De hoek. AI's De groei volgt wetten die net zo regelmatig zijn als in de natuurkunde: meer rekenkracht, betere algoritmes en meer data leiden tot voorspelbare winst, en de tijd die een grensverleggend model zelfstandig kan besteden, verdubbelt sinds 2023 ongeveer elke vier maanden.
AGI is geen schakelaar die je zomaar omzet. Het is een trap, en bij digitaal, goed gedefinieerd werk beklimmen we die snel. Bij nieuw, open en fysiek werk zijn de trappen nog steeds steil.
De truc
Vraag een chatbot om een sonnet te schrijven, je code te repareren of je bloedtest uit te leggen, en het voelt als magie. De truc werkt omdat je alleen het podium ziet. Achter de schermen is geen tovenaar. Er zijn drie knoppen en een energierekening.
- De eerste instelling is 'berekenen': hoeveel berekeningen er nodig zijn om een model te trainen.
- Het tweede aspect betreft de algoritmen: hoe slim elke berekening wordt gebruikt.
- Het derde aspect is data: hoeveel tekst, code en video het model gebruikt om te leren.
Sinds 2024 is er een vierde parameter bijgekomen: de denktijd, de tijd die een model besteedt aan redeneren voordat het antwoord geeft. Draai aan een van deze parameters en de prestaties verbeteren op een opmerkelijk voorspelbare manier.
Die voorspelbaarheid is de ware openbaring. Isaac Newton gaf ons wetten die beschrijven hoe dingen bewegen. AI Onderzoekers hebben wetten ontdekt die beschrijven hoe intelligentie, in ieder geval machine-intelligentie, verbetert met toenemende middelen. Net als Newton's Wetgeving werkt perfect binnen de grenzen ervan, maar breekt aan de randen. Dit stuk gaat over beide: de wetten én de grenzen.
Mojo's Wet: de neurale schaalwet
In januari 2020 nam een team deel aan de OpenAI geleid door Jared Kaplan toonde aan dat een taalmodel's De fout, oftewel het "verlies", neemt af volgens een vloeiende machtswet van de rekenkracht die gebruikt is om het model te trainen. Opgeschreven is het bijna teleurstellend eenvoudig:
L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050L is het verlies, C is de rekenkracht die nodig is voor de training en C_c is een constante. De exponent is cruciaal. Met α van ongeveer 0.05 vermindert het vermenigvuldigen van de rekenkracht met 10 het verlies met slechts ongeveer 11%, omdat 10 tot de macht -0.05 ongeveer 0.89 is. Elke vertienvoudiging levert een vergelijkbare, bescheiden verbetering op, tot er iets anders niet meer werkt. Kaplan's Het team vond overeenkomende machtswetten voor de modelgrootte en de gegevens.
Twee jaar later corrigeerde DeepMind in hun Chinchilla-publicatie (Hoffmann en collega's, maart 2022) het recept. Voor een vast budget zouden parameters en trainingsdata samen moeten groeien, wat neerkomt op ongeveer 20 trainingsdata per parameter . Chinchilla, met 70 miljard parameters getraind op 1.4 biljoen data, versloeg een model dat vier keer zo groot was en op dezelfde rekenkracht was getraind.
Dit is het punt dat de meeste mensen over het hoofd zien. Kleine verbeteringen in verlies leiden tot grote, soms plotselinge sprongen in wat een model daadwerkelijk kan doen, omdat veel vaardigheden pas werken als het model bijna alles goed doet. Een soepele wetmatigheid aan de basis kan er aan de oppervlakte als magie uitzien.
En de wijzers vermenigvuldigen zich. Als de rekenkracht die nodig is voor het trainen van grensmodellen ongeveer vijf keer per jaar toeneemt (Epoch AI) en betere algoritmen de benodigde rekenkracht voor hetzelfde resultaat elke acht maanden halveren (Ho en collega's, 2024), dan neemt de effectieve rekenkracht achter het beste model ruwweg veertien keer per jaar toe, omdat 2 tot de macht 12/8 ongeveer 2.8 is, en 5 keer 2.8 is 14. Dat is de berekening van Mojo, geen gemeten waarde, maar het verklaart waarom de modellen van elk jaar als een andere soort aanvoelen.
Wat geven de wijzerplaten nu precies aan?
Alle vier de wijzerplaten draaien nog, maar de datumwijzerplaat nadert zijn eindstand.
Berekenen. Tijdperk AI De schattingen wijzen erop dat de benodigde rekenkracht voor het trainen van de grenzen van het algoritme sinds 2020 ongeveer vijf keer per jaar is toegenomen, terwijl de trainingskosten ongeveer 3.5 keer per jaar zijn gestegen. GPT-3 werd in 2020 getraind met ongeveer 3 × 10^23 bewerkingen; GPT-4 met ongeveer 2 × 10^25 in 2023.
Tijdperk's grootste schatting voor een run in 2026, OpenAI's GPT-6 Astra heeft een rekenkracht van ongeveer 9 × 10^26, en er is nog geen run bevestigd met een rekenkracht van 10^27. Epoch schatte dat de training van Grok 4 in 2025 ongeveer 310 gigawattuur aan elektriciteit verbruikte en zo'n 490 miljoen dollar kostte.
Algoritmen. Een onderzoek uit 2024 van Anson Ho en collega's wees uit dat de benodigde rekenkracht om een vast prestatieniveau van een taalmodel te bereiken, ongeveer elke 8 maanden halveert, hoewel grotere rekenkracht nog steeds het grootste deel van het werk verricht.
Gegevens. Dit is de wijzerplaat met een stop. Tijdperk. AI schat de voorraad van openbare door mensen geschreven tekst Het gaat om ongeveer 300 biljoen tokens en de verwachting is dat deze ergens tussen 2026 en 2032 volledig gebruikt zullen zijn voor training. We bevinden ons nu binnen die periode. Labs maken gebruik van synthetische data, gelicentieerde data, video en de eigen redeneringssporen van de modellen.
Denktijd. De nieuwste graadmeter. In september 2024 toonde OpenAI's o1 aan dat een model langer laten nadenken tijdens het beantwoorden van een vraag de nauwkeurigheid geleidelijk verhoogt: in een wiskundewedstrijd in 2024 behaalde het een score van 74% met één poging en 93% toen het 1,000 pogingen kon analyseren en opnieuw rangschikken, tegenover 12% voor GPT-4o. Een studie uit 2024 wees uit dat een klein model, door de rekenkracht voor inferentie verstandig te besteden, een model kon verslaan dat 14 keer zo groot was.
Richard Suton's In het essay "The Bitter Lesson" uit 2019 werd dit al voorspeld: in schaken, Go, spraak en beeldverwerking hebben algemene methoden die meer gebruikmaken van computerberekeningen het telkens weer gewonnen van slimme, handmatig opgebouwde kennis. Zes jaar later is die les nog steeds pijnlijk.
Wat zegt de natuurkunde over de grenzen?
De bovenstaande softwarewetten werken op hardware, en hardware is onderworpen aan natuurkundige wetten. Drie getallen vormen de kern van het hele debat.
Chips worden nog steeds sneller, alleen niet meer op de oude manier. De wet van Moore, die voorschreef dat het aantal transistors ongeveer elke twee jaar verdubbelde, is vertraagd; Jensen Huang van Nvidia verklaarde de wet in 2022 zelfs dood.
Toch Nvidia's Datacenterchips verhoogden de prestaties van dichte 16-bits bewerkingen van ongeveer 125 biljoen bewerkingen per seconde op de V100 (2017) tot ongeveer 4,000 biljoen op Rubin (2026), een toename van ongeveer 32 keer in negen jaar, volgens hun eigen specificaties. De meeste winst kwam voort uit gespecialiseerd ontwerp en wiskundige berekeningen met lagere precisie, niet uit kleinere transistors.
Tijdperk AI maatregelen hardware voor machinaal leren De kosten worden ongeveer twee keer zo laag, elke 2.1 jaar.
Je hersenen zijn verbazingwekkend efficiënt. Volgens het Amerikaanse National Institute of Standards and Technology verbruiken menselijke hersenen ongeveer 20 watt. Een Nvidia H100 verbruikt daarentegen ongeveer 700 watt. Open Philanthropy schat dat de hersenen ongeveer 10¹⁵ bewerkingen per seconde uitvoeren, wat ruwweg overeenkomt met wat een H100 levert. De vergelijking is appels met peren vergelijken, maar het verschil in efficiëntie is reëel en laat zien hoeveel ruimte er nog is voor verbetering in hardware.
Er is een ondergrens. Het principe van Landauer, voorgesteld in 1961 en experimenteel bevestigd in 2012, stelt de minimale energie vast die nodig is om één bit informatie bij kamertemperatuur te wissen: ongeveer 3 × 10⁻²¹ joule. De chips van vandaag gebruiken vele malen meer energie. De natuurkunde is nog niet de beperkende factor. Energiecentrales wel.
Het Internationaal Energieagentschap's Energie en energie in 2025 AI Volgens een rapport verbruikten datacenters in 2024 naar schatting 415 terawattuur elektriciteit, oftewel ongeveer 1.5% van het wereldwijde verbruik.'s in totaal, en er wordt voorspeld dat dit in 2030 ongeveer 945 terawattuur zal bedragen.
Per vraag zijn de aantallen klein en dalend: Google mat in mei 2025 een mediaan tekstverbruik van 0.24 wattuur voor Gemini, iets lager dan Epoch AI.'s Eerder dat jaar werd het energieverbruik voor een typische ChatGPT-query geschat op ongeveer 0.3 wattuur, en Google meldde een 33-voudige daling van het energieverbruik per prompt in 12 maanden tijd.
Het probleem is de paradox van Jevons: naarmate elke zoekopdracht goedkoper wordt, stellen we er miljarden meer.
De Mojo Horizon-klok: hoe lang kan hij nog meegaan? AI Werkt het zelfstandig?
In 2019 voltooide GPT-2 taken van ongeveer 3 seconden. In april 2026 zal METR's vroege schatting voor antropogene's De preview van Claude Mythos duurde meer dan 16 uur.
Dat is ruwweg een 21,000-voudige toename in zeven jaar. Toen ik een trendlijn tekende voor elk nieuw record, verdubbelde de horizon ongeveer elke 6 maanden tussen 2019 en 2026, en ongeveer elke 4.1 maanden sinds 2023. De eigen update van METR uit januari 2026 gaf een verdubbelingstijd van ongeveer 4.3 maanden aan na 2023, dus onze onafhankelijke analyse komt overeen.
Als we de lijn na 2023, puur ter illustratie, doortrekken, dan kruist deze rond eind 2026 een werkweek van 40 uur en in de tweede helft van 2027 een werkmaand van 167 uur.
Nu de kanttekeningen, want die zijn belangrijk.
- Ten eerste is een succespercentage van 50% geen garantie voor betrouwbaarheid; bij een succespercentage van 80% zijn de vooruitzichten veel korter.
- Ten tweede betreft het op zichzelf staande software. onderzoekstakenGeen rommelige klussen met collega's, klanten en fysieke objecten.
- Ten derde is de meetlat zelf gebrekkig: METR zegt dat schattingen van meer dan 16 uur onbetrouwbaar zijn en is in september 2026 gestopt met het actief bijwerken van de ranglijst.
Als de meetlat eerder op is dan het te meten object, is dat op zich al een teken.
Waarom blijven de benchmarks dalen?
Omdat de modellen steeds beter worden, en omdat benchmarks doelen zijn. Beide zijn waar, en de tweede reden is waarom ik elke ranglijst met de nodige voorzichtigheid behandel.
Het meest opvallende voorbeeld is ARC-AGI-3, dat op 25 maart 2026 door de ARC Prize Foundation werd gelanceerd als een reeks interactieve puzzels zonder instructies, die mensen gemakkelijk kunnen oplossen. Bij de lancering was de beste AI scoorde 0.51%. Op 3 september 2026 heeft de ARC Prize OpenAI geverifieerd.'s GPT-6 Astra behaalde een resultaat van 62.7% op de standaard testopstelling. (Beweringen over resultaten van 98% tot 99% die op internet circuleren, zijn afkomstig van een andere opstelling die ARC Prize niet als standaard beschouwt.) Een benchmark die ontworpen is om jarenlang mee te gaan, verloor het grootste deel van zijn marge in ongeveer zes maanden.
Elders herhaalt het patroon zich. Codering op SWE-bench Verified steeg van 4.4% in 2023 naar ongeveer 96% in de door aanbieders gerapporteerde resultaten van 2026, wat betekent dat het de beste modellen niet langer van elkaar kan onderscheiden. In juli 2025 publiceerde Google DeepMind's Gemini Deep Think loste vijf van de zes problemen van de Internationale Wiskunde Olympiade op en behaalde 35 van de 42 punten volgens de officiële beoordeling, een niveau dat goed is voor een gouden medaille.
De lens die hier gebruikt wordt is Goodhart.'s Wet: wanneer een meetinstrument een doel op zich wordt, is het geen goed meetinstrument meer. Laboratoria trainen op basis van bekende benchmarks; testvragen sijpelen door in de trainingsdata. Dat maakt de vooruitgang niet nep. Het betekent dat eerlijke meetinstrumenten degenen zijn die eruitzien als echt werk, zoals METR.'s tijdshorizonten, en de horizonnen die nog steeds moeilijk zijn voor machines en gemakkelijk voor mensen, zoals ARC-AGI-3 en Humanity.'s Het laatste examen zonder hulpmiddelen, waarbij de hoogste officiële score 38.3% was.
Hoe dichtbij is AGI dan al?
Op schermen lijken ze dichter bij elkaar te staan dan in de werkelijkheid, en dichterbij dan de meeste mensen buiten het vakgebied denken. Maar "AGI" betekent verschillende dingen voor verschillende mensen, en dat is deels de reden waarom het debat in een vicieuze cirkel blijft draaien.
Definities. Het "Levels of AGI"-raamwerk van Google DeepMind (Morris en collega's, 2023) beoordeelt systemen op twee assen: hoe goed ze presteren en hoe algemeen ze zijn. De chatbots van die tijd werden geclassificeerd als "opkomende" AGI. Lableiders spreken over systemen die het meest economisch waardevolle werk kunnen verrichten; Dario Amodei van Anthropic beschrijft het als "een land van genieën in een datacenter". Sceptici definiëren het als mensachtig leren van ervaringen, iets wat de huidige modellen niet doen.
Prognoses.
Leiders van laboratoria zijn ambitieuzer: in januari 2026 zal Anthropic's Dario Amodei schreef dat krachtige AI Het kan nog één tot twee jaar duren. Demis Hassabis zei in 2023 dat het binnen een decennium zou kunnen gebeuren. Yann LeCun, die Meta verliet en 1.03 miljard dollar ophaalde voor een nieuw lab, noemt grote taalmodellen een doodlopende weg, en Richard Sutton betoogt dat ze imiteren in plaats van leren.
Mojo's drie poorten. In plaats van één finishlijn volg ik er drie, elk met een meetbare test.
| Schuif | Test | Status, november 2026 | Mojo's dit artikel lezen |
|---|---|---|---|
| 1. Digitale autonomie | AI Voltooit een week lang daadwerkelijk software- of onderzoekswerk met hoge betrouwbaarheid. | 50% horizon na 16 uur; betrouwbare horizons veel korter; meetonderbreking | Aannemelijk binnen 1 tot 3 jaar |
| 2. Nieuwheid | Puzzels op menselijk niveau, eenvoudig voor mensen en nieuwkomers op het gebied van machines (ARC-AGI-3) | Best geverifieerd 62.7%; mensen 100% | De transactie wordt snel afgerond; binnen 1 tot 2 jaar mogelijk. |
| 3. De fysieke wereld | Robots die algemeen fysiek werk verrichten tegen concurrerende kosten. | Kosteneffectief voor ongeveer 0.3% van de fysieke taken (Anthropic, september 2026) | Een decennium of langer |
Mijn conclusie: de digitale helft van AGI is een reële mogelijkheid vóór 2030. De fysieke helft, het deel dat de was opvouwt, boilers repareert en zieken verzorgt, ligt nog veel verder in de toekomst. Moravec's De paradox blijft bestaan: wat voor ons moeilijk is, is makkelijk voor machines, en wat voor ons makkelijk is, is moeilijk voor hen. Iedereen die beweert dat AGI op één specifieke datum zal verschijnen, probeert je iets aan te smeren.
