AGI/Singularidad: 9.800 predicciones analizadas
La inteligencia artificial general (AGI) es cuando un sistema de IA iguala las capacidades cognitivas humanas en todas las tareas. Basado en las predicciones disponibles, respuestas rápidas sobre AGI:
¿Sucederá la AGI/singularidad? La AGI es inevitable según la mayoría de los expertos en IA.
¿Cuándo ocurrirá la singularidad/AGI? Encuestas recientes de investigadores de IA predicen AGI en la década de 2040. Según pronósticos de la comunidad, se espera AGI alrededor de la década de 2030. Los emprendedores predicen que ocurrirá en unos pocos años.
Analizamos las predicciones de 9.800 científicos de IA, emprendedores líderes y la comunidad en la línea de tiempo de la AGI:
Línea de tiempo de la Inteligencia Artificial General
La línea de tiempo anterior describe el año anticipado de la singularidad, basado en información recopilada de 8 encuestas y respuestas de 9.800 investigadores, científicos y participantes en mercados de predicción de IA:
Como puedes ver arriba, los encuestados esperan cada vez más que la singularidad ocurra antes de lo previsto anteriormente. Conoce los métodos que utilizamos para crear este gráfico.
Otras preguntas clave sobre AGI
¿Cuál es nuestro estado actual con respecto a la AGI?
Aunque la IA estrecha supera a los humanos en tareas específicas, una máquina generalmente inteligente no existe. Algunos investigadores afirman que los grandes modelos de lenguaje demuestran capacidades generalistas emergentes.1 Según nuestro benchmark de AGI, las máquinas están lejos de generar valor económico de forma autónoma.
¿Cómo podemos alcanzar la AGI?
O bien poniendo más potencia de cálculo y datos detrás de arquitecturas actuales como los transformadores, o inventando nuevos enfoques. Aún no hay consenso científico sobre el método para lograr la AGI o para validarla.
A continuación puedes ver un resumen de las predicciones que componen esta línea de tiempo, o ver la tabla completa.
Resultados de las principales encuestas de investigadores de IA
Examinamos los resultados de 8 encuestas que involucraron a más de 4.900 investigadores y expertos en IA, en las que estimaron cuándo podría ocurrir la AGI/singularidad.
Aunque las predicciones varían, la mayoría de las encuestas indican una probabilidad del 50% de lograr la AGI entre 2040 y 2061, con algunas estimando que la superinteligencia podría seguir dentro de unas pocas décadas.
Encuesta de expertos sobre el progreso en IA
En octubre de 2023, AI Impacts encuestó a 2.778 investigadores de IA sobre cuándo podría lograrse la AGI. Esta encuesta incluyó preguntas casi idénticas a la encuesta de 2022. Basado en los resultados de la Encuesta de expertos sobre el progreso en IA, se estima que la inteligencia de máquina de alto nivel ocurrirá para 2040.2
Encuesta de expertos sobre el progreso en IA
La encuesta se realizó con 738 expertos que publicaron en las conferencias NIPS e ICML de 2021. Basado en los resultados de la Encuesta de expertos sobre el progreso en IA, los expertos estiman que hay un 50% de probabilidad de que la inteligencia de máquina de alto nivel ocurra para 2059.3
Los expertos también predijeron que el costo del hardware, el progreso algorítmico y el trabajo en conjuntos de entrenamiento serían los factores más importantes en el progreso de la IA.
Encuesta de pronóstico del progreso de la IA
Baobao Zhang encuestó a 296 expertos en IA en 2019, pidiéndoles que predijeran cuándo las máquinas superarían al trabajador humano mediano en el desempeño de más del 90% de las tareas económicamente relevantes. Según los resultados de la Encuesta de pronóstico del progreso de la IA, la mitad de los encuestados estimaron que esto ocurriría antes de 2060.4
Encuesta de expertos en IA sobre el momento de la AGI
Las predicciones de la Encuesta de expertos en IA sobre el momento de la AGI en 20195 son:
- 45% de los encuestados predicen una fecha antes de 2060.
- 34% de todos los participantes predijeron una fecha después de 2060.
- 21% de los participantes predijeron que la singularidad nunca ocurriría.
Encuesta sobre el impacto potencial de la IA en el desplazamiento laboral
Ross Gruetzemacher encuestó a 165 expertos en IA en 2018 para evaluar el impacto potencial de la IA en el desplazamiento laboral. Se pidió a los expertos que estimaran cuándo los sistemas de IA serían capaces de realizar el 99% de las tareas para las que los humanos son actualmente pagados, a un nivel igual o superior al de un humano promedio.
Basado en los resultados de la encuesta sobre el impacto potencial de la IA en el desplazamiento laboral, la mitad de los encuestados predijeron que este hito se alcanzaría antes de 2068, mientras que el 75% anticipó que ocurriría dentro de los próximos 100 años.6
Encuesta de expertos en IA en las conferencias NIPS e ICML
En mayo de 2017, se encuestó a 352 expertos en IA que publicaron en las conferencias NIPS e ICML de 2015.7
Basado en los resultados de la encuesta de las conferencias NIPS e ICML, los expertos estiman un 50% de probabilidad de que la AGI ocurra para 2060. Dicho esto, hay una diferencia significativa de opinión basada en la geografía:
- Los encuestados asiáticos esperan AGI en 30 años,
- Los norteamericanos la esperan en 74 años.
Algunas funciones laborales importantes que se espera que se automaticen para 2030 incluyen representantes de centros de llamadas, conducción de camiones y ventas minoristas.
Encuesta sobre el progreso futuro en inteligencia artificial
Vincent C. Muller, presidente de la Asociación Europea de Sistemas Cognitivos, y Nick Bostrom, de la Universidad de Oxford, quien ha publicado más de 200 artículos sobre superinteligencia e inteligencia artificial general (AGI), realizaron la encuesta sobre el progreso futuro en inteligencia artificial en 2012 y 2013. 550 participantes respondieron la pregunta: ¿Cuándo es probable que ocurra la AGI?8
Según los resultados de la encuesta sobre el progreso futuro en inteligencia artificial:
- Los expertos en IA encuestados estiman que la AGI probablemente (más del 50% de probabilidad) emergerá entre 2040 y 2050 y es muy probable (90% de probabilidad) que aparezca para 2075.
