Naukowcy z Google DeepMind przedstawili nowy sposób mierzenia postępu w kierunku sztucznej inteligencji ogólnej (AGI), który zamiast tradycyjnych wskaźników opiera się na modelach poznawczych. Framework ma pomóc w obiektywniejszej ocenie zaawansowania współczesnych systemów AI, zamiast polegania na testach benchmarkowych, które często okazują się zawodne i łatwe do optimizacji dla konkretnych zadań. Propozycja naukowców trafia w sedno jednego z kluczowych problemów branży - jak naprawdę wiemy, że jesteśmy bliżej AGI, jeśli dotychczasowe metody pomiaru są niedoskonałe i nie oddają rzeczywistych zdolności modeli?
Istniejące benchmarki, takie jak wyniki testów z zakresu rozumowania czy przetwarzania języka naturalnego, pokazują przede wszystkim to, na ile konkretny system nauczył się wykonywać określone zadania treningowe. Gdy naukowcy z DeepMind sięgają do modelów poznawczych - czyli koncepcji z psychologii i kognitywistyki opisujących, jak uczą się i myślą ludzie - chcą zamapować bardziej fundamentalne cechy inteligencji. Ich framework ma uwzględniać zdolności takie jak abstrakcyjne myślenie, transfer wiedzy między nieznanymi domenami czy generalizacja, które są bliżej tego, co rozumiemy pod pojęciem autentycznej inteligencji ogólnej.
Takie podejście może zmienić sposób, w jaki inżynierowie i badacze projektują i oceniają nowe modele AI. Zamiast wyścigu do coraz wyższych wyników w popularnych rankingach, focus mogłby przesunąć się na rzeczywiste zdolności poznawcze systemów i ich przydatność w rzeczywistych scenariuszach wymagających elastyczności i zrozumienia. To szczególnie ważne w kontekście rosnących inwestycji w AGI - bez solidnych narzędzi pomiaru trudno odróżnić faktyczny przełom od marketingowego szumu.