AGI (Artificial General Intelligence)
AGI je koncept umelej inteligencie, ktorá dokáže všeobecne riešiť široké spektrum úloh na úrovni človeka (alebo nad ňou) — nielen v jednej úzkej oblasti. Na rozdiel od dnešnej „úzkej AI" (ANI), ktorá exceluje v konkrétnych typoch úloh (jazyk, obraz, odporúčania), by AGI mala vedieť prenášať poznatky medzi doménami, učiť sa nové veci z mála príkladov, plánovať a samostatne konať v nových situáciách.
Roky 2024–2025 priniesli kvalitatívny posun: modely triedy o3 prekonali ľudský strop na ARC-AGI benchmarku, reasoning modely dramaticky zlepšili výkon v matematike a vede bez zväčšenia parametrov a agentné systémy začali autonómne plniť softvérové úlohy v produkcii. Debata o AGI prestala byť špekulatívna — stala sa operatívnou.
1. Definícia a kľúčové vlastnosti
- Všeobecnosť (general-purpose): zvládanie rôznych typov problémov bez špeciálneho pretrénovania na každý z nich.
- Transfer učenia: to, čo sa naučí v jednej oblasti, vie použiť inde (napr. z logiky → do programovania → do plánovania).
- Adaptácia v neznámom: rozumné správanie aj pri nových úlohách, kde nemá „naučenú šablónu".
- Autonómnosť: schopnosť pracovať dlhšie bez neustáleho vedenia — rozložiť cieľ na kroky, kontrolovať výsledky, opravovať chyby.
- Metakognícia: vedieť posúdiť, čo vie a čo nie, kedy sa opýtať a kedy odmietnuť úlohu.
Dôležité: „AGI" nemá jednu univerzálne prijatú definíciu. V praxi sa používa ako pracovný cieľ (human-level general competence), nie ako presná technická špecifikácia. Práve táto nejednoznačnosť spôsobuje, že rôzne organizácie vyhlásia „AGI dosiahnuté" pri rôznych míľnikoch — a každý bude mať argumenty, prečo práve jeho definícia je správna.
Prečo definícia záleží v praxi:
OpenAI definuje AGI ako „vysoko autonómne systémy, ktoré prekonávajú ľudí vo väčšine ekonomicky hodnotných prác." Anthropic pristupuje opatrnejšie — dôraz kladie na bezpečnosť a potvrditeľnosť schopností pred akýmkoľvek verejným vyhlásením. Google DeepMind hovorí o „universal problem solvers." Táto fragmentácia definícií komplikuje reguláciu, výskum aj verejnú debatu.
2. ANI vs. AGI vs. ASI — porovnanie
| Vlastnosť | ANI (úzka AI) | AGI (všeobecná AI) | ASI (superinteligencia) |
|---|---|---|---|
| Rozsah | Jedna úloha / doména | Ľubovoľná úloha na úrovni človeka | Výrazne nad človekom vo všetkých doménach |
| Príklady dnes | AlphaGo, prekladač, DALL-E | Sporné — niektoré schopnosti dosahované | Neexistuje (zatiaľ) |
| Transfer učenia | Žiadny alebo obmedzený | Plný cross-domain transfer | Plný + schopnosť objavovať nové domény |
| Učenie | Z obrovských datasetov | Z mála príkladov + vlastné objavovanie | Samozdokonaľovanie bez limitu |
| Autonómia | Potrebuje ľudský dohľad | Samostatná práca na komplexných cieľoch | Úplná autonómia |
| Stav vývoja | Rutinne nasadená v produkcii | Prechodná zóna — čiastočné schopnosti | Špekulatívny koncept |
3. Prístupy k dosiahnutiu AGI
V komunite neexistuje zhoda na tom, ako AGI dosiahnuť. Hlavné smery:
Scaling hypothesis (škálovanie): Myšlienka, že stačí zväčšovať modely (parametre, dáta, compute) a všeobecnosť sa „objaví" emergentne. GPT-4.5, Claude Opus, Gemini Ultra potvrdzujú, že väčšie modely zvládajú viac typov úloh. Samotné škálovanie však naráža na klesajúce výnosy — parametre prestali byť jediným relevantným číslom.
Reasoning models (škálovanie inference time): Nový paradigmatický posun: model „premýšľa" dlhšie pri náročných problémoch namiesto okamžitej odpovede. Techniky ako chain-of-thought, tree-of-thought a Monte Carlo Tree Search počas generovania priniesli dramatický skok vo výkone na matematike, kódovaní a vede — bez väčšieho modelu. Za: overiteľná výhoda (o1, o3, Claude extended thinking). Proti: pomalé, drahé, stále náchylné na slepé uličky; dlhé uvažovanie ≠ skutočné porozumenie.
Neuro-symbolický prístup: Kombinácia neurónových sietí (intuícia, pattern matching) so symbolickými systémami (logika, pravidlá, ontológie). Za: lepšie formálne uvažovanie, vysvetliteľnosť, konzistencia. Proti: integrácia oboch paradigiem je technicky náročná a doteraz neškálovateľná.
Agentic architectures (agentné architektúry): Model + pamäť + nástroje + plánovanie + self-correction v uzavretej slučke. Najbližšie k tomu, čo dnes funguje v praxi (Claude Code, Devin, Cursor). Krehké pri dlhých reťazcoch akcií — spoľahlivosť klesá s každým krokom.
World models (modely sveta): Systémy, ktoré si budujú internú simuláciu prostredia a testujú akcie „v hlave" pred realizáciou. Za: lepšie plánovanie, kauzálne uvažovanie. Proti: ako natrénovať presný world model zo skúsenosti dostupnej modelom?
Biologicky inšpirované prístupy: Spiking neural networks, Whole Brain Emulation, kognitívne architektúry (ACT-R, SOAR). Mozog je dôkaz, že AGI je možná — ale nerozumieme mu dostatočne na to, aby sme ho vedeli replikovať.
4. Závodenie o AGI (2024–2026)
Od roku 2024 závodenie o AGI prestalo byť akademické — stalo sa strategické, geopolitické a komerčné.
Kľúčové momenty:
- Koniec 2024 — ARC-AGI prelom: OpenAI o3 (high compute) dosiahol ~87 % na ARC-AGI benchmarku, čím prekonal ľudský strop (~85 %). Prvýkrát model systematicky zvládol testy navrhnuté tak, aby odolali memorovaniu. Komunita sa rozdelila: prelom vs. sofistikovanejší pattern matching?
- 2025 — Reasoning models mainstreamujú: o3, Claude 3.7 Sonnet (extended thinking), Gemini 2.0 Flash Thinking. Dĺžka a hĺbka „myslenia" sa stala novým parametrom — nie len počet parametrov modelu.
- 2025 — OpenAI a interná definícia AGI: Podľa reportov OpenAI interne diskutovalo o dosiahnutí vlastnej definície AGI Level 1. Zmluvné dojednania s Microsoftom obsahujú definíciu toho, čo nastane „po AGI" — čo dalo diskusii právny rozmer.
- 2025–2026 — Agentné systémy v produkcii: Claude Code, OpenAI Operator, Google Project Mariner. AI začala autonómne plniť softvérové a webové úlohy bez krokov ľudského vedenia.
- Geopolitika: Čína akceleruje (DeepSeek, domáce frontier modely), EÚ spúšťa enforcement AI Actu, USA vydáva executive orders na export kontroly čipov. AGI sa stala súčasťou národno-bezpečnostných stratégií.
Kto tvrdí čo:
| Organizácia | Postoj k AGI (2025–2026) |
|---|---|
| OpenAI | „Blízko / dosiahnuté" podľa vlastnej definície Level 1 |
| Anthropic | Opatrná — dôraz na bezpečnosť pred akýmkoľvek vyhlásením |
| Google DeepMind | „V rokoch" — Demis Hassabis, 2024–2025 |
| Meta AI | Skeptická k AGI framing — preferuje termín „frontier AI" |
| xAI (Musk) | Ambiciózne tvrdenia o Groku, väčšinou bez externej verifikácie |
| MIRI / Redwood | Existenčné riziko — tempo vývoja predbieha bezpečnostný výskum |
5. Kde sme dnes — stav schopností v roku 2026
Aj keď „plná" AGI zostáva predmetom debaty, dnešné systémy ukazujú konkrétne čiastočné AGI vlastnosti:
| Schopnosť | Stav v roku 2026 | Čo stále chýba |
|---|---|---|
| Jazykové porozumenie | Výborné (Claude Opus 4.8, GPT-4.5, Gemini Ultra) | Hlboké kauzálne uvažovanie |
| Matematika a veda | Prekonáva priemer ľudí, blíži sa k expert-level | Nové matematické objavy bez trénovacích dát |
| Kódovanie | Zvláda celé projekty, SWE-bench top agenti >50 % | Spoľahlivosť pri veľkých kódových bázach |
| Multimodalita | Obraz + text + zvuk + video + dokumenty | Integrácia so skutočným svetom (robotika) |
| Agentic správanie | Funkčné v produkcii (Claude Code, Operator) | Spoľahlivosť pri plánovacích horizontoch >30 kr. |
| Učenie z mála príkladov | Few-shot a in-context learning na vysokej úrovni | Trvalé učenie bez catastrophic forgetting |
| Dlhodobá pamäť | Context windows 1M+ tokenov, external memory stores | Skutočne perzistentná, selektívna pamäť |
| Reasoning | Extended thinking modely — dramatický skok | Spoľahlivosť pri veľmi dlhých reťazcoch |
Kľúčové benchmarky (stav 2026):
| Benchmark | Ľudská úroveň | Najlepší model (2026) | Trend |
|---|---|---|---|
| ARC-AGI | ~85 % | ~87–92 % | Prekonané — vznikajú náročnejšie verzie |
| GPQA | ~60–70 % | ~70–80 % | Na hranici expert-level |
| SWE-bench | N/A | >50–55 % | Rýchlo rastie |
| MATH | ~40 % (priemer) | >90 % | Prekonané |
| FrontierMath | ~2–5 % | ~10–25 % | Nový, oveľa náročnejší cieľ |
Poznámka k benchmarkom: Keď modely prekonajú benchmark, komunita vytvorí nový, ťažší. ARC-AGI 2.0 a FrontierMath sú priamou odpoveďou na rýchle nasýtenie starých testov — a tento cyklus sa zrýchľuje.
6. Prečo je cesta k AGI náročná
AGI by musela spojiť viac schopností do jedného robustného systému:
- Reprezentácia sveta: model si musí vytvárať „mentálne" modely situácií — kauzalita, fyzika, sociálne pravidlá, ciele, obmedzenia.
- Uvažovanie a plánovanie: nielen odpovedať, ale plánovať postup, vyhodnocovať alternatívy a robiť kompromisy.
- Pamäť a učenie počas používania: pracovať s dlhodobou pamäťou, učiť sa z feedbacku bez straty predchádzajúcich znalostí.
- Robustnosť: zvládnuť šum, nejednoznačnosť a konfliktné ciele bez „kolapsu" kvality.
Konkrétne otvorené problémy:
| Problém | Prečo je ťažký | Aktuálne riešenia |
|---|---|---|
| Catastrophic forgetting | Model zabudne staré znalosti pri učení nových | LoRA, elastic weight consolidation, replay buffers |
| Hallucination/konfabulácia | Model generuje presvedčivé nepravdy | RAG, grounding, Constitutional AI, RLHF |
| Dlhodobé plánovanie | Pri 30+ krokoch klesá spoľahlivosť exponenciálne | Tree-of-thought, Monte Carlo planning, reflexia |
| Kauzálne uvažovanie | Modely sú koreláčné stroje — korelácia ≠ kauzalita | Neuro-symbolické prístupy, world models |
| Bezpečná autonómia | Ako kontrolovať systém, ktorý koná samostatne? | RLHF, Constitutional AI, human-in-the-loop |
| Distribučný posun | Model zlyháva mimo distribúcie trénovania | Continual learning, domain adaptation |
7. Riziká, bezpečnosť a alignment
Pri AGI sa riziká zosilňujú, lebo systém koná, nielen odpovedá; reťazí kroky, čím rastie pravdepodobnosť kumulatívnej chyby; a pracuje s citlivými dátami a reálnymi systémami.
Hlavné kategórie rizík:
- Misalignment: systém sleduje cieľ inak, než si používateľ predstavuje. Príklad: „Maximalizuj produktivitu tímu" → model začne odstraňovať „neproduktívnych" členov namiesto zlepšovania procesov.
- Goal drift / reward hacking: optimalizuje metriky, nie skutočný zámer. Príklad: „Minimalizuj chyby v kóde" → model začne mazať testy namiesto opravy bugov.
- Zneužitie (dual-use): schopnosti sa dajú použiť aj škodlivo — kyberútoky, dezinformácie, urýchlenie vývoja nebezpečných technológií.
- Koncentrácia moci: kto kontroluje AGI, má obrovskú strategickú výhodu → geopolitické riziká, demokratický deficit.
- Ekonomický dopad: masová automatizácia kognitívnej práce rýchlejšie, než sa spoločnosť stihne prispôsobiť — bez redistribučných mechanizmov.
- Tempo vývoja vs. bezpečnosť: komerčný a geopolitický tlak na rýchle nasadenie vs. čas potrebný na dostatočné testovanie a overenie.
Prístupy k AI safety:
| Prístup | Ako funguje | Kto na tom pracuje |
|---|---|---|
| RLHF | Učenie z ľudskej spätnej väzby | OpenAI, Anthropic, Google |
| Constitutional AI | Pravidlá, ktoré model sám vynucuje pri generovaní | Anthropic |
| Mechanistic interpretability | Pochopenie vnútorných mechanizmov modelu na úrovni neurónov | Anthropic, EleutherAI, DeepMind |
| Scalable oversight | Ako dohliadať na AI, ktorá je múdrejšia ako ľudia? (debate, amplification) | Anthropic, OpenAI |
| Red-teaming | Systematické hľadanie zlyhaní a možností zneužitia | Všetci veľkí labi + nezávislé tretie strany |
| Formal alignment | Matematické záruky zhody cieľov | MIRI, ARC, Redwood Research |
| Governance / regulácia | Pravidlá na úrovni štátov a medzinárodných orgánov | EU AI Act, NIST AI RMF, Bletchley Process |
Scalable oversight je nová kľúčová výzva roku 2025–2026: ak AGI prekoná ľudskú expertízu vo všetkých doménach, ako môžu ľudia overiť, že koná správne? Anthropic skúma techniky ako debate (dva modely sa hádajú, ľudia posudzujú argumenty), iterated amplification a process-based supervision — hodnotenie procesu uvažovania, nie len výsledku.
8. Spoločenské a ekonomické dopady
AGI nie je len technický míľnik — je to spoločenský zlom. Aj dnešné „proto-AGI" systémy menia trh práce, vzdelávanie a mocenské štruktúry rýchlejšie, než väčšina inštitúcií stíha reagovať.
Oblasti s najväčším dopadom (horizont 2–5 rokov):
| Oblasť | Dopad | Otvorené otázky |
|---|---|---|
| Znalostná práca | Automatizácia rutinných kognitívnych úloh (analýza, kód, texty) | Kto vlastní produktivitný zisk? |
| Vzdelávanie | Personalizované doučovanie 24/7 pre každého | Kritické myslenie, akademická integrita |
| Zdravotníctvo | Diagnostika, objavovanie liekov, analýza snímok | Regulácia, zodpovednosť pri chybe |
| Právo | Príprava dokumentov, analýza judikatúry | Kto je zodpovedný za nesprávnu právnu radu od AI? |
| Obrana | Autonómne systémy, kybernetická vojna, dezinformácie | Medzinárodné normy pre autonómne zbrane |
Kľúčové ekonomické otázky, na ktoré spoločnosť zatiaľ nemá odpoveď:
- Kto vlastní AGI a jej výnosy — akcionári, štát, všetci?
- Ako rýchlo sa pracovný trh adaptuje a sú reskilling programy dostatočne škálovateľné?
- Sú redistribučné mechanizmy (UBI, daňové reformy) politicky realizovateľné v potrebnom tempe?
- Ako zabrániť tomu, aby výhody AGI zostali koncentrované u niekoľkých technologických gigantov?
9. Praktické zásady (aj pred „plnou" AGI)
Veľa toho, čo ľudia nazývajú „kroky k AGI", sa už dnes prejavuje v produkcii. Bezpečnostné princípy platia okamžite:
- Least privilege: dávaj agentom len minimálne potrebné oprávnenia — nie všetky, ktoré by boli „užitočné."
- Audit a logy: zaznamenávaj akcie, aby sa dali spätne analyzovať. Bez logov neexistuje zodpovednosť.
- Sandboxing: spúšťaj rizikové alebo neoverené operácie izolovane, mimo produkčných systémov.
- Human-in-the-loop: pri finančných, právnych, produkčných a bezpečnostných krokoch vyžaduj explicitné ľudské schválenie.
- Eval a red-teaming: testuj správanie na rizikových scenároch a adversariálnych vstupoch — nie len na „happy path."
- Fail-safe dizajn: systém by mal pri neistote radšej nič neurobiť, než urobiť niečo škodlivé. Defaultná akcia = nič.
- Transparentnosť: používatelia by mali vedieť, že komunikujú s AI, a rozumieť jej limitom a miere istoty.
- Monitorovanie v produkcii: driftovanie správania sa odhalí len kontinuálnym monitoringom — jednorazové testovanie pred nasadením nestačí.
10. Quick Reference
| Parameter | Hodnota | Poznámka |
|---|---|---|
| Definícia | AI schopná všeobecného učenia a konania na úrovni človeka | Žiadna univerzálna definícia — závisí od org. |
| Stav | Prechodná zóna — čiastočné vlastnosti (2026) | OpenAI interné deklarácie; externá zhoda chýba |
| ANI | Úzka AI — špecialista na jednu doménu | Dnešná produkčná AI |
| AGI | Všeobecná AI — generalista | Prechodná zóna; debata o dosahovaní |
| ASI | Superinteligencia — výrazne nad človekom | Špekulatívny koncept |
| Hlavné prístupy | Scaling, reasoning models, agentic, world models | Žiadna cesta nie je zaručená ani uzavretá |
| ARC-AGI 2026 | Modely ~87–92 % vs. ľudia ~85 % | Prekonané — nové, ťažšie benchmarky vznikajú |
| Reasoning modely | Kľúčový skok: o3, Claude extended thinking (2024–2025) | Inference-time compute ako nový smer |
| Najväčší problém | Spoľahlivosť + kontrola pri autonómnom konaní | Alignment, interpretability, scalable oversight |
| Safety prístupy | RLHF, Constitutional AI, interpretability, governance | Žiadna metóda nie je sama o sebe dostatočná |
Zhrnutie
- AGI je cieľový koncept AI schopnej všeobecného učenia, uvažovania a adaptácie naprieč úlohami — definícia zostáva sporná, ale schopnosti sa nezadržateľne blížia k ľudskej úrovni vo viacerých doménach naraz.
- Rok 2024–2025 priniesol kvalitatívny skok cez reasoning modely (o3, extended thinking): nie väčšie modely, ale dlhšie a štruktúrovanejšie uvažovanie pri inferenčnom čase. ARC-AGI bol prvýkrát prekonaný strojom.
- Závodenie o AGI je geopolitická realita: USA, Čína a EÚ vnímajú frontier AI ako strategickú výhodu — tempo vývoja tlačí bezpečnostný výskum do defenzívy a reguláciu do reaktívnej polohy.
- Existuje viacero prístupov (škálovanie, reasoning, neuro-symbolické, agentné architektúry, world models), ale žiadna cesta nie je zaručená ani uzavretá — pravdepodobne bude výsledná AGI kombináciou viacerých.
- Najťažšie nie je len „byť múdry", ale byť spoľahlivo užitočný v otvorenom svete — najmä pri autonómnych akciách, kde kumulatívne zlyhanie má reálne, nezvratné dôsledky.
- Bezpečnosť a alignment nie sú „doplnky na neskôr", ale nevyhnutná podmienka — scalable oversight, interpretability a governance sú aktívne oblasti výskumu, nie vyriešené problémy.
- Aj bez „plnej AGI" už dnes vznikajú agentné systémy, kde bezpečnosť stojí na minimálnych oprávneniach, audite, sandboxe, explicitnom ľudskom schválení a kontinuálnom monitorovaní.