AGI: что это

Представьте нейросеть, которая не просто отлично играет в шахматы или переводит тексты, а сама осваивает новые профессии, решает незнакомые задачи и использует свои знания из одной области для изучения других областей, как это делает человек. Именно такую цель преследует разработка искусственного общего интеллекта, или AGI (Artificial General Intelligence).

Чем AGI отличается от LLM

Современные ИИ-системы относятся к классу ANI (Artificial Narrow Intelligence) — узкоспециализированного искусственного интеллекта. ChatGPT, Claude и Gemini работают на основе больших языковых моделей (LLM). Во время работы они шаг за шагом генерируют ответ, выбирая наиболее вероятное продолжение фразы на основе предыдущих слов и данных, полученных при обучении. Столкнувшись с задачей, значительно выходящей за рамки паттернов из обучающих данных, модели галлюцинируют. Большинство современных LLM не обучаются в реальном времени в ходе обычного диалога. Каждый новый разговор начинается с нуля. Любой опыт, накопленный в одной сессии, не переносится в следующую без специальных механизмов — внешней памяти или дообучения.

AGI рассматривается как система, способная рассуждать, обучаться и решать задачи без перекалибровки под каждый новый запрос.

AGI не ждет инструкции на каждый шаг, а самостоятельно разбивает высокоуровневую цель на промежуточные цели, выполняет их, оценивает результат и корректирует план. Если LLM производит вероятностное предсказание следующего токена, то AGI должен строить формальные логические цепочки в открытом мире — там, где данных мало, они противоречивы или задача не имеет прецедента в обучающей выборке. Он должен поддерживать инкрементальное обучение: усваивать новое, не разрушая усвоенное ранее. И важно то, что AGI будет учиться на малом количестве примеров — ИИ пока требует миллиарды токенов.

Ни одна существующая система пока не является AGI в полном смысле. Но некоторые из них демонстрируют отдельные компоненты.

Gato (DeepMind)

Первый генеративный агент на единой трансформерной архитектуре, обученный на 600+ разнородных задачах: автоматическое описание изображений, управление роботической рукой, игры, диалог.

«Фишка»: один агент вместо специализированных моделей под каждую задачу.

MuZero (DeepMind)

Агент с обучением с подкреплением, строящий внутреннюю модель среды без знания ее правил. Освоил шахматы, японские шахматы (сеги) и игры Atari в рамках единой архитектуры, применяет поиск по дереву Монте-Карло на основе внутренней модели среды.

«Фишка»: долгосрочное планирование в неизвестной среде, а не реактивное управление по текущему состоянию.

CICERO (Meta AI)

Создан для дипломатической игры Diplomacy. Объединяет стратегическое рассуждение и ведение переговоров на естественном языке: моделирует намерения игроков, выбирает ходы и генерирует координирующие сообщения, согласованные с выбранной стратегией.

«Фишка»: интеграция планирования, элементов теории сознания и языкового взаимодействия — компонентов, которые в ANI-системах всегда были разделены.

AlphaFold 3 (DeepMind)

Предсказывает пространственную структуру белков, ДНК, РНК и малых молекул с точностью, сопоставимой с экспериментальными методами кристаллографии — и делает это за часы, а не за месяцы лабораторной работы. База данных охватывает 200+ миллионов структур.

Демис Хассабис и Джон Джампер получили  Нобелевскую премию по химии за эту работу. Это пример того, как AGI-уровень достигается в конкретном научном домене раньше, чем в общей модели.

Разработка программного обеспечения

Это сфера, в которой переход к AGI-образной автономности происходит быстрее всего и уже дает измеримые результаты. Например, Nubank делегировал автономному агенту Devin миграцию кодовой базы в несколько миллионов строк, собранной за восемь лет работы. Результат: 12-кратный прирост эффективности в инженерных часах, задача выполнена за недели вместо ожидаемых месяцев [1].

