AGI/Singolarità: 10.000 Previsioni Analizzate
L'intelligenza artificiale generale (AGI) si verifica quando un sistema di intelligenza artificiale eguaglia le capacità cognitive umane in tutti i compiti. Abbiamo analizzato 10.000 previsioni di ricercatori di IA, di importanti imprenditori e della comunità sulla tempistica dell'AGI:
L'AGI/singolarità si verificherà? L'AGI è inevitabile secondo la maggior parte degli esperti di IA.
Quando raggiungeremo l'AGI? Tra la fine degli anni 2020 e l'inizio degli anni 2030. La tempistica dell'AGI si è accorciata dopo il lancio di ChatGPT.
Tempistica dell'intelligenza artificiale generale
La tempistica sopra descrive l'anno previsto della singolarità, sulla base di approfondimenti raccolti da 10 sondaggi con oltre 6.000 partecipanti, risposte di 18 ricercatori di IA e approfondimenti della comunità dai mercati di previsione Manifold, Kalshi e Metaculus.
Come puoi vedere sopra, gli intervistati si aspettano sempre più che la singolarità si verifichi prima di quanto previsto in precedenza. Scopri i metodi che abbiamo utilizzato per creare questo grafico.
Previsioni sull'AGI dai mercati di previsione
Per le previsioni dei mercati di previsione e degli approfondimenti della comunità, abbiamo utilizzato:
3.900 previsioni da Manifold, Kalshi e Metaculus, che sono mercati di previsione online in cui i partecipanti scambiano sulla probabilità e sulla tempistica di eventi futuri per profitto o reputazione. Abbiamo incluso anche la data media di previsione ottenuta da questi mercati di previsione.
Altre domande chiave sull'AGI
Qual è il nostro stato attuale sull'AGI?
Sebbene l'IA ristretta superi gli esseri umani in compiti specifici, non esiste ancora una macchina intelligente. Alcuni ricercatori affermano che i large language model dimostrano capacità generaliste emergenti.1 Secondo il nostro benchmark AGI, le macchine sono lontane dal generare valore economico in modo autonomo.
Come possiamo raggiungere l'AGI?
Sia aumentando potenza di calcolo e dati dietro le architetture attuali come i transformer, sia inventando nuovi approcci. Non esiste ancora un consenso scientifico sul metodo per raggiungere l'AGI o per validarla.
Di seguito puoi vedere un riepilogo delle previsioni che compongono questa tempistica, oppure consultare la tabella completa.
Risultati dei principali sondaggi sui ricercatori di IA
Abbiamo esaminato i risultati di 10 sondaggi che hanno coinvolto più di 6.000 ricercatori ed esperti di IA, nei quali hanno stimato quando potrebbe verificarsi l'AGI/singolarità.
Sebbene le previsioni varino, la maggior parte dei sondaggi indica una probabilità del 50% di raggiungere l'AGI tra il 2040 e il 2061, con alcune stime secondo cui la superintelligenza potrebbe seguire entro pochi decenni.
Sondaggio degli esperti sui progressi nell'IA
Nell'ottobre 2023, IA Impacts ha intervistato 2.778 ricercatori di IA su quando potrebbe essere raggiunta l'AGI. Questo sondaggio includeva domande quasi identiche a quelle del sondaggio del 2022. Sulla base dei risultati dell'Expert Survey on Progress in IA, si stima che l'intelligenza artificiale di alto livello si verificherà entro il 2040.2
Sondaggio degli esperti sui progressi nell'IA
Il sondaggio è stato condotto con 738 esperti che hanno pubblicato alle conferenze NIPS e ICML del 2021. Sulla base dei risultati del Sondaggio degli esperti sui progressi nell'IA, gli esperti stimano che ci sia una probabilità del 50% che l'intelligenza artificiale di alto livello si verifichi entro il 2059.3
Gli esperti hanno inoltre previsto che i costi hardware, il progresso algoritmico e il lavoro sui set di addestramento sarebbero i fattori principali del progresso dell'IA.
Sondaggio Forecasting IA Progress
Baobao Zhang ha intervistato 296 esperti di IA nel 2019, chiedendo loro di prevedere quando le macchine avrebbero superato il lavoratore umano mediano nello svolgimento di oltre il 90% dei compiti economicamente rilevanti. Secondo i risultati del Sondaggio Forecasting IA Progress, la metà degli intervistati ha stimato che ciò avverrà prima del 2060.4
Sondaggio degli esperti di IA sulla tempistica dell'AGI
Le previsioni del Sondaggio degli esperti di IA sulla tempistica dell'AGI nel 20195 sono:
- 45% degli intervistati prevede una data prima del 2060.
