достигли ли какие-либо системы AI уровня AGI.

Последние результаты показывают прогресс в одних способностях и ограничения в других.

Стандарт AGI

Критерии

Соответствующий тест или

доказательство

Последний проверенный результат

Что результат показывает, а что

нет

Автоматизация интеллектуального труда на экспертном уровне

Качество выполнения реальных профессиональных задач

Remote Labor Index (RLI)

По состоянию на 9 октября 2026 года, Claude Opus 5.5 leads the RLI leaderboard at 21.3% full automation по оцененным фриланс-проектам

Широкая полезность в реальных профессиональных задачах, но не компетентность в рамках всей работы

Обучение

эффективность

Приобретение навыков для

новых задач

По состоянию на 14 октября 2026 года, оценки GPT-6.1 Sol Semi-Private составляют 98,5% на v1/xhigh и 94,2% на v2/max.

Существенный прогресс в обучении в рамках бенчмарка, а не доказательство общих, человекоподобных способностей к обучению

Когнитивная

широта

Производительность в

10 различных когнитивных

областях

OpenAI GPT-5 получил estimated score of 57/100 в 2025 году

GPT-5 продемонстрировал высокие показатели в языке и математике, но значительные пробелы в памяти и других областях

Производительность

и общность

Широта плюс

определенный человеческий

показатель

перцентиль

Уровни AGI

Нет общепринятого стандартного результата

Система уровней AGI от DeepMind описывает, как вел бы себя AGI, но не предлагает бенчмарков

Рабочая

автономия

Неконтролируемое

владение

длительными периодами работы

GDPval, SWE-

bench Pro и

автономия

доказательства

September 2026 evaluation of Claude Opus 5.5Model Evaluation and Threat Research (METR) обнаружили улучшения в задачах, связанных с исследованиями и программированием, но сохраняющиеся слабости в других областях

Текущие системы с трудом справляются с управлением двусмысленностью, изменением приоритетов, а также с выявлением и исправлением своих ошибок с течением времени

Человекоподобный

разговор

Могут ли оценщики

отличить систему

от человека

Трехсторонний

тест Тьюринга

Джонс и Берген провели 15-minute test исследование, опубликованное в мае 2026 года, в котором GPT-5 с подсказкой о личности был выбран как человек в 59,3% случаев, а Llama-3.1-405B — в 55,6% случаев

Тест Джонса и Бергена показал убедительный человекоподобный разговор в контролируемых условиях, но не установил наличие общего интеллекта или способности выдавать себя за человека в любой ситуации.

Результаты бенчмарков последний раз обновлялись 14 октября 2026 года

Текущие ИИ преуспевают в одних задачах и испытывают трудности в других

Текущие системы ИИ соответствуют или превосходят человеческие показатели в определенных областях. Однако их возможности остаются неравномерными в большинстве других областей.

Возможности

Доказательства

Чего не показывают результаты

Математическое мышление

Gemini с Deep Think, достигший уровня золотой медали на Международной математической олимпиаде

Надежное мышление при решении ряда незнакомых задач

Программная инженерия

Claude 4.5 Opus February 2026 SWE-bench Verified comparison

ИИ, самостоятельно выполняющий все задачи работы инженера-программиста

Обучение незнакомым задачам

GPT-6 Astra на ARC Prize September 2, 2026 results record

Одинаковая способность к обучению с использованием различных инструментов и настроек

Визуальная интерпретация

Claude Opus 5.5 Max достигает 77,2% в таблице лидеров ClockBench AI

ИИ, интерпретирующий изображения так же хорошо или лучше, чем люди

Выполнение физических задач

Низкий уровень завершения полных задач в Стэнфордском BEHAVIOR-1K benchmark для роботов, выполняющих физические задачи

Роботы, надежно выполняющие бытовые задачи на человеческом уровне

Почему результаты бенчмарков быстро устаревают

Результаты бенчмарков ИИ быстро устаревают, и прошлые показатели не равны текущим возможностям.

Способ оценки бенчмарков также меняется со временем. Судьи иногда меняют правила оценки и условия тестирования. Например, в апреле 2026 года ARC Prize изменил ARC-AGI-3’s human baseline со второго лучшего игрока на медианного игрока на уровень.

ARC-AGI-2 и ARC-AGI-3 измеряют разные вещи, и их оценки напрямую не сопоставимы.

ARC-AGI-2 сообщает о точности и стоимости, в то время как ARC-AGI-3 измеряет, может ли ИИ выполнять интерактивные задачи и насколько это сложно для ИИ. Смотрите на то, что LLM продемонстрировали относительно своих возможностей в этих условиях, а не только на то, насколько высок балл LLM.

