Przejdź do treści

Co to jest AGI i kiedy nastąpi? Definicje, prognozy i dlaczego nikt nie wie

Adam Marzec
Karta okładkowa z napisem AGI i linią mety przesuwaną w prawo, symbol zmiennej definicji sztucznej inteligencji ogólnej

AGI, czyli sztuczna inteligencja ogólna, to słowo, które obiecuje maszyny dorównujące człowiekowi w pracy umysłowej. Tylko że nikt nie umie go zamknąć w jednej definicji, a firmy, które mają najwięcej do powiedzenia o jego przyszłości, definiują je każda po swojemu. Charter OpenAI opisuje AGI jako systemy przewyższające ludzi w „większości ekonomicznie wartościowej pracy”, Google DeepMind rozpisuje pojęcie na pięć poziomów, a szef Anthropica przyznaje, że nie znosi tego terminu. W tym tekście rozkładam sprawę na części: skąd wzięło się określenie, kto decyduje o jego treści, jak mierzy się postęp i co obiecali ludzie od Sama Altmana po Demisa Hassabisa. Jeśli dopiero wchodzisz w temat, zajrzyj najpierw do huba Podstawy AI, gdzie trzymam całą serię o tym, jak te systemy działają. Uczciwa odpowiedź na pytanie „kiedy AGI” jest krótka: nikt nie wie, ale da się sprawdzić, kto co twierdzi i na jakiej podstawie.

Co znaczy AGI i skąd się wzięło to określenie

W podręcznikowym ujęciu AGI to system, który radzi sobie z dowolnym zadaniem umysłowym na poziomie człowieka, a nie tylko z jednym wybranym typem zadań. Program szachowy z lat 90. był genialny na desce i bezradny wszędzie indziej, więc nikt nie nazywał go ogólnym. Punkt odniesienia był zawsze ten sam: człowiek, który rano rozlicza faktury, w południe uczy się nowego programu, a wieczorem tłumaczy sąsiadowi, jak działa pralka.

Samo określenie ma dłuższą historię, niż podpowiada seria artykułów z ostatnich dwóch lat. Po raz pierwszy użył go Mark Gubrud w 1997 roku w kontekście w pełni zautomatyzowanej produkcji wojskowej. Formalne podstawy położył Marcus Hutter z modelem AIXI z 2000 roku, a spopularyzowali termin około 2002 roku Shane Legg i Ben Goertzel, którzy potrzebowali nazwy odróżniającej cel, którego nikt wtedy nie umiał zbudować, od wąskich systemów nazywanych wtedy po prostu AI.

Dziś spór kręci się wokół pytania, czy dzisiejsze modele językowe, o których więcej piszę w tekście co to jest LLM, są już „ogólne”, czy tylko szerokie w kilku kategoriach zadań. DeepMind zebrał dostępne definicje w pracy z listopada 2023 roku, żeby pokazać skalę rozjechania. Wyszły z tego poziomy, o których za chwilę.

Kto ustawia definicję AGI i po co

Charter OpenAI, obowiązujący od kwietnia 2018 roku, opisuje AGI jako „highly autonomous systems that outperform humans at most economically valuable work”, czyli wysoko autonomiczne systemy przewyższające ludzi w większości pracy o wartości ekonomicznej. Ten sam dokument zobowiązuje firmę do przerwania konkurencji i wesprzenia projektu, który podchodziłby do AGI szybciej, przy warunku szansy sukcesu większej niż 50/50 w perspektywie dwóch lat. Definicja siedzi więc w dokumencie misji firmy komercyjnej, a jej spełnienie będzie kiedyś deklaracją tej firmy.

Google DeepMind w listopadzie 2023 opublikował framework pięciu poziomów, od „wyłaniającej się” po „ponadludzką” wydajność, skrzyżowanych ze stopniem ogólności. Dzisiejsze modele językowe zaliczono tam do poziomu pierwszego, wyłaniającego się. Gdy we wrześniu 2025 piąta rewizja pracy zmieniła nazwę czwartego poziomu z „Virtuoso” na „Exceptional”, wyszło na jaw, że taksonomia wymagająca poprawek po dwóch latach to rysunek, nie pomiar.

