AGI/Singularidad: 10,000 predicciones analizadas
La inteligencia artificial general (AGI) es cuando un sistema de IA iguala las capacidades cognitivas humanas en todas las tareas. Analizamos 10,000 predicciones de investigadores de IA, emprendedores líderes y la comunidad sobre el cronograma de la AGI:
¿Ocurrirá la AGI/singularidad? La AGI es inevitable según la mayoría de los expertos en IA.
¿Cuándo alcanzaremos la AGI? Entre finales de la década de 2020 y principios de la de 2030. El cronograma de la AGI se acortó tras el lanzamiento de ChatGPT.
Cronograma de la Inteligencia Artificial General
El cronograma anterior describe el año anticipado de la singularidad, basado en información recopilada de 10 encuestas con más de 6,000 participantes, respuestas de 18 investigadores de IA e información de la comunidad de los mercados de predicción Manifold, Kalshi y Metaculus.
Como puede ver arriba, los encuestados esperan cada vez más que la singularidad ocurra antes de lo previsto anteriormente. Conozca los métodos que utilizamos para crear este gráfico.
Predicciones de AGI de los mercados de predicción
Para los mercados de predicción y las predicciones de la comunidad, utilizamos:
3,900 predicciones de Manifold, Kalshi y Metaculus, que son mercados de predicción en línea donde los participantes negocian sobre la probabilidad y el momento de eventos futuros con fines de lucro o reputación. También incluimos la fecha de predicción promedio obtenida de estos mercados de predicción.
Otras preguntas clave sobre la AGI
¿Cuál es nuestro estado actual respecto a la AGI?
Aunque la IA estrecha supera a los humanos en tareas específicas, no existe una máquina inteligente. Algunos investigadores afirman que los modelos de lenguaje grandes 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?
Ya sea invirtiendo más computación y datos en las 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 puede ver un resumen de las predicciones que componen este cronograma, o ver la tabla completa.
Resultados de las principales encuestas a investigadores de IA
Examinamos los resultados de 10 encuestas que involucraron a más de 6,000 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, y algunas estiman que la superinteligencia podría seguir en unas pocas décadas.
Encuesta a Expertos sobre el Progreso en IA
En octubre de 2023, IA Impacts encuestó a 2,778 investigadores de IA sobre cuándo podría alcanzarse la AGI. Esta encuesta incluía preguntas casi idénticas a la encuesta de 2022. Según los resultados de la Encuesta a Expertos sobre el Progreso en IA, se estima que la inteligencia de máquina de alto nivel ocurrirá para 2040.2
Encuesta a Expertos sobre el Progreso en IA
La encuesta se realizó con 738 expertos que publicaron en las conferencias NIPS e ICML de 2021. Según los resultados de la Encuesta a Expertos sobre el Progreso en IA, los expertos estiman que hay una probabilidad del 50% de que la inteligencia de máquina de alto nivel ocurra para 2059.3
Los expertos también predijeron que el coste del hardware, el progreso algorítmico y el trabajo en conjuntos de entrenamiento serían los mayores factores 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 medio en la realización 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 estimó que esto sucedería antes de 2060.4
Encuesta a Expertos en IA sobre el Momento de la AGI
Las predicciones de la Encuesta a Expertos en IA sobre el Momento de la AGI en 20195 son:
- 45% de los encuestados predice una fecha antes de 2060.
- 34% de todos los participantes predijo una fecha después de 2060.
- 21% de los participantes predijo 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 por las que actualmente se paga a los humanos, a un nivel igual o superior al de un humano promedio.
Según los resultados de la encuesta sobre el Impacto Potencial de la IA en el Desplazamiento Laboral, la mitad de los encuestados predijo que este hito se alcanzaría antes de 2068, mientras que el 75% anticipó que ocurriría dentro de los próximos 100 años.6
Encuesta a expertos en IA de 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
Según los resultados de la encuesta de las conferencias NIPS e ICML, los expertos estiman una probabilidad del 50% de que la AGI ocurra para 2060. Dicho esto, hay una diferencia de opinión significativa basada en la geografía:
- Los encuestados asiáticos esperan la AGI en 30 años,
- Los norteamericanos la esperan en 74 años.