Для ИТ-специалиста это значит то, что ИИ уже автоматизирует значительную часть типовой бэкэнд-разработки.

Здесь возникает логичный вопрос: как разобраться в том, как устроены нейросети, чтобы управлять ими, а не конкурировать за работу? Академия ТОП дает на него конкретный ответ на курсе «Разработчик нейросетей»: 12 месяцев, 384 академических часа, 2 специализации, 50+ заданий и самые актуальные учебные материалы, которые пересматриваются каждые полгода. Это программа для тех, кто хочет работать с ИИ-инструментами; понимать, как они принимают решения, где они надежны, а где нет; и уметь строить их самостоятельно. При таком подходе ИИ не просто не заберет у вас работу, он станет вашим конкурентным преимуществом при трудоустройстве.

Медицина и фармацевтика

В 2025 году FDA (Food and Drug Administration — Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США) выпустило проект регуляторного руководства по применению ИИ в одобрении лекарственных препаратов и ввело требования к валидации моделей и прозрачности данных. Регулятор готовится к AGI-уровню систем в клинически значимых приложениях.

В России здравоохранение в 2025 году вошло в топ-3 отраслей по внедрению ИИ — наряду с государственным управлением и безопасностью. В частности, применяется речевая аналитика диалогов оператор–пациент и ИИ-проверка медицинских заключений на соответствие клиническим протоколам [2].

Финансы и аналитика

Мультиагентные системы используются в трейдинге, кредитном скоринге, обнаружении мошенничества и стресс-тестировании портфелей. По данным MIT NANDA, несмотря на инвестиции в $30–40 млрд, 95 % компаний не получили измеримого возврата на инвестиции от генеративного ИИ. Лишь 5 % организаций успешно интегрировали нейросетевых помощников и извлекают миллионы долларов ценности [3]. Такие кейсы показывают, что переход к уровню искусственного общего интеллекта может помочь компаниям радикально повысить точность прогнозов, скорость принятия решений и эффективность капитала. Однако для этого потребуется новый класс специалистов, способных глубоко интегрировать подобные технологии. Таких специалистов готовят на курсах Академии ТОП.

• Автономное выполнение сложных задач.

• Сокращение издержек на рутинную интеллектуальную работу.

• Ускорение разработки продуктов и исследований.

• Появление «цифровых сотрудников». Компании тестируют ИИ-агентов, способных самостоятельно вести переписку, работать с документами, координировать задачи и взаимодействовать с корпоративными системами.

• Масштабирование экспертизы без пропорционального роста штата.

AGI даст и новые риски. Для корректной работы общие ИИ-модели должны иметь сквозной доступ к чувствительным коммерческим данным и коммерческой тайне клиентов. И это сигнал того, что будет расти спрос на специалистов в области кибербезопасности. Таких экспертов готовят в Академии ТОП на курсе «Кибербезопасность и сетевые технологии».

AGI не отменяет потребность в людях, понимающих ИИ, — напротив, он ее усиливает. Кто-то должен проектировать эти системы, обучать их, интерпретировать их решения, выявлять ошибки и нести ответственность за последствия. Это реально даже без технического бэкграунда. Получить необходимые знания и практические навыки можно на курсах Академии ТОП.

Источники:

1. Как искусственный интеллект меняет разработку программного обеспечения и технологическую индустрию в 2026 году. Medium. — URL: https://medium.com/@tobore/how-ai-is-reshaping-software-development-and-the-tech-industry-in-2026-4ec7f7a801df

2. Регионы чаще всего используют ИИ в здравоохранении и госуправлении. СБЕР Про. — URL: https://sber.pro/publication/regioni-chasche-vsego-ispolzuyut-ai-v-zdravoohraneni-i-gosupravlenii/

3. Сетевые ИИ-агенты в децентрализованной архитектуре. Первопроходцы в будущем агентных веб-технологий. — URL: https://www.media.mit.edu/groups/nanda/overview/