AI คำอธิบายกฎการปรับขนาด: ปัญญาประดิษฐ์ทั่วไป (AGI) อยู่ใกล้กว่าที่เราคิดหรือไม่?

มุมกล้อง AI's การเพิ่มขึ้นเป็นไปตามกฎเกณฑ์ที่แน่นอนเช่นเดียวกับในวิชาฟิสิกส์ กล่าวคือ การคำนวณที่มากขึ้น อัลกอริทึมที่ดีขึ้น และข้อมูลที่มากขึ้น จะนำมาซึ่งผลกำไรที่คาดการณ์ได้ และระยะเวลาของงานที่โมเดลล้ำสมัยสามารถทำเสร็จได้ด้วยตัวเองนั้นเพิ่มขึ้นเป็นสองเท่าโดยประมาณทุกๆ สี่เดือนนับตั้งแต่ปี 2023

ปัญญาประดิษฐ์ทั่วไป (AGI) ไม่ใช่สิ่งที่สามารถเปิดใช้งานได้ในวันเดียว มันเปรียบเสมือนบันได และในงานดิจิทัลที่มีขอบเขตชัดเจน เรากำลังไต่บันไดนี้ไปอย่างรวดเร็ว แต่ในงานใหม่ๆ ที่เปิดกว้างและเป็นงานทางกายภาพ บันไดเหล่านั้นยังคงสูงชันอยู่

เคล็ดลับ

ลองขอให้แชทบอทเขียนบทกวี แก้ไขโค้ด หรืออธิบายผลตรวจเลือดของคุณดูสิ คุณจะรู้สึกเหมือนได้ใช้เวทมนตร์ แต่กลอุบายนี้ได้ผลเพราะคุณเห็นแต่เวที เบื้องหลังไม่มีพ่อมด มีแค่ปุ่มปรับสามปุ่มกับบิลค่าไฟเท่านั้น

1. ตัวแปรแรกคือ compute: จำนวนการคำนวณที่ใช้ในการฝึกฝนโมเดล
2. ประการที่สองคืออัลกอริทึม: วิธีการใช้การคำนวณแต่ละครั้งอย่างชาญฉลาด
3. ประการที่สามคือข้อมูล: โมเดลเรียนรู้จากข้อความ โค้ด และวิดีโอมากน้อยเพียงใด

ตั้งแต่ปี 2024 เป็นต้นมา มีตัวแปรที่สี่เพิ่มเข้ามา นั่นคือ เวลาคิด ซึ่งเป็นเวลาที่โมเดลใช้ในการให้เหตุผลก่อนที่จะตอบคำถาม หากปรับตัวแปรใดตัวแปรหนึ่งขึ้น ประสิทธิภาพก็จะเพิ่มขึ้นอย่างน่าทึ่งและคาดเดาได้

ความสามารถในการคาดการณ์ได้นั้นแหละคือสิ่งที่เปิดเผยความจริงอย่างแท้จริง ไอแซค นิวตันได้ให้กฎที่อธิบายว่าสิ่งต่างๆ เคลื่อนที่อย่างไรแก่เรา AI นักวิจัยได้ค้นพบกฎที่อธิบายว่าสติปัญญา โดยเฉพาะสติปัญญาของเครื่องจักร พัฒนาขึ้นได้อย่างไรเมื่อได้รับทรัพยากรมากขึ้น เช่นเดียวกับนิวตัน's กฎต่างๆ นั้นใช้ได้ดีเยี่ยมภายในขอบเขตของมัน แต่จะล้มเหลวเมื่อถึงขอบเขต บทความนี้กล่าวถึงทั้งสองอย่าง คือ กฎ และขอบเขตเหล่านั้น

Mojo's กฎ: กฎการปรับขนาดของระบบประสาท

ในเดือนมกราคม 2020 ทีมงานของ OpenAI นำโดย จาเร็ด คาปลัน แสดงให้เห็นว่าแบบจำลองภาษา's ข้อผิดพลาด หรือ "การสูญเสีย" ของมัน จะลดลงอย่างราบรื่นตามกฎกำลังของการคำนวณที่ใช้ในการฝึกฝน เมื่อเขียนออกมาแล้ว มันเรียบง่ายจนน่าผิดหวัง:

