Artificial General Intelligence (AGI)

Hvad er AGI?

Artificial General Intelligence, forkortet AGI, er en hypotetisk form for kunstig intelligens der kan tænke, lære og løse problemer på menneskelig niveau, på tværs af alle intellektuelle domæner. Det er ikke en specifik teknologi men et mål. AI-forskningens hellige gral.

Hvor dagens Narrow AI er specialiseret til afgrænsede opgaver, ville en AGI kunne lære enhver ny opgave ligesom et menneske: forstå kontekst, ræsonnere abstrakt, planlægge langsigtet, lære af erfaring og overføre viden mellem vidt forskellige domæner. En AGI kunne i teorien lære at spille klaver, diagnosticere sygdomme, føre en filosofisk samtale og reparere en bil, alt sammen uden specifik træning til hver opgave.

AGI eksisterer ikke endnu. Der er bred uenighed blandt eksperter om hvornår, eller om, det vil blive realiseret. Nogle forskere mener vi er 5-10 år fra AGI, andre mener det ligger årtier eller århundreder ude i fremtiden, og nogle mener det måske aldrig vil ske med de nuværende tilgange.

Hvad ville en AGI kunne?

En ægte AGI ville have egenskaber som ingen nuværende AI besidder:

1. Generel problemløsning. Evnen til at løse problemer den aldrig har set før, på tværs af alle domæner. Ikke bare inden for tekst, billeder eller specifikke opgavetyper.
2. Selvstændig læring. Evnen til at lære nyt fra erfaring i realtid, uden at kræve gen-træning. En AGI ville kunne læse en bog om kvantemekanik og derefter anvende koncepterne i praksis.
3. Forståelse og ræsonnement. Ægte forståelse af betydning, kausalitet og kontekst. Ikke bare mønstergenkendelse i data, men forskellen mellem at genkende at “vand koger ved 100°C” og at forstå hvorfor.
4. Transfer learning. Evnen til at overføre viden fra ét domæne til et helt andet. Indsigt fra biologi kunne spontant inspirere til løsninger i økonomi eller arkitektur.
5. Sund fornuft. Den type hverdagsviden og intuition som mennesker tager for givet: at ting falder ned, at folk har følelser, at man ikke kan stå i regnvejr uden at blive våd.

Hvorfor har vi ikke AGI endnu?

Flere fundamentale udfordringer står i vejen:

1. Vi forstår ikke intelligens. Vi har ikke en komplet videnskabelig forståelse af hvad menneskelig intelligens er eller hvordan den opstår i hjernen. Det gør det svært at reproducere den i en maskine.
2. Skalering er ikke nok. Selvom større sprogmodeller bliver bedre, er det uklart om bare at gøre modellerne større vil føre til AGI. Der kan være fundamentale arkitektur-ændringer eller helt nye tilgange nødvendige.
3. Embodiment-problemet. Menneskelig intelligens er tæt forbundet med kropslig erfaring. Vi forstår verden gennem interaktion med den. En AI der kun læser tekst mangler denne grundlæggende dimension.
4. Målingsproblem. Der er ingen konsensus om hvordan man måler om noget er AGI. Turing-testen er for snæver. Nye benchmarks som ARC-AGI forsøger at teste generel ræsonnering, men ingen test kan fuldt indfange hvad “generel intelligens” betyder.

Hvad siger eksperterne?

Meningerne er dybt delte:

1. Optimisterne. Sam Altman (OpenAI) og Demis Hassabis (Google DeepMind) har udtalt at AGI kan komme inden for dette årti. De argumenterer for at nuværende fremskridt med LLM’er og scaling laws peger mod AGI som en naturlig forlængelse af eksisterende teknologi.
2. Skeptikerne. Yann LeCun (AMI Labs, tidligere Meta) mener at nuværende LLM-arkitekturer fundamentalt ikke kan nå AGI og at helt nye tilgange er nødvendige. LeCun forlod Meta i december 2025 og grundlagde AMI Labs for at udvikle world models som alternativ til LLM’er. Andre forskere påpeger at LLM’er mangler grundlæggende evner som kausal ræsonnement og verdensmodellering.
3. De bekymrede. Organisationer som Anthropic og forskere som Yoshua Bengio fokuserer på sikkerhedsaspekterne. Hvis AGI kommer, hvordan sikrer vi at den er alignet med menneskelige værdier? De argumenterer for at sikkerhedsforskning skal ske nu, før AGI bliver en realitet.

Vejen mod AGI

Flere tilgange forsøges i jagten på AGI:

1. Skalering af LLM’er. Gør modeller større, træn dem på mere data og brug mere beregningskraft. OpenAI og Google DeepMind satser stort på denne tilgang.
2. Nye arkitekturer. Forskere eksperimenterer med arkitekturer der går ud over transformers. Modeller der kan ræsonnere, planlægge og lære fra færre eksempler.
3. Hybrid-systemer. Kombination af neurale netværk med symbolsk AI, kausal ræsonnering og verdensmodeller. Idéen er at supplere mønstergenkendelse med struktureret logik.
4. Embodied AI. Robotik-baserede tilgange hvor AI lærer gennem fysisk interaktion med verden, som mennesker gør.