Algunas funciones laborales significativas que se espera sean automatizadas 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 para 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 a 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) surgirá entre 2040 y 2050 y es muy probable (probabilidad del 90%) que aparezca para 2075.
- Una vez alcanzada la AGI, la mayoría de los expertos afirma que progresará a superinteligencia con relativa rapidez, con un plazo que va desde tan solo 2 años (improbable, 10% de probabilidad) hasta unos 30 años (alta probabilidad, 75%).
Encuesta con expertos en IA participantes en la conferencia AGI-09
Según los resultados de la encuesta de 21 expertos en IA participantes en la conferencia AGI-09 en 2009, la AGI ocurrirá alrededor de 2050, y plausiblemente antes.9 Puede ver a continuación sus estimaciones sobre logros específicos de la IA: pasar el test de Turing, pasar tercer grado, lograr avances científicos dignos del Nobel y alcanzar la inteligencia sobrehumana.
Figura 1: Resultados de la encuesta distribuida a los asistentes de la conferencia Artificial General Intelligence 2009 (AGI-09).
Perspectivas de la comunidad
También evaluamos las predicciones de Samotsvety Forecasting y la Comunidad Metaculus sobre la AGI, y los resultados de los mercados de predicción de Manifold, Kalshi y Polymarket:
Samotsvety Forecasting
Samotsvety Forecasting es un equipo de pronosticadores que realiza predicciones probabilísticas sobre eventos del mundo real, especialmente en geopolítica, tecnología y riesgos globales, utilizando razonamiento estructurado y métodos cuantitativos. Demuestran un sólido historial competitivo en las principales plataformas y torneos de pronóstico (por ejemplo, INFER/CSET-Foretell), donde su precisión se mide utilizando métricas de puntuación formales como la puntuación de Brier.10
En enero de 2026, el equipo actualizó sus predicciones sobre la AGI con 8 pronosticadores.11 Aquí están los resultados agregados:
- 10% de probabilidad de que alcancemos la AGI en 2026
- 50% de probabilidad de que alcancemos la AGI para 2041
- 90% de probabilidad de que alcancemos la AGI para 2164
En un pronóstico anterior de 2022, el equipo estimó una probabilidad del 32% de AGI en 20 años (para ~2042) y del 73% para 2100, ambas inferiores a sus proyecciones actuales.12
Mercado Manifold
A julio de 2026, más de 1,100 colaboradores del Mercado Manifold predijeron que el año en que una IA pasará por primera vez un “test de Turing adversarial de alta calidad” será 2035.13
Mercado de Predicción Kalshi
A julio de 2026, los colaboradores del mercado de predicción Kalshi afirman que hay una probabilidad del 40% de que OpenAI logre la AGI para 2030.14
Polymarket
Los resultados de las predicciones de Polymarket en julio de 2026 indicaron que hay una probabilidad del 10% de que OpenAI logre la AGI para 2027.15
Predicciones de la Comunidad Metaculus
A julio de 2026:
- 1,800 participantes respondieron a la pregunta “¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA débilmente general?” y la predicción es 2028.16
- 180 participantes respondieron a la pregunta “¿Cuándo pasará una IA por primera vez un test de Turing adversarial, largo e informado?” y su predicción es 2029.17
- 1,900 participantes respondieron a la pregunta “¿Cuándo se diseñará, probará y anunciará públicamente el primer sistema de IA general?” y su predicción es 2032.18
En 2022, 81 participantes respondieron a la pregunta “¿Cuándo esperarán los mejores pronosticadores 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 esperable ya que se benefician del creciente 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 que se auto-refuerza, mientras que Hassabis de DeepMind lo ve plausible pero se mantiene cauteloso, citando desafíos no resueltos en creatividad científica y auto-mejora autónoma.