L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050

L คือค่าความสูญเสีย C คือค่าการคำนวณในการฝึกฝน และ C_c คือค่าคงที่ เลขชี้กำลังคือหัวใจสำคัญ เมื่อ α อยู่ที่ประมาณ 0.05 การคูณค่าการคำนวณด้วย 10 จะลดค่าความสูญเสียลงเพียงประมาณ 11% เท่านั้น เพราะ 10 ยกกำลังลบ 0.05 มีค่าประมาณ 0.89 การเพิ่มขึ้นทีละสิบเท่าจะให้ผลลัพธ์ที่ดีขึ้นเล็กน้อยในลักษณะเดียวกันไปเรื่อยๆ จนกว่าจะมีสิ่งอื่นหมดแรงไป (Kaplan)'s ทีมวิจัยพบกฎกำลังที่สอดคล้องกันสำหรับขนาดของแบบจำลองและข้อมูล

สองปีต่อมา บทความ Chinchilla ของ DeepMind (Hoffmann และคณะ, มีนาคม 2022) ได้แก้ไขสูตรดังกล่าว สำหรับงบประมาณที่คงที่ พารามิเตอร์และโทเค็นสำหรับการฝึกควรเติบโตไปพร้อมกัน ซึ่งหมายความว่าจะมีข้อมูลการฝึกประมาณ 20 โทเค็นต่อพารามิเตอร์หนึ่งตัว Chinchilla ซึ่งมีพารามิเตอร์ 70 พันล้านตัวที่ฝึกบนโทเค็น 1.4 ล้านล้านตัว สามารถเอาชนะโมเดลที่มีขนาดใหญ่กว่าถึงสี่เท่าซึ่งฝึกด้วยทรัพยากรการประมวลผลเดียวกันได้

และตัวเลขเหล่านี้ก็ทวีคูณขึ้น หากพลังการประมวลผลสำหรับการฝึกฝนเทคโนโลยีล้ำสมัยเพิ่มขึ้นประมาณ 5 เท่าต่อปี (Epoch AI) และอัลกอริทึมที่ดีกว่าช่วยลดพลังการประมวลผลที่จำเป็นสำหรับผลลัพธ์เดียวกันลงครึ่งหนึ่งทุกๆ 8 เดือนโดยประมาณ (Ho และเพื่อนร่วมงาน, 2024) พลัง การประมวลผล ที่มีประสิทธิภาพเบื้องหลังโมเดลที่ดีที่สุดจะเพิ่มขึ้นประมาณ 14 เท่าต่อปี เพราะ 2 ยกกำลัง 12/8 เท่ากับประมาณ 2.8 และ 5 คูณ 2.8 เท่ากับ 14 นี่คือการคำนวณของ Mojo ไม่ใช่ตัวเลขที่วัดได้ แต่ก็อธิบายได้ว่าทำไมโมเดลในแต่ละปีจึงดูเหมือนเป็นคนละสายพันธุ์กัน

หน้าปัดเหล่านั้นแสดงค่าอะไรบ้าง?

หน้าปัดทั้งสี่อันยังคงหมุนอยู่ แต่หน้าปัดแสดงข้อมูลใกล้จะหยุดแล้ว

คำนวณ. ยุค AI มีการประมาณการว่าปริมาณการคำนวณสำหรับการฝึกฝนโมเดลขั้นสูงเพิ่มขึ้นประมาณ 5 เท่าต่อปีนับตั้งแต่ปี 2020 ในขณะที่ต้นทุนการฝึกฝนเพิ่มขึ้นประมาณ 3.5 เท่าต่อปี โดย GPT-3 ได้รับการฝึกฝนด้วยการคำนวณประมาณ 3 × 10^23 ครั้งในปี 2020 และ GPT-4 ด้วยการคำนวณประมาณ 2 × 10^25 ครั้งในปี 2023

ยุค's OpenAI คาดการณ์ว่าการวิ่งในปี 2026 จะมีขนาดใหญ่ที่สุด's GPT-6 Astra มีประสิทธิภาพประมาณ 9 × 10^26 และยังไม่มีการยืนยันการทำงานที่ระดับ 10^27 Epoch ประมาณการว่าการฝึก Grok 4 ในปี 2025 จะใช้ไฟฟ้าประมาณ 310 กิกะวัตต์ชั่วโมง และมีค่าใช้จ่ายประมาณ 490 ล้านดอลลาร์สหรัฐ

