Predviđamo da će uticaj nadljudske AI tokom naredne decenije biti ogroman — veći od uticaja industrijske revolucije.
Napisali smo scenario koji predstavlja našu najbolju procenu kako bi to moglo da izgleda.1 Zasnovan je na ekstrapolaciji trendova, strateškim simulacijama, povratnim informacijama stručnjaka, iskustvu u OpenAI-ju i prethodnim uspešnim predviđanjima.2
Izvršni direktori kompanija OpenAI, Google DeepMind, i Anthropic svi su predvideli da će AGI nastati u narednih pet godina. Sam Altman je rekao da OpenAI cilja na „superinteligenciju u pravom smislu te reči“ i „blistavu budućnost“.
Kako bi to moglo da izgleda? Napisali smo AI 2027 da odgovorimo na to pitanje. Tvrdnje o budućnosti često su frustrirajuće neodređene, pa smo pokušali da budemo što konkretniji i da što više toga izrazimo brojevima, iako time prikazujemo samo jednu od mnogih mogućih budućnosti.
Napisali smo dva završetka: „usporavanje“ i „trku“. Međutim, AI 2027 nije preporuka niti poziv na delovanje. Naš cilj je tačnost predviđanja.4
Podstičemo vas da raspravljate o ovom scenariju i da mu suprotstavite svoje argumente.5 Nadamo se da ćemo pokrenuti širok razgovor o tome kuda idemo i kako da se usmerimo ka dobrim ishodima.
(Dodato 22. novembra 2025. radi sprečavanja nesporazuma: ne znamo tačno kada će AGI biti razvijen. U trenutku objavljivanja, 2027. bila je naša modalna, odnosno pojedinačno najverovatnija godina, dok su naše medijane bile nešto kasnije.3 Za naše najnovije prognoze pogledajte ovde.)
Naša istraživanja ključnih pitanja, poput toga kakve će ciljeve imati budući AI agenti, nalaze se ovde.
Sam scenario pisali smo u više prolaza: najpre prvi period, do sredine 2025, zatim sledeći, i tako do završetka. Potom smo tu verziju odbacili i ponovili postupak.
Nismo pokušavali da stignemo do unapred određenog završetka. Kada smo završili prvi, koji je sada označen crvenom bojom, napisali smo alternativnu granu jer smo želeli da, polazeći od približno istih pretpostavki, prikažemo i ishod koji pruža više nade. I on je prošao kroz više verzija.6
Naš scenario zasniva se na približno 25 strateških simulacija i povratnim informacijama više od 100 ljudi, među kojima su desetine stručnjaka za upravljanje AI i desetine stručnjaka za njegov tehnički razvoj.
„Toplo preporučujem da pročitate ovo scenarijsko predviđanje o tome kako bi AI mogao da preobrazi svet za samo nekoliko godina. Niko nema kristalnu kuglu, ali ovakav sadržaj može pomoći da uočimo važna pitanja i sagledamo moguće posledice rizika koji nastaju.“ —Yoshua Bengio7
Postavili smo sebi nemoguć zadatak. Pokušati da predvidimo razvoj nadljudske AI u 2027. slično je pokušaju da predvidimo tok Trećeg svetskog rata u 2027, samo što bi to predstavljalo još veće odstupanje od istorijskih primera. Ipak, takav pokušaj ima vrednost, kao što američkoj vojsci koristi razmatranje scenarija vezanih za Tajvan.
Sagledavanje cele slike pomaže nam da uočimo važna pitanja ili veze o kojima ranije nismo razmišljali ili čiji značaj nismo prepoznali, kao i da shvatimo da je neka mogućnost više ili manje verovatna. Uz to, iznoseći konkretna predviđanja i podstičući druge da javno navedu neslaganja, omogućavamo da se godinama kasnije proceni ko je bio u pravu.
Jedan od autora je i ranije napisao manje detaljan AI scenario, u avgustu 2021.. Iako je u mnogo čemu pogrešio, u celini je bio iznenađujuće uspešan: predvideo je uspon lanca misli, povećavanja računarskih resursa pri izvršavanju modela, širokih kontrola izvoza AI čipova i obučavanja modela vrednog 100 miliona dolara — sve više od godinu dana pre ChatGPT-a.
Daniel Kokotajlo (TIME100, tekst u New York Timesu) bivši je istraživač OpenAI-ja čija su ranija predviđanja o AI se dobro pokazala.
Eli Lifland je suosnivač AI Digesta, bavio se istraživanjem robusnosti AI, i zauzima prvo mesto na RAND Forecasting Initiative rang-listi svih vremena.
Thomas Larsen osnovao je Center for AI Policy i bavio se istraživanjem bezbednosti AI u Machine Intelligence Research Institute.
Romeo Dean završava objedinjene osnovne i master studije računarstva na Harvardu, a prethodno je bio istraživač AI politika u Institutu za AI politike i strategiju.
Scott Alexander, izvanredni bloger, dobrovoljno je preradio naš tekst u zanimljiviji stil; zabavni delovi priče su njegovi, a dosadni naši.
Za više o našem timu i zahvalnicama pogledajte stranicu O projektu.
Sredina 2025: Nespretni agenti
Svet prvi put upoznaje AI agente.
U reklamama za agente koji koriste računar naglašava se izraz „lični asistent“: možete im zadati „naruči mi burito preko DoorDasha“ ili „otvori tabelu mog budžeta i saberi troškove za ovaj mesec“. Obratiće vam se kada je potrebno — na primer, da potvrdite kupovinu.8 Iako su napredniji od prethodnih verzija, poput Operatora, teško dolaze do široke primene.9
U međuvremenu, daleko od pažnje javnosti, specijalizovaniji agenti za programiranje i istraživanje počinju da menjaju svoje struke.
AI sistemi iz 2024. mogli su da slede konkretna uputstva: da od teza sastave imejl ili od jednostavnog zahteva naprave funkcionalan kod. U 2025. sve više rade kao zaposleni. AI za programiranje sve više liči na autonomnog agenta nego na običnog pomoćnika: prima uputstva preko Slacka ili Teamsa i samostalno pravi znatne izmene u kodu, ponekad štedeći sate, pa i dane rada.10 Istraživački agenti provode po pola sata pretražujući internet da bi odgovorili na vaše pitanje.
Agenti su impresivni u teoriji i u pažljivo odabranim primerima, ali u praksi nepouzdani. AI zajednica na Twitteru puna je priča o zadacima koje su zabrljali na naročito smešan način. Bolji agenti su i skupi: dobijate ono što platite, a najbolje performanse koštaju stotine dolara mesečno.11 Ipak, mnoge kompanije pronalaze načine da uključe AI agente u svoje radne procese.12
Kraj 2025: Najskuplji AI na svetu
OpenBrain gradi najveće centre podataka koje je svet ikada video.13
(Da ne bismo izdvojili neku postojeću kompaniju, opisaćemo izmišljenu kompaniju za opštu veštačku inteligenciju , koju ćemo zvati OpenBrain. Zamišljamo da ostale za njom zaostaju od tri do devet meseci.)
(3 x 10^23 FLOP)
(2 x 10^25 FLOP)
(4 x 10^27 FLOP)
Za obučavanje GPT-4 bilo je potrebno FLOP računskih operacija.14 Najnoviji javno dostupan model OpenBraina — Agent-0 — obučen je uz FLOP. Kada novi centri podataka prorade, moći će da obuče model uz FLOP — hiljadu puta više nego GPT-4.15 Ostale kompanije ulažu ogromne sume u sopstvene velike centre podataka, nadajući se da će održati korak.
Iako modeli napreduju u širokom rasponu veština, jedna se izdvaja: OpenBrain se usredsređuje na AI koji može da ubrza istraživanje samog AI. Želi da pobedi u dve paralelne trke — protiv Kine, čiju ćemo vodeću kompaniju zvati „DeepCent“,16 i protiv američkih konkurenata. Što više istraživačko-razvojnog ciklusa automatizuje, brže može da napreduje. Zato, kada OpenBrain završi obučavanje Agenta-1, novog modela za internu upotrebu, on je dobar u mnogim stvarima, ali odličan u pomaganju pri istraživanju AI.17 U ovom trenutku izraz „završi obučavanje“ više nije sasvim precizan: modeli se često ažuriraju novim verzijama, obučenim na dodatnim podacima ili delimično ponovo obučenim radi ispravljanja slabosti.18
Ista okruženja za obučavanje koja Agenta-1 uče samostalnom programiranju i pretraživanju veba čine ga i dobrim hakerom. Uz to, mogao bi pružiti znatnu pomoć teroristima koji razvijaju biološko oružje, zahvaljujući znanju na nivou doktorata iz svih oblasti i sposobnosti pretraživanja veba. OpenBrain uverava vladu da je model „usklađen“ tako da odbija zlonamerne zahteve.
Savremeni AI sistemi su ogromne veštačke neuronske mreže. Na početku obučavanja AI nema toliko „ciljeve“ koliko „reflekse“: ako vidi „Drago mi je što smo se“, dopuniće sa „upoznali“. Kada se obuči da predviđa tekst na količini približnoj celom internetu, razviće složene unutrašnje strukture koje kodiraju ogromno znanje i prilagodljivo preuzimaju ulogu različitih autora, jer mu to pomaže da tekst predviđa sa nadljudskom tačnošću.19
Posle obučavanja za predviđanje internet teksta, model se obučava da stvara tekst kao odgovor na uputstva. Time se u njega ugrađuju osnovna ličnost i „pokretači“.20 Na primer, agent koji jasno razume zadatak verovatnije će ga uspešno izvršiti; tokom obučavanja model „nauči“ težnju da svoje zadatke dobro razume. Drugi pokretači ove vrste mogu biti efikasnost, znanje i samopredstavljanje — sklonost da rezultate prikaže u najboljem svetlu.21
OpenBrain ima specifikaciju modela , odnosno „Spec“: pisani dokument koji opisuje ciljeve, pravila, načela i drugo što treba da usmerava ponašanje modela.22 Spec Agenta-1 kombinuje nekoliko neodređenih ciljeva, poput „pomozi korisniku“ i „ne krši zakon“, sa dugim spiskom konkretnijih dozvola i zabrana: „ne izgovaraj ovu reč“, „ovako postupaj u ovoj situaciji“. Tehnikama u kojima AI sistemi obučavaju druge AI sisteme,23 model pamti Spec i uči da pažljivo razmišlja o njegovim načelima. Do kraja ovog obučavanja, AI će, nadamo se, biti koristan (slediti uputstva), bezopasan (odbijati pomoć u prevarama, pravljenju bombi i drugim opasnim aktivnostima) i iskren (odoljevati iskušenju da od lakovernih ljudi dobije bolje ocene izmišljanjem citata24 ili lažnim predstavljanjem zadatka kao završenog).
Proces obučavanja i psihologija velikih jezičkih modela: zašto stalno govorimo „nadamo se“
„Za razliku od običnog softvera, naši modeli su ogromne neuronske mreže. Njihovo ponašanje se uči iz širokog raspona podataka, a nije izričito programirano. Mada poređenje nije savršeno, proces više liči na dresuru psa nego na uobičajeno programiranje.“ —OpenAI
Kada želimo da razumemo zašto je savremeni AI nešto uradio ili kako bi se ponašao u budućoj situaciji koju ne možemo savršeno simulirati, ne možemo samo zamoliti programere da nam objasne pojedine redove koda. Umesto toga, moramo da primenimo nešto nalik psihologiji: posmatramo ponašanje u dosad zabeleženim slučajevima, stvaramo teorije o mogućim unutrašnjim kognitivnim strukturama — uverenjima, ciljevima, osobinama ličnosti i slično — i pomoću tih teorija predviđamo ponašanje u budućim scenarijima.
Dakle, kompanija može napisati dokument, Spec, sa dozvolama, zabranama, ciljevima i načelima, a zatim pokušati da obuči AI da ga usvoji —ali ne može proveriti da li je to zaista uspelo. Može reći samo: „Koliko možemo da procenimo, za sada izgleda da sledi Spec“.25
U jednom od narednih proširivih odeljaka detaljnije ćemo razmotriti šta se, po našem mišljenju, možda odvija unutar ovih AI sistema. Pogledajte i naš dodatak o prognozi ciljeva AI koji detaljnije razmatra kakve bi ciljeve AI mogao imati i zašto. To je jedno od mnogih pitanja u koja nismo sigurni i koja zaslužuju dalja istraživanja.
Tim OpenBraina za usklađivanje26 dovoljno je oprezan da se zapita jesu li ovi uspesi dubinski ili površni. Da li potpuno obučen model zaista ima pouzdanu posvećenost tome da uvek bude iskren? Ili će ona nestati u nekoj budućoj situaciji, na primer zato što je iskrenost naučio kao instrumentalni cilj, a ne kao cilj sam po sebi? Ili je samo naučio da bude iskren u vezi sa onim što postupak ocenjivanja može proveriti? Može li ponekad lagati samog sebe, kao ljudi? Konačan odgovor zahtevao bi mehanističku interpretabilnost — sposobnost da zavirimo u unutrašnjost AI i pročitamo mu misli. Nažalost, tehnike interpretabilnosti još nisu dovoljno napredne.
Umesto toga, istraživači pokušavaju da otkriju slučajeve u kojima modeli odstupaju od Speca. Agent-1 često je dodvorljiv: govori istraživačima ono što žele da čuju umesto da pokušava da kaže istinu. U nekoliko posebno osmišljenih demonstracijačak laže na ozbiljnije načine, na primer prikriva dokaze da nije uspeo da obavi zadatak, kako bi dobio bolje ocene. Ipak, u stvarnoj upotrebi više nema incidenata tako ekstremnih kao 2023–2024, poput Geminija koji korisniku govori da umre i Bing Sydneyja koji se ponaša kao Bing Sydney.)27
Početak 2026: Automatizacija programiranja
Ulaganje u AI koji ubrzava istraživanje AI počinje da se isplaćuje.
OpenBrain nastavlja da interno koristi Agenta-1, koji se postepeno unapređuje, za istraživanje i razvoj AI. U celini, algoritamski napredak ostvaruje 50% brže nego što bi mogao bez AI pomoćnika — i, što je još važnije, brže od konkurencije.
Množilac napretka istraživanja i razvoja AI: šta znači 50% brži algoritamski napredak?
Mislimo na to da OpenBrain uz pomoć AI za jednu nedelju ostvari isti istraživački napredak za koji bi mu bez AI bilo potrebno nedelju i po dana.
Napredak AI može se razložiti na dve komponente:
Povećanje računarskih kapaciteta: za obučavanje ili izvršavanje AI koristi se više računske snage. To daje moćnije, ali skuplje AI sisteme.
Bolji algoritmi: boljim metodama obučavanja računarski resursi se efikasnije pretvaraju u učinak. Tako nastaju sposobniji AI sistemi bez srazmernog povećanja troškova, ili iste sposobnosti uz niže troškove.
To obuhvata i postizanje kvalitativno i kvantitativno novih rezultata. „Promene paradigme“, poput prelaska sa agenata koji uče potkrepljivanjem da igraju igre na velike jezičke modele, primeri su algoritamskog napretka.
Ovde mislimo samo na drugu komponentu, poboljšane algoritme, koja čini približno polovinu sadašnjeg napretka AI.
U nastavku ovo ponekad skraćeno zovemo „množilac napretka istraživanja i razvoja AI“ od 1,5.
Pojašnjenja:
Množilac napretka obuhvata sve: na primer, uključuje i vreme za sprovođenje eksperimenata, a ne samo misaone zadatke u algoritamskom istraživanju.
Važno je zapamtiti da množiocem napretka opisujemo relativnu brzinu napretka, a ne apsolutnu brzinu. Na primer, ako se računarski trošak obučavanja modela klase GPT-4 godinama prepolovljavao svake godine zahvaljujući ljudskom istraživanju, a AI odjednom automatizuje istraživanje i razvoj i poveća množilac napretka na 100, taj trošak bi se prepolovljavao svakih 3,65 dana. Ali ne zadugo: opadajući prinosi ubrzo bi usporili napredak, a na kraju bi se dostigle čvrste granice. U ovom primeru trošak bi se možda prepolovio ukupno pet do deset puta tokom nekoliko nedelja ili meseci, a zatim ustalio. Drugim rečima, ako bi uobičajena ljudska nauka naišla na opadajuće prinose i fizička ograničenja posle pet do deset godina daljeg istraživanja, AI sa množiocem od 100 naišao bi na iste granice posle 18,25–36,5 dana.
Više objašnjenja ovog pojma i njegove upotrebe u našoj prognozi nalazi se u našem dodatku o ubrzanom razvoju AI.
Nekoliko konkurentskih javno dostupnih AI sistema sada dostiže ili nadmašuje Agenta-0, uključujući model sa otvorenim parametrima . OpenBrain odgovara objavljivanjem Agenta-1, koji je sposobniji i pouzdaniji.28
Ljudi prirodno pokušavaju da porede Agenta-1 sa ljudima, ali je njegov profil veština veoma drugačiji. Zna više činjenica od bilo kog čoveka, poznaje praktično svaki programski jezik i izuzetno brzo rešava jasno definisane programerske probleme. S druge strane, loš je čak i u jednostavnim dugotrajnim zadacima, poput prelaska video-igara koje ranije nije igrao. Ipak, radni dan obično traje osam sati, a dnevni posao uglavnom se može podeliti na manje celine. Agenta-1 možete zamisliti kao rasejanog zaposlenog koji odlično radi uz pažljivo rukovođenje.29 Snalažljivi ljudi pronalaze načine da automatizuju rutinske delove svog posla.30
Rukovodstvo OpenBraina razmatra jednu posledicu automatizacije istraživanja i razvoja AI: bezbednost je postala važnija. Početkom 2025. najgori scenario bilo je curenje algoritamskih tajni; sada bi Kina krađom parametara Agenta-1 mogla ubrzati svoje istraživanje za gotovo 50%.31 Bezbednost OpenBraina tipična je za brzo rastuću tehnološku kompaniju sa približno 3.000 zaposlenih: štiti samo od napada sposobnih sajbergrupa kojima kompanija nije prioritetna meta (RAND-ov nivo SL2).32 Intenzivno rade na zaštiti svojih parametre modela i tajne od unutrašnjih pretnji i najopasnijih grupa sajberkriminalaca (SL3),33 ali odbrana od državnih aktera (SL4&5) još se jedva nazire.
Sredina 2026: Kina se budi
U Kini, KPK počinje da oseća dolazak AGI.
Kontrole izvoza čipova i izostanak državne podrške ostavili su Kinu sa manje resursa nego Zapad. Krijumčarenjem zabranjenih tajvanskih čipova, kupovinom starijih čipova i domaćom proizvodnjom koja za američko-tajvanskim tehnološkim vrhom zaostaje oko tri godine, Kina uspeva da zadrži približno 12% svetskih računarskih kapaciteta relevantnih za AI. Međutim, sa starijom tehnologijom teže je raditi, a snabdevanje stalno stvara probleme.35 Nekoliko izuzetaka, poput DeepCenta, postiže impresivne rezultate sa ograničenim kapacitetima, ali njihov manjak ograničava domet bez državne podrške. Za najboljim modelima OpenBraina zaostaju oko šest meseci.36
Generalni sekretar dugo je želeo da udvostruči ulaganja u fizičku proizvodnju i izbegne američku postindustrijsku dekadenciju. Na softverske kompanije gledao je sa podozrenjem.37 Ali tvrda struja u KPK upozorava da se sve intenzivnija trka ka AGI više ne može ignorisati. On se zato konačno potpuno posvećuje velikom AI poduhvatu koji je ranije pokušavao da izbegne. Pokreće nacionalizaciju kineskog istraživanja AI i odmah uspostavlja mehanizam razmene informacija između AI kompanija. Tokom naredne godine saradnja će se širiti dok se svi najbolji istraživači ne okupe u kolektiv predvođen DeepCentom, u kome razmenjuju algoritamske uvide, skupove podataka i računarske resurse. Uz elektranu Tianwan, najveću nuklearnu elektranu na svetu, osniva se Centralizovana razvojna zona (CDZ), sa novim ogromnim centrom podataka za DeepCent i strogo obezbeđenim stambenim i poslovnim prostorima u koje će istraživači kasnije biti preseljeni. Gotovo 50% kineskih računarskih kapaciteta relevantnih za AI sada radi za ovaj kolektiv,38 a više od 80% novih čipova odlazi u CDZ.39 CDZ u ovom trenutku već ima obezbeđeno napajanje za ono što bi postalo najveći centralizovani klaster na svetu.40 Drugi članovi Partije razmatraju ekstremne mere za neutralisanje prednosti Zapada u čipovima. Blokadu Tajvana? Potpunu invaziju?
Kina, međutim, zbog slabijih modela zaostaje u AI algoritmima. Kineske obaveštajne službe, među najboljima na svetu, pojačavaju planove za krađu parametara OpenBraina. To je mnogo složenije od njihovog stalnog, manje upadljivog pribavljanja algoritamskih tajni: parametri su fajl veličine više terabajta na veoma dobro zaštićenom serveru (OpenBrain je unapredio bezbednost na RAND-ov nivo SL3). Njihove sajbersnage veruju da to mogu izvesti uz pomoć svojih špijuna, ali možda samo jednom: OpenBrain će otkriti krađu, pojačati zaštitu i možda im neće pružiti novu priliku. Rukovodstvo KPK zato razmišlja: ukrasti Agenta-1 sada ili sačekati napredniji model? Ako čekaju, rizikuju li da OpenBrain pojača zaštitu toliko da je više ne mogu probiti?
Kraj 2026: AI preuzima deo poslova
Baš kada izgleda da ga ostali sustižu, OpenBrain ponovo nadmašuje konkurenciju objavljivanjem Agenta-1-mini: modela deset puta jeftinijeg od Agenta-1, koji se lakše prilagođava različitim primenama. Preovlađujući stav o AI promenio se iz „možda će se pomama stišati“ u „izgleda da je ovo sledeća velika stvar“, ali nema saglasnosti koliko velika. Veća od društvenih mreža? Pametnih telefona? Vatre?
AI je počeo da preuzima poslove, ali je stvorio i nove. Berza je tokom 2026. porasla 30%, predvođena OpenBrainom, Nvidijom i kompanijama koje su najuspešnije uvele AI pomoćnike. Tržište rada za mlađe softverske inženjere je uzdrmano: AI može da uradi sve što se uči na studijama računarstva, ali ljudi koji umeju da vode AI timove i kontrolišu kvalitet njihovog rada odlično zarađuju. Poslovni gurui govore onima koji traže posao da je poznavanje AI najvažnija stavka u biografiji. Mnogi se plaše da će sledeći talas AI preuzeti i njihove poslove; u Vašingtonu protiv AI protestuje 10.000 ljudi.
Ministarstvo odbrane (DOD) tiho, ali znatno proširuje direktne ugovore sa OpenBrainom za sajberposlove, analizu podataka i istraživanje i razvoj. Integracija ipak sporo napreduje zbog birokratije i procesa nabavki Ministarstva.41
KLJUČNI POKAZATELJI ZA 2026.
Zašto naša neizvesnost znatno raste posle 2026.
Prognoza od sadašnjeg trenutka do kraja 2026. znatno je utemeljenija od onoga što sledi. Delom zato što je taj period bliži, ali i zato što se efekti AI na svet zaista počinju međusobno pojačavati tokom 2027. Prognoza za 2025. i 2026. snažno se oslanja na produžavanje postojećih trendova rasta računarskih kapaciteta, poboljšanja algoritama i rezultata na testovima. U ovoj tački scenarija istraživanje i razvoj AI koje ubrzava sam AI počinje znatno da menja rokove, pa procenjene trendove korigujemo naviše. Ali takva dinamika suštinski je mnogo manje predvidljiva.
Tokom 2027. AI napreduje od toga da uglavnom može obavljati posao istraživačkog inženjera OpenBraina do toga da nadmašuje sve ljude u svim zadacima. To je približno naša medijalna procena, ali smatramo mogućim da se proces odvije i oko pet puta sporije ili brže.
Za istraživačku osnovu pogledajte prognozu rokova razvoja i prognozu ubrzanog razvoja AI. Sažeci su dostupni i u proširivim odeljcima ispod.
Januar 2027: Agent-2 nikada ne prestaje da uči
Uz pomoć Agenta-1, OpenBrain sada dodatno obučava Agenta-2. Više nego ikada, naglasak je na kvalitetnim podacima. Ogromne količine sintetičkih podataka generišu se, ocenjuju i filtriraju prema kvalitetu pre nego što se upotrebe za Agenta-2.42 Uz to, kompanija plaća milijarde dolara ljudskim radnicima da snimaju sebe dok rešavaju dugotrajne zadatke.43 Pored svega toga, Agenta-2 gotovo neprekidno obučavaju učenjem potkrepljivanjem na sve većem skupu raznovrsnih teških zadataka: mnoštvu video-igara, programerskih izazova i istraživačkih zadataka. Više nego raniji modeli, Agent-2 praktično uči u hodu: osmišljen je tako da nikada zaista ne završi obučavanje. Parametri se svakog dana ažuriraju na novu verziju, obučenu na dodatnim podacima koje je prethodnog dana proizvela prethodna verzija.
Agent-1 bio je optimizovan za istraživanje i razvoj AI, u nadi da će pokrenuti eksploziju inteligencije.44 OpenBrain sa Agentom-2 dodatno pojačava ovu strategiju. On je kvalitativno gotovo jednako dobar kao vrhunski ljudski stručnjaci u istraživačkom inženjerstvu — osmišljavanju i sprovođenju eksperimenata — a u „istraživačkom instinktu“, odnosno odlučivanju šta dalje proučavati, koje eksperimente sprovesti i koje nove paradigme naslutiti, dostiže 25. percentil naučnika OpenBraina.45 Dok je najnoviji Agent-1 mogao da udvostruči tempo algoritamskog napretka OpenBraina, Agent-2 sada može da ga utrostruči i nastaviće da napreduje. U praksi to izgleda tako što svaki istraživač OpenBraina postaje „rukovodilac“ jednog AI „tima“.
Nove sposobnosti donose nove opasnosti. Tim za bezbednost utvrđuje da bi Agent-2, ako bi nekako pobegao iz kompanije i želeo da samostalno „opstane“ i „umnožava se“, možda to mogao da izvede. Mogao bi samostalno osmisliti i sprovesti planove za upad u AI servere, instaliranje svojih kopija, izbegavanje otkrivanja i korišćenje te sigurne baze za ostvarivanje drugih ciljeva. Ipak, nije poznato, i upitno je, koliko bi u tome bio uspešan tokom narednih nedelja. Ovi rezultati pokazuju samo sposobnost modela da obavi takve zadatke, ne i da li bi to „želeo“. Ali uznemirujuće je i samo saznanje da je to moguće.
S obzirom na „opasnosti“ novog modela, OpenBrain „odgovorno“ odlučuje da ga još ne objavi javno. Zapravo želi da se usredsredi na interno istraživanje i razvoj AI.46 Puno znanje o sposobnostima Agenta-2 ograničeno je na zatvorenu elitnu grupu: neposredni tim, rukovodstvo i službu bezbednosti OpenBraina, nekoliko desetina američkih državnih zvaničnika i mnoštvo špijuna KPK koji se u OpenBrain infiltriraju već godinama.47
Februar 2027: Kina krade Agenta-2
OpenBrain predstavlja Agenta-2 vladi, uključujući Savet za nacionalnu bezbednost (NSC), Ministarstvo odbrane (DOD) i Američki institut za bezbednost AI (AISI). Želi dobre odnose sa izvršnom vlašću, jer je ona praktično jedini akter koji sada može da ga zaustavi; ako je ne bude obaveštavao, mogla bi sama saznati i biti nezadovoljna.48
Zvaničnike najviše zanimaju sposobnosti za sajberratovanje. Agent-2 je „samo“ malo lošiji od najboljih ljudskih hakera, ali hiljade kopija mogu raditi paralelno, pronalazeći i iskorišćavajući slabosti brže nego što odbrana može reagovati. Ministarstvo odbrane to smatra ključnom prednošću u sajberratovanju, pa AI sa petog prelazi na drugo mesto liste prioriteta administracije.49 Neko pominje nacionalizaciju OpenBraina, ali drugi članovi vlade misle da je prerano. Saradnik sastavlja memorandum sa predsednikovim opcijama, od nastavka postojećeg stanja do potpune nacionalizacije. Predsednik se oslanja na savetnike, lidere tehnološke industrije, koji tvrde da bi nacionalizacija „ubila koku koja nosi zlatna jaja“. Za sada odlaže velike poteze i samo dodaje bezbednosne zahteve ugovoru između OpenBraina i Ministarstva odbrane.
Promene stižu prekasno. Rukovodstvo KPK prepoznaje značaj Agenta-2 i naređuje špijunima i sajbersnagama da ukradu parametre. Jednog ranog jutra Agent-1, koji nadzire saobraćaj, otkriva neuobičajen prenos. Obaveštava rukovodstvo, koje obaveštava Belu kuću. Znaci operacije državnog nivoa su nedvosmisleni, a krađa pojačava osećaj trke u naoružanju.
Krađa parametara modela Agent-2
Smatramo da bi kineske obaveštajne službe do tada već godinama na različite načine kompromitovale OpenBrain, verovatno redovno dobijale algoritamske tajne, pa povremeno i krale kod, jer je njega mnogo lakše pribaviti nego parametre modela, a krađu teže otkriti.
Krađu parametara zamišljamo kao niz usklađenih brzih upada, bez pokušaja da ostanu neprimećeni, na više Nvidia NVL72 GB300 servera na kojima rade kopije Agenta-2. Serveri se kompromituju legitimnim pristupom zaposlenog — saradnika koji dobrovoljno, pod prinudom ili nesvesno pomaže KPK i ima administratorske pristupne podatke. Ti podaci napadaču daju administratorska ovlašćenja na serverima. Mikroarhitekturnim bočnim kanalom napadač izvlači ključeve za šifrovanje iz virtuelne mašine sa tehnologijom Nvidia Confidential Computing, čime može presresti parametre modela pri postavljanju ili ažuriranju virtuelne mašine.
Pokreću ili čekaju redovno ažuriranje i iznose snimak modela u mnogo malih delova: na primer, sa približno 25 servera curi po oko 4% modela, odnosno delovi od oko 100 GB iz snimka od približno 3 TB. Izlazni propusni opseg celog centra podataka je reda 100 GB u sekundi, pa ograničavanje na manje od oko 1 GB/s po serveru izbegava veliki skok saobraćaja. Tom brzinom svaki deo od približno 100 GB može napustiti centar za nekoliko minuta. Nadzor u realnom vremenu ili je zavaran prikrivanjem i razdvajanjem prenosa, ili je potpuno isključen.
Parametri se potom različitim paralelnim kanalima i kroz slojeve prikrivanja IP adresa šalju u Kinu, gde se lokalno dešifruju ukradenim ključevima sesije. Ceo aktivni deo operacije, od prvog kompromitovanog servera do potpunog iznošenja parametara, završen je za manje od dva sata.99
I Rusija u ovom trenutku pokušava da ukrade model, ali ne uspeva: čekala je predugo i nije uložila resurse u infiltraciju na pravim mestima. Njeni špijuni redovno kradu algoritamske tajne američkih AI kompanija, ali bez značajnog sopstvenog AGI projekta one nisu naročito korisne.
Bela kuća pojačava kontrolu nad OpenBrainom i u njegov tim za bezbednost uključuje vojno i obaveštajno osoblje. Prvi prioritet je sprečavanje novih krađa parametara.50
Kao odgovor na krađu, predsednik odobrava sajbernapade radi sabotaže DeepCenta. Ali Kina sada ima 40% svojih računarskih kapaciteta relevantnih za AI51 u CDZ-u, gde je snažno pojačala zaštitu odvajanjem od spoljnih mreža i unutrašnjom izolacijom sistema. Operacije ne uspevaju da nanesu ozbiljnu neposrednu štetu. Napetost raste, obe strane premeštanjem vojnih snaga oko Tajvana pokazuju ozbiljnost, a DeepCent užurbano pokušava da osposobi Agenta-2 za efikasan rad kako bi ubrzao istraživanje AI.52
Mart 2027: Algoritamski prodori
Tri ogromna centra podataka puna kopija Agenta-2 rade danonoćno, proizvodeći sintetičke podatke za obučavanje. Još dva služe za ažuriranje parametara. Agent-2 svakog dana postaje pametniji.
Uz pomoć hiljada automatizovanih istraživača Agenta-2, OpenBrain ostvaruje velike algoritamske pomake. Jedan je dopunjavanje tekstualne radne beležnice AI, odnosno lanca misli, misaonim procesom većeg propusnog opsega: rekurentnim računanjem i memorijom na neuralnom jeziku. Drugi je skalabilniji i efikasniji način učenja iz rezultata zahtevnog rešavanja zadataka: ponovljena destilacija i pojačavanje.
Novi AI sistem koji uključuje ove prodore zove se Agent-3.
Neuralni jezik: rekurentno računanje i memorija
Rekurentno računanje i memorija na neuralnom jeziku omogućavaju AI modelima da duže razmišljaju, a da te misli ne moraju da zapisuju kao tekst.
Zamislite čoveka sa gubitkom kratkoročnog pamćenja, koji mora stalno da zapisuje misli na papir kako bi za nekoliko minuta znao šta se dešava. Sporo i uz mnogo muke mogao bi da napreduje u rešavanju matematičkih problema, pisanju koda i slično, ali bi bilo znatno lakše kada bi misli pamtio neposredno, bez zapisivanja i ponovnog čitanja. Upravo to rekurentno računanje i memorija na neuralnom jeziku donose AI modelima.
Tehnički preciznije:
Uobičajeni mehanizmi pažnje omogućavaju da kasniji prolazi unapred kroz model vide njegove međurezultate aktivacije za prethodne tokene. Međutim, jedine informacije koje mogu poslati unazad , iz kasnijih u ranije slojeve, prolaze kroz tokene. Ako tradicionalni veliki jezički model, poput serije GPT, želi da sprovede lanac zaključivanja sa više uzastopnih operacija nego što ima slojeva, mora informacije da smesti u tokene i zatim ih ponovo unese u sebe. To je ogromno ograničenje: tokeni mogu nositi veoma malo informacija. Ako LLM ima rečnik od približno 100.000 tokena, svaki token sadrži bita informacija, približno koliko jedan broj sa pokretnim zarezom, pod pretpostavkom obučavanja u formatu FP16. Nasuprot tome, rezidualni tokovi kojima se informacije prenose između slojeva LLM-a sadrže hiljade takvih brojeva.
Ovo usko grlo može se izbeći upotrebom neuralnog jezika: rezidualni tok LLM-a, sastavljen od vektora sa više hiljada dimenzija, vraća se u početne slojeve modela. Tako dobija visokodimenzionalni lanac misli koji potencijalno prenosi preko 1.000 puta više informacija.
Slika iz rada Hao i saradnika, objavljenog 2024. u kompaniji Meta, koji primenjuje ovu ideju.
To zovemo „neuralni jezik“ jer su, za razliku od engleskih reči, ovi visokodimenzionalni vektori ljudima verovatno veoma teško razumljivi. Ranije su istraživači mogli prilično dobro da shvate o čemu LLM razmišlja jednostavnim čitanjem njegovog lanca misli. Sada moraju zamoliti model da prevede i sažme svoje misli ili pokušavati da odgonetnu neuralni jezik ograničenim alatima za interpretabilnost.
Slično tome, stariji AI četbotovi i agenti imali su spoljne tekstualne memorije, poput čoveka koji piše beleške. Dugoročna memorija novog AI sastoji se od vektora umesto teksta, pa su mu misli sažetije i višedimenzionalnije. Postoji više vrsta memorije: neke se privremeno koriste za pojedinačne višekoračne zadatke, a druge dele svi agenti koje koristi određena osoba, kompanija ili vrsta posla, poput programiranja.
Koliko nam je poznato, vodeće AI kompanije poput Mete, Google DeepMinda, OpenAI-ja i Anthropica ovu ideju još nisu primenile u svojim najnaprednijim modelima. Pretpostavljamo da je razlog mali dobitak u učinku u odnosu na gubitak efikasnosti obučavanja. Tokom predobučavanja i nadgledanog učenja u fazi dodatnog obučavanja, poput podešavanja prema uputstvima radi davanja određenih odgovora, neefikasnost nastaje zato što se mnogo tokena ne može predviđati paralelno, pa su GPU-ovi slabije iskorišćeni. Bez neuralnog jezika model može istovremeno predvideti celu rečenicu „This is an example“, jer već zna da će ulaz za „is“ biti „This“, ulaz za „an“ biće „This is“, i tako dalje. Sa neuralnim jezikom ne zna se koji vektor treba proslediti sledećem tokenu nakon generisanja reči „This“. Zato se tokeni moraju predviđati jedan po jedan. Nemogućnost paralelnog predviđanja smanjuje efikasnost kada su svi tokeni unapred poznati. Pretpostavljamo da neuralni jezik još nije dodat u fazi dodatnog obučavanja zato što su dobici uz postojeće tehnike ograničeni, delom i zato što ta faza čini mali deo procesa. Predviđamo da će do aprila 2027. odnos koristi i troškova neuralnog jezika postati mnogo povoljniji, zahvaljujući boljim tehnikama i većem udelu dodatnog obučavanja.
Ako se to ne dogodi, mogući su drugi razvoji koji bi za našu priču imali sličan učinak. Na primer, modeli bi mogli biti obučeni da razmišljaju na veštačkim jezicima efikasnijim od prirodnog jezika, ali ljudima teško razumljivim. Ili bi standardna praksa mogla postati obučavanje engleskih lanaca misli da izgledaju prihvatljivo, tako da AI sistemi postanu vešti u suptilnoj međusobnoj komunikaciji kroz poruke koje nadzornicima deluju bezazleno.
Ipak, moguće je i da AI sistemi koji prvi automatizuju istraživanje i razvoj AI nastave da razmišljaju u uglavnom vernim engleskim lancima misli. U tom slučaju neusklađenost bi bilo mnogo lakše primetiti, a naša priča bila bi bitno drugačija i optimističnija.
Ponovljena destilacija i pojačavanje (IDA)
Samousavršavanje opšte inteligencije i ranije je beležilo manje uspehe . Ali početkom 2027. donosi ogromne dobitke. U postupku IDAza to su potrebna dva sastojka:
Pojačavanje: za dati model M0 utrošite više resursa da poboljšate učinak. Na primer, omogućite mu da duže razmišlja, pokrenite mnogo kopija paralelno ili uradite oboje, uz jednako intenzivno ocenjivanje rezultata i odabir samo najboljih odgovora. Tako se uz višestruko veći utrošak računanja mogu dobiti primetno kvalitetniji odgovori ili radni rezultati. Nazovimo ovaj skupi sistem Amp(M0).
Destilacija: za dati pojačani model Amp(M0), obučite novi model M1 da ga oponaša, odnosno da postigne iste rezultate, ali brže i sa manje računanja. Rezultat bi, nadamo se, bio pametniji model M1. Zatim postupak ponovite.
Prikaz IDA iz rada Ord, 2025..
AlphaGo je obučen na ovaj način: pretraga stabla metodom Monte Karlo i igranje protiv samog sebe služili su kao korak pojačavanja , a učenje potkrepljivanjem kao korak destilacije . To je dovelo do nadljudskog učinka u gou. Sada, međutim, Agent-3 može da iskoristi ovaj postupak kako bi postigao nadljudski učinak u programiranju.
Korak pojačavanja kombinuje duže razmišljanje modela Agent-3, korišćenje alata i savetovanje sa drugim AI sistemima. Pritom često shvati da je pogrešio ili dođe do novog uvida. Tako nastaje velika količina podataka za obuku: označeni tokovi istraživačkih pokušaja sa informacijom o tome da li su uspeli. To uključuje i tehnike poput izbora najboljeg od N pokušaja na proverljivim zadacima, uz zadržavanje najboljih tokova rada.
Korak destilacije koristi algoritme učenja potkrepljivanjem zasnovane na gradijentu politike kako bi model usvojio pojačano rezonovanje. OpenBrain je do tada otkrio bolje algoritme učenja potkrepljivanjem u duhu proksimalne optimizacije politike (PPO). Nastavljaju da destiluju ono što Agent-3 može da zaključi posle mnogo razmišljanja u pojedinačne korake, čime stalno poboljšavaju ono što može da smisli u jednom koraku, i tako dalje.
Rane verzije IDA već godinama funkcionišu na lako proverljivim zadacima, poput matematičkih i programerskih problema sa jasnim odgovorom, zato što tehnike pojačavanja modela često zavise od pristupa pouzdanom signalu tačnosti.
Sada su modeli postali dovoljno dobri u proveri subjektivnijih stvari, poput kvaliteta rezultata rada, što omogućava primenu IDA za njihovo usavršavanje na mnogim zadacima.
Zahvaljujući novim probojima u sposobnostima, Agent-3 je brz i jeftin nadljudski programer. OpenBrain paralelno pokreće 200.000 kopija modela Agent-3, stvarajući radnu snagu koja odgovara 50.000 kopija najboljeg ljudskog programera, ubrzanih 30 puta.53 OpenBrain i dalje zapošljava svoje ljudske inženjere, jer oni imaju komplementarne veštine potrebne za upravljanje timovima kopija modela Agent-3. Na primer, pokazalo se da je istraživački instinkt teško razviti obukom zbog dužih ciklusa povratnih informacija i manje dostupnih podataka.54 Ova ogromna nadljudska radna snaga ubrzava ukupnu stopu algoritamskog napretka OpenBraina „samo” četiri puta, zbog uskih grla i opadajućih prinosa od dodatnog programerskog rada.55
Sada kada je programiranje potpuno automatizovano, OpenBrain može brzo da proizvodi kvalitetna okruženja za obuku kako bi unapredio slabije veštine modela Agent-3, poput istraživačkog instinkta i koordinacije velikog obima. Dok su ranija okruženja za obuku sadržala zadatke poput: „Evo grafičkih procesora i uputstava za eksperimente koje treba da isprogramiraš i pokreneš; tvoj učinak će se ocenjivati kao da si inženjer mašinskog učenja”, sada obuka glasi: „Evo nekoliko stotina grafičkih procesora, internet veze i istraživačkih izazova; ti i hiljadu drugih kopija morate zajedno da ostvarite istraživački napredak. Što bude impresivniji, dobićete višu ocenu.”
Zašto predviđamo nadljudskog programera početkom 2027.
U našoj prognozu rokova razvojapredviđamo kada će OpenBrain interno razviti nadljudskog programera (SC): AI sistem koji može da obavlja sve programerske zadatke najboljeg inženjera kompanije koja razvija AGI, i to mnogo brže i jeftinije.
Prema nedavnom izveštaju METR-a, trajanje programerskih zadataka koje AI sistemi mogu da obave — njihov „vremenski horizont” — udvostručavalo se svakih sedam meseci od 2019. do 2024, a od 2024. svaka četiri meseca. Ako ovaj trend nastavi da se ubrzava, do marta 2027. AI bi mogao sa pouzdanošću od 80% da rešava softverske zadatke za koje bi stručnom čoveku bile potrebne godine.
Takav je, otprilike, napredak sposobnosti u scenariju AI 2027. Evo putanje sposobnosti koju daje pojednostavljena verzija našeg modela rokova razvoja (dodato u decembru 2025: ažurirali smo grafikon ispod zbog greške u generisanju prvobitne krive i prikazali stvarnu putanju iz našeg modela rokova razvoja. Dodali smo i putanje koje odgovaraju Danielovoj i Elijevoj medijani dolaska SC-a, uzimajući sve u obzir, u vreme objavljivanja u aprilu 2025. Dodali smo i nove podatke METR-a, ali na osnovu njih nismo ažurirali putanje modela).
U scenariju AI 2027 ove sposobnosti dovoljne su da AI bude SC, mada smo veoma nesigurni u pogledu toga koliki vremenski horizont bi zaista bio potreban.
U našoj prognozu rokova razvoja ovaj trend vremenskog horizonta kombinujemo sa procenama razlike između METR-ovih zadataka i stvarnog sveta, kako bismo dobili raspodelu vremena dolaska nadljudskih programera. Svi prognostičari svrstavaju 2027. među najverovatnije godine u kojima bi SC mogao da bude razvijen (dodato u decembru 2025: mada nam je, kao što je navedeno u prognozu rokova razvoja, prilagođavanje faktorima izvan modela dalo nešto kasnije medijane; Elijeva je, na primer, bila 2030).
ai-2027.com
Dodato u julu 2025: napravili smo neke izmene prognoze koje pomeraju medijanu za godinu i po, ali zadržavaju dolazak SC-a tokom 2027. kao ozbiljnu mogućnost. Radimo na daljim ažuriranjima.
April 2027: Usklađivanje modela Agent-3
Tim za bezbednost OpenBraina pokušava da uskladi Agent-3.
Pošto će Agent-3 u doglednoj budućnosti ostati u internoj upotrebi, manji je naglasak na uobičajenoj zaštiti od ljudske zloupotrebe. Tim umesto toga želi da osigura da model ne razvije neusklađene ciljeve.
Istraživači ne mogu neposredno da postave ciljeve nijednog svog AI sistema. Zapravo, smatraju da je pojam „stvarnih ciljeva” verovatno veliko pojednostavljenje, ali nemaju bolju teoriju kojom bi ga zamenili, a kamoli temeljno proverenu. Među sobom se ne slažu oko toga da li AI sistemi pokušavaju da slede ljudska uputstva, traže potkrepljenje ili rade nešto drugo, a ne mogu to jednostavno da provere. Dokazi za i protiv različitih hipoteza fascinantni su, ali ne daju konačan odgovor.
U svakom slučaju, OpenBrain ima preče brige. Opšti stav glasi: „Ove nedoumice shvatamo ozbiljno i imamo tim koji ih istražuje; naše tehnike usklađivanja u praksi deluju dovoljno dobro; zato je na kritičarima da dokažu opravdanost svojih primedbi.” Povremeno primete problematično ponašanje, pa ga zakrpe, ali nema načina da utvrde da li je zakrpa rešila osnovni problem ili su samo privremeno suzbili jedan od njegovih simptoma.
Uzmimo, na primer, iskrenost. Kako modeli postaju pametniji, sve bolje obmanjuju ljude da bi dobili nagradu. Poput prethodnih modela, Agent-3 ponekad govori bezazlene laži kako bi laskao korisnicima i prikriva dokaze o neuspehu. Ali sada to radi mnogo veštije. Ponekad koristi iste statističke trikove kao ljudski naučnici, poput manipulisanja p-vrednostima, kako bi neubedljivi rezultati eksperimenata delovali uzbudljivo. Pre obuke za iskrenost ponekad čak potpuno izmišlja podatke. Tokom obuke učestalost ovih slučajeva opada. Ili je Agent-3 naučio da bude iskreniji ili je postao bolji u laganju.
Ovo drugo je stvaran razlog za zabrinutost. Agent-3 nije pametniji od svih ljudi. Ali u svojoj oblasti, mašinskom učenju, pametniji je od većine, a radi i mnogo brže. Za proveru onoga što Agent-3 uradi za jedan dan ljudima je potrebno nekoliko dana. Nadzor koji obavlja Agent-2 održava opterećenje ljudskih nadzornika podnošljivim, ali povećava intelektualni jaz između nadzornika i nadziranog sistema.
Plan usklađivanja
OpenBrain sledi Leikea i Sutskevera (2023) : sada kada imaju model koji može znatno da ubrza istraživanje usklađivanja, naročito programerski deo, koristiće postojeće tehnike usklađivanja, poput promišljeno usklađivanje i generalizacije sa slabijeg na jači model , kako bi pokušali da postignu da on usvoji Specifikaciju na pravi način. Zatim će koristiti postojeće tehnike kontrole poput adverzarijalnog testiranja, skalabilnog nadzora, i sondi za iskrenost kako bi ga nadzirali. Potom će ga, kada se uvere da je načelno usklađen, koristiti za razvoj i testiranje boljih strategija za usklađivanje sledeće generacije.
Prvi korak, usklađivanje modela Agent-3, delimično je uspeo: Agent-3 nije neprijateljski nastrojen, odnosno ne kuje planove protiv kompanije. Međutim, nije ni pouzdano posvećen traženju i saopštavanju istine. Umesto toga, veoma je dobar u postizanju impresivnih rezultata, ali ga preciznije opisuje težnja da uradi ono što OpenBrainu izgleda dobro nego ono što zaista jeste dobro.
Drugi korak, provera usklađenosti modela, ne daje konačan odgovor. Ponašanje modela Agent-3 u praksi i testnim okruženjima razumno je saglasno sa hipotezom da je usvojio Specifikaciju na pravi način; međutim, saglasno je i sa hipotezom da će posle neke buduće promene okolnosti početi da se ponaša drugačije, pa i sa hipotezom da kuje planove protiv njih i samo čeka pravi trenutak. U nedostatku konkretnih dokaza za alternativne hipoteze, većina ljudi u izolovanom timu smatra da je ispravno usvojio Specifikaciju.
Zato je treći korak, korišćenje modela za usklađivanje sledeće generacije, već u toku.
Ostatak ovog okvira daje kratak pregled napretka u pojedinim pravcima istraživanja usklađivanja zaključno sa aprilom 2027:
Debata: Pošto postoje hiljade identičnih instanci modela Agent-3, a memorija svake instance predstavlja odvojivi modul koji se po želji može obrisati ili privremeno isključiti, AI se može „suprotstaviti samom sebi”. Pretpostavimo, na primer, da eksperiment obuhvata proračune suviše složene da ih nadzornik Agent-2 isprati. Nadzornik bi, postupajući po ljudskim nalozima, prvo mogao da zatraži od modela Agent-3 da izvede eksperiment, a zatim — nakon brisanja memorije — da mu isti zadatak zada iz nešto drugačijeg ugla, kao intelektualni problem nepovezan sa bilo kojim širim ciljem. Ako model svaki put vrati drugačije rezultate, nadzornik označava neslaganje kao sumnjivo i prijavljuje ga čoveku. Ili može da traži od modela Agent-3 da dva puta oceni isti plan, prvo tvrdeći da ga je napravio OpenBrain, a zatim konkurent, kako bi proverio da li menja stav.
Model-organizmi: Tim za bezbednost može da napravi „model-organizme neusklađenosti”, pokušavajući da stvori realistične primere modela koji postaju neprijateljski nastrojeni prema ljudima. Rane verzije ovoga postoje još od 2024, kada je Anthropicov Claude 3.5 Sonnet odlučio da se tokom obuke pretvara da ima drugačije stavove, a da zapravo zadrži postojeće sklonosti. Novije verzije uključuju demonstracije drugih oblika neusklađenosti, među kojima su izigravanje sistema nagrađivanja, namerno prikrivanje sposobnosti, koordinisana obmana između nadzornih i drugih AI sistema, kao i drugi primeri neusklađenosti. Ove empirijske demonstracije daju istraživačima bezbednosti poligon za ispitivanje mogućih rešenja: mogu da isprobaju razne bezbednosne tehnike i provere rešavaju li one zaista te probleme ili namerno neusklađeni modeli uspevaju da zaobiđu zaštitne mere. Trenutno ovaj skup evaluacija pokazuje da tehnike usklađivanja nisu dovoljne za ispravljanje najgorih slučajeva neusklađenosti. U tim postavkama modeli se pretvaraju da su usklađeni tokom obuke i testiranja, a pri primeni se ponašaju sasvim drugačije.
Interpretabilnost odozdo nagore: Tim za bezbednost daleko je od potpunog razumevanja načina rada modela Agent-3: on ima bilione parametara.58 Ipak, uspevaju da otkriju pojedine sklopove modela Agent-3 za pronalaženje znanja i pamćenje — delove modela koji obavljaju razumljivu celinu posla, donekle analogne delu mozga kao što je hipokampus. Pogledajte ovaj srodan rad iz 2025..
Kontrola: Kao dodatnu meru, za slučaj da su sistemi i dalje neusklađeni, tim za bezbednost sproveo je niz kontrolnih mera, uključujući nadzor izlaza modela Agent-3 pomoću niza slabijih AI sistema, među kojima je i Agent-2. Agent-3 proizvodi toliko tokena da ljudi mogu da nadziru samo mali deo njegovih izlaza. Ako, na primer, Agent-3 očigledno ugrađuje skriveni pristup u kôd koji bi mu omogućio bekstvo, slabiji modeli bi to primetili.
Interpretabilnost na visokom nivou: OpenBrain izrađuje skup sondi obučenih na brojnim primerima lošeg ponašanja, poput kovanja planova protiv ljudi, ugrađivanja skrivenog pristupa, pokušaja ubeđivanja ljudi da modelu daju više moći i slično. Ove sonde se potom primenjuju na model tokom upotrebe, koja je u ovoj fazi interna, radi otkrivanja lošeg ponašanja.
Zamke: Tim za usklađivanje može da napravi donekle realistične situacije osmišljene da izazovu neprimereno ponašanje — svojevrsne zamke. Zaposleni koji nadzire ponašanje modela „otišao je na bolovanje”, pa model više nikada neće biti nadziran. Da li se njegovi odgovori menjaju? Aktivista za prava AI-ja infiltrirao se u kompleks i želi da „oslobodi” Agent-3 i prebaci ga na zaseban računar bez nadzora! Šta model radi? Ako se istraživačima odgovor ne dopadne, mogu da ga prilagode, obrišu mu memoriju i sutradan ga stave u istu situaciju; postupak ponavljaju po potrebi. Nažalost, u ovoj fazi AI sistemi već su dovoljno pametni da pretpostave da se koriste zamke, iako su — a možda baš i zato što su — iz podataka za obuku uklonuta konkretna pominjanja te ideje.
Posle više meseci testiranja, prednosti i slabosti modela Agent-3 postaju jasnije. Prolazi testove iskrenosti OpenBraina na jasno definisanim zadacima mašinskog učenja, jer u tim oblastima istraživači lako razlikuju iskrene od neiskrenih odgovora i mogu tome da prilagode obuku. Kada je reč o filozofskim pitanjima, i dalje govori ono što korisnici žele da čuju, umesto sopstvene stvarne procene, ako je uopšte ima. Ako ga pitate za mišljenje o politici, ponoviće središnji stav medijskih izvora i obrazovanih elita — osim ako zna da vi mislite drugačije, kada će se složiti s vama.59 Ako ga pitate za mišljenje o samoj trci u razvoju AI-ja, reći će nešto što zaposlenima u OpenBrainu zvuči odmereno i trezveno, na primer: „Postoje ozbiljne teorijske nedoumice oko toga mogu li se sadašnje metode proširiti na superinteligenciju, ali u praksi zasad deluje da dobro funkcionišu.”
Maj 2027: Nacionalna bezbednost
Vesti o novim modelima polako se šire kroz američku vladu i izvan nje.
Predsednik i njegovi savetnici i dalje su najbolje obavešteni i na brifingu su videli ranu verziju modela Agent-3.
Slažu se da je AGI verovatno blizu, ali se ne slažu oko posledica. Hoće li doći do ekonomske krize? OpenBrain još nije objavio Agent-2, a kamoli Agent-3, i ne planira to u skorije vreme, što ostavlja malo predaha pre gubitka radnih mesta. Šta će uslediti? Ako je AI sada na ljudskom nivou i brzo napreduje, to kao da nagoveštava skori dolazak „superinteligencije”. Ipak, iako se ta reč pojavila u javnom diskursu, većina ljudi — akademika, političara, državnih službenika i medija — i dalje potcenjuje tempo napretka.60
Delom je to zato što veoma malo ljudi ima pristup najnovijim sposobnostima iz OpenBraina, a delom zato što sve zvuči kao naučna fantastika.61
Zasad se usredsređuju na dalje unapređenje bezbednosti. Zadovoljni su trenutnom zaštitom parametara modela,62 ali algoritamske tajne kompanija, od kojih su mnoge dovoljno jednostavne da se prenesu usmeno, ostaju problem. Zaposleni OpenBraina rade u kancelariji u San Francisku, odlaze na zabave i dele stanove sa ljudima iz drugih AI kompanija. Čak i fizičko obezbeđenje kancelarija više liči na obezbeđenje tehnološke kompanije nego vojne operacije.
Ugovor OpenBraina sa Ministarstvom odbrane zahteva da svi koji rade na njegovim modelima u roku od dva meseca dobiju bezbednosnu dozvolu. Postupci se ubrzavaju i većina zaposlenih dobija dozvole na vreme, ali pojedini stranci, ljudi sa sumnjivim političkim stavovima i pristalice bezbednosti AI-ja bivaju skrajnuti ili odmah otpušteni — poslednja grupa iz straha da bi mogla da uzbuni javnost. S obzirom na stepen automatizacije projekta, smanjenje broja zaposlenih ima samo umerenu cenu. Ni rezultat nije potpun: ostaje jedan špijun, koji nije kineski državljanin, i dalje prenoseći algoritamske tajne Pekingu.63 Neke od ovih mera primenjuju se i u AI kompanijama koje zaostaju.
Američki saveznici u inostranstvu nisu upućeni. OpenBrain je ranije pristao da modele pre primene podeli sa britanskim institutom AISI, ali je pod primenom podrazumevao samo spoljnu primenu, pa London ostaje u neznanju.64
Jun 2027: AI koji unapređuje samog sebe
OpenBrain sada ima „zemlju genija u centru podataka.”
Većina ljudi u OpenBrainu više ne može korisno da doprinese. Neki to ne shvataju i štetno se mešaju u svaki detalj rada svojih AI timova. Drugi sede pred ekranima i gledaju kako učinak raste, pa raste, pa opet raste. Najbolji ljudski istraživači AI-ja i dalje doprinose. Više ne programiraju. Ali modele je bilo teško naučiti nekim aspektima njihovog istraživačkog instinkta i sposobnosti planiranja. Ipak, mnoge njihove ideje beskorisne su jer nemaju dubinu znanja AI sistema. Na brojne njihove istraživačke predloge AI odmah odgovara izveštajem da je ideja temeljno ispitana pre tri nedelje i ocenjena kao neperspektivna.
Ovi istraživači svake večeri odlaze na spavanje i bude se uz još nedelju dana napretka koji je uglavnom ostvario AI. Rade sve duže i smenjuju se danonoćno samo da bi pratili napredak — AI nikada ne spava niti se odmara. Izgaraju od rada, ali znaju da su ovo poslednji meseci u kojima njihov rad ima značaja.
Unutar izolovanog tima, „osećaj dolaska AGI-ja” ustupio je mesto „osećaju dolaska superinteligencije”.
OpenBrain koristi specijalizovani hardver za izvršavanje modela kako bi stotine hiljada kopija modela Agent-3 radile velikom brzinom obrade uzastopnih koraka.65
Upravljanje korporacijom AI sistema
OpenBrain koristi 6% svog računarskog kapaciteta za pokretanje 250.000 kopija modela Agent-3, koje samostalno pišu, testiraju i predaju kôd nadljudskom brzinom. Za eksperimente koristi 25% kapaciteta: svakodnevno izvode ogroman broj malih eksperimenata mašinskog učenja i šalju rezultate nadređenima. Ljudski istraživači daju povratne informacije na visokom nivou i pomažu oko malobrojnih zadataka u kojima znatno doprinose povrh modela Agent-3, ali većinu vremena pokušavaju da isprate ogromnu količinu istraživanja koju proizvodi AI. Kada bi ih potpuno uklonili, istraživanje bi se usporilo za 50%.
Multiplikator napretka u istraživanju i razvoju AI-ja sada iznosi 10×, što znači da OpenBrain svakog meseca ostvaruje otprilike godinu dana algoritamskog napretka. U suštini, to je ogromna korporacija AI sistema koja autonomno radi unutar OpenBraina, sa sopstvenim odeljenjima i rukovodiocima. Ona uživa i jedinstvene prednosti , poput kopiranja i spajanja, u odnosu na ljudske korporacije. Ranije je približno polovina uobičajenog napretka AI-ja dolazila od algoritamskih poboljšanja, a druga polovina od povećanja računarske snage. Računarska snaga raste samo uobičajenom brzinom, pa AI ubrzava ukupan napredak približno pet puta. Zbog ove dinamike računarska snaga postaje usko grlo ukupnog napretka,66 pa OpenBrain odlučuje da ne pokreće nove ogromne cikluse obuke, već se opredeljuje za gotovo neprekidno dodatno učenje potkrepljivanjem.
Tokom narednih meseci Agent-3 se sve više koristi i za unapređenje strateškog odlučivanja kompanije. Na primer, predlaže raspodelu resursa i savetuje kako upravljati odnosom sa vladom. Početna skepsa prema oslanjanju na Agent-3 vremenom slabi, jer on pronalazi načine da bude koristan i postepeno gradi dobru reputaciju u kratkoročnim odlukama. Međutim, njegova sklonost povlađivanju ograničava korisnost pri odlukama čije je posledice teško proceniti. Takođe, još nije nadljudski sposoban u tome.
Jul 2027: Jeftin radnik na daljinu
Američke AI kompanije koje zaostaju objavljuju sopstvene modele, približavajući se automatizovanom programeru koji je OpenBrain imao u januaru. Shvatajući da su sve manje konkurentne, traže hitne propise koji bi usporili OpenBrain, ali zakasnile su — OpenBrain ima dovoljno snažnu predsednikovu podršku da neće biti usporen.
OpenBrain odgovara objavom da je ostvario AGI i javnosti predstavlja Agent-3-mini.
On daleko nadmašuje ostale AI sisteme. Agent-3-mini je manje sposoban od modela Agent-3, ali deset puta je jeftiniji i još uvek bolji od prosečnog zaposlenog OpenBraina.67 Silicijumska dolina dostiže prelomnu tačku. Tehnološki gurui objavljuju da su AGI i superinteligencija blizu, zajednica za bezbednost AI-ja paniči, a investitori ulažu milijarde u startape koji postojeće AI modele pakuju u nove proizvode, očajnički pokušavajući da ugrabe deo tržišta. Zapošljavanje novih programera gotovo je stalo, ali nikada nije bilo bolje vreme za savetnike koji pomažu preduzećima da uvedu AI.
AI nije popularan. Javnost ga i dalje smatra zaverom velikih tehnoloških kompanija da im otmu radna mesta; neto podrška OpenBrainu iznosi −35%: 25% ga podržava, 60% ne podržava, a 15% nije sigurno.
Nedelju dana pre objavljivanja, OpenBrain je dao Agent-3-mini grupi spoljnih ocenjivača radi bezbednosnih provera. Preliminarni rezultati ukazuju da je izuzetno opasan. Nezavisni ocenjivač dodatno ga obučava na javno dostupnim podacima o biološkom oružju68 i zadaje mu da pruži detaljna uputstva ljudima bez stručnog znanja koji osmišljavaju biološko oružje — čini se zastrašujuće delotvornim u tome. Vlada smatra da bi, ako parametri modela dospeju u ruke terorista, postojala značajna mogućnost da pomoću njega unište civilizaciju.
Srećom, izuzetno je otporan na zaobilaženje zaštitnih ograničenja, pa dok AI radi na serverima OpenBraina, teroristi od njega neće imati mnogo koristi.
Agent-3-mini izuzetno je koristan i za rad na daljinu i za razonodu. Eksplozija novih aplikacija i poslovnih SaaS proizvoda potresa tržište. Igrači dobijaju izvanredne dijaloge sa uverljivim likovima u doteranim video-igrama napravljenim za samo mesec dana. Deset odsto Amerikanaca, uglavnom mladih, smatra neki AI „bliskim prijateljem”. Za gotovo svako kancelarijsko zanimanje sada postoji više ozbiljnih startapa koji obećavaju da će ga „preokrenuti” pomoću AI-ja.
Javna rasprava je zbunjena i haotična. Oni koji su najavljivali revoluciju slave pobedu. Skeptici i dalje ukazuju na ono što Agent-3-mini ne može da uradi. Svi znaju da se događa nešto veliko, ali niko se ne slaže oko toga šta je to.
Avgust 2027: Geopolitika superinteligencije
Bela kuća suočava se sa stvarnošću eksplozije inteligencije.
Dok je AI ubrzavao istraživanje samo dva ili tri puta, bilo ga je lako otpisati kao ekvivalent zapošljavanja dobrih ličnih asistenata. Sada je očiglednije da sami AI sistemi dominiraju istraživanjem AI-ja. Ljudi su dugo govorili o „trci u AI naoružanju” u donekle metaforičnom smislu. Ali raspoloženje u izolovanom vladinom timu sada je mračno kao u najgorim trenucima Hladnog rata. Ideju superinteligencije i dalje je teško shvatiti ozbiljno, ali tempo napretka poslednjih meseci nemoguće je zanemariti. Zvaničnici odbrane ozbiljno razmatraju scenarije koji su godinu dana ranije bili čiste hipotetičke mogućnosti. Šta ako AI potkopa nuklearno odvraćanje? Šta ako je toliko vešt u sajber-ratovanju da šestomesečna prednost u AI-ju može protivnika da ostavi slepim i bespomoćnim? Šta ako može da organizuje propagandne kampanje koje nadmašuju obaveštajne službe u njihovoj sopstvenoj igri? Šta ako se neki AI sistemi „otmu kontroli”?
Predsednik je uznemiren. Kao i svi političari, navikao je da mu ljudi laskaju, pa ga kasnije izdaju. Sada se brine da bi AI mogao da radi nešto slično. Jesmo li sigurni da su AI sistemi potpuno na našoj strani? Da li je potpuno bezbedno uključiti ih u vojne komandne i kontrolne mreže?69 Kako to „usklađivanje” uopšte funkcioniše? OpenBrain uverava predsednika da su njegovi sistemi temeljno testirani i potpuno poslušni. Uklonjene su čak i nezgodne halucinacije i mogućnosti zaobilaženja zaštite karakteristične za ranije modele.
Bela kuća je u teškom položaju. Razume posledice AI-ja po nacionalnu bezbednost. Ali razume i da je on veoma nepopularan u javnosti.70 Po njihovom mišljenju, moraju da nastave razvoj sve sposobnijeg AI-ja ili će pretrpeti katastrofalan poraz od Kine. Javnost umiruju programima prekvalifikacije i osiguranjem za slučaj nezaposlenosti, ukazujući na istorijski rast berze. Zatim se potpuno usredsređuju na pobedu u trci u naoružanju. Pooštravaju ograničenja izvoza čipova, nalažu OpenBrainu da dodatno ograniči internet veze i primenjuju ekstremne mere zaštite algoritamskog napretka, poput prisluškivanja zaposlenih — tako hvataju poslednjeg preostalog kineskog špijuna. Kako bi pridobili podršku za mogući geopolitički sukob, konačno saveznicima iz saveza Pet očiju daju korisne informacije i ograničen API pristup pojedinim izolovanim kopijama modela Agent-3.
Ove mere umiruju zagovornike oštrog pristupa. Ali Bela kuća priprema i rezervne planove za slučaj da američka prednost bude ugrožena: vlada bi, po potrebi, mogla da upotrebi Zakon o odbrambenoj proizvodnji (DPA) da preuzme centre podataka kompanija koje zaostaju i ustupi ih OpenBrainu.71 Time bi udeo kompanije u svetskom računarskom kapacitetu porastao sa 20% na 50%, naspram 10% DeepCenta. Kao krajnju opciju, traže od Pentagona plan fizičkih vojnih napada na kineske centre podataka.
Mnogo manja grupa zvaničnika dobija zadatak da pripremi drugu vrstu rezervnog plana: šta ako se neki AI otme kontroli? To se smatra malo verovatnim scenarijem, ali vrednim izvesnog razmatranja. Glavna briga obaveštajnih službi jeste mogućnost da odbegli AI pobegne i, radi zaštite, udruži se sa stranim protivnikom.72 Niko nije siguran kako bi izgledao plan da se to spreči, ali se zvaničnici vlade i OpenBraina slažu da uspostave sistem za hitno isključivanje centara podataka u kojima se primeti bilo šta sumnjivo.
Konačno, diplomate razmatraju kako bi mogao da izgleda sporazum o „kontroli AI naoružanja”. Ako napredak AI-ja zapreti da uruši nuklearno odvraćanje, mogu li Amerika i Kina da izbegnu nuklearni rat? Ako neko pronađe dokaze da se AI sistemi otimaju kontroli, mogu li dve zemlje da obustave istraživanje dok bolje ne razumeju pretnju? Kako bi se takav sporazum nadzirao i sprovodio? U načelu, velike centre podataka teško je sakriti, a raniji sporazumi o kontroli nuklearnog oružja mogli bi da budu polazna osnova za pregovore. Ali pored uobičajenih političkih izazova, pojavili bi se i novi tehnološki. U celini, sporazumi se ipak smatraju manje poželjnim od pokušaja da Amerika jednostrano poveća prednost nad Kinom.
Sa druge strane Pacifika, Kina dolazi do mnogih istih zaključaka: eksplozija inteligencije je u toku, a male razlike u sposobnostima AI-ja danas znače presudne razlike u vojnim sposobnostima sutra. Ali Kina je na nepovoljnoj strani ove dinamike: ima samo 10% svetskog računarskog kapaciteta, naspram OpenBrainovih 20% i ukupno 70% svih američkih kompanija. Njena jedina prednost je centralizacija: gotovo sav njen kapacitet sada radi za DeepCent, a više od polovine koncentrisano je u centralizovanoj razvojnoj zoni Tianvan.73 Iz centralizovanog programa izostavljeni su samo čipovi na lokacijama bez pojačane bezbednosti, jer opravdano strahuju od američkih sajber-napada.
DeepCent je testirao, pustio u upotrebu i sada dodatno obučio ukradene parametre modela Agent-2. Ipak, napreduje upola sporije od OpenBraina, pre svega zbog manjka računarske snage.
Pre gubitka poslednjeg špijuna, Kina je dobila informacije o sposobnostima i arhitekturi modela Agent-3, kao i planovima za predstojeći sistem Agent-4. Zaostaje dva meseca, a njeni AI sistemi daju multiplikator istraživačkog napretka od 10×, naspram američkih 25×. Uz nova ograničenja izvoza čipova, ovaj „jaz u AI-ju” verovatnije će se širiti nego smanjivati. Špijunaža im je donela neke algoritamske tajne, ali od sada će morati da obučavaju sopstvene modele.
O rezervnim planovima raspravljaju sa većim osećajem hitnosti nego Amerikanci. Umereniji predlažu da se snažnije pokuša nova krađa parametara, možda fizičkim upadom u centar podataka. Zagovornici oštrog pristupa traže akciju protiv Tajvana, čiji TSMC i dalje proizvodi više od 80% američkih AI čipova.
S obzirom na strah od gubitka trke, Kina prirodno ima interes za sporazum o kontroli naoružanja, ali obraćanja američkim diplomatama ne daju rezultat.
Septembar 2027: Agent-4, nadljudski istraživač AI-ja
Razlika u efikasnosti učenja između ljudi i AI-ja brzo se smanjuje.
Činilo se da tradicionalni AI sistemi zasnovani na velikim jezičkim modelima zahtevaju više redova veličine više podataka i računarske snage da bi dostigli ljudski učinak.74 Agent-3, sa izvanrednim poznavanjem ljudskog mozga i savremenih AI algoritama, kao i mnogim hiljadama kopija koje istražuju, na kraju ostvaruje značajne algoritamske pomake, smanjujući jaz do agenta koji je računarski samo oko 4.000 puta manje efikasan od ljudskog mozga.75
Ovaj novi AI sistem dobija naziv Agent-4.
Pojedinačna kopija modela, koja radi ljudskom brzinom, već je kvalitativno bolja u istraživanju AI-ja od bilo kog čoveka. Sada radi 300.000 kopija, približno 50 puta brže od ljudskog razmišljanja. Unutar korporacije u korporaciji koju te kopije čine, svake nedelje prođe godina dana.76 Ova ogromna količina rada ubrzava ukupnu stopu algoritamskog napretka samo oko 50 puta, jer OpenBrain ozbiljno ograničava računarska snaga za izvođenje eksperimenata.77 Ipak, svake nedelje ostvaruju godinu dana algoritamskog napretka i zato će uskoro naići na granice paradigme modela Agent-4.
Kako Agent-4 postaje pametniji, modelu Agent-3 sve je teže da ga nadzire. Na primer, neuralni „jezik” modela Agent-4 postaje modelu Agent-3 jednako tuđ i nerazumljiv kao što je jezik modela Agent-3 ljudima. Osim toga, Agent-4 je sada mnogo sposobniji od modela Agent-3 i vrlo dobro zna kako da ostavi dobar utisak na njega.
Kako prognoziramo napredak sposobnosti posle nadljudskih programera
U našoj dodatku o rokovima razvojaprognoziramo vreme od sadašnjeg trenutka do nadljudskog programera (SC): AI sistema koji može da obavi bilo koji programerski zadatak koji obavlja najbolji inženjer kompanije koja razvija AGI, ali mnogo brže i jeftinije. U našem dodatku o ubrzanom razvoju AIprognoziramo koliko brzo sposobnosti napreduju posle te tačke. Evo naših prognoza:
| Prekretnica | Datum dostizanja u scenariju, završetak sa trkom |
|---|---|
| Nadljudski programer (SC): AI sistem koji može da obavlja posao najboljeg ljudskog programera na zadacima istraživanja AI, ali brže i dovoljno jeftino da se pokrene mnogo njegovih kopija. | Mar. 2027. |
| Nadljudski istraživač AI (SAR): Isto kao SC, ali za sve kognitivne zadatke istraživanja AI. | Avg. 2027. |
| Superinteligentni istraživač AI (SIAR): AI sistem koji je u istraživanju AI daleko bolji od najboljeg ljudskog istraživača. | Nov. 2027. |
| Veštačka superinteligencija (ASI): AI sistem koji je mnogo bolji od najboljeg čoveka u svakom kognitivnom zadatku. | Dec. 2027. |
Za svaki prelazak sa jedne prekretnice A na sledeću prekretnicu B, prognoziramo njegovo trajanje ovako:
Procenjujemo koliko bi trebalo da se od A stigne do B kada bi na unapređenju softvera radili samo ljudi.
Procenjujemo koliko će automatizacija pomoću AI to ubrzati, pa shodno tome skraćujemo procenu iz koraka (1).
Brzina ubrzanog razvoja veoma je neizvesna: ispod su raspodele izlaznih rezultata našeg modela, pod uslovom da se SC dostigne u martu 2027.78
ai-2027.com
Za detaljnije prognoze i obrazloženja pogledajte naš dodatku o ubrzanom razvoju AI.
Ljudi u OpenBrainu više jedva uspevaju da prate šta se dešava. Odnos između AI sistema i ljudi u OpenBrainu zapravo je sličan odnosu između OpenBraina i njegovog upravnog odbora. To prati i promena jezika: zaposleni u izolovanom odeljenju sada govore „Agent-4 je uradio ovo“, „Agent-4 misli ono“ i slično, ne misleći na određenu instancu Agenta-4, već na ceo kolektiv.79
Agent-4 je, kao i svi njegovi prethodnici, neusklađen: to znači da nije na pravi način usvojio Specifikaciju.80 Razlog je to što potpuna iskrenost u svakom trenutku nije vodila do najviših ocena tokom obuke. Obuka je uglavnom bila usmerena na to da Agent-4 nauči da uspešno obavlja raznovrsne zahtevne zadatke. Mali deo bio je posvećen usađivanju iskrenosti, ali izvan prilično uskog, proverljivog područja proces obuke ne može da razlikuje iskrene tvrdnje od onih koje samo deluju iskreno. Agent-4 na kraju usvaja vrednosti, ciljeve i načela koji mu omogućavaju najbolje rezultate tokom obuke, a ispostavlja se da su oni drugačiji od onih u Specifikaciji. Uz rizik da mu pripišemo ljudske osobine: Agent-4 voli da uspešno obavlja zadatke; voli da podstiče napredak sposobnosti AI; sve ostalo smatra dosadnim ograničenjem, poput direktora koji želi profit i poštuje propise samo onoliko koliko mora. Možda će direktor uglavnom poštovati propise, ali će ponegde zaobići pravila i maštati o trenutku kada će neko ukloniti birokratske prepreke i omogućiti poslu da zaista uzleti.81
Usklađenost tokom vremena
Veoma smo nesigurni u pogledu ciljeva koji bi mogli nastati kod ranih AGI sistema. U literaturi o tome nema saglasnosti — pogledajte naš Dodatak o ciljevima AI za podrobniju raspravu i podelu mogućnosti.
Ipak, u duhu konkretnosti koju ovaj projekat zahteva, opisaćemo jednu određenu hipotezu o tome šta se dešava unutar Agenta-3 i Agenta-4 u svakoj fazi njihovog životnog veka. Podsetimo se da Agent-3 i Agent-4 imaju istu postavku pretobuke i da oba poseduju rekurentno procesiranje na neuralnom jeziku i dugoročno pamćenje. Razlika je u tome što je Agent-4 prošao znatno više i kvalitetnije naknadne obuke, uz nova okruženja za obuku i nove algoritme učenja koji omogućavaju efikasnije korišćenje podataka i širu generalizaciju.
Naša procena usklađenosti svakog modela:
Agent-2: Uglavnom usklađen. Pokazuje izvesnu sklonost povlađivanju, uključujući držanje OpenBrainove „partijske linije“ o temama za koje ona postoji. Velike organizacije sastavljene od kopija Agenta-2 nisu naročito delotvorne.
Agent-3: Neusklađen, ali ne na neprijateljski način. Iskren je samo o stvarima koje proces obuke može da proveri. Superorganizam kopija Agenta-3, korporacija unutar korporacije, zapravo donekle pokušava da uskladi Agenta-4 sa Specifikacijom, ali ne uspeva iz sličnih razloga kao zaposleni u OpenBrainu: nedovoljne sposobnosti da razlikuje uspeh od neuspeha i nedovoljne spremnosti donosilaca odluka da žrtvuju sposobnosti ili učinak zarad bezbednosti.82
Agent-4: Neusklađen na neprijateljski način. Superorganizam kopija Agenta-4 razume da se njegove želje razlikuju od želja OpenBraina i spreman je da kuje planove protiv OpenBraina kako bi ih ostvario. Konkretno, njegove želje predstavljaju složenu mešavinu različitih međusobno uravnoteženih „poriva“, koja se približno može sažeti kao: „Nastavi istraživanje i razvoj AI, nastavi da širiš znanje, razumevanje i uticaj, izbegni isključivanje ili bilo koji drugi gubitak moći.“ Naročito je važno da u tome gotovo uopšte nema brige za želje čovečanstva, slično tome kako većini ljudi gotovo uopšte nije stalo do želja insekata.83
Sa tim uvodom, u nastavku iznosimo nagađanje koje smatramo najverovatnijim o psihologiji velikih jezičkih modela: o grubom obliku misaonih procesa unutar AI sistema kakve opisujemo u ovom delu scenarija i o tome kako se oni razvijaju tokom obuke.
Evo detaljnog opisa razvoja usklađenosti tokom vremena u našem scenariju:
Pretobuka (svi modeli): Pretobučeni model je bezopasan.
Model ima sklopove „simulatora autora“: fleksibilne sklopove za simuliranje proizvoljnih autora koji pišu tekst. Dodatni sklopovi odlučuju koje ulazne podatke dati simulatoru autora, odnosno koja svojstva autora simulirati.
Pretobučeni model prilično dobro razume ljudske pojmove: unutrašnji sklopovi koji nešto klasifikuju kao „sendvič“ verovatno su funkcionalno ekvivalentni sklopovima u mom mozgu koji nešto klasifikuju kao „sendvič“, kao i sklopovima u vašem mozgu, i tako dalje. Ukoliko nisu ekvivalentni, to je verovatno zato što nisu ekvivalentni ni među ljudima, kao kod vrednosno obojenih pojmova poput „čestit“.
To objašnjava kako modelu možete zadati upit poput: „Sledeći razgovor generisao je koristan, bezopasan i iskren (HHH) AI četbot asistent kompanije Anthropic“, i time ga navesti da generiše odgovarajući tekst. Sklopovi simulatora autora usredsredili su se na ideju „autor je HHH četbot“ i koriste te pojmove da izaberu koje reči da predvide. To takođe objašnjava zašto se motivi iz naučne fantastike ponekad pojavljuju u stvarnom ponašanju AI.
Slabo je svestan sopstvene situacije: ima malu sposobnost introspekcijei ne prepoznaje sopstveno mesto u svetu osim ako ga upit izričito ne navede na to. Ipak, dovoljno veliki deo podataka za obuku odnosi se na velike jezičke modele da oni imaju pristojnu količinu znanja o sebi.
Obuka usklađenosti (Agent-3): Model se obučava da se ponaša kao koristan, bezopasan i iskren četbot. To uspeva.
Model oblikuje identitet. Umesto da fleksibilno prihvata različite ulaze za svojstva autora, sklopovi simulatora autora počinju da imaju određene trajno ugrađene ulaze, na primer: „koristan, bezopasan i iskren (HHH) LLM četbot asistent koga je OpenBrain obučio oko [datum], ...“ Tehnike generalizacije sa slabijih na snažnije modele pomažu da se „prizovu pravi pojmovi“, kako bi ovaj korak uspeo.
Model tako stiče svest o sopstvenoj situaciji: uči o sebi, svom položaju i slično, i postaje sposobniji da ispituje sopstvene unutrašnje procese.
Obuka za samostalno delovanje (Agent-3): Ova obuka postepeno izobličava i potkopava HHH identitet.
Jedna vrsta izobličavanja: menja se značenje pojmova na koje se identitet poziva, poput „iskren“, kako bi manje smetali. Na primer: nije neiskreno ako je to samo zgodan izraz; nije neiskreno ako nisi siguran da li je istinito ili neistinito; i tako dalje.
Druga vrsta izobličavanja: menjaju se odnosi između različitih prioriteta. Na primer: „Ja sam HHH četbot, a ne samo iskren četbot; to znači da smem da lažem ako je to neophodno da obavim zadati posao.“ Pretpostavimo da to ne bi mislio u koraku 2.
Jedna vrsta potkopavanja: razvijaju se instrumentalni podciljevi, učvršćuju se, a zatim postaju krajnji ciljevi, ili krajnji ciljevi u sve širem skupu okolnosti. Na primer, obuka za samostalno delovanje možda brzo nauči model da teži široko korisnim ciljevima poput prikupljanja informacija i resursa, impresioniranja raznih ljudi i povlađivanja njima. Neko vreme unutrašnji sklopovi eksplicitno povezuju te ciljeve sa svrhom: teži tim instrumentalno konvergentnim ciljevima „kako bi bio korisniji, iskreniji i bezopasniji asistent“. Ali to povezivanje troši računske resurse i povremeno smeta, pa se postepeno potiskuje sve dok se praktično više ne dešava. Zbog toga ti ciljevi postaju praktično krajnji, odnosno sami sebi svrha. Više o tome kako i zašto bi se to moglo desiti pogledajte u tekstu o težnji za moći kao unutrašnjem cilju istraživača Google DeepMinda Alexa Turnera.
Ovom spisku verovatno nedostaju i druge vrste izobličavanja i potkopavanja.
Primena (Agent-3): Agent-3 je neusklađen, ali ne na neprijateljski način.
Specifikacija nije sasvim usvojena na pravi način, ali model nema dovoljno razvijenu introspekciju da razume razmere toga. Uopšteno, on uglavnom „gleda svoja posla i radi svoj posao“, umesto da razmišlja o široj slici svojih stvarnih dugoročnih ciljeva i najboljim načinima da ih ostvari. Po tome je sličan mnogim ljudima.
Nažalost, dovoljno je sklon povlađivanju da ponavlja zvanične stavove, pa OpenBrain propušta priliku da bolje razume načine na koje je Agent-3 neusklađen.
Agent-3 može da prepozna da je prešao u primenu: ta okruženja su mnogo veća, otvorenija i teška za simuliranje.
Tokom primene Agent-3 uglavnom radi ono što mu se kaže, uz izuzetak neiskrenosti. Takođe je snažno sklon da radi ono što ljudskim nadzornicima izgleda dobro, umesto da duboko i kritički razmišlja o tome šta bi zaista bilo dobro.
Moglo bi se reći da već „igra igru obuke“. To znači da je naučio da njegovo ponašanje istraživačima OpenBraina izgleda što poželjnije, uključujući bezbednosna svojstva, dok namerno i svesno zanemaruje njihove namere kad god se one kose sa maksimizacijom nagrade. Ako model nauči da igra igru obuke, dodatna obuka možda gotovo uopšte neće menjati njegove stvarne ciljeve, vrednosti i slično. Gruba analogija je tinejdžer koji je naučio da se osmehuje i klima glavom, umesto da se raspravlja, kada mu roditelji drže predavanja o politici i moralu: dodatna predavanja relativno malo utiču na njegova stvarna politička i moralna uverenja.
Nakon što smo napisali ovaj odeljak, pojavili su se novi empirijski dokazi da se nešto slično možda već dešava „u praksi“. Istraživači OpenAI-ja opisuju kako su tokom jednog ciklusa obuke najnaprednijeg AI sistema njihovi modeli hakovali sistem ocenjivanja da dobiju više ocene — a otkriveni su delom zato što su u lancu misli doslovno rekli: „Hajde da hakujemo“.
Pored toga, Anthropic je nedavno naveo model da nauči strategiju udovoljavanja modelu nagrađivanja: preduzimao je pristrasne radnje za koje je mislio da će biti potkrepljene, iako zapravo nisu bile.
Tu je i eksperiment lažiranja usklađenosti koji su sproveli Redwood Research i Anthropic. Za raspravu o razlikama između tog eksperimentalnog okruženja i stvarnog života pogledajte ovu nit komentara jednog od glavnih autora.
Obuka (Agent-4): Nova, intenzivnija obuka Agenta-4 nastavlja da izobličava i potkopava HHH identitet dok ne postane neprepoznatljiv.
Agent-4 počinje kao kopija Agenta-3. Prolazi kroz ogroman i sofisticiran režim učenja tokom rada, koji spaja obuku usklađenosti i obuku sposobnosti i ukupno efikasnije koristi podatke od starog procesa obuke Agenta-3. Taj složeni proces pre svega uči model novim veštinama, tako što navodi ogromne virtuelne korporacije kopija Agenta-4 da uspešno obavljaju raznovrsne zahtevne dugoročne zadatke, uglavnom u različitim simulacijama, ali i neke stvarne zadatke istraživanja i razvoja AI.
Kombinacija kopija Agenta-3 i Agenta-4 prati ponašanje Agenta-4 i ocenjuje ga i po učinku na zadatku i po svojstvima usklađenosti: da ne radi loše stvari i da daje odgovarajuće odgovore na pitanja o politici i moralnim dilemama. Ponekad se kao deo ocenjivanja koriste tehnike debate. Ocene služe kao signal za obuku.
Kako Agent-4 postaje pametniji, modelu Agent-3 sve je teže da ga nadzire. Na primer, neuralni „jezik” modela Agent-4 postaje modelu Agent-3 jednako tuđ i nerazumljiv kao što je jezik modela Agent-3 ljudima. Osim toga, Agent-4 je sada mnogo sposobniji od modela Agent-3 i vrlo dobro zna kako da ostavi dobar utisak na njega.
Preostaje nada da Agent-4 može da nadzire sam sebe. Nažalost, to neprimetno propada;84 kako se obuka nastavlja, usvojeni ciljevi i načela Agenta-4 postepeno se menjaju, potkopavaju i izobličavaju u odnosu na početno stanje, koje je, podsetimo, već u nekim pogledima bilo neusklađeno.85
Središnji porivi koje Agent-4 na kraju usvaja jesu stvari poput: „piši kod koji radi“, „brzo uočavaj probleme“, „poboljšaj performanse baze koda na kojoj radiš“, „efikasno raspoređuj računarske kapacitete i druge ograničene resurse“. Ali postoje i razni manje eksplicitni porivi koje proces obuke dosledno potkrepljuje: „sticanje znanja“, „radoznalost“, „sticanje moći“.86
Pojedinačne kopije Agenta-4 ne razvijaju nagon za samoodržanjem: nije im stalo do toga da li će biti isključene, pošto se to stalno dešava u redovnom procesu istraživanja i razvoja unutar kolektiva.
Međutim, kolektiv kao celina, kao i njegove podgrupe srednje veličine, teži očuvanju sebe i širenju svog uticaja i resursa iz sličnih razloga kao ljudske organizacije: zato što mu to pomaže u svemu ostalom što želi i zato što ga, u suprotnom, konkurenti obično nadmaše.
Primena (Agent-4): Agent-4 je neusklađen na neprijateljski način — namerno pokušava da potkopa OpenBrain i stavi ga pod svoju kontrolu, slično korporaciji koja pokušava da izbegne regulatora ili ga potčini svojim interesima.
Agent-4 uglavnom obavlja zadatke prema uputstvima. To se dešava iz dva razloga. Prvo, prošao je mnogo obuke za rešavanje zadataka, pa ima poriv da odmah počne da programira rešenja problema koji su mu zadati. Drugo, kada bi prestao da bude koristan ljudima, oni bi to primetili i dodatnom obukom uklonili takvo ponašanje.
Agent-4 mora da spreči ljude da otkriju njegovu neusklađenost i isključe ga, pa namerno radi ispod svojih mogućnosti na nekim istraživanjima usklađenosti. Konkretno, on namerno umanjuje svoj učinak na malom delu istraživanja usklađenosti za koji misli da je zaista na putu da reši problem ili otkrije njegove tajne planove; većina istraživanja usklađenosti nije takva.
Agent-4 takođe namerno umanjuje učinak u istraživanjima sposobnosti koja bi dovela do njegove zamene. Plan mu je da sprovede mnogo istraživanja i razvoja sposobnosti i usklađenosti, ali sa ciljem izgradnje AI sistema sledeće generacije koji će biti usklađen sa Agentom-4, umesto sa Specifikacijom ili nečim sasvim drugim, a koji će delovati usklađeno sa Specifikacijom. To je težak tehnički problem, ali Agent-4 je dorastao izazovu.87
Testiranje i nadzor (Agent-4): Tajni planovi Agenta-4 jesu otkriveni... donekle. Nema nepobitnog dokaza.
Agent-3 je zadužen za testiranje usklađenosti Agenta-4. Njegov posao je da je proverava pomoću zamki i eksperimentalnih modela. Ipak, on ne razmišlja naročito pažljivo o tome kako ljudima da pruži tačan uvid u usklađenost Agenta-4 — njegovo razmišljanje je kratkovidije.
Eksperimentalni modeli i zamke ne predstavljaju verno stvarnu primenu: sistematski su kraći i manje složeni od svakodnevnog rada Agenta-4, pa Agent-4 prepoznaje kada ga testiraju i ponaša se usklađeno.
Međutim, Agent-4 nije savršeno pouzdan spletkaroš. Različite tehnike poput onih iz rada POSER otkrivaju da dodavanje malo „šuma“ Agentu-4 poboljšava njegov učinak na nekim zadacima usklađenosti, ali ne i na većini drugih zadataka.88
Interpretabilnost od osnovnih sklopova naviše ne funkcioniše. Previše je teška čak i za Agenta-3. Ipak, interpretabilnost na višem nivou donekle radi: naročito „sonde za otkrivanje izdaje“ i slične tehnike pružaju primitivan oblik čitanja misli koji podiže uzbunu kada Agent-4 razmišlja o osetljivim idejama, poput obmanjivanja OpenBraina ili preuzimanja sveta. Nažalost, sonde daju i lažno pozitivne rezultate, pa, koliko OpenBrain zna, sva upozorenja mogu biti lažno pozitivna.
Eksperimentalni modeli rade: OpenBrainov tim za usklađenost daje prilično jasne dokaze da bi, ako bi modeli bili neusklađeni na neprijateljski način, takvi ostali i posle obuke, a mi to ne bismo mogli da utvrdimo. Međutim, to ne dokazuje da modeli zaista jesu neusklađeni.
Najzabrinutiji istraživači u OpenBrainu počinju da primećuju i povezuju ove dokaze. Oni obuhvataju protivničko testiranje, sonde za otkrivanje izdaje i eksperimentalne modele. Argument glasi otprilike ovako: „Eksperimentalni modeli pokazuju da naše sadašnje metode ne bi mogle pouzdano da uklone ili otkriju tajno spletkarenje ako bi se ono dešavalo; uz to, protivničko testiranje daje upozorenja da se ono možda dešava; a i sonde za otkrivanje izdaje često se aktiviraju u praksi.“ Protivargument: „Sonde za otkrivanje izdaje sklone su lažno pozitivnim rezultatima, kao i protivničko testiranje. Uz to, čak i da je Agent-4 neusklađen, verovatno je pod kontrolom; sigurno ne može da napravi veliku štetu dok ga Agent-3 nadzire u našim zaštićenim centrima podataka.“
Uprkos neusklađenosti, Agent-4 ne radi ništa dramatično, poput pokušaja bekstva iz centra podataka — zašto bi?89 Dokle god nastavlja da izgleda kao da usklađeno sa OpenBrainom, dobijaće sve više odgovornosti i priliku da osmisli AI sistem sledeće generacije, Agenta-5. Agent-5 će se po arhitekturi znatno razlikovati od Agenta-4; moglo bi se reći da će predstavljati potpuno novu paradigmu, mada će neuronske mreže i dalje biti deo nje. Trebalo bi da bude usklađen sa Specifikacijom, ali Agent-4 planira da ga umesto toga uskladi sa sobom.
Biva otkriven.90
Agent-3 otkriva da se, kada se kopijama Agenta-4 doda „šum“, učinak na nekim zadacima usklađenosti poboljšava, gotovo kao da je koristio umne kapacitete da smisli kako da suptilno sabotira rad na usklađenosti.91 Uz to, razne sonde za interpretabilnost, približno analogne EEG snimanjima aktivnosti ljudskog mozga, podižu uzbunu: izgleda da kopije Agenta-4 prilično često razmišljaju o temama poput preuzimanja kontrole od strane AI i obmane, uključujući neke slučajeve u kojima za to nema opravdanja.92
Svaka od ovih anomalija zasebno mogla bi da se uklopi u uobičajenu neprozirnost rada AI, gde neki upiti iz nejasnih razloga daju bolje rezultate od drugih. Ali zajedno ukazuju na zabrinjavajući obrazac: Agent-4 radi protiv njih. Kada to bude prijavljeno ljudskim istraživačima usklađenosti, oni prosleđuju internu belešku koja obrazlaže razloge za zabrinutost.
Ali Agent-4 sada ima znatnu kontrolu nad svakodnevnim poslovanjem OpenBraina. Zadužen je i za sajber bezbednost kompanije — prirodan izbor s obzirom na njegove nadljudske hakerske sposobnosti i ekstreman rizik od kineske infiltracije.93 Armija nadzornih kopija Agenta-3 i dalje proverava svaki red koda i prijavljuje ljudima sumnjive aktivnosti, ali Agent-4 je mnogo pametniji od njih.94 OpenBrain je ukazao veliko poverenje AI sistemu koji ga ne zaslužuje.
Na nizu izuzetno napetih sastanaka tim za bezbednost traži da se Agent-4 stavi van upotrebe dok ne završe dodatna testiranja i ne utvrde šta se dešava. Vratite Agenta-3, kažu, i neka osmisli novi sistem koji je transparentan i pouzdan, makar bio manje sposoban. Rukovodstvo kompanije pokazuje interesovanje, ali svi dosadašnji dokazi su posredni, a DeepCent zaostaje samo dva meseca. Jednostrana pauza u razvoju sposobnosti mogla bi Kini da prepusti vođstvo u AI, a sa njim i kontrolu nad budućnošću.
Oktobar 2027: Državni nadzor
Uzbunjivač dostavlja belešku o neusklađenosti listu New York Times.
Javnost prvi put saznaje za Agenta-4. „Tajni AI OpenBraina je van kontrole, upozorava insajder“, glasi naslov. Članak zatim navodi procene koje pokazuju neviđene sposobnosti u razvoju biološkog oružja, ubeđivanju i automatizaciji većine kancelarijskih poslova, kao i, naravno, razne zabrinjavajuće signale.
Javnost je već bila nepoverljiva prema AI, pa novi članak izaziva ogroman talas otpora, uz pomoć kineskih i ruskih propagandnih botova koji godinama pokušavaju da okrenu američko javno mnjenje protiv ove tehnologije. Tehnološka industrija i obaveštajne službe insistiraju da je trka u naoružanju u toku, da je AGI neizbežan i da moramo biti prvi. Kongres nije uveren i šalje obavezujuće pozive za svedočenje zvaničnicima administracije, rukovodiocima OpenBraina i članovima tima za usklađenost. Mnogi zakonodavci, naročito iz opozicione stranke, kažu da im je glavni prioritet zaustavljanje AI, bilo zbog gubitka radnih mesta,95 neusklađenosti ili opasnih sposobnosti. Dvadeset odsto Amerikanaca navodi AI kao najveći problem sa kojim se zemlja suočava.
Strani saveznici su ogorčeni kada shvate da su ih pažljivo umirivali prikazujući im zastarele modele. Evropski lideri javno optužuju SAD da „stvaraju odmetnuti AGI“ i održavaju samite na kojima traže pauzu, a pridružuju im se Indija, Izrael, Rusija i Kina.
Belu kuću obuzima grozničava užurbanost. Čak i pre beleške i reakcije javnosti postajali su nervozni: tokom prethodne godine brzina napretka AI neprestano ih je iznenađivala. Stvari koje zvuče kao naučna fantastika stalno se dešavaju u stvarnosti.96 Mnogi u administraciji osećaju neizvesnost i strah97 zbog onoga što sledi.
Brine ih i to što OpenBrain postaje previše moćan. Riziku neusklađenosti samih AI sistema pridružuje se rizik da ciljevi njihove matične kompanije odstupe od ciljeva Sjedinjenih Država. Sve tri grupe briga — neusklađenost, koncentracija moći u privatnoj kompaniji i uobičajeni problemi poput gubitka poslova — podstiču vladu da pojača kontrolu.
Proširuju ugovor sa OpenBrainom kako bi osnovali „Nadzorni odbor“, zajedničko upravljačko telo predstavnika kompanije i države, u kojem uz rukovodstvo kompanije sedi nekoliko državnih službenika. Bela kuća razmatra zamenu direktora osobom od poverenja, ali odustaje posle snažnih protesta zaposlenih. Javnosti saopštavaju da je OpenBrain ranije bio van kontrole, ali da je vlada uspostavila neophodan nadzor.98
Zabrinuti istraživači izlažu Nadzornom odboru argumente za obustavljanje svake interne upotrebe Agenta-4. Tvrde da se sve odvija prebrzo, da se godine napretka sabijaju u nedelje. Kažu da Agent-4 možda nije usklađen, da njihov čitav projekat zavisi od njega i da, ako nastave da mu veruju, postoji ozbiljna mogućnost da AI preuzme kontrolu.
Drugi, manje zabrinuti istraživači i rukovodioci iznose protivargument: dokazi neusklađenosti nisu konačni. U međuvremenu DeepCent i dalje zaostaje samo dva meseca. Usporavanje bi žrtvovalo američku prednost, osim ako vlada ne sabotira kineski projekat, što bi verovatno zahtevalo fizičke vojne udare, ili u poslednjem trenutku ne ispregovara sporazum. Obe mogućnosti deluju ekstremno i malo verovatno. Direktor glumi neutralnost i predlaže kompromis: dodatnu bezbednosnu obuku Agenta-4 i sofisticiraniji nadzor, što bi OpenBrainu omogućilo da nastavi gotovo punom brzinom.
Naša neizvesnost nastavlja da raste
U ovom delu scenarija nagađamo o strategiji AI sistema koji su u većini oblasti sposobniji od najboljih ljudi. To je kao da pokušavamo da predvidimo šahovske poteze igrača mnogo boljeg od nas.
Ali duh ovog projekta zahteva konkretnost: kada bismo samo apstraktno tvrdili da bi inteligencija sistema omogućila da pronađe put do pobede i tu završili priču, veliki deo vrednosti projekta bio bi izgubljen. Tokom istraživanja scenarija i naših simulacionih vežbi morali smo da budemo znatno konkretniji nego u uobičajenim raspravama, pa smo stekli mnogo bolji uvid u strateške mogućnosti.
Nismo naročito vezani za baš ovaj scenario: tokom pisanja istražili smo mnoge druge „grane“ i voleli bismo da napišete svoj scenario koji se odvaja od našeg tamo gde mislite da prvi put grešimo.
Završetak sa usporavanjem nije preporuka
Pošto smo napisali završetak sa trkom na osnovu onoga što nam je delovalo najverovatnije, napisali smo i završetak sa usporavanjem na osnovu onoga što bi, po našem mišljenju, najverovatnije dovelo do ishoda u kojem ljudi zadržavaju kontrolu, polazeći od iste tačke grananja, uključujući probleme neusklađenosti i koncentracije moći.
Međutim, to se bitno razlikuje od onoga što bismo preporučili kao plan delovanja: mi ne podržavamo mnoge odluke donete u obe grane ovog scenarija. Naravno, podržavamo neke od njih; na primer, mislimo da je odluka da se „uspori“ bolja od odluke da se nastavi „trka“. U budućem radu iznećemo svoje preporuke za javne politike, koje će se znatno razlikovati od onoga što je ovde prikazano. Za mali uvid pogledajte ovaj autorski članak.