Является ли ChatGPT AGI? Ответ зависит от того, какое определение вы используете

ChatGPT не квалифицируется как AGI по состоянию на октябрь 2026 года с точки зрения широты и глубины, рабочей автономии и эффективности обучения. IBM описывает текущие LLM как не дотягивающие до AGI в целом.

Хотя Чен и соавторы утверждают, что текущие передовые языковые модели демонстрируют общий интеллект через широту охвата областей, эта позиция не является общепринятой.

OpenAI заявляет GPT-6 Astra scores 99.9% on ARC-AGI-3, но их оценки используют специфические настройки и могут отличаться от производственного ChatGPT. Это утверждение касается конкретной модели и условий оценки.

Вместо того чтобы спорить, достигла ли LLM уровня AGI, полезнее изучить, что означает конкретное утверждение. Это означает рассмотрение того, какая модель была оценена, какие инструменты она могла использовать, насколько помогали люди и против какого определения измерялась производительность. Разграничение этих аспектов позволяет отделить впечатляющие результаты производительности от громких заявлений о достижении общего интеллекта.

Примеры AGI: почему честные списки коротки

Представьте автономного помощника для малого бизнеса, который достиг уровня AGI. Помощник работает самостоятельно без помощи человека, понимает незнакомую работу, связывает информацию между отделами и независимо адаптируется при изменении обстоятельств.

Пользователь мог бы попросить этого помощника помочь с открытием второй торговой точки. Сервис с поддержкой AGI переключался бы между бухгалтерским учетом, управлением проектами и развитием бизнеса, изучал бы незнакомое программное обеспечение и самостоятельно исследовал бы местные требования.

Если бы поставщик отказался от сотрудничества, ИИ мог бы автономно оценить альтернативы и спрогнозировать новые расходы. Эта способность к переносу навыков решения проблем является ключевой отличительной чертой AGI.

Для сравнения, многие системы ИИ, которые сегодня соответствуют или превосходят человеческие возможности, квалифицируются только как узкий ИИ. Исключительный успех в игре в шахматы или прогнозировании структуры белков не переносится на широкую компетентность в других областях.

Как проверить заявления об AGI за пять минут

Предварительная проверка может выявить проблемы в заявлениях об AGI. Быстрые проверки не решат, квалифицируется ли система или модель как AGI, но они помогут обнаружить недостающую информацию, необоснованные выводы или результаты, требующие дальнейшего исследования.

Поскольку разные организации имеют разные критерии для AGI и свои собственные интересы в установлении бенчмарков, критический подход необходим.

В этой таблице перечислены семь различных проверок для оценки заявлений об AGI.

Проверка

Тревожный сигнал

Быстрая верификация

Какое определение используется?

Заявление четко не определяет AGI

Ищите порог, который четко измеряет широту, автономию, человеческую производительность или эффективность обучения

Какой тест соответствует этому определению?

Бенчмарк назван без объяснения того, что он измеряет

Прочитайте описание бенчмарка

Какая модель была протестирована, когда и с каким результатом?

Заявление дает балл без сопроводительной информации

Обратитесь к таблице результатов в реальном времени

Кто проводил оценку?

Поставщик провел собственную оценку без внешней проверки

Ищите верификацию третьей стороной или владельцем бенчмарка

Какие инструменты и вычислительные мощности разрешены?

Результаты опускают стоимость, инструменты, повторные попытки или адаптацию во время тестирования

Прочитайте условия оценки

Сколько человеческой помощи получил ИИ?

Отполированные демо описываются как автономная работа

Ищите завершение от начала до конца и восстановление без вмешательства

Изменило бы другое определение вывод?

Соответствие одному предложенному стандарту преподносится как достижение системой уровня AGI

Сравните доказательства с другой структурой и найдите требования, которые еще не протестированы

Проверка заявлений об AGI — это процесс, похожий на выявление галлюцинаций ИИ.

Предположим, компания заявляет, что ее ИИ «соответствует человеческому интеллекту», потому что он показывает высокие результаты в тестах на логическое мышление. Даже если результат подтвержден независимыми экспертами, он не доказывает, что ИИ способен обучаться незнакомым задачам, работать в разных областях или выполнять длительную работу без помощи человека. Если эти способности не были протестированы, аргументы в пользу того, что этот ИИ достиг уровня AGI, становятся гораздо слабее.

Что меняет определение AGI сегодня

Пользователи будут использовать инструменты ИИ независимо от того, называют ли их AGI. Организациям не нужно решать, является ли инструмент AGI, прежде чем начать его использовать. Однако им следует определить, выполняет ли он необходимые задачи надежно и в допустимых пределах.