อัลกอริทึมการศึกษาในปี 2024 โดย Anson Ho และเพื่อนร่วมงานพบว่า พลังการประมวลผลที่จำเป็นเพื่อให้ได้ประสิทธิภาพของแบบจำลองภาษาในระดับคงที่นั้นลดลงครึ่งหนึ่งโดยประมาณทุกๆ 8 เดือน แม้ว่าพลังการประมวลผลที่มากกว่าจะยังคงทำงานส่วนใหญ่มากกว่าก็ตาม

ข้อมูล นี่คือหน้าปัดที่มีตัวหยุด ยุคสมัย AI ประมาณการหุ้นของภาครัฐ ข้อความที่เขียนโดยมนุษย์ มีโทเค็นประมาณ 300 ล้านล้านโทเค็น และคาดว่าจะถูกนำไปใช้ในการฝึกอบรมอย่างเต็มที่ระหว่างปี 2026 ถึง 2032 ขณะนี้เราอยู่ในช่วงเวลานั้นแล้ว ห้องปฏิบัติการต่างๆ กำลังหันมาใช้ข้อมูลสังเคราะห์ ข้อมูลที่ได้รับอนุญาต วิดีโอ และร่องรอยการให้เหตุผลของโมเดลเอง

เวลาคิด.ปัจจัยใหม่ล่าสุด ในเดือนกันยายน 2024 OpenAI's o1 แสดงให้เห็นว่าการปล่อยให้โมเดลใช้เวลาคิดวิเคราะห์นานขึ้นในระหว่างการตอบคำถามจะช่วยเพิ่มความแม่นยำได้อย่างราบรื่น: ในการแข่งขันคณิตศาสตร์ปี 2024 มันทำคะแนนได้ 74% ในการลองเพียงครั้งเดียว และ 93% เมื่อมันสามารถสุ่มตัวอย่างและจัดอันดับใหม่ได้ 1,000 ครั้ง เทียบกับ 12% สำหรับ GPT-4o การศึกษาในปี 2024 พบว่าการใช้ทรัพยากรการคำนวณในการอนุมานอย่างชาญฉลาดทำให้โมเดลขนาดเล็กสามารถเอาชนะโมเดลที่มีขนาดใหญ่กว่าถึง 14 เท่าได้

ริชาร์ด ซัตตัน's บทความเรื่อง “บทเรียนอันขมขื่น” ในปี 2019 ได้มองเห็นสิ่งนี้ล่วงหน้าแล้ว: ในหมากรุก หมากล้อม การพูด และการมองเห็น วิธีการทั่วไปที่ใช้การคำนวณมากกว่าได้เอาชนะความรู้ที่สร้างขึ้นด้วยมืออย่างชาญฉลาดทุกครั้งไป หกปีผ่านไป บทเรียนนั้นก็ยังคงเจ็บปวดอยู่

ฟิสิกส์กล่าวถึงขีดจำกัดอย่างไรบ้าง?

กฎซอฟต์แวร์ข้างต้นทำงานบนฮาร์ดแวร์ และฮาร์ดแวร์ก็ตอบสนองต่อหลักฟิสิกส์ ตัวเลขสามตัวนี้เป็นกรอบกำหนดประเด็นถกเถียงทั้งหมดนี้

ชิปยังคงเร็วขึ้นเรื่อยๆ แต่ไม่ใช่ในแบบเดิมกฎของมัวร์ที่ว่าจำนวนทรานซิสเตอร์จะเพิ่มขึ้นเป็นสองเท่าทุกๆ สองปีนั้นชะลอตัวลงแล้ว เจนเซน หวง จาก Nvidia ประกาศว่ากฎนี้ได้ตายไปแล้วตั้งแต่ปี 2022