- Una vez que se alcance la AGI, la mayoría de los expertos afirman que progresará hacia la superinteligencia relativamente rápido, con un marco de tiempo que va desde tan solo 2 años (poco probable, 10% de probabilidad) hasta unos 30 años (alta probabilidad, 75%).
Encuesta con expertos en IA que participaron en la conferencia AGI-09
Basado en los resultados de la encuesta de 21 expertos en IA que participaron en la conferencia AGI-09 en 2009, la AGI ocurrirá alrededor de 2050, y posiblemente antes.9 Puedes ver abajo sus estimaciones sobre logros específicos de IA: aprobar el test Turing, aprobar el tercer grado, lograr avances científicos dignos de un Nobel y alcanzar inteligencia sobrehumana.
Figura 1: Resultados de la encuesta distribuida a los asistentes de la conferencia de Inteligencia Artificial General 2009 (AGI-09).
Perspectivas de la comunidad
También evaluamos las predicciones de Samotsvety Forecasting y Metaculus Community sobre AGI, y los resultados del mercado de predicción de Manifold, Kalshi y Polymarket:
Samotsvety Forecasting
Samotsvety Forecasting es un equipo de pronosticadores que hace predicciones probabilísticas sobre eventos del mundo real, especialmente en geopolítica, tecnología y riesgos globales, utilizando razonamiento estructurado y métodos cuantitativos. Demuestran un historial competitivo sólido en plataformas y torneos importantes de pronóstico (por ejemplo, INFER/CSET-Foretell), donde su precisión se mide utilizando métricas de puntuación formales como la puntuación Brier.10
En enero de 2026, el equipo actualizó sus predicciones sobre AGI con 8 pronosticadores.11 Estos son los resultados agregados:
- 10% de probabilidad de que alcancemos AGI en 2026
- 50% de probabilidad de que alcancemos AGI para 2041
- 90% de probabilidad de que alcancemos AGI para 2164
En un pronóstico anterior de 2022, el equipo estimó un 32% de probabilidad de AGI dentro de 20 años (para ~2042) y 73% para 2100, ambos más bajos que sus proyecciones actuales.12
Mercado Manifold
A partir de enero de 2026, más de 1.100 contribuyentes del mercado Manifold predijeron el año en que una IA aprobará por primera vez un "test Turing de alta calidad y adversario" como 2035.13
Mercado de predicción Kalshi
Los contribuyentes al mercado de predicción Kalshi afirman que hay un 40% de probabilidad de que OpenAI logre AGI para 2030, a partir de enero de 2026.14
Polymarket
Los resultados de las predicciones de Polymarket en enero de 2026 indicaron que hay un 9% de probabilidad de que OpenAI logre AGI para 2027.15
Predicciones de la comunidad Metaculus
A partir de febrero de 2026:
- 1.700 participantes respondieron la pregunta "¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA débilmente general?" y la predicción es 21 de febrero de 2028.16
- 178 participantes respondieron la pregunta "¿Cuándo una IA aprobará por primera vez un test Turing largo, informado y adversario?" y su predicción es 22 de abril de 2029.17
- 1.800 participantes respondieron la pregunta "¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA general?" y su predicción es abril de 2033.18
En 2022, 81 participantes respondieron la pregunta "¿Cuándo los principales pronosticadores esperarán que se desarrolle y demuestre la primera Inteligencia Artificial General?" y su predicción fue 2035.19
Perspectivas de emprendedores de IA e investigadores individuales
Los emprendedores de IA también están haciendo estimaciones sobre cuándo alcanzaremos la singularidad, y son más optimistas que los investigadores. Esto es esperado ya que se benefician del mayor interés en la IA.
Sus opiniones difieren sobre su velocidad y vía de desarrollo. Amodei de Anthropic espera que la AGI llegue a corto plazo debido al rápido progreso de refuerzo mutuo, mientras que Hassabis de DeepMind lo ve como plausible pero permanece cauteloso, citando desafíos sin resolver en la creatividad científica y la auto-mejora autónoma.
Estas son las predicciones de 15 de los emprendedores e investigadores de IA más prominentes:
- Shane Legg, cofundador de DeepMind Technologies, define AGI mínima como un agente artificial que puede realizar de manera confiable toda la gama de tareas cognitivas que un humano promedio puede hacer, sin fallar de maneras que nos sorprenderían si una persona recibiera la misma tarea. Su predicción en enero de 2026 es que hay un 50% de probabilidad de que ocurra AGI mínima para 2028.
- Según Legg, alcanzar la AGI mínima no significa que entendamos completamente o podamos reproducir las formas más altas de inteligencia humana, como grandes avances científicos o logros artísticos. La AGI completa solo se lograría una vez que la IA pueda igualar todo el espectro de la cognición humana.20
- Dario Amodei, CEO de Anthropic, expresó una fuerte confianza en que los sistemas a nivel de AGI se están acercando a corto plazo en el Foro Económico Mundial de 2026 en Davos. Afirma que la AGI probablemente ocurrirá dentro de unos pocos años (2027), posiblemente antes de lo que se espera ampliamente.
- Argumenta que los rápidos avances en la automatización de la codificación y la investigación de IA son centrales, permitiendo a los sistemas de IA manejar la mayoría de las tareas de ingeniería de software de extremo a extremo y acelerar su propio desarrollo a través de bucles de retroalimentación.
- Aunque reconoce restricciones como la disponibilidad de hardware y el tiempo de entrenamiento, considera poco probable un cronograma mucho más largo y anticipa una rápida aceleración una vez que estos bucles maduren.21
- En el mismo evento en 2026, Demis Hassabis, fundador de DeepMind, mantuvo una perspectiva más cautelosa, reiterando una estimación de aproximadamente un 50% de probabilidad de lograr AGI para finales de la década (2030).
- Hassabis está de acuerdo en que el progreso es rápido en dominios verificables como la codificación y las matemáticas, pero enfatiza que el descubrimiento científico y el razonamiento creativo siguen siendo más difíciles.