Anthropic trzecią drogą. Dario Amodei w eseju „Machines of Loving Grace” z października 2024 roku pisze o „powerful AI” i przyznaje wprost: „I dislike the term AGI”. Jego próg też jest obrazowy, bo system ma być sprytniejszy od noblisty w większości istotnych dziedzin. Trzy laboratoria, trzy słowniki, a od definicji zależy, kiedy firma ogłosi spełnienie swojej misji, i to z nią wiążą się pieniądze.

Z pieniędzmi jest najciekawiej. Umowa OpenAI z Microsoftem z 2019 roku mówiła o licencjonowaniu technologii „pre-AGI”, a osiągnięcie AGI miało tę relację przerwać. W grudniu 2024 roku The Information ujawniła, że dokumenty inwestorskie OpenAI definiowały AGI finansowo, jako zdolność systemów do wygenerowania około 100 miliardów dolarów zysku dla pierwotnych inwestorów. W październiku 2025 ustalono, że o osiągnięciu progu ma orzekać niezależne gremium ekspertów, a w kwietniu 2026 roku Simon Willison odnotował, że klauzula w ogóle zniknęła z dokumentacji, umarła, zanim ktokolwiek ją uruchomił.

Jak mierzyć postęp, skoro definicji nie ma

François Chollet, autor benchmarku ARC, argumentował już w pracy z 2019 roku, że wynik w zadaniu nie mierzy inteligencji, bo umiejętności można „kupić” danymi treningowymi. Proponował inną miarę: efektywność zdobywania nowych umiejętności przy ograniczonej wiedzy wyjściowej. Stąd pomysł ARC, zestawu łamigłówek, których model nigdy wcześniej nie widział, a człowiek rozwiązuje je bez treningu.

W 2020 roku GPT-3 dostawał na nim 0%, w 2024 GPT-4o około 5%, a w grudniu 2024 system o3 wyskoczył do 75,7% przy budżecie poniżej 10 tysięcy dolarów za pełny przebieg i 87,5% w konfiguracji 172 razy droższej. Człowiek rozwiązywał te same zadania za około 5 dolarów. Chollet nazwał ten skok prawdziwym przełomem i zaraz dodał: „I don’t think o3 is AGI yet. o3 still fails on some very easy tasks”. Nawet autor miary nie ogłosił przy tym wyniku nadejścia AGI, tylko wskazał łatwe zadania, na których model wciąż wypada słabo.

Następna generacja, ARC-AGI-2 z 2025 roku, była skalibrowana tak, żeby człowiek bez treningu rozwiązywał ponad 95% zadań, a o3 prognozowano poniżej 30%. We wrześniu 2026 roku czołówka, GPT-6.1 Sol, Claude Opus 5.5 i GPT-6 Astra, osiąga tam od 93,3 do 95% (odczyt tabeli ARC Prize z 15.10.2026). Benchmark był dla niej już za łatwy, więc twórcy wystawili ARC-AGI-3, serię gier interaktywnych, w których agent uczy się reguł z doświadczenia. Tam wyniki spadają do 0,5% u Claude Haiku 5.5 i około 62% u Astry, przy koszcie przebiegu rzędu 26 tysięcy dolarów. Zasada projektu brzmi: „As long as there is a gap between AI and human learning, we do not have AGI”. Twórcy cofają linię mety, gdy robi się zbyt blisko.

Obok ARC rośnie miara mniej efektowna i bardziej praktyczna. Zespół METR mierzy, jak długie zadania agenty wykonują samodzielnie z 50% skutecznością, i wykazał w marcu 2025 roku, że ta długość podwaja się co około 7 miesięcy. Jeśli agenty, o których piszę osobno w tekście czym jest agent AI, ogarniają coraz dłuższe fragmenty pracy bez nadzoru, coś realnie rośnie, niezależnie od etykiet.