Перед внедрением инструмента организациям следует ответить на четыре вопроса:

  • Какие задачи система ИИ выполняет надежно, а какие — нет
  • К каким данным и инструментам системе ИИ нужен доступ
  • Какой объем контроля требуется системе ИИ
  • Как обнаруживать потенциальные сбои ИИ

Практический план интеграции ИИ должен определять метрики успеха, тестировать репрезентативные рабочие процессы и указывать, в каких случаях необходимо участие человека. Менеджеры должны более тщательно проводить проверку по мере того, как системы берут на себя больше задач с большей автономностью. Высокие результаты тестов не отменяют необходимости проверки человеком.

Часто задаваемые вопросы

В чем основная разница между AI и AGI?

Основное различие между AI и AGI заключается в том, что AI — это широкая область создания систем, выполняющих задачи, связанные с интеллектом. AGI — это предполагаемая форма ИИ, которая способна надежно переносить знания и адаптироваться к незнакомым проблемам в различных областях на уровне, сопоставимом с человеческим. AGI может применять свои возможности более широко и надежно по сравнению с обычным ИИ.

Является ли ChatGPT уровнем AGI?

По состоянию на октябрь 2026 года консенсуса о том, что ChatGPT можно классифицировать как AGI, не существует. Некоторые исследователи утверждают, что передовые языковые модели уже демонстрируют общий интеллект благодаря широким возможностям и высокой производительности в различных областях. ChatGPT не соответствует другим определениям, и не существует общепринятого теста для оценки соответствия.

Существует ли уже AGI?

Консенсуса относительно того, существует ли уже AGI, нет. Ни одна из существующих систем не соответствует большинству определений AGI, но некоторые исследователи утверждают, что современные LLM соответствуют разумным критериям широты и глубины возможностей.

Требуется ли для AGI сознание?

AGI не требует наличия сознания в рамках подходов, основанных на способностях, таких как «Уровни AGI» от Google DeepMind. Сознание и интеллект — это разные вопросы, и общепринятые определения AGI сосредоточены на том, что системы могут делать.

Как мы узнаем, что AGI существует?

Заслуживающие доверия заявления об AGI включают определение, соответствующий тест, человеческий эталон и условия оценки. Заявитель должен предоставить доказательства того, что система соответствует критериям.

В чем разница между AGI и ASI?

AGI обычно относится к широкому интеллекту на определенном человеческом уровне. Искусственный сверхинтеллект (ASI) — это гипотетическая система, которая превосходит человеческие способности в большинстве или во всех соответствующих

когнитивных областях.

Приведет ли масштабирование больших языковых моделей к созданию AGI?

Существуют разногласия по поводу того, приведет ли масштабирование больших языковых моделей к AGI. Некоторые исследователи полагают, что увеличение масштаба и мультимодальное обучение могут стать путем к более широкому интеллекту, в то время как другие утверждают, что современным архитектурам не хватает ключевых компонентов, таких как модели мира, эффективное обучение, долговременная память или надежное планирование.

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
Генеральный прокурор штата Калифорния подал в суд на OpenAI из-за инцидентов с «неконтролируемыми агентами»Пресса
OpenAI

Генеральный прокурор штата Калифорния подал в суд на OpenAI из-за инцидентов с «неконтролируемыми агентами»

Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентамиПресса
Apple

Apple представила новые средства контроля безопасности Mac на фоне рисков конфиденциальности, связанных с ИИ-агентами

Что такое LLM? Практическое руководство по языковым моделям
ElevenLabs

Что такое LLM? Практическое руководство по языковым моделям

Qwen 4 против GLM-5.5: модель с открытыми весами оказывается дороже
OrcaRouter

Qwen 4 против GLM-5.5: модель с открытыми весами оказывается дороже

Nemotron-Labs-Sigma-distill-8B-nfe4 выпущен без анонса и с пятью загрузками
OrcaRouter

Nemotron-Labs-Sigma-distill-8B-nfe4 выпущен без анонса и с пятью загрузками

Представляем удаленное управление агентами
LM Studio

Представляем удаленное управление агентами

Ещё от Perplexity

Представляем Monitor API от Perplexity
Perplexity

Представляем Monitor API от Perplexity

Представляем Perplexity Frontier Research
Perplexity

Представляем Perplexity Frontier Research

Типы поисковых систем: краулеры, метапоиск и ИИ
Perplexity

Типы поисковых систем: краулеры, метапоиск и ИИ

Perplexity Decider v1.3: обучение, оценка и варианты использования
Perplexity

Perplexity Decider v1.3: обучение, оценка и варианты использования

Контекстное окно: что это такое и как оно влияет на использование ИИ
Perplexity

Контекстное окно: что это такое и как оно влияет на использование ИИ

Комсомол ИИ: Ключевые риски, фреймворки и способы обеспечения соответствия
Perplexity

Комсомол ИИ: Ключевые риски, фреймворки и способы обеспечения соответствия