- Destaca limitaciones sin resolver en la generación de nuevas preguntas y teorías y expresa incertidumbre sobre la auto-mejora completamente autónoma, particularmente en dominios complejos del mundo real, lo que cree que hace que los cronogramas de AGI sean menos ciertos.
- Combinando el progreso de la IA en razonamiento, programación y matemáticas, Eric Schmidt, ex CEO de Google, afirma que nos dirigimos hacia la Inteligencia Artificial General dentro de 3–5 años (como se declaró en abril de 2025).22
- Elon Musk espera el desarrollo de una inteligencia artificial más inteligente que el más inteligente de los humanos para 2026.23
- En febrero de 2025, el emprendedor e inversor Masayoshi Son lo predijo en 2-3 años (es decir, 2027 o 2028).
- En marzo de 2024, el CEO de Nvidia Jensen Huang predijo que dentro de cinco años, la IA igualaría o superaría el rendimiento humano en cualquier prueba: 2029.24
- Louis Rosenberg, científico de la computación, emprendedor y escritor, para 2030.
- Ray Kurzweil, científico de la computación, emprendedor y autor de 5 best sellers nacionales, incluyendo The Singularity Is Near: Anteriormente 2045,25 , en 2024, 2032.26
- En 2023, Hinton encontró que la AGI podría tomar 5-20 años.27
- Sam Altman, CEO de OpenAI, para 2035. Mencionó "unos pocos miles de días" en 2024 en su blog "The Intelligence Age".
- Ajeya Cotra, una investigadora de IA, analizó el crecimiento de la computación de entrenamiento y estimó un 50% de probabilidad de que la IA con capacidades similares a las humanas emerja para 2040.28
- Patrick Winston, profesor del MIT y director del Laboratorio de Inteligencia Artificial del MIT de 1972 a 1997, mencionó 2040, enfatizando que aunque es una fecha que ocurriría, es difícil de estimar.
- Jürgen Schmidhuber, cofundador de la empresa de IA NNAISENSE y director del laboratorio suizo de IA IDSIA, para 2050.29
Otros comentarios y desarrollos sobre AGI
Panel presidencial de AAAI sobre el futuro de la investigación en IA
475 encuestados, principalmente de la academia (67%) y América del Norte (53%), fueron preguntados sobre el progreso en IA. Aunque la encuesta del Panel Presidencial de AAAI 2025 sobre el Futuro de la Investigación en IA no pidió un cronograma para AGI, el 76% de los encuestados compartió que escalar los enfoques actuales de IA sería poco probable que llevara a AGI.30
OpenAI expande sus ambiciones robóticas
OpenAI está aumentando su enfoque en la robótica como parte de su objetivo de avanzar en la inteligencia artificial general. La empresa está contratando especialistas en sistemas de robots humanoides y formando un equipo para diseñar algoritmos que ayuden a los robots a aprender y actuar de forma independiente en el mundo físico.
Esto marca un cambio del enfoque anterior de OpenAI en modelos de lenguaje e imagen. La empresa ahora busca conectar el razonamiento avanzado con la interacción física, sugiriendo que ve la robótica como un paso esencial para probar y lograr AGI.
Contexto e implicaciones
Después de cerrar su primer equipo de robótica alrededor de 2020, OpenAI está regresando al desarrollo activo en el campo. Las contrataciones recientes y las posibles asociaciones apuntan a un esfuerzo renovado para construir robots capaces de aprendizaje y manipulación en el mundo real.
Al combinar modelos de IA a gran escala con datos sensoriales, OpenAI busca crear sistemas que puedan razonar y operar fuera de entornos digitales. La contratación de expertos en robótica humana también indica objetivos a largo plazo que van más allá de la automatización y hacia robots que puedan trabajar de forma segura junto a las personas.31
Informe de Microsoft sobre experimentos tempranos con GPT-4
Microsoft Research estudió una versión temprana de OpenAI's GPT-4 en 2023. El informe afirmó que mostraba una inteligencia general mayor que los modelos de IA anteriores, actuando a nivel humano en áreas como matemáticas, codificación y derecho. Esto provocó un debate sobre si GPT-4 era una forma preliminar de inteligencia artificial general. 32
El camino hacia la inteligencia artificial general informe del MIT
El informe "El camino hacia la inteligencia artificial general" en agosto de 2025 anticipa que los primeros sistemas similares a AGI podrían comenzar a emerger entre 2026 y 2028, mostrando razonamiento a nivel humano dentro de dominios específicos, capacidades multimodales a través de texto, audio e interfaces físicas, y autonomía limitada dirigida a objetivos.
El informe combina pronósticos agregados y sugiere una probabilidad del 50% de que varios hitos generalizados, como la transferencia de conocimiento y el razonamiento amplio, se logren para 2028.
Las proyecciones a más largo plazo estiman que las máquinas pueden superar el rendimiento humano en todas las tareas económicamente valiosas alrededor de 2047, dependiendo de avances en eficiencia de computación, avances algorítmicos y aprendizaje autónomo.33
AI Frontiers sobre probabilidades de AGI
Adam Khoja y Laura Hiscott de AI Frontiers, una plataforma para debates y diálogos de IA, estiman una 50% de probabilidad de alcanzar AGI para 2028 y un 80% de probabilidad para 2030, utilizando su definición cuantitativa de AGI.34
Khoja y Hiscott evalúan el progreso hacia la inteligencia artificial general utilizando una definición desarrollada por Khoja, Dan Hendrycks y sus coautores.35 Su marco mide diez capacidades cognitivas y asigna a GPT-4 una puntuación del 27% y a GPT-5 una puntuación del 57%. Esto indica que los modelos actuales están aproximadamente a la mitad del umbral de AGI definido.
Khoja y Hiscott argumentan que las discusiones tradicionales sobre los cronogramas de AGI carecen de precisión porque dependen de definiciones inconsistentes. Su marco estandarizado tiene la intención de crear claridad identificando fortalezas y debilidades específicas en los modelos actuales. Señalan que la lectura, la escritura, las matemáticas y el conocimiento general cumplen o superan las líneas base humanas y ya no son factores limitantes.
Los autores destacan las brechas restantes en el razonamiento visual, la física intuitiva, el procesamiento auditivo, la velocidad dependiente de la percepción y la memoria de trabajo visual y auditiva. Informan una rápida mejora en benchmarks como SPACE y MindCube y sugieren que estas brechas probablemente puedan abordarse a través de investigación incremental continua. También observan que las alucinaciones siguen siendo una preocupación pero son tratables dado el rendimiento diferencial entre los principales modelos.
Según Khoja, Hiscott y Hendrycks, el obstáculo más significativo restante es el aprendizaje continuo y el almacenamiento de memoria a largo plazo. Los sistemas actuales no pueden retener información entre sesiones, y resolver esta limitación requerirá al menos un avance significativo. Sin embargo, los autores enfatizan que los principales laboratorios de IA ahora están priorizando esta área.
Aprendiendo del optimismo excesivo pasado en las predicciones de IA
Tenga en cuenta que los investigadores de IA fueron excesivamente optimistas antes. Los ejemplos incluyen:
- Geoff Hinton afirmó en 2016 que no necesitaríamos radiólogos para 2021 o 2026. Hasta ahora, la radiología no se ha automatizado completamente y los hospitales necesitan miles de ellos.36
- El pionero de la IA Herbert A. Simon en 1965: "las máquinas serán capaces, dentro de veinte años, de hacer cualquier trabajo que un hombre pueda hacer."37
- La Quinta Generación de Computadoras de Japón en 1980 tenía un cronograma de diez años con objetivos como "mantener conversaciones casuales".38
Esta experiencia histórica contribuyó a que la mayoría de los científicos actuales se alejaran de predecir AGI en marcos de tiempo audaces como 10-20 años, pero esto ha cambiado con el auge de la IA generativa.
Entender qué es la singularidad
La inteligencia artificial nos asusta y nos intriga. Casi cada semana hay un nuevo susto de IA en las noticias, como desarrolladores asustados por lo que han creado o apagando bots porque se volvieron demasiado inteligentes.39
La mayoría de estos mitos resultan de investigaciones mal interpretadas por personas ajenas a los campos de IA y GenAI. Algunos interesados afirman temer a la IA porque pueden beneficiarse de más regulación, o puede traerles más atención.
El mayor temor sobre la IA es la singularidad (también llamada Inteligencia Artificial General o AGI), que es un evento que se espera que traiga un rápido aumento en la inteligencia de la máquina. Esto se espera cuando un sistema combina el pensamiento a nivel humano con velocidad sobrehumana y memoria casi perfecta, rápidamente accesible. Según algunos expertos, la singularidad también implica conciencia de la máquina.
Una máquina así podría auto-mejorarse y superar las capacidades humanas. Incluso antes de que la inteligencia artificial fuera un tema de investigación en ciencias de la computación, los escritores de ciencia ficción como Asimov estaban preocupados por esto. Estaban ideando mecanismos (es decir, las Leyes de la Robótica de Asimov) para asegurar la benevolencia de las máquinas inteligentes, lo que hoy se llama más comúnmente investigación de alineación.
Por qué los expertos creen que la AGI es inevitable: Argumentos clave y evidencia
Alcanzar la AGI parece una predicción salvaje, pero parece un objetivo bastante razonable cuando consideras que la inteligencia humana es fija y la inteligencia de la máquina está creciendo. Es solo cuestión de tiempo antes de que las máquinas nos superen a menos que haya algún límite duro a su inteligencia. Aún no hemos encontrado tal límite.
La inteligencia humana es fija a menos que de alguna manera fusionemos nuestras capacidades cognitivas con máquinas. La startup de red neural de Elon Musk busca hacer esto, pero la investigación sobre interfaces cerebro-computadora está en etapas tempranas.40
La inteligencia de la máquina depende de algoritmos, potencia de procesamiento y datos.
- La potencia de procesamiento ha estado creciendo a una tasa exponencial a medida que la inversión fluye en I+D y centros de datos.
- Hasta ahora, hemos sido buenos para suministrar a las máquinas los algoritmos necesarios para usar su potencia de procesamiento y memoria de manera efectiva.
- Finalmente, las empresas y los individuos están creando datos digitales a una tasa creciente. Los datos sintéticos pueden corromper modelos o aumentar modelos. Incluso si los corrompen, es un problema solucionable gracias a la curación de datos.
Logros recientes
Opus 4.6
En febrero de 2026, Claude lanzó Opus 4.6 con una ventana de contexto de 1M y resultados de benchmark impresionantes.
Anthropic también se está centrando en casos de uso lanzando complementos como Claude legal que son archivos markdown para ayudar a los modelos a navegar dominios específicos. Aunque esto fue una adición menor a Claude, desencadenó una venta en el mercado de valores incluyendo SaaS y software legal.41
Gemini Deep Think
Otro ejemplo es el modo Deep Think de Gemini de DeepMind, que logró un rendimiento de medalla de oro en la Olimpiada Internacional de Matemáticas de 2025, marcando un paso significativo en la capacidad de la IA para razonar a través de problemas complejos.
Operando completamente en lenguaje natural, Gemini resolvió cinco de seis problemas dentro de la ventana oficial de 4.5 horas del concurso, mientras producía pruebas claras y legibles por humanos sin depender de herramientas simbólicas formales.
Sus capacidades provienen de varias innovaciones: el modo Deep Think permite la exploración paralela de rutas de solución, el entrenamiento incorpora pruebas matemáticas de nivel experto y el aprendizaje por refuerzo refina su enfoque estratégico.
Este progreso demuestra que la IA avanzada ahora puede participar en razonamiento sofisticado e interpretable a un nivel antes reservado para los mejores solucionadores de problemas humanos.42
Opencrawl
Opencrawl es un proyecto de código abierto para convertir LLMs en agentes. Se convirtió en uno de los proyectos más populares en GitHub e inició el ecosistema opencrawl.
Crecimiento exponencial
Lo siguiente es una analogía útil para entender el crecimiento exponencial. Aunque las máquinas pueden no parecer muy inteligentes ahora mismo, pueden volverse bastante inteligentes en un futuro cercano.
Crecimiento reciente en capacidades de computación de IA
Figura 2: La figura muestra un resumen de los patrones de crecimiento de computación observados en varias categorías: modelos notables en general (arriba izquierda), modelos de vanguardia (arriba derecha), modelos de lenguaje líderes (abajo izquierda) y modelos principales de empresas líderes (abajo derecha).
Los recursos computacionales para entrenar modelos de IA han aumentado significativamente, con aproximadamente dos tercios del rendimiento de los modelos de lenguaje atribuidos a mejoras en la escala del modelo.
Según un artículo de 2024,43 el crecimiento del uso de computación en el entrenamiento de modelos de IA ha aumentado consistentemente alrededor de 4-5 veces por año, reflejando tendencias en modelos notables, modelos de vanguardia y empresas principales como OpenAI, Google DeepMind y Meta AI (ver Figura 2).
Sin embargo, la tasa de crecimiento se ha ralentizado algo desde 2018, especialmente para modelos de vanguardia, pero los modelos de lenguaje han experimentado un crecimiento más rápido hasta 9 veces/año hasta mediados de 2020, después de lo cual el ritmo se ralentizó a 4-5 veces/año.
La tendencia general para el crecimiento de la computación de IA sigue siendo fuerte, y las proyecciones sugieren que la tasa de crecimiento de 4-5 veces/año continuará a menos que ocurran nuevos desafíos o avances. Este crecimiento también se ve en las estrategias de escalado de las principales empresas de IA, aunque existen ligeras variaciones entre ellas.
A pesar de una desaceleración en el crecimiento de modelos de vanguardia, los modelos más grandes lanzados hoy, como GPT-4 y Gemini Ultra, se alinean estrechamente con la trayectoria de crecimiento predicha.
Si la computación clásica se ralentiza, la computación cuántica puede llenar el vacío
La computación clásica nos ha llevado bastante lejos. Los algoritmos de IA en computadoras clásicas pueden superar el rendimiento humano en tareas específicas como jugar al ajedrez o al Go. Por ejemplo, AlphaGo Zero venció a AlphaGo por 100-0. AlphaGo había vencido a los mejores jugadores de la tierra.44 Sin embargo, nos estamos acercando a los límites de qué tan rápido pueden ser las computadoras clásicas.
La ley de Moore, que se basa en la observación de que el número de transistores en un circuito integrado denso se duplica aproximadamente cada dos años, implica que el costo de la computación se reduce a la mitad aproximadamente cada 2 años.
Por otro lado, la mayoría de los expertos creen que la ley de Moore está llegando a su fin durante esta década.45 Sin embargo, hay esfuerzos para seguir mejorando la eficiencia de la computación.
Por ejemplo, DeepSeek sorprendió a los mercados globales con su modelo R1 al entregar un modelo de razonamiento a una fracción del costo de sus competidores, como OpenAI.
La computación cuántica, que aún es una tecnología emergente, puede contribuir a reducir los costos de computación después de que la ley de Moore llegue a su fin. La computación cuántica se basa en la evaluación de diferentes estados al mismo tiempo, mientras que las computadoras clásicas pueden calcular un estado a la vez.
La naturaleza única de la computación cuántica puede usarse para entrenar eficientemente redes neuronales, actualmente la arquitectura de IA más popular en aplicaciones comerciales. Los algoritmos de IA que se ejecutan en computadoras cuánticas estables tienen la oportunidad de desbloquear la singularidad.
¿Por qué algunos expertos creen que no alcanzaremos AGI?
Hay 3 argumentos principales en contra de la importancia o existencia de AGI. Los examinamos junto con sus refutaciones comunes:
1- La inteligencia es multidimensional
Por lo tanto, la AGI será diferente, no necesariamente superior a la inteligencia humana.
Esto es cierto, y la inteligencia humana también es diferente de la inteligencia animal. Algunos animales son capaces de hazañas mentales, como las ardillas recordando dónde escondieron cientos de nueces durante meses.
Yann LeCun, uno de los pioneros del aprendizaje profundo, cree que deberíamos retirar la palabra AGI y centrarnos en lograr "inteligencia de máquina avanzada".46 Argumenta que la mente humana está especializada y la inteligencia es una colección de habilidades y la capacidad de aprender nuevas habilidades. Cada humano solo puede realizar un subconjunto de tareas de inteligencia humana.47
También es difícil entender el nivel de especialización de la mente humana, ya que los humanos, ya que no conocemos y no podemos experimentar todo el espectro de la inteligencia.
En áreas donde las máquinas exhibieron inteligencia sobrehumana, los humanos fueron capaces de vencerlas aprovechando debilidades específicas de la máquina. Por ejemplo, un aficionado fue capaz de vencer a un programa de Go que está a la par con los programas de Go que vencieron a los campeones mundiales estudiando y aprovechando las debilidades del programa.48
2- La inteligencia no es la solución a todos los problemas
Ciencia
Incluso la mejor máquina analizando datos existentes puede no ser capaz de encontrar una cura para el cáncer. Puede necesitar realizar experimentos en el mundo real y analizar resultados para descubrir nuevo conocimiento en la mayoría de las áreas.
Más inteligencia puede llevar a experimentos mejor diseñados y gestionados, permitiendo más descubrimiento por experimento. La historia de la productividad de la investigación debería demostrar esto, pero los datos son bastante ruidosos, y hay rendimientos decrecientes en la investigación. Nos encontramos con problemas más difíciles como la física cuántica a medida que resolvemos problemas más simples como el movimiento newtoniano.
Finalmente, las predicciones perfectas pueden no ser posibles en algunos dominios debido a la aleatoriedad inherente o la inmedibilidad de ese dominio. Por ejemplo, incluso con una gran cantidad de datos, no somos capaces de predecir ciertos resultados de vida con un alto nivel de precisión.49
Economía
La inteligencia no es el único ingrediente para la generación de valor económico.
- El CI, la medida más comúnmente aceptada de la inteligencia humana, no está correlacionado con el patrimonio neto para valores superiores a ~$40k (ver imagen abajo):
Figura 3: El CI está correlacionado con la riqueza en niveles bajos de riqueza.50
Figura 4: El CI no está correlacionado con la riqueza si solo nos enfocamos en niveles altos de riqueza. Este gráfico es el mismo que el anterior excepto que los niveles de ingresos netos inferiores a $40k han sido ocultados51
- En el mundo de las inversiones, la inteligencia del equipo de una empresa no se considera un factor de competitividad. Se asume implícitamente que otras empresas también pueden identificar estrategias inteligentes. Los inversores prefieren negocios con ventajas injustas que incluyen propiedad intelectual, escala, acceso exclusivo a recursos, etc. La mayoría de estas ventajas injustas no pueden replicarse solo con inteligencia.
3- AGI no es posible porque no es posible modelar el cerebro humano
Teóricamente, es posible modelar cualquier máquina computacional, incluido el cerebro humano, con una máquina relativamente simple que puede realizar cálculos básicos y acceder a memoria y tiempo infinitos. Esta es la hipótesis de Church-Turing universalmente aceptada establecida en 1950. Sin embargo, como se stated, requiere ciertas condiciones difíciles: tiempo y memoria infinitos.
La mayoría de los científicos de la computación creen que modelar el cerebro humano tomará menos tiempo y memoria infinitos. No obstante, no hay una manera matemáticamente sólida de probar esta creencia, porque aún no entendemos el cerebro lo suficientemente bien como para caracterizar con precisión su poder computacional. ¡Tendremos que construir tal máquina!
¿Cómo podemos alcanzar AGI?
Figura 5: El horizonte temporal de los modelos de IA de vanguardia a lo largo del tiempo muestra las tareas más largas (en tiempo equivalente humano) que cada modelo puede completar con un 50% de fiabilidad.52
La figura anterior muestra cómo las capacidades de los agentes de IA han mejorado con el tiempo midiendo las tareas más largas que pueden completar con un 50% de fiabilidad.
El hallazgo clave es que la frontera de longitud de tareas que los modelos pueden manejar ha crecido exponencialmente, duplicándose aproximadamente cada siete meses. Esto significa que los modelos más nuevos, como Claude 3.7 Sonnet y o1, ahora pueden completar tareas que le tomarían a un humano casi una hora, mientras que los modelos más antiguos como GPT-2 apenas podían manejar tareas más largas que unos pocos segundos.
La región sombreada refleja la incertidumbre estadística, pero la tendencia general es confiable. Si este patrón continúa, los sistemas de IA podrían pronto manejar tareas complejas que le toman a los humanos días o incluso semanas, marcando un paso significativo hacia una autonomía más amplia y capacidades similares a AGI.
Escalado como vía hacia AGI
Los líderes de los laboratorios de IA de vanguardia creen que escalar los enfoques actuales basados en transformadores puede producir AGI, lo que alimenta sus predicciones sobre lograr AGI en unos pocos años.
Una vía propuesta hacia AGI es escalar arquitecturas existentes como transformadores aumentando la computación y los datos, mientras que otra es desarrollar enfoques completamente nuevos.
En apoyo de la hipótesis de escalado, un informe de 2024 de Epoch AI analizó si el crecimiento de la computación de IA puede continuar hasta 2030.
Identificaron cuatro restricciones principales: disponibilidad de energía, capacidad de fabricación de chips, escasez de datos y latencia de procesamiento (ver Figura 6).
A pesar de estos desafíos, argumentan que es factible entrenar modelos que requieran hasta 2e29 FLOPs para finales de la década, asumiendo inversiones significativas en infraestructura.
Estos avances podrían producir sistemas de IA mucho más capaces que los modelos más avanzados de hoy como GPT-4, acercándonos más a AGI.53
Figura 6: El gráfico ilustra los límites superiores estimados en la computación de entrenamiento de IA para 2030 bajo restricciones clave: energía, producción de chips, datos y latencia, con medianas que van desde 2e29 hasta 3e31 FLOP.
Más allá del escalado: El caso para nuevas arquitecturas
Sin embargo, científicos de IA influyentes como Yann LeCun y Richard Sutton creen que escalar los grandes modelos de lenguaje no llevará a la inteligencia a nivel humano.54 55 Creen que se necesitan nuevas arquitecturas o enfoques para AGI.
¿Cómo podemos medir si hemos alcanzado AGI?
Los grandes modelos de lenguaje están superando nuevos benchmarks cada semana, pero evaluar LLMs es difícil debido a problemas como el envenenamiento de datos y la falta de una definición científica aceptada para la inteligencia a nivel humano.
Estas preocupaciones se ven amplificadas por información de investigaciones recientes56 que destacan que escalar LLMs no es un camino sostenible hacia un mejor rendimiento, especialmente en dominios científicos y de alto riesgo. Los autores muestran que:
- LLMs exhiben exponentes de escalado muy bajos (~0.1), lo que significa que incluso aumentos masivos en datos o computación producen ganancias de precisión mínimas.
- El poder de aprendizaje de LLMs proviene de su capacidad para producir salidas no gaussianas, pero esto también conduce a acumulación de errores y predicciones frágiles.
- Las métricas tradicionales como las funciones de pérdida son pseudo-métricas que no se alinean con la convergencia o precisión real.
- Un régimen de IA degenerativa (DAI) puede surgir cuando los modelos, entrenados con datos sintéticos o repetitivos, acumulan errores más rápido de lo que pueden ser corregidos.
Estos hallazgos ponen en duda la fiabilidad de los benchmarks estándar y subrayan la necesidad de estrategias de evaluación más diversas y evolutivas.
Métricas antiguas como el test Turing ya no son adecuadas para las máquinas de hoy, y nuevas métricas como ARC-AGI pueden carecer de las capacidades de generalización de benchmarks más amplios.
Métricas emergentes como ARC-AGI buscan probar la abstracción y la generalización, pero aún pueden carecer de resistencia a la contaminación de datos o al sobreajuste.
Además, como destaca el artículo, incluso las puntuaciones de pérdida "buenas" pueden ocultar catástrofes de información subyacentes debido a fluctuaciones no gaussianas e inestabilidades de entrenamiento.57
¿Cómo podemos rastrear el progreso de LLMs?