Kto kiedy obiecał AGI? Prognozy z nazwiskami i datami

Sam Altman w styczniu 2025 roku napisał we wpisie „Reflections”: „We are now confident we know how to build AGI as we have traditionally understood it”, jesteśmy pewni, że wiemy, jak zbudować AGI w tradycyjnym rozumieniu. Pół roku później, w „The Gentle Singularity”, posunął się dalej: „We are past the event horizon; the takeoff has started”, jesteśmy za horyzontem zdarzeń, a rozbieg się rozpoczął. Kalendarz też rozłożył: w 2026 mają pojawić się systemy znajdujące nowe spostrzeżenia naukowe, w 2027 roboty działające w świecie fizycznym. Daty osiągnięcia AGI nie podał w żadnym z tych tekstów.

Dario Amodei w październiku 2024 roku napisał o swojej „powerful AI”: „I think it could come as early as 2026, though there are also ways it could take much longer”. Cytuję w całości, bo obie połowy są równie ważne. Demis Hassabis w styczniu 2025 roku mówił o AGI w perspektywie 3 do 5 lat, a po Google I/O w maju 2026 roku uznał rok 2029 za realistyczny, wcześniej wskazując okolice 2030. Dodał, że agenty „naprawdę już się dzieją” i że „moi znajomi ekonomiści wciąż nie biorą tego poważnie”.

Prognozy naukowców spoza firm mają szerszy zakres. W sondażu zakończonym w styczniu 2024 roku 2778 badaczy publikujących na najlepszych konferencjach AI dało systemom przewyższającym ludzi w każdym zadaniu 10% szans do 2027 i 50% do 2047. Ta sama grupa rok wcześniej wypadała 13 lat później. A meta-analiza 95 historycznych prognoz wykazała, że nadejście AGI lokowano niezmiennie „za 16 do 26 lat”, niezależnie od roku publikacji.

KtoCo mówiłGdzie i kiedy
Sam Altman„wiemy, jak zbudować AGI”wpis Reflections, 01.2025
Sam Altman„minęliśmy horyzont zdarzeń”The Gentle Singularity, 06.2025
Dario Amodei„powerful AI” możliwe od 2026esej, 10.2024
Demis HassabisAGI w 3-5 latwywiad Big Technology, 01.2025
Demis Hassabis2029 realistycznewypowiedź po I/O, 05.2026
2778 badaczy50% szans na HLMI do 2047sondaż Grace i in., 01.2024
meta-analiza z 2012prognozy zawsze „za 16-26 lat”95 historycznych przewidywań

Głosy sceptyczne: dlaczego część badaczy odrzuca tę drogę

Najgłośniejszy sceptyk tej ścieżki, Yann LeCun, laureat nagrody Turinga i od lat krytyk skupienia branży na dużych modelach językowych, twierdzi, że cała wyścigowa narracja omija sedno. Jego zdaniem LLM-y są jednostronne i mocno przereklamowane, a system, który ma rozumieć świat, musi uczyć się obserwacji, przyczynowości i planowania, nie przewidywania kolejnych tokenów. W listopadzie 2025 ogłosił odejście z Meta, w grudniu potwierdził startup AMI Labs z modelem świata zamiast modelu językowego, a w marcu 2026 firma zebrała miliard dolarów w rundzie seed, największej w historii Europy. Szeroko o jego argumentacji piszę w tekście Yann LeCun i modele świata.

Druga linia sceptycyzmu wychodzi od samego Cholleta, choć on nie neguje postępu, tylko jego naturę. LLM opisał jako „repozytorium programów wektorowych”: model przechowuje miliony schematów z danych treningowych i w trakcie rozmowy dobiera pasujący, co nazywa wzorem „memorize, fetch, apply”. W takim ujęciu brakuje płynnej inteligencji, czyli zdolności do radzenia sobie z nowością, której nie ma w danych. Model o3 częściowo zachwiał ten obraz, bo uczy się w trakcie zadania; jak daleko to prowadzi, pokazują wyniki na ARC-AGI-3.