แต่ Nvidia ก็ยังเป็นเช่นนั้น's ชิปสำหรับศูนย์ข้อมูลได้ยกระดับประสิทธิภาพการประมวลผล 16 บิตความหนาแน่นสูงจากประมาณ 125 ล้านล้านการทำงานต่อวินาทีบน V100 (ปี 2017) ไปเป็นประมาณ 4,000 ล้านล้านการทำงานต่อวินาทีบน Rubin (ปี 2026) ซึ่งเพิ่มขึ้นประมาณ 32 เท่าในระยะเวลาเก้าปี ตามข้อกำหนดของตนเอง ส่วนใหญ่ของการเพิ่มขึ้นนั้นมาจากการออกแบบเฉพาะทางและการคำนวณทางคณิตศาสตร์ที่มีความแม่นยำต่ำลง ไม่ใช่จากการลดขนาดของทรานซิสเตอร์

ยุค AI มาตรการ ฮาร์ดแวร์การเรียนรู้ของเครื่อง ประหยัดค่าใช้จ่ายได้มากขึ้นประมาณสองเท่าทุกๆ 2.1 ปี

สมองของคุณมีประสิทธิภาพอย่างน่าทึ่งสมองของมนุษย์ใช้พลังงานประมาณ 20 วัตต์ ตามข้อมูลจากสถาบันมาตรฐานและเทคโนโลยีแห่งชาติของสหรัฐอเมริกา ในขณะที่ Nvidia H100 หนึ่งตัวใช้พลังงานประมาณ 700 วัตต์ Open Philanthropy คาดการณ์ว่าพลังการประมวลผลดิบของสมองอยู่ที่ประมาณ 10^15 การทำงานต่อวินาที ซึ่งใกล้เคียงกับที่ H100 หนึ่งตัวสามารถทำได้ การเปรียบเทียบนี้อาจดูไม่ตรงกัน แต่ช่องว่างด้านประสิทธิภาพนั้นมีอยู่จริงและชี้ให้เห็นว่าฮาร์ดแวร์ยังมีศักยภาพในการพัฒนาอีกมาก

มีขีดจำกัดอยู่หลักการของแลนเดาเออร์ ซึ่งเสนอในปี 1961 และได้รับการยืนยันจากการทดลองในปี 2012 กำหนดพลังงานขั้นต่ำที่จำเป็นในการลบข้อมูลหนึ่งบิตที่อุณหภูมิห้องไว้ที่ประมาณ 3 × 10^-21 จูล ชิปในปัจจุบันใช้พลังงานมากกว่านั้นหลายเท่า ฟิสิกส์ยังไม่ใช่ข้อจำกัดที่ผูกมัด โรงไฟฟ้าต่างหากที่เป็นข้อจำกัด

สำนักงานพลังงานระหว่างประเทศ's พลังงานและปี 2025 AI รายงานฉบับหนึ่งประเมินว่าศูนย์ข้อมูลจะใช้ไฟฟ้าประมาณ 415 เทราวัตต์-ชั่วโมงในปี 2024 ซึ่งคิดเป็นประมาณ 1.5% ของการใช้ไฟฟ้าทั่วโลก's โดยรวมแล้ว คาดว่าจะอยู่ที่ประมาณ 945 เทราวัตต์-ชั่วโมงภายในปี 2030

ตัวเลขต่อคำถามนั้นมีขนาดเล็กและลดลงเรื่อยๆ: Google วัดค่ามัธยฐานของข้อความแจ้งเตือนไปยัง Gemini ได้ที่ 0.24 วัตต์-ชั่วโมง ในเดือนพฤษภาคม 2025 ซึ่งต่ำกว่า Epoch AI เล็กน้อย's มีการประมาณการว่าการสอบถาม ChatGPT ทั่วไปใช้พลังงานประมาณ 0.3 วัตต์-ชั่วโมงในช่วงต้นปีนั้น และ Google รายงานว่าการใช้พลังงานต่อการสอบถามลดลงถึง 33 เท่าภายใน 12 เดือน

ปัญหาอยู่ที่ปรากฏการณ์ขัดแย้งของเจวอนส์: ยิ่งการค้นหาแต่ละครั้งมีราคาถูกลง เราก็ยิ่งค้นหามากขึ้นเป็นพันล้านครั้ง

นาฬิกา Mojo Horizon: ใช้งานได้นานแค่ไหน AI ทำงานได้ด้วยตัวมันเองใช่ไหม?