Hay algunos enfoques para hacer benchmarks para superar estos desafíos:
- Actualizar frecuentemente las preguntas de benchmark. Ejemplo de la vida real: LiveBench
- Usar conjuntos de retención para prevenir el envenenamiento de datos: benchmarks de AIMultiple, como el benchmark de AGI o ARC-AGI.
¿Cuáles son los enfoques más allá de los benchmarks para determinar AGI?
Hay indicadores potencialmente fuertes pero rezagados del impacto de la IA, que pueden ayudar a identificar AGI.
Crecimiento económico
El CEO de Microsoft Satya Nadella afirma que un crecimiento del 10% en el mundo desarrollado indicaría AGI.58 . Sin embargo, su incentivo es tener una definición retrasada de AGI ya que AGI pondría fin a la asociación exclusiva de OpenAI y Microsoft.59
Desempleo
Esperamos que AGI
- Reduzca el empleo de cuello blanco al 10% de su pico global cuando se mide como una parte de las personas en la fuerza laboral. Esto debería tener lugar si la parte laboral de los ingresos disminuye dramáticamente debido a la IA.
- Mientras el crecimiento del PIB continúa
En un mundo donde las máquinas son más inteligentes y eficientes que los humanos, no sería racional pagarle a un humano para sentarse frente a una computadora. Por lo tanto, esperamos que el empleo de cuello blanco se desplome mientras los humanos continúan prosperando en trabajos en el mundo físico.
Las agencias gubernamentales que recopilan estadísticas laborales clasifican los trabajos en categorías detalladas, lo que hace que el empleo de cuello blanco sea una métrica fácil de rastrear.
Recopilamos datos de la Oficina de Estadísticas Laborales de EE. UU. sobre el empleo de cuello blanco que abarca de 2019 a 2024.60 Para mayor claridad y consistencia, categorizamos a los trabajadores de cuello blanco en los siguientes grupos ocupacionales:
- Ocupaciones de Arquitectura e Ingeniería
- Ocupaciones de Negocios y Operaciones Financieras
- Ocupaciones de Computación y Matemáticas
- Ocupaciones de Profesionales y Técnicos de Salud
- Ocupaciones Legales
- Ocupaciones de Ciencias de la Vida, Físicas y Sociales
- Ocupaciones de Gestión
- Ocupaciones de Oficina y Apoyo Administrativo
- Ocupaciones de Ventas y Relacionadas
Según nuestro análisis, la relación de trabajadores de cuello blanco al empleo total ha fluctuado entre 45% y 48% durante este período.
Aunque este rango sugiere estabilidad relativa en la parte del empleo de cuello blanco hasta ahora, no es indicativo de una tendencia a largo plazo, y esperamos cambios más pronunciados en los próximos años a medida que la automatización y la adopción de IA se aceleren. Para más predicciones sobre cómo la IA cambiará el empleo de cuello blanco y de nivel inicial, lee pérdida de empleos por IA.
¿Deberíamos siquiera apuntar a AGI?
Hay científicos de la computación que advierten que centrarse en AGI como el objetivo final puede distorsionar la investigación en IA.61 Las críticas incluyen: Crear una ilusión de consenso, sobreajustar benchmarks, ignorar valores sociales incrustados, dejar que el bombo dicte prioridades, acumular "deuda de generalidad" (posponer preguntas clave de diseño) y excluir a comunidades marginadas e investigadores con pocos recursos.
Objetivos específicos, medibles y transparentes serían mejores para el progreso en IA que un objetivo vagamente definido como AGI.
Añadir como fuente preferidaRazonamiento matemático detrás de las predicciones de AGI
El razonamiento matemático es central para entender y pronosticar los cronogramas de AGI. Muchas proyecciones se basan en tendencias cuantificables y modelos formales que guían las expectativas sobre cuándo podría emerger la inteligencia artificial general.
Leyes de escalado y crecimiento de computación
Un componente clave del razonamiento matemático implica analizar leyes de escalado. Estas muestran que el rendimiento del modelo mejora predeciblemente con más datos, parámetros y computación.
El crecimiento consistente de 4–5× anual en la computación de entrenamiento de IA respalda pronósticos de que AGI puede ser alcanzable dentro de uno o dos décadas, asumiendo que las tendencias actuales continúan.
Estas proyecciones se basan en ajustes empíricos a curvas de rendimiento y extrapolaciones, respaldadas por relaciones de ley de potencia, un concepto central en el modelado matemático.
Pronóstico probabilístico
Los investigadores también aplican métodos probabilísticos a las predicciones de AGI. Las encuestas a menudo piden a los expertos que estimen la probabilidad de que AGI sea desarrollada para años específicos, produciendo distribuciones de probabilidad acumulativa.
Por ejemplo, una probabilidad del 50% para 2040 refleja consenso bajo incertidumbre, impulsado por actualizaciones al estilo bayesiano basadas en el progreso observado de la IA.
Este enfoque de razonamiento matemático captura la incertidumbre de los expertos sin requerir fechas precisas, permitiendo revisión continua a medida que nuevos datos están disponibles.
Fundamentos teóricos
Estas proyecciones se basan en elementos teóricos del razonamiento matemático, incluida la tesis de Church-Turing, que implica que la cognición humana puede ser simulada por máquinas, y conceptos como la complejidad de Kolmogorov, que relacionan la inteligencia con la compresibilidad de la información.
Aunque tales teorías no garantizan AGI, proporcionan un marco para pensar sobre su posibilidad y los requisitos computacionales involucrados.
Más sobre Inteligencia Artificial General
David Silver, Científico Principal de Investigación en Google DeepMind
Explica que la Inteligencia Artificial General (AGI) se refiere a sistemas de IA capaces de aprender y sobresalir en una amplia gama de tareas; muy como los humanos que pueden convertirse en expertos en diversos campos como la ciencia, la música o los deportes.
A diferencia de la IA estrecha limitada a una sola función, AGI aspira a reflejar la adaptabilidad humana y la capacidad de resolución general de problemas.
Señala que aunque AGI es un objetivo a largo plazo, alcanzar la verdadera inteligencia a nivel humano probablemente requerirá varios avances y se desarrollará gradualmente con el tiempo (ver el video abajo).