Aquí están las predicciones de 15 de los emprendedores e investigadores de IA más destacados:
- Shane Legg, cofundador de DeepMind Technologies, define la 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 a una persona se le diera la misma tarea. Su predicción en enero de 2026 es que hay una probabilidad del 50% de que la AGI Mínima ocurra para 2028.
- Según Legg, alcanzar la AGI mínima no significa que comprendamos completamente o podamos reproducir las formas más altas de inteligencia humana, como los principales avances científicos o logros artísticos. La AGI Completa 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 Davos de 2026. Afirmó que la AGI probablemente ocurrirá dentro de unos pocos años (2027), posiblemente antes de lo ampliamente esperado.
- Sostiene que los avances rápidos en codificación y automatización de la investigación de IA son centrales, permitiendo que los sistemas de IA manejen la mayoría de las tareas de ingeniería de software de extremo a extremo y aceleren su propio desarrollo a través de bucles de retroalimentación.
- Aunque reconoce limitaciones como la disponibilidad de hardware y el tiempo de entrenamiento, considera improbable un cronograma 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 una probabilidad del 50% de lograr la 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 las limitaciones no resueltas en la generación de nuevas preguntas y teorías, y expresa incertidumbre sobre la auto-mejora totalmente autónoma, particularmente en dominios complejos del mundo real, lo que cree que hace que los cronogramas de la AGI sean menos seguros.
- 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 en 3–5 años (como 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 la 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 informático, emprendedor y escritor, para 2030.
- Ray Kurzweil, científico informático, emprendedor y escritor de 5 best sellers nacionales, incluyendo La Singularidad Está Cerca: Anteriormente 2045, en 2024, 2032.25
- En 2023, Hinton consideró que la AGI podría tardar 5-20 años.26
- Sam Altman, CEO de OpenAI, para 2035. Mencionó “unos pocos miles de días” en 2024 en su blog “The Intelligence Age”.
- Ajeya Cotra, investigadora de IA, analizó el crecimiento de la computación de entrenamiento y estimó una probabilidad del 50% de que la IA con capacidades similares a las humanas emerja para 2040.27
- 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 2050.28
Otros comentarios y desarrollos sobre la AGI
Panel Presidencial de AAAI sobre el Futuro de la Investigación en IA
475 encuestados, principalmente del ámbito académico (67%) y de Norteamérica (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 preguntó por un cronograma para la AGI, el 76% de los encuestados compartió que escalar los enfoques actuales de IA sería poco probable que condujera a la AGI.29
OpenAI amplía sus ambiciones en robótica
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, lo que sugiere que ve la robótica como un paso esencial hacia la prueba y el logro de la AGI.
Contexto e implicaciones
Después de disolver 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 los entornos digitales. El reclutamiento de expertos en robótica humanoide 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.30
Informe de Microsoft sobre los primeros experimentos con GPT-4
Microsoft Research estudió una versión temprana de OpenAI GPT-4 en 2023. El informe afirmaba que mostraba una inteligencia general mayor que los modelos de IA anteriores, rindiendo 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. 31
El camino hacia la inteligencia artificial general: informe del MIT
El informe “El camino hacia la inteligencia artificial general” de agosto de 2025 anticipa que los primeros sistemas similares a la AGI podrían comenzar a surgir entre 2026 y 2028, mostrando razonamiento a nivel humano dentro de dominios específicos, capacidades multimodales a través de texto, audio e interfaces físicas, y una autonomía limitada orientada 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 alcancen 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 los avances en eficiencia computacional, avances algorítmicos y aprendizaje autónomo.32
IA Frontiers sobre las probabilidades de AGI
Adam Khoja y Laura Hiscott de IA Frontiers, una plataforma para debates y diálogos sobre IA, estiman una probabilidad del 50% de alcanzar la AGI para 2028 y una probabilidad del 80% para 2030, utilizando su definición cuantitativa de AGI.33
Khoja y Hiscott evalúan el progreso hacia la inteligencia artificial general utilizando una definición desarrollada por Khoja, Dan Hendrycks y sus coautores.34 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 mitad de camino del umbral definido de AGI.
Khoja y Hiscott argumentan que las discusiones tradicionales sobre los cronogramas de AGI carecen de precisión porque se basan en definiciones inconsistentes. Su marco estandarizado tiene la intención de crear claridad al identificar 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 razonamiento visual, física intuitiva, procesamiento auditivo, velocidad dependiente de la percepción y memoria de trabajo visual y auditiva. Informan de una rápida mejora en benchmarks como SPACE y MindCube y sugieren que estas brechas probablemente puedan abordarse mediante investigación incremental continua. También observan que las alucinaciones siguen siendo una preocupación pero son abordables dadas las diferencias de rendimiento entre los modelos líderes.
Según Khoja, Hiscott y Hendrycks, el obstáculo restante más significativo 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 están priorizando esta área.
Aprendiendo del exceso de optimismo pasado en las predicciones de IA
Tenga en cuenta que los investigadores de IA fueron excesivamente optimistas antes. 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.35
- 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”.36
- La Computadora de Quinta Generación de Japón en 1980 tenía un cronograma de diez años con objetivos como “mantener conversaciones casuales”.37
Esta experiencia histórica contribuyó a que la mayoría de los científicos actuales rehuyeran predecir la AGI en plazos audaces como 10-20 años, pero esto ha cambiado con el auge de la IA generativa.
Entienda qué es la singularidad
La inteligencia artificial nos asusta y nos intriga. Casi cada semana, hay una nueva alarma sobre la IA en las noticias, como desarrolladores asustados por lo que han creado o apagando bots porque se volvieron demasiado inteligentes.38
La mayoría de estos mitos resultan de investigaciones malinterpretadas por aquellos fuera de los campos de la IA y la IA Generativa. Algunas partes interesadas afirman temer a la IA porque pueden beneficiarse de una mayor 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 traiga un rápido aumento en la inteligencia de las máquinas. Se espera que esto ocurra cuando un sistema combine el pensamiento a nivel humano con velocidad sobrehumana y memoria casi perfecta y rápidamente accesible. Según algunos expertos, la singularidad también implica la 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, 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 descabellada, pero parece un objetivo bastante razonable cuando se considera que la inteligencia humana es fija y la inteligencia de las máquinas está creciendo. Es cuestión de tiempo antes de que las máquinas nos superen a menos que haya algún límite estricto para su inteligencia. Todavía no hemos encontrado tal límite.
La inteligencia humana es fija a menos que de alguna manera fusionemos nuestras capacidades cognitivas con las máquinas. La startup de encaje neural de Elon Musk tiene como objetivo hacer esto, pero la investigación sobre interfaces cerebro-computadora está en etapas tempranas.39
La inteligencia de las máquinas depende de algoritmos, potencia de procesamiento y datos.
- La potencia de procesamiento ha estado creciendo a un ritmo exponencial a medida que la inversión se vierte en I+D y centros de datos.
- Hasta ahora, hemos sido buenos suministrando 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 un ritmo creciente. Los datos sintéticos pueden corromper modelos o aumentarlos. 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 plugins como Claude legal, que son archivos markdown para ayudar a los modelos a navegar dominios específicos. Aunque esta fue una adición menor a Claude, desencadenó una venta masiva en el mercado de valores, incluyendo SaaS y software legal.40
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 para 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 razonamientos sofisticados e interpretables a un nivel que antes estaba reservado para los mejores solucionadores de problemas humanos.41
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
La siguiente es una analogía útil para entender el crecimiento exponencial. Aunque las máquinas pueden no parecer muy inteligentes en este momento, pueden volverse bastante inteligentes en un futuro cercano.