ในปี 2019 GPT-2 สามารถจัดการงานที่ใช้เวลาประมาณ 3 วินาทีได้ และในเดือนเมษายน 2026 METR's การประเมินเบื้องต้นสำหรับ Anthropic's ตัวอย่างเกม Claude Mythos Preview ใช้เวลานานกว่า 16 ชั่วโมง

นั่นหมายถึงการเพิ่มขึ้นประมาณ 21,000 เท่าในเจ็ดปี เมื่อผมลากเส้นแนวโน้มให้เข้ากับสถิติใหม่แต่ละครั้ง พบว่าระยะเวลาการเพิ่มขึ้นเป็นสองเท่าทุกๆ ประมาณ 6 เดือนในช่วงปี 2019 ถึง 2026 และประมาณทุกๆ4.1 เดือนนับตั้งแต่ปี 2023 เป็นต้น มา ข้อมูลอัปเดตของ METR ในเดือนมกราคม 2026 ระบุว่าระยะเวลาการเพิ่มขึ้นเป็นสองเท่าหลังปี 2023 อยู่ที่ประมาณ 4.3 เดือน ดังนั้นการวิเคราะห์โดยอิสระของเราจึงสอดคล้องกัน

หากลากเส้นต่อไปหลังปี 2023 เพื่อเป็นตัวอย่าง จะเห็นว่าเส้นนั้นตัดกับสัปดาห์การทำงาน 40 ชั่วโมงในช่วงปลายปี 2026 และเดือนการทำงาน 167 ชั่วโมงในช่วงครึ่งหลังของปี 2027

ทีนี้มาดูข้อควรระวังกันบ้าง เพราะมันสำคัญมาก

1. ประการแรก อัตราความสำเร็จ 50% ไม่ได้หมายความว่าน่าเชื่อถือเสมอไป และที่อัตราความสำเร็จ 80% โอกาสในการประสบความสำเร็จก็จะน้อยลงมาก
2. ประการที่สอง ซอฟต์แวร์เหล่านี้เป็นซอฟต์แวร์แบบครบวงในตัวเอง และ งานวิจัยไม่ใช่งานที่ยุ่งยากซับซ้อนกับเพื่อนร่วมงาน ลูกค้า และสิ่งของต่างๆ
3. ประการที่สาม ตัวชี้วัดเองก็เริ่มมีปัญหา: METR ระบุว่าการประมาณการที่เกิน 16 ชั่วโมงนั้นไม่น่าเชื่อถือ และได้หยุดอัปเดตตารางอันดับอย่างเป็นทางการในเดือนกันยายน 2026

เมื่อไม้บรรทัดหมดก่อนถึงสิ่งที่กำลังวัด นั่นเป็นสัญญาณอย่างหนึ่งแล้ว

ทำไมเกณฑ์มาตรฐานถึงลดลงเรื่อยๆ?

เนื่องจากโมเดลต่างๆ กำลังพัฒนาขึ้น และเนื่องจากเกณฑ์มาตรฐานคือเป้าหมาย ทั้งสองอย่างเป็นความจริง และข้อหลังนี้เป็นเหตุผลที่ฉันให้ความสำคัญกับทุกตารางอันดับ

กรณีที่โดดเด่นที่สุดคือ ARC-AGI-3 ซึ่งเปิดตัวโดยมูลนิธิ ARC Prize เมื่อวันที่ 25 มีนาคม 2026 ในรูปแบบชุดปริศนาเชิงโต้ตอบที่ไม่มีคำแนะนำ ซึ่งมนุษย์สามารถแก้ได้อย่างง่ายดาย เมื่อเปิดตัว ผู้ที่เก่งที่สุด... AI ได้คะแนน 0.51% เมื่อวันที่ 3 กันยายน 2026 รางวัล ARC Prize ได้รับรอง OpenAI แล้ว's GPT-6 Astra ได้คะแนน 62.7% ในการทดสอบมาตรฐาน (การอ้างว่าได้คะแนน 98% ถึง 99% มาจากการทดสอบที่แตกต่างออกไป ซึ่งรางวัล ARC ไม่นับรวมเป็นมาตรฐาน) ตัวชี้วัดประสิทธิภาพที่ออกแบบมาให้ใช้งานได้นานหลายปี กลับสูญเสียประสิทธิภาพส่วนใหญ่ไปในเวลาประมาณหกเดือน

รูปแบบนี้เกิดขึ้นซ้ำในส่วนอื่นๆ การเขียนโค้ดบน SWE-bench Verified เพิ่มขึ้นจาก 4.4% ในปี 2023 เป็นประมาณ 96% ในผลลัพธ์ที่ผู้ให้บริการรายงานในปี 2026 ซึ่งหมายความว่ามันไม่สามารถแยกแยะโมเดลที่ดีที่สุดได้อีกต่อไป ในเดือนกรกฎาคม 2025 Google DeepMind's ทีม Gemini Deep Think สามารถแก้โจทย์คณิตศาสตร์ในการแข่งขันโอลิมปิกนานาชาติได้ 5 จาก 6 ข้อ โดยได้คะแนน 35 จาก 42 คะแนนตามเกณฑ์การให้คะแนนอย่างเป็นทางการ ซึ่งถือเป็นมาตรฐานเหรียญทอง

เลนส์ที่ใช้ในภาพนี้คือ Goodhart's กฎคือ: เมื่อมาตรวัดกลายเป็นเป้าหมาย มันก็จะไม่ใช่มาตรวัดที่ดีอีกต่อไป ห้องปฏิบัติการฝึกฝนโดยใช้เกณฑ์มาตรฐานที่มีชื่อเสียง คำถามทดสอบบางส่วนถูกนำไปใช้ในข้อมูลฝึกฝน นั่นไม่ได้หมายความว่าความก้าวหน้านั้นเป็นของปลอม มันหมายความว่ามาตรวัดที่ซื่อสัตย์คือมาตรวัดที่ดูเหมือนงานจริง เช่น METR's ขอบเขตเวลา และขอบเขตเวลาที่ยังคงยากสำหรับเครื่องจักรแต่เป็นเรื่องง่ายสำหรับมนุษย์ เช่น ARC-AGI-3 และมนุษยชาติ's การสอบครั้งสุดท้ายโดยไม่ใช้เครื่องมือช่วยสอน คะแนนสูงสุดอย่างเป็นทางการคือ 38.3%

แล้วปัญญาประดิษฐ์ทั่วไป (AGI) ใกล้ความเป็นจริงแค่ไหน?

บนหน้าจอเรามองเห็นความใกล้ชิดมากกว่าในโลกแห่งความเป็นจริง และใกล้ชิดกว่าที่คนส่วนใหญ่นอกวงการคิด แต่ "ปัญญาประดิษฐ์ทั่วไป" (AGI) มีความหมายแตกต่างกันไปสำหรับแต่ละคน ซึ่งเป็นเหตุผลครึ่งหนึ่งที่ทำให้การถกเถียงเรื่องนี้วนไปวนมาไม่จบไม่สิ้น

คำจำกัดความกรอบแนวคิด “ระดับของปัญญาประดิษฐ์ทั่วไป” (Levels of AGI) ของ Google DeepMind (Morris และคณะ, 2023) ประเมินระบบบนแกนสองด้าน คือ ประสิทธิภาพการทำงานและความเป็นสากล และจัดให้แชทบอทในขณะนั้นเป็นปัญญาประดิษฐ์ทั่วไป “ที่กำลังพัฒนา” ผู้นำห้องปฏิบัติการพูดถึงระบบที่สามารถทำงานที่มีคุณค่าทางเศรษฐกิจมากที่สุด Dario Amodei จาก Anthropic อธิบายว่าเป็น “ประเทศของอัจฉริยะในศูนย์ข้อมูล” นักวิจารณ์นิยามมันว่าเป็นการเรียนรู้จากประสบการณ์ที่คล้ายมนุษย์ ซึ่งแบบจำลองในปัจจุบันยังทำไม่ได้

การพยากรณ์

ผู้นำห้องปฏิบัติการมีความกระตือรือร้นมากขึ้น: ในเดือนมกราคม 2026 บริษัท Anthropic จะเข้าซื้อกิจการ's ดาริโอ อาโมเดอี เขียนข้อความทรงพลังนั้น AI อาจจะอีกหนึ่งถึงสองปีข้างหน้า เดมิส ฮัสซาบิส กล่าวในปี 2023 ว่าอาจเกิดขึ้นภายในหนึ่งทศวรรษ ยานน์ เลอคุน ผู้ที่ออกจาก Meta และระดมทุนได้ 1.03 พันล้านดอลลาร์สำหรับห้องปฏิบัติการใหม่ เรียกแบบจำลองภาษาขนาดใหญ่ว่าเป็นทางตัน และริชาร์ด ซัตตัน โต้แย้งว่ามันเลียนแบบมากกว่าเรียนรู้

ประตูทั้งสามของโมโจแทนที่จะมีเส้นชัยเพียงเส้นเดียว ผมใช้การติดตามผลสามจุด แต่ละจุดมีการทดสอบที่วัดผลได้

ประตู	เอกสาร	สถานะ ณ เดือนพฤศจิกายน 2026	Mojo's อ่าน
1. ความเป็นอิสระทางดิจิทัล	AI ทำงานด้านซอฟต์แวร์หรือการวิจัยจริงได้ครบหนึ่งสัปดาห์ด้วยความน่าเชื่อถือสูง	ขอบเขต 50% ผ่านมาแล้ว 16 ชั่วโมง; ขอบเขตที่เชื่อถือได้สั้นกว่ามาก; การวัดขาดตอน	มีความเป็นไปได้ภายใน 1 ถึง 3 ปี
2. ความแปลกใหม่	ระดับความยากในการแก้ปริศนาที่ง่ายสำหรับคนทั่วไปและผู้เริ่มต้นใช้งานเครื่องจักร (ARC-AGI-3)	ได้รับการตรวจสอบอย่างดีที่สุด 62.7%; โดยมนุษย์ 100%	ปิดดีลเร็ว คาดว่าจะแล้วเสร็จภายใน 1-2 ปี
3. โลกทางกายภาพ	หุ่นยนต์ที่ทำงานด้านกายภาพทั่วไปได้ในราคาที่แข่งขันได้	คุ้มค่าในด้านต้นทุนสำหรับงานทางกายภาพประมาณ 0.3% (Anthropic, กันยายน 2026)	สิบปีหรือมากกว่านั้น

ความเห็นของผม: ส่วนที่เป็นดิจิทัลของปัญญาประดิษฐ์ทั่วไป (AGI) มีความเป็นไปได้จริงก่อนปี 2030 ส่วนที่เป็นกายภาพ เช่น การพับผ้า การซ่อมหม้อต้มน้ำ และการดูแลผู้ป่วย ยังอีกไกลกว่านั้นมาก (โมราเวค)'s ความขัดแย้งยังคงอยู่: สิ่งที่ยากสำหรับเรานั้นง่ายสำหรับเครื่องจักร และสิ่งที่ง่ายสำหรับเรานั้นยากสำหรับเครื่องจักร ใครก็ตามที่บอกคุณว่าปัญญาประดิษฐ์ทั่วไป (AGI) จะมาถึงในวันที่กำหนดนั้นกำลังขายของอยู่

ตรวจสอบการเคลม

ข้อเรียกร้อง	ใครเป็นคนทำ	MES	Mojo's อ่าน
กฎการปรับขนาดยังคงใช้ได้อยู่	AI แล็บส์, เอพ็อค AI	4 แข็งแรง	การสูญเสียยังคงลดลงเรื่อยๆ ควบคู่ไปกับการประมวลผล แต่ตัวแปรข้อมูลคือความเสี่ยงที่ผูกมัดอยู่
AI คือ “ชนกำแพง”	นักวิจารณ์ เป็นระยะๆ	0 ไม่ได้ผล	แนวโน้มและเป้าหมายที่ชัดเจนยังคงเพิ่มสูงขึ้นอย่างต่อเนื่องจนถึงปี 2026
ขอบเขตงานจะเพิ่มขึ้นเป็นสองเท่าทุกๆ 4 ถึง 7 เดือน	เมตร	4 แข็งแรง	ได้รับการยืนยันจากการทดสอบของเราเองแล้ว โดยการวัดค่าจะหยุดที่เวลาเกิน 16 ชั่วโมง
AI เอาชนะมนุษย์ในระดับโอลิมปิกคณิตศาสตร์	Google DeepMind	4 แข็งแรง	ได้รับการรับรองมาตรฐานระดับทองคำอย่างเป็นทางการ กรกฎาคม 2025
AGI จะพร้อมใช้งานภายในปี 2027	หัวหน้าห้องปฏิบัติการบางคน	1 การเรียกร้อง	ขึ้นอยู่กับคำจำกัดความ ส่วนที่เป็นดิจิทัลนั้นน่าจะเป็นไปได้ในเร็วๆ นี้
หลักสูตร LLM เป็นทางตัน	ยานน์ เลอคุน	1 การเรียกร้อง	เป็นความคิดเห็นส่วนน้อยที่มีน้ำหนักมาก ยังไม่มีผลลัพธ์ใดที่บ่งชี้ถึงขีดจำกัดที่ชัดเจน
AI การใช้พลังงานต่อการสืบค้นข้อมูลนั้นน้อยมาก	กูเกิล, โอเพ่นไอ	3 แนวโน้มที่ดี	รายงานด้วยตนเอง แต่สอดคล้องกับ Epoch AI's การประเมินอิสระ
เราจะหมดข้อมูลสำหรับการฝึกฝน	เอพอค เอไอ	3 แนวโน้มที่ดี	ช่วงเวลาระหว่างปี 2026 ถึง 2032 ได้เปิดขึ้นแล้ว แต่ข้อมูลสังเคราะห์ยังเป็นคำถามที่ยังไม่มีคำตอบ

มุมสวนทาง

ข้อโต้แย้งที่แข็งแกร่งที่สุดต่อการตีความของผมคือ ผมอาจเข้าใจผิดคิดว่าไม้บรรทัดวัดคือตัวสิ่งนั้นเอง ขอบเขตเวลาและเกณฑ์มาตรฐานเป็นเพียงการทดสอบที่สร้างขึ้นโดยนักวิจัย และแบบจำลองต่างๆ ก็ได้รับการฝึกฝนให้ผ่านการทดสอบเหล่านั้นมากขึ้นเรื่อยๆ

ผมจริงจังกับเรื่องนี้มาก นั่นเป็นเหตุผลที่ประตูของผมต้องได้รับ การตรวจสอบและซ่อมแซม อย่างสม่ำเสมอเป็นเวลาหนึ่งสัปดาห์ และเป็นเหตุผลที่ผมต้องตั้งประตูนั้นไว้ไกลๆ แต่แนวโน้มนี้ยังคงอยู่แม้ว่าจะมีการเปลี่ยนแปลงวิธีการวัดผลหลายครั้งตลอดเจ็ดปีที่ผ่านมา เมื่อการทดสอบใหม่แต่ละครั้งได้ผลเร็วกว่าครั้งก่อนๆ คำอธิบายที่น่าจะเป็นไปได้มากที่สุดก็คือ สิ่งที่ถูกวัดนั้นกำลังพัฒนาขึ้นอย่างแท้จริง

Mojo's การคาดการณ์

1. ค่าประมาณที่เผยแพร่จาก METR หรือผู้ประเมินอิสระที่เทียบเคียงได้ จะกำหนดแบบจำลอง's 50% ของช่วงเวลาการลงทุนมากกว่า 40 ชั่วโมง ภายในวันที่ 31 ธันวาคม 2027 โอกาสเกิด: 60%
2. ได้คะแนน 85% ขึ้นไปจากแบบทดสอบ ARC-AGI-3's การตั้งค่าการทดสอบมาตรฐานได้รับการตรวจสอบโดยรางวัล ARC ภายในวันที่ 31 ธันวาคม 2027 โอกาสเกิด: 55%
3. ยุค AI คาดการณ์ว่าจะมีการฝึกอบรมมากกว่า 10^27 ครั้งภายในวันที่ 31 ธันวาคม 2027 โอกาสเกิด: 85%

ผลการทำนายทั้งสามข้อจะถูกบันทึกไว้ในสมุดบันทึกการพยากรณ์ของ Mojo และจะมีการให้คะแนนต่อสาธารณะ

เรื่องนี้จะถูกถกเถียงกันที่ไหนต่อไป

คำถามที่พบบ่อย