Sprawiedliwość każe dodać, że sceptycy też mają swoje interesy. LeCun finansuje alternatywną architekturę miliardem dolarów inwestorów, a Chollet prowadzi fundację ARC Prize, której benchmarki żyją z tego, że AGI pozostaje otwarta. To nie dyskwalifikuje ich technicznych argumentów, ale ustawia kontekst.

Co pokazują praktyczne wyniki dzisiejszych modeli

Za mocną tezą o postępie stoją konkretne liczby. Agenty wykonują dziś wielogodzinne zadania programistyczne z rosnącą samodzielnością, co wynika z trendu METR, a wysycenie ARC-AGI-2 przez trzy czołowe modele w półtora roku od premiery pokazuje tempo, którego w 2024 roku nikt nie prognozował. Do tego dochodzą testy samoreplikacji w warunkach kontrolowanych, o których piszę w tekście AI i samoreplikacja: systemy agentowe wykonują już samodzielnie długi łańcuch operacji technicznych. To twarde sygnały, że „coś” rośnie w tempie nietypowym dla oprogramowania.

Przeciw ostrożności mówią inne liczby. ARC-AGI-3 odcina najlepsze modele od większości zadań, halucynacje pozostają wadą strukturalną, nie usterką, a kosztowne testy najmocniejszych konfiguracji liczone są w dziesiątkach tysięcy dolarów. GPT-6 Astra w praktyce to zresztą portret flagowca, który na jednym polu dorównuje specjalistom, a przy czymś trywialnym nagle zawodzi. Taki rozrzut to cecha bardzo uzdolnionego narzędzia, nie maszyny ogólnej.

Stan formalny jest jednoznaczny. Żadne z czołowych laboratoriów nie ogłosiło osiągnięcia AGI według własnej definicji. OpenAI twierdzi, że wie, jak ją zbudować, DeepMind opisuje poziomy, Anthropic mówi o „powerful AI” w czasie przyszłym. Klauzula z Microsoftem umarła w kwietniu 2026 roku, nikt nie odwołał się do jej progu.

Dlaczego AGI bywa chwytem marketingowym

Definicje firmowe nie wzięły się z kosmetyki. Skoro umowa z Microsoftem uzależniała coś ważnego finansowo od stwierdzenia AGI, a The Information opisała próg 100 miliardów dolarów zysku, o treść definicji toczono negocjacje. W grudniu 2024 Financial Times pisał o staraniach OpenAI, by pozbyć się klauzuli AGI, a w czerwcu 2025 Wired donosił, że wewnętrzny dokument o pięciu poziomach ku AGI pozostał nieopublikowany właśnie dlatego, że jego definicje komplikowały rozmowy z partnerem. Gdy termin ma skutki prawne, jego treść staje się przedmiotem interesu, nie opinii.

Prostszy mechanizm: nazwanie dzisiejszych systemów „wyłaniającą się AGI”, jak w pracy DeepMind, brzmi lepiej niż „system na wczesnym etapie”, choć opisuje to samo. Deklaracja „AGI za dwa lata” mobilizuje inwestorów i kandydatów, a jeśli się nie spełni, prasa zapomni, że była. Meta-analiza z 2012 roku z nawracającym „za 16-26 lat” pokazuje, że kalendarz w prognozach przesuwa się razem z autorem, zamiast mierzyć rzeczywistość.

Moim zdaniem najużyteczniejszy test jest taki: sprawdź, czy definicja osoby mówiącej o AGI daje się zweryfikować. „Większość pracy o wartości ekonomicznej” i „sprytniejszy od noblisty” są obrazowe, więc deklaracja ich spełnienia nigdy nie będzie fałszywa w sposób widoczny. Benchmarki typu ARC są do sprawdzenia, choć ich poprzeczka przesuwa się razem z wynikami. Jeśli ktoś obiecuje AGI bez podanej definicji, nie obiecuje nic konkretnego.

Co z tego wynika dla zwykłego użytkownika

Nie czekaj na AGI, bo to nie jest data w kalendarzu, tylko spór o słownictwo. Narzędzia zmieniają się co miesiąc i tak, niezależnie od etykiet. O realnej zmianie decyduje to, czy system rozwiązuje twoje konkretne zadanie taniej, szybciej albo wcale, a to sprawdzisz tylko na własnych plikach, tekstach i kodzie.