Crecimiento reciente en las capacidades de computación de IA
Figura 2: La figura muestra un resumen de los patrones de crecimiento de cómputo observados en varias categorías: modelos notables en general (arriba a la izquierda), modelos frontera (arriba a la derecha), modelos de lenguaje líderes (abajo a la izquierda) y modelos principales de empresas líderes (abajo a la derecha).
Los recursos computacionales para entrenar modelos de IA han aumentado significativamente, con aproximadamente dos tercios del rendimiento del modelo de lenguaje atribuido a mejoras en la escala del modelo.
Según un artículo de 2024,42 el crecimiento del uso de cómputo en el entrenamiento de modelos de IA ha aumentado consistentemente alrededor de 4-5x por año, reflejando tendencias en modelos notables, modelos frontera y empresas líderes como OpenAI, Google DeepMind y Meta IA (Ver Figura 2).
Sin embargo, la tasa de crecimiento se ha ralentizado un poco desde 2018, especialmente para los modelos frontera, pero los modelos de lenguaje han experimentado un crecimiento más rápido de hasta 9x/año hasta mediados de 2020, después de lo cual el ritmo se ralentizó a 4-5x/año.
La tendencia general para el crecimiento del cómputo de IA sigue siendo fuerte, y las proyecciones sugieren que la tasa de crecimiento de 4-5x/año continuará a menos que surjan nuevos desafíos o avances. Este crecimiento también se ve en las estrategias de escalado de las empresas líderes de IA, aunque existen ligeras variaciones entre ellas.
A pesar de una desaceleración en el crecimiento de los modelos frontera, los modelos más grandes lanzados hoy, como GPT-4 y Gemini Ultra, se alinean estrechamente con la trayectoria de crecimiento prevista.
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 del mundo.43 Sin embargo, nos estamos acercando a los límites de la rapidez con que 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 cree que la ley de Moore está llegando a su fin durante esta década.44 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 ofrecer un modelo de razonamiento a una fracción del costo de sus competidores, como OpenAI.
La Computación Cuántica, que todavía 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 se puede utilizar 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 la AGI?
Hay 3 argumentos principales en contra de la importancia o existencia de la 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 que recuerdan 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”.45 Sostiene que la mente humana es especializada y la inteligencia es una colección de habilidades y la capacidad de aprender nuevas habilidades. Cada humano puede realizar un subconjunto de tareas de inteligencia humana.46
También es difícil entender el nivel de especialización de la mente humana, como humanos, ya que no conocemos ni podemos experimentar todo el espectro de la inteligencia.
En áreas donde las máquinas exhibieron inteligencia sobrehumana, los humanos pudieron vencerlas aprovechando las debilidades específicas de la máquina. Por ejemplo, un aficionado pudo vencer a un programa de Go que está a la par con los programas de Go que vencieron a campeones mundiales, estudiando y aprovechando las debilidades del programa.47
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 ejecutar experimentos del mundo real y analizar resultados para descubrir nuevo conocimiento en la mayoría de las áreas.
Más inteligencia puede conducir 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. Encontramos 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 inmensurabilidad de ese dominio. Por ejemplo, incluso con una gran cantidad de datos, no somos capaces de predecir ciertos resultados de la vida con un alto nivel de precisión.48
Economía
La inteligencia no es el 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.49
Figura 4: El CI no está correlacionado con la riqueza si nos centramos en niveles altos de riqueza. Este gráfico es el mismo que el anterior excepto que los niveles de ingresos netos por debajo de $40k han sido ocultados.
- 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 ser replicadas únicamente por la inteligencia.
3- La 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 pueda realizar cálculos básicos y acceder a memoria y tiempo infinitos. Esta es la hipótesis de Church-Turing universalmente aceptada, formulada en 1950. Sin embargo, como se indicó, requiere ciertas condiciones difíciles: tiempo y memoria infinitos.