Claimcontrole
| vordering | Wie maakt het | MES | Mojo's dit artikel lezen |
|---|---|---|---|
| Schaalwetten blijven van kracht. | AI laboratoria, Epoch AI | 4 sterk | Het verlies blijft dalen naarmate de rekenkracht toeneemt; de dataverbinding vormt het bindende risico. |
| AI is "tegen een muur aanlopen" | Sceptici, periodiek | 0 Heeft het niet volgehouden | De lat werd steeds hoger gelegd en de concrete doelstellingen bleven stijgen tot en met 2026. |
| De taakhorizon verdubbelt elke 4 tot 7 maanden. | METER | 4 sterk | Bevestigd door onze eigen pasvorm; meetonderbrekingen na 16 uur |
| AI mensen verslaan op wiskundeolympiadeniveau | Google DeepMind | 4 sterk | Officieel gecertificeerd volgens de gouden standaard, juli 2025 |
| AGI zal in 2027 zijn intrede doen. | Enkele laboratoriumleiders | 1 Bewering | Dat hangt af van de definitie; het digitale deel is binnenkort plausibel. |
| Een LLM-diploma leidt nergens toe. | Yann LeCun | 1 Bewering | Een serieuze minderheidsopvatting; er zijn nog geen resultaten die een harde bovengrens aantonen. |
| AI Het energieverbruik per zoekopdracht is minimaal. | Google, OpenAI | 3 veelbelovend | Zelf gerapporteerd, maar consistent met Epoch AI.'s onafhankelijke schatting |
| De trainingsdata zullen opraken. | Tijdperk AI | 3 veelbelovend | Het tijdsvenster van 2026 tot 2032 is geopend; synthetische data is de open vraag. |
De tegenhoek
Het sterkste argument tegen mijn interpretatie is dat ik een meetinstrument verwar met het object zelf. Tijdshorizonten en benchmarks zijn tests die door onderzoekers zijn ontwikkeld, en modellen worden steeds vaker getraind om deze tests te doorstaan.
De sprong van 0.5% naar 62.7% op ARC-AGI-3 in zes maanden tijd zegt wellicht meer over hoe snel laboratoria kunnen optimaliseren voor een bekend doelwit dan over algemene inlichtingen. De praktijk, zoals de klinische proef in Kenia en de ontwikkelaarsstudies die elders in deze reeks worden besproken, laat vaak veel kleinere winsten zien dan de benchmarks beloven.
Ik neem dat serieus, daarom vereisen mijn poorten een betrouwbare werking gedurende een week en daarom blijft de fysieke poort op afstand. Maar de trend heeft verschillende veranderingen in de meetmethode gedurende zeven jaar doorstaan. Wanneer elke nieuwe test sneller daalt dan de vorige, is de meest waarschijnlijke verklaring dat hetgeen gemeten wordt daadwerkelijk verbetert.
Het menselijke aspect
Mojo's voorspellingen
- Een gepubliceerde schatting van METR of een vergelijkbare onafhankelijke evaluator plaatst een model's 50% van de tijdshorizon langer dan 40 uur op 31 december 2027. Waarschijnlijkheid: 60%.
- Een score van 85% of hoger op de ARC-AGI-3's De standaard testopstelling wordt uiterlijk 31 december 2027 door ARC Prize geverifieerd. Waarschijnlijkheid: 55%.
- Tijdperk AI schat dat er tegen 31 december 2027 een trainingsrun van meer dan 10^27 operaties zal plaatsvinden. Waarschijnlijkheid: 85%.
Alle drie worden opgenomen in het Mojo Forecast Ledger en zullen openbaar beoordeeld worden.
Waar dit vervolgens wordt besproken
FAQ
Wat zijn AI schaalwetten?