- 34% di tutti i partecipanti ha previsto una data dopo il 2060.
- 21% dei partecipanti ha previsto che la singolarità non si verificherà mai.
Sondaggio sul potenziale impatto dell'IA sullo spostamento del lavoro
Ross Gruetzemacher ha intervistato 165 esperti di IA nel 2018 per valutare il potenziale impatto dell'IA sullo spostamento del lavoro. Agli esperti è stato chiesto di stimare quando i sistemi di IA sarebbero stati in grado di svolgere 99% dei compiti per i quali gli esseri umani sono attualmente pagati, a un livello pari o superiore a quello di un essere umano medio.
Sulla base dei risultati del sondaggio sull'impatto potenziale dell'IA sullo spostamento del lavoro, metà degli intervistati ha previsto che questo traguardo sarà raggiunto prima del 2068, mentre il 75% ha previsto che si verificherà entro i prossimi 100 anni.6
Sondaggio degli esperti di IA alle conferenze NIPS e ICML
Nel maggio 2017 sono stati intervistati 352 esperti di IA che hanno pubblicato alle conferenze NIPS e ICML del 2015.7
Sulla base dei risultati del sondaggio delle conferenze NIPS e ICML, gli esperti stimano una probabilità del 50% che l'AGI si verifichi entro il 2060. Detto questo, esiste una significativa differenza di opinioni in base alla geografia:
- Gli intervistati asiatici prevedono l'AGI entro 30 anni,
- I nordamericani la prevedono entro 74 anni.
Alcune importanti funzioni lavorative che si prevede saranno automatizzate entro il 2030 includono gli operatori dei call center, la guida di camion e le vendite al dettaglio.
Sondaggio sui progressi futuri nell'intelligenza artificiale
Vincent C. Muller, presidente della European Association for Cognitive Systems, e Nick Bostrom, dell'Università di Oxford, che ha pubblicato oltre 200 articoli su superintelligenza e intelligenza artificiale generale (AGI), hanno condotto il sondaggio Future Progress in Artificial Intelligence nel 2012 e nel 2013. 550 partecipanti hanno risposto alla domanda: Quando è probabile che si verifichi l'AGI?8
Secondo i risultati del sondaggio Future Progress in Artificial Intelligence:
- Gli esperti di IA intervistati stimano che l'AGI emergerà probabilmente (oltre il 50% di probabilità) tra il 2040 e il 2050 ed è altamente probabile (90% di probabilità) che appaia entro il 2075.
- Una volta raggiunta l'AGI, la maggior parte degli esperti afferma che progredirà verso la superintelligenza in tempi relativamente rapidi, con un arco temporale che va da soli 2 anni (improbabile, probabilità del 10%) a circa 30 anni (alta probabilità, 75%).
Sondaggio con gli esperti di IA partecipanti alla conferenza AGI-09
Sulla base dei risultati del sondaggio di 21 esperti di IA partecipanti alla conferenza AGI-09 del 2009, l'AGI si verificherà intorno al 2050, e plausibilmente prima.9 Di seguito puoi vedere le loro stime riguardo a specifici risultati dell'IA: superare il test di Turing, superare la terza elementare, realizzare scoperte scientifiche degne del Nobel e raggiungere un'intelligenza sovrumana.
Figura 1: Risultati del sondaggio distribuito ai partecipanti alla conferenza Artificial General Intelligence 2009 (AGI-09).