Ilya Sutskever, cofundador y Científico Jefe de OpenAI
En la charla TED "El viaje emocionante y peligroso hacia AGI", explora el rápido progreso hacia la Inteligencia Artificial General (AGI).
Predice que AGI podría emerger dentro de los próximos 5 a 10 años, aunque reconoce incertidumbre en este cronograma.
Sutskever destaca tanto el inmenso potencial como los profundos riesgos de AGI, enfatizando la necesidad de alinear su desarrollo con los valores humanos. A pesar de los desafíos, es optimista de que la humanidad puede guiar de forma segura esta poderosa tecnología (ver el video abajo).
Ray Kurzweil, científico de la computación y emprendedor
Reflexiona sobre más de seis décadas de progreso en IA, trazando la capacidad de la humanidad para construir herramientas que mejoran la inteligencia, desde implementos primitivos hasta grandes modelos de lenguaje.
También predice que la Inteligencia Artificial General llegará para 2029, llevando a la singularidad tecnológica para 2045. Destaca avances exponenciales en potencia de computación, medicina y biotecnología.
También pronostica avances como curas generadas por IA, ensayos clínicos digitales y velocidad de escape de longevidad, donde el progreso científico podría extender la vida indefinidamente (ver el video abajo).
Yann LeCun, ganador del premio Turing
Ve por qué LLMs no pueden darnos inteligencia a nivel humano y los últimos enfoques de IA para llegar allí:
Predicciones de inteligencia artificial general
Metodología del gráfico de singularidad
- Para trazar el año esperado del desarrollo de AGI en el gráfico, usamos el promedio ponderado de predicciones para cada año dentro de cada categoría. Por ejemplo, si hubo múltiples pronósticos de mercado de predicción en 2022, calculamos su promedio ponderado y trazamos ese valor.
- Para predicciones individuales, incluimos pronósticos de 15 expertos en IA.
- Para predicciones científicas, recopilamos resultados de encuestas de 8 artículos revisados por pares que proporcionan cronogramas para AGI.
- Para predicciones de mercados de predicción y perspectivas de la comunidad, usamos:
- Más de 1.100 predicciones de Manifold, Kalshi y Polymarket, que son mercados de predicción en línea donde los participantes comercian sobre la probabilidad y el momento de eventos futuros por beneficio o reputación.
- Resultados agregados de 8 expertos de Samotsvety Forecasting. Samotsvety Forecasting emplea métodos cuantitativos para generar predicciones probabilísticas sobre eventos del mundo real.
- 3.290 predicciones enviadas en 2020 y 2022 en la plataforma públicamente accesible Metaculus.
Conclusión
Las predicciones para AGI han cambiado notablemente en los últimos años. Mientras que encuestas anteriores colocaron su llegada más cerca de 2060, pronósticos recientes, especialmente de emprendedores, sugieren que podría emerger tan pronto como 2026–2035.
Este cambio es impulsado por rápidos avances en grandes modelos de lenguaje y creciente potencia de computación. Sin embargo, a pesar de estas ganancias, la IA de hoy aún carece de la flexibilidad general y la autonomía asociadas con la inteligencia a nivel humano.
Los expertos siguen divididos sobre cómo se logrará AGI; algunos creen que escalar las arquitecturas actuales será suficiente, mientras que otros argumentan que se necesitan nuevos métodos.
Los desafíos clave incluyen altas demandas de recursos, benchmarks poco claros y preocupaciones éticas sin resolver. AGI puede estar más cerca que nunca, pero su llegada aún depende tanto de avances técnicos como de una supervisión cuidadosa.
Preguntas frecuentes
La singularidad es un evento hipotético que se espera que resulte en un rápido aumento en la inteligencia de la máquina.
Para la singularidad, necesitamos un sistema que combine el pensamiento a nivel humano con velocidad sobrehumana y memoria casi perfecta, rápidamente accesible.
La singularidad también debería resultar en conciencia de la máquina, pero como la conciencia no está bien definida, no podemos ser precisos sobre ella. Tal sistema podría auto-mejorarse y superar las capacidades humanas.
Aunque la singularidad es un término relativamente antiguo, AGI y especialmente superinteligencia se usan con más frecuencia estos días para describir el mismo evento.
La Inteligencia Artificial General (AGI) se refiere a un tipo de IA que puede entender, aprender y aplicar conocimiento en una amplia gama de tareas intelectuales a un nivel igual o superior al de los humanos.
A diferencia de la IA estrecha, que está diseñada para tareas específicas como la traducción de idiomas o el reconocimiento de imágenes, AGI poseería capacidades cognitivas generalizadas, permitiéndole razonar, planificar y adaptarse en situaciones desconocidas.
El desarrollo de AGI sigue siendo un objetivo de investigación significativo y objeto de debate ético y filosófico.
La superinteligencia denota una inteligencia que supera significativamente a las mejores mentes humanas en casi todos los dominios, incluyendo creatividad, resolución de problemas y comprensión social.
Representa una etapa más allá de AGI, donde un sistema artificial podría superar a los humanos en cada esfuerzo intelectual significativo.
El concepto plantea consideraciones críticas sobre control, seguridad y las implicaciones a largo plazo para el papel de la humanidad en un mundo dominado por una inteligencia superior.
La Inteligencia de Máquina Avanzada (AMI) involucra sistemas de IA competentes que se acercan o alcanzan una inteligencia casi general.
Aunque pueden no poseer aún la flexibilidad completa y la autoconciencia asociadas con AGI, los sistemas AMI demuestran razonamiento avanzado, aprendizaje y adaptabilidad en diversas tareas.
El término se usa a menudo para denotar sistemas de IA que superan las capacidades actuales de IA estrecha pero permanecen por debajo del umbral de inteligencia general completa.
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularidad: 9.800 predicciones analizadas}},
year = {2026},
month = may,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Recuperado el 22 de Mayo de 2026}
}Resultados y marcas de tiempo de 204 puntos de datos. Descargue los datos utilizados en este artículo como un archivo ZIP que contiene 2 archivos CSV y un README.
Enlaces de referencia
Comentarios 12
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!