La mayoría de los científicos informáticos creen que modelar el cerebro humano tomará menos de tiempo y memoria infinitos. No obstante, no hay una forma matemáticamente sólida de probar esta creencia, porque todavía no entendemos el cerebro lo suficientemente bien como para caracterizar con precisión su poder computacional. ¡Tendremos que construir tal máquina!
¿Cómo podemos alcanzar la AGI?
Figura 5: El horizonte temporal de los modelos de IA frontera muestra las tareas más largas (en tiempo equivalente humano) que cada modelo puede completar con una fiabilidad del 50%.50
La figura anterior muestra cómo las capacidades de los agentes de IA han mejorado midiendo las tareas más largas que pueden completar con una fiabilidad del 50%.
El hallazgo clave es que la duración de las tareas que los modelos frontera 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 de más de unos pocos segundos.
La región sombreada refleja incertidumbre estadística, pero la tendencia general es confiable. Si este patrón continúa, los sistemas de IA pronto podrían manejar tareas complejas que toman a los humanos días o incluso semanas, marcando un paso significativo hacia una autonomía más amplia y capacidades similares a la AGI.
El escalado como vía hacia la AGI
Los líderes de los laboratorios de IA frontera creen que escalar los enfoques actuales basados en transformadores puede producir AGI, lo que alimenta sus predicciones sobre lograr la AGI en unos pocos años.
Una vía propuesta hacia la AGI es escalar las arquitecturas existentes como los transformadores aumentando el cómputo y los datos, mientras que otra es desarrollar enfoques completamente nuevos.
En apoyo de la hipótesis del escalado, un informe de 2024 de Epoch IA analizó si el crecimiento del cómputo de IA puede continuar hasta 2030.
Identificaron cuatro limitaciones 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.
Tales avances podrían producir sistemas de IA mucho más capaces que los modelos de última generación actuales como GPT-4, acercándonos a la AGI.51
Figura 6: El gráfico ilustra los límites superiores estimados para el cómputo de entrenamiento de IA para 2030 bajo restricciones clave, energía, producción de chips, datos y latencia, con medianas que van desde 2e29 a 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 modelos de lenguaje grandes no conducirá a una inteligencia de nivel humano.52 53 Creen que se necesitan nuevas arquitecturas o enfoques para la AGI.
¿Cómo podemos medir si hemos alcanzado la AGI?
Los modelos de lenguaje grandes 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 los conocimientos de investigaciones recientes54 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:
- Los LLMs exhiben exponentes de escalado muy bajos (~0.1), lo que significa que incluso aumentos masivos en datos o cómputo producen ganancias de precisión minúsculas.
- El poder de aprendizaje de los LLMs proviene de su capacidad para producir salidas no gaussianas, pero esto también conduce a acumulaciones 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 verdaderas.
- Puede surgir un régimen de IA Degenerativa (DAI) 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 en evolución.
Las métricas antiguas como el test de Turing no son rival para las máquinas actuales, y las nuevas métricas como ARC-AGI pueden carecer de las capacidades de generalización de benchmarks más amplios.
Las métricas emergentes como ARC-AGI tienen como objetivo 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 enmascarar catástrofes de información subyacentes debido a fluctuaciones no gaussianas e inestabilidades de entrenamiento.55
¿Cómo podemos rastrear el progreso de los LLMs?
Hay algunos enfoques para el benchmarking para superar estos desafíos:
- Actualizar frecuentemente las preguntas del benchmark. Ejemplo de la vida real: LiveBench
- Usar conjuntos de reserva para prevenir el envenenamiento de datos: benchmarks de AIMultiple, como el benchmark AGI o ARC-AGI.
¿Qué enfoques existen más allá del benchmarking para determinar la AGI?
Hay indicadores potencialmente fuertes pero rezagados del impacto de la IA, que pueden ayudar a identificar la AGI.
Crecimiento económico
El CEO de Microsoft, Satya Nadella, afirma que un crecimiento del 10% en el mundo desarrollado indicaría AGI.56 . Sin embargo, su incentivo es tener una definición retrasada de AGI ya que la AGI terminaría la asociación exclusiva de OpenAI y Microsoft.57
Desempleo
Esperamos que la AGI
- Reduzca el empleo de cuello blanco al 10% de su pico global cuando se mida como porcentaje de personas en la fuerza laboral. Esto debería ocurrir si la participación de los ingresos laborales disminuye drásticamente 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 pagar a un humano para que se siente 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 del empleo de cuello blanco una métrica fácil de rastrear.
Recopilamos datos de la Oficina de Estadísticas Laborales de EE. UU. sobre el empleo de cuello blanco que abarcan desde 2019 hasta 2024.58 Para mayor claridad y consistencia, categorizamos a los trabajadores de cuello blanco en los siguientes grupos ocupacionales:
- Ocupaciones de Arquitectura e Ingeniería
- Ocupaciones de Operaciones Comerciales y Financieras
- Ocupaciones de Computación y Matemáticas
- Ocupaciones de Profesionales de la Salud y Técnicos
- Ocupaciones Legales
- Ocupaciones de Ciencias de la Vida, Físicas y Sociales
- Ocupaciones de Gestión
- Ocupaciones de Apoyo Administrativo y de Oficina
- Ocupaciones de Ventas y Relacionadas
Según nuestro análisis, la proporción de trabajadores de cuello blanco respecto al empleo total ha fluctuado entre el 45% y el 48% durante este período.
Si bien este rango sugiere una estabilidad relativa en la proporción 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 la IA se aceleren. Para más predicciones sobre cómo la IA cambiará el empleo de cuello blanco y de nivel inicial, lea pérdida de empleo por IA.
¿Deberíamos siquiera aspirar a la AGI?
Hay científicos informáticos que advierten que centrarse en la AGI como objetivo final puede distorsionar la investigación de IA.59 Las críticas incluyen: Crear una ilusión de consenso, sobreajustar benchmarks, ignorar valores sociales incorporados, dejar que el hype dicte las 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 la AGI.
Añadir como fuente preferidaRazonamiento matemático detrás de las predicciones de AGI
El razonamiento matemático es central para comprender y pronosticar los cronogramas de la AGI. Muchas proyecciones se basan en tendencias cuantificables y modelos formales que guían las expectativas sobre cuándo podría surgir la inteligencia artificial general.
Leyes de escalado y crecimiento del cómputo
Un componente clave del razonamiento matemático implica analizar las leyes de escalado. Estas muestran que el rendimiento del modelo mejora de manera predecible con más datos, parámetros y cómputo.
El crecimiento anual constante de 4–5× en el cómputo de entrenamiento de IA respalda los pronósticos de que la AGI puede ser alcanzable en una o dos décadas, asumiendo que las tendencias actuales continúen.
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 la AGI se desarrolle en años específicos, produciendo distribuciones de probabilidad acumulada.
Por ejemplo, una probabilidad del 50% para 2040 refleja el consenso bajo incertidumbre, impulsado por una actualización de estilo bayesiano basada en el progreso observado de la IA.
Este enfoque de razonamiento matemático captura la incertidumbre de los expertos sin requerir fechas precisas, permitiendo una revisión continua a medida que se dispone de nuevos datos.
Fundamentos teóricos
Estos pronósticos 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 la AGI, proporcionan un marco para pensar en su posibilidad y los requisitos computacionales involucrados.
Más sobre la Inteligencia Artificial General
David Silver, Científico Investigador Principal 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, 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, la AGI aspira a reflejar la adaptabilidad humana y la capacidad general de resolución de problemas.
Señala que, si bien la AGI es un objetivo a largo plazo, alcanzar una verdadera inteligencia a nivel humano probablemente requerirá varios avances y se desarrollará gradualmente (Ver el video abajo).