Zamiast śledzić deklaracje, patrz na miary, które da się policzyć: horyzont zadań z METR, wyniki na ARC, błędy na twoich własnych zadaniach. Obserwuj też definicje firmowe. Kiedy ktoś zmienia słownictwo albo poziomy, dzieje się coś w finansowaniu lub umowach, nie w fizyce modeli.

Uczciwa odpowiedź na pytanie z tytułu jest więc dwojaka. Co to jest AGI: ruchoma definicja, którą każde laboratorium ustawia pod swoją misję, prognozy i umowy. Kiedy nastąpi: nie wiadomo, a kto podaje rok bez definicji, ten sprzedaje opowieść, nie pomiar.

Najważniejsze informacje

CoStan
Definicja OpenAI (charter, 2018)autonomiczne systemy lepsze od ludzi w większości płatnej pracy
Definicja Amodeia (10.2024)„powerful AI”, sprytniejsza od noblisty, możliwa od 2026
Poziomy DeepMind (11.2023)LLM-y na poziomie 1, „wyłaniające się”
ARC-AGI-2 (2025-2026)wysycone we wrześniu 2026: 93,3-95% czołówki
ARC-AGI-3 (2026)gry łatwe dla ludzi; modele 0,5-62% w trybie standard
Horyzont zadań (METR, 03.2025)podwaja się co około 7 miesięcy
Sondaż 2778 badaczy (01.2024)50% szans na HLMI do 2047
Klauzula AGI z Microsoftemumarła 04.2026, nikt nie osiągnął progu

Najczęstsze pytania

Co to jest AGI?

Sztuczna inteligencja ogólna, czyli hipotetyczny system radzący sobie z dowolnym zadaniem umysłowym na poziomie człowieka. Definicja z charteru OpenAI mówi o wysoko autonomicznych systemach przewyższających ludzi w większości płatnej pracy. Poza tą formułą nie istnieje definicja, na którą zgodziłaby się większość badaczy.

Kiedy powstanie AGI?

Nie wiadomo. Z datowanych wypowiedzi: Amodei dopuszcza „już w 2026”, Altman twierdzi, że wiemy, jak ją zbudować, Hassabis wskazuje 2029, a mediana 2778 badaczy z sondażu z 2024 roku wypada na 2047. Historyczne prognozy zbiegały się statystycznie na „za 16-26 lat”, niezależnie od roku, w którym padły.

Czym różni się AGI od AI?

AI to parasol na wszystkie techniki, od filtrów spamu po modele językowe; większość z nich to systemy wąskie, zbudowane pod jedną klasę zadań. AGI to hipotetyczna odmiana ogólna, porównywalna z człowiekiem w dowolnej pracy umysłowej. Dzisiejsze modele są szerokie w wielu kategoriach zadań, ale nie dorównują człowiekowi w elastyczności uczenia się nowych.

Czy ChatGPT to AGI?

Nie według żadnej definicji firmowej. Twórca ChatGPT mówi, że AGI jest przed nami, benchmarki pokazują zarówno wyniki klasy najlepszej, jak i błędy na zadaniach trywialnych, a halucynacje pozostają wadą systemową, nie usterką. Altman pisze zresztą, że ChatGPT jest „more powerful than any human who has ever lived”, co pokazuje rozjazd firmowych porównań z codzienną intuicją słowa „ogólny”.

Kto wymyślił pojęcie AGI?

Pierwsze udokumentowane użycie przypisuje się Markowi Gubrudowi w 1997 roku. Formalne podstawy ułożył Marcus Hutter w 2000 roku w modelu AIXI, a termin spopularyzowali około 2002 roku Shane Legg i Ben Goertzel, gdy „AI” oznaczało już tylko wąskie systemy. Legg trafił później do Google DeepMind, autorów pracy o poziomach AGI z 2023 roku.

Źródła

Powiązane artykuły