Het zijn empirische regels die aantonen dat een model's De foutmarge neemt voorspelbaar af, volgens een machtswet, wanneer je rekenkracht, data of parameters toevoegt aan de training. Kaplan en collega's beschreven dit in 2020; DeepMind's Chinchillapapier heeft ze in 2022 verfijnd.
Hoe snel is AI verbeteren?
Door METR's maatstaf, de lengte van de softwaretaakgrens AI Het percentage voltooide taken met een succespercentage van 50% is sinds 2023 ongeveer elke vier maanden verdubbeld, van enkele minuten in 2023 tot meer dan 16 uur in 2026.
Wanneer bereiken we AGI?
Uit een enquête onder onderzoekers bleek dat de kans dat machines in 2047 beter presteren dan mensen bij elke taak ongeveer 50% is; sommige laboratoriumleiders zeggen zelfs binnen een paar jaar. Mojo verwacht dat de digitale helft vóór 2030 zal zijn en de fysieke helft veel later.
Hoeveel energie verbruikt dat? AI gebruik?
Het IEA schatte dat datacenters in 2024 ongeveer 415 TWh verbruikten, zo'n 1.5% van het wereldwijde elektriciteitsverbruik, en dat dit in 2030 zou oplopen tot ongeveer 945 TWh. Een typische chatbotprompt verbruikt ongeveer 0.2 tot 0.3 wattuur.
Zullen AI Geen data meer?
Tijdperk AI De verwachting is dat de totale hoeveelheid openbaar beschikbare, door mensen geschreven tekst, zo'n 300 biljoen tokens, tussen 2026 en 2032 volledig zal zijn opgebruikt, waardoor laboratoria zich meer zullen richten op synthetische en gelicentieerde data.
Wat is de Mojo Horizon Clock?
AIMOJO's tracker van METR's AI Metingen over een tijdshorizon, aangevuld met onze eigen trendaanpassing, worden bijgewerkt zodra er nieuwe metingen worden gepubliceerd.
- Kaplan et al., Schaalwetten voor neurale taalmodellen (Jan 2020)
- Hoffmann et al., Het trainen van rekenkundig optimale grote taalmodellen (Chinchilla) (Mar 2022)
- Epoch AI, Trends in AI (bijgewerkt februari 2026) en Trainingsmateriaal voor Grok 4 (Sep 2025)
- Ho et al., Algoritmische vooruitgang in taalmodellen (Mar 2024)
- Villalobos et al., Zullen we zonder data komen te zitten? (Juni 2024)
- OpenAI, Leren redeneren met LLM's (september 2024) en Snell et al., Schaalvergroting van de rekentijd tijdens tests (Aug 2024)
- Richard Sutton, De bittere les (Mar 2019)
- Nvidia productpagina's: A100, H100, Rubin-platformaankondiging (Jan 2026)
- Epoch AI, trends in hardware voor machinaal leren (Nov 2023)
- NIST, Hersengeïnspireerde computertechnologie (Mar 2023)
- Open Philanthropy: hoeveel rekenkracht is er nodig om het menselijk brein te evenaren?
- landauer's principe (overzicht van het voorstel uit 1961 en het experiment uit 2012)
- IEA, Energie en AI (2025), zoals samengevat in Milieu-impact van kunstmatige intelligentie
- Elsworth et al., Het meten van de milieu-impact van AI gevolgtrekking (Google) (augustus 2025) en Epoch AI, hoeveel energie verbruikt ChatGPT? (Feb 2025)
- Kwa et al., Meten AI Vermogen om langdurige taken te voltooien (METR) (maart 2025), METR-tijdshorizon 1.1 (januari 2026) en METR-tijdhorizontenpagina
- ARC-prijs, lancering van ARC-AGI-3 (maart 2026) en GPT-6 Astra-verificatie (Sep 2026)
- Stanford HAI, AI index 2025 en AI index 2026
- Google DeepMind, Gemini Deep Think IMO goud (Juli 2025)
- Morris et al., Niveaus van AGI (Nov 2023)
- Dario Amodei, Machines van Liefdevolle Genade (oktober 2024) en De adolescentie van technologie (Jan 2026)
BONUS: Ontvang onze $200 “AI “Mastery Toolkit” GRATIS wanneer u zich aanmeldt!