Ilya Sutskever, cofundador y Científico Jefe de OpenAI
En la charla TED “The Exciting, Perilous Journey Toward AGI”, explora el rápido progreso hacia la Inteligencia Artificial General (AGI).
Predice que la AGI podría surgir en los próximos 5 a 10 años, aunque reconoce la incertidumbre en este cronograma.
Sutskever destaca tanto el inmenso potencial como los profundos riesgos de la AGI, enfatizando la necesidad de alinear su desarrollo con los valores humanos. A pesar de los desafíos, es optimista de que la humanidad pueda guiar de manera segura esta poderosa tecnología (Ver el video abajo).
Ray Kurzweil, científico informático 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 modelos de lenguaje grandes.
También predice que la Inteligencia Artificial General llegará para 2029, conduciendo a la singularidad tecnológica para 2045. Destaca los avances exponenciales en poder de cómputo, medicina y biotecnología.
También pronostica avances como curas generadas por IA, ensayos clínicos digitales y la velocidad de escape de la longevidad, donde el progreso científico podría extender la vida indefinidamente (Ver el video abajo).
Yann LeCun, galardonado con el premio Turing
Vea por qué los 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 de desarrollo de la AGI en el gráfico, utilizamos el promedio ponderado de las predicciones para cada año dentro de cada categoría. Por ejemplo, si hubo múltiples pronósticos del Mercado de Predicción en 2022, calculamos su promedio ponderado y lo graficamos.
- Para predicciones individuales, incluimos pronósticos de 18 expertos en IA.
- Para predicciones científicas, recopilamos resultados de encuestas de 10 artículos revisados por pares que proporcionan cronogramas para la AGI.
- Para resultados del mercado de predicción, incluimos pronósticos de 3 mercados de predicción (Manifold, Kalshi y Metaculus).
Conclusión
Las predicciones para la AGI han cambiado notablemente en los últimos años. Mientras que las encuestas anteriores situaban su llegada más cerca de 2060, los pronósticos recientes, especialmente de emprendedores, sugieren que podría surgir tan pronto como 2026–2035.
Este cambio está impulsado por los rápidos avances en modelos de lenguaje grandes y el creciente poder de cómputo. Sin embargo, a pesar de estas ganancias, la IA actual todavía carece de la flexibilidad general y la autonomía asociadas con la inteligencia a nivel humano.
Los expertos permanecen divididos sobre cómo se logrará la 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 no resueltas. La AGI puede estar más cerca, 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 resulte en un rápido aumento de la inteligencia de las máquinas.
Para la singularidad, necesitamos un sistema que combine el pensamiento a nivel humano con velocidad sobrehumana y memoria casi perfecta y rápidamente accesible.
La singularidad también debería resultar en conciencia de la máquina, pero dado que la conciencia no está bien definida, no podemos ser precisos al respecto. Tal sistema podría auto-mejorarse y superar las capacidades humanas.
Si bien la singularidad es un término relativamente antiguo, AGI y especialmente superinteligencia se usan con más frecuencia para describir el mismo evento.
La Inteligencia Artificial General (AGI) se refiere a un tipo de IA que puede entender, aprender y aplicar conocimiento a través de 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, la AGI poseería capacidades cognitivas generalizadas, lo que le permitiría razonar, planificar y adaptarse en situaciones desconocidas.
El desarrollo de la AGI sigue siendo un objetivo de investigación significativo y un tema de debate ético y filosófico.
La superinteligencia denota un intelecto que supera significativamente a las mejores mentes humanas en prácticamente todos los dominios, incluida la creatividad, la resolución de problemas y la comprensión social.
Representa una etapa más allá de la AGI, donde un sistema artificial podría superar a los humanos en cada búsqueda intelectual significativa.
El concepto plantea consideraciones críticas sobre el control, la 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 logran una inteligencia casi general.
Si bien aún pueden no poseer la flexibilidad y autoconciencia completas asociadas con la 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 la IA estrecha pero permanecen por debajo del umbral de una 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: 10,000 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!