Approfondimenti dalla comunità
Abbiamo inoltre valutato le previsioni di Samotsvety Forecasting e della comunità Metaculus sull'AGI, e i risultati dei mercati di previsione di Manifold, Kalshi e Polymarket:
Samotsvety Forecasting
Samotsvety Forecasting è un team di previsori che formula previsioni probabilistiche su eventi del mondo reale, in particolare in geopolitica, tecnologia e rischi globali, utilizzando ragionamento strutturato e metodi quantitativi. Dimostra un solido track record competitivo sulle principali piattaforme e tornei di previsione (ad esempio INFER/CSET-Foretell), dove la sua accuratezza viene misurata utilizzando metriche di punteggio formali come il Brier score.10
Nel gennaio 2026, il team ha aggiornato le proprie previsioni sull'AGI con 8 previsori.11 Ecco i risultati aggregati:
- Probabilità del 10% di raggiungere l'AGI nel 2026
- Probabilità del 50% di raggiungere l'AGI entro il 2041
- Probabilità del 90% di raggiungere l'AGI entro il 2164
In una previsione precedente del 2022, il team stimava una probabilità del 32% di raggiungere l'AGI entro 20 anni (entro il ~2042) e del 73% entro il 2100, entrambe inferiori alle loro proiezioni attuali.12
Manifold Market
Ad agosto 2026, oltre 1.100 contributori di Manifold Market hanno previsto l'anno in cui un'IA supererà per la prima volta un "test di Turing avversariale di alta qualità" come 2034.13
Kalshi Prediction Market
Ad agosto 2026, i contributori del mercato di previsione Kalshi affermano che c'è una probabilità del 45% che OpenAI raggiunga l'AGI entro il 2030.14
Polymarket
I risultati delle previsioni di Polymarket nell'agosto 2026 indicavano che c'è una probabilità del 9% che OpenAI raggiunga l'AGI entro il 2027.15
Previsioni della comunità Metaculus
Ad agosto 2026:
- 1.800 partecipanti hanno risposto alla domanda "Quando verrà ideato, testato e annunciato pubblicamente il primo sistema di IA debolmente generale?" e la previsione è 2028.16
- 180 partecipanti hanno risposto alla domanda "Quando un'IA supererà per la prima volta un lungo test di Turing informato e avversariale?" e la loro previsione è 2029.17
- 1.900 partecipanti hanno risposto alla domanda "Quando verrà ideato, testato e annunciato pubblicamente il primo sistema di IA generale?" e la loro previsione è 2033.18
Nel 2022, 81 partecipanti hanno risposto alla domanda "Quando i migliori previsori si aspettano che venga sviluppata e dimostrata la prima Intelligenza Artificiale Generale?" e la loro previsione era 2035.19
Approfondimenti da imprenditori dell'IA e singoli ricercatori
Anche gli imprenditori dell'IA stanno facendo stime su quando raggiungeremo la singolarità, e sono più ottimisti dei ricercatori. Ciò è prevedibile poiché beneficiano del crescente interesse per l'IA.
Le loro opinioni differiscono sulla velocità e sul percorso di sviluppo. Amodei di Anthropic si aspetta che l'AGI arrivi nel breve termine grazie a rapidi progressi auto-rinforzanti, mentre Hassabis di DeepMind lo ritiene plausibile ma rimane cauto, citando sfide irrisolte nella creatività scientifica e nell'auto-miglioramento autonomo.
Ecco le previsioni di 15 tra i più importanti imprenditori e ricercatori di IA:
- Shane Legg, cofondatore di DeepMind Technologies, definisce AGI minimale come un agente artificiale in grado di svolgere in modo affidabile l'intera gamma di compiti cognitivi che un essere umano medio può svolgere, senza fallire in modi che ci sorprenderebbero se a una persona venisse assegnato lo stesso compito. La sua previsione a gennaio 2026 è che ci sia una probabilità del 50% di raggiungere l'AGI minimale entro il 2028.
- Secondo Legg, raggiungere l'AGI minimale non significa che comprendiamo appieno o possiamo riprodurre le forme più elevate di intelligenza umana, come le grandi scoperte scientifiche o le realizzazioni artistiche. L'AGI completa verrebbe raggiunta quando l'IA potrà eguagliare l'intero spettro della cognizione umana.20
- Dario Amodei, CEO di Anthropic, ha espresso forte fiducia che i sistemi di livello AGI si stiano avvicinando nel breve termine al World Economic Forum 2026 di Davos. Ha affermato che l'AGI si verificherà probabilmente entro pochi anni (2027), forse prima di quanto ampiamente previsto.
- Sostiene che i rapidi progressi nella programmazione e nell'automazione della ricerca sull'IA siano centrali, consentendo ai sistemi di IA di gestire la maggior parte dei compiti di ingegneria del software end-to-end e di accelerare il proprio sviluppo attraverso cicli di feedback.
- Sebbene riconosca vincoli come la disponibilità di hardware e i tempi di addestramento, ritiene improbabile una tempistica più lunga e prevede una rapida accelerazione una volta che questi cicