From AGI to ASI

Google DeepMind의 AGI에서 ASI(초인적 범용지능)로의 전환 경로를 분석한 리포트. 스케일링, 패러다임 전환, 재귀적 자기개선, 다중에이전트 집단지성의 4가지 경로와 각 경로의 마찰 요인을 체계적으로 논의한다.

이 리포트는 AGI 달성 이후 기계지능이 어떻게继续 발전할 수 있는지를 Universal AI(AIXI) 이론적 기반 위에서 탐구한다. ASI를 '인간 전문가 집단보다 더 지능적인 시스템'으로 정의하고, AGI에서 ASI로 가는 4가지 경로(스케일링, AI 패러다임 전환, 재귀적 자기개선, 대규모 멀티에이전트 집단)를 제시한다. 각 경로의 마찰 요인(데이터 한계, 컴퓨팅 비용, 알고리즘 효율성 한계, 검증 병목 등)을 분석하며, 연간 약 10배의 유효 컴퓨팅 성장률을 전제로 향후 AI 발생 속도를 예측한다.

핵심 요약

• ASI를 '대규모 인간 전문가 집단보다 광범위하게 우월한 시스템'으로 정의, Legg-Hutter 점수로 정량화
• 4가지 전환 경로: 스케일링, 패러다임 전환, 재귀적 자기개선, 멀티에이전트 집단 지성
• 유효 컴퓨팅 성장률 연간 약 10배 (하드웨어 1.5배 × 투자 2.5배 × 알고리즘 효율 3배)
• 주요 마찰 요인: 데이터 월, 컴퓨팅/에너지 비용, 연구 난이도 증가, 오케스트레이션 비용
• 재귀적 자기개선의 폭발적 성장 가능성과 함께 plateau 가능성도 공존
• AI 안전·거버넌스·검증 연구가 ASI 전환 전에 선행되어야 함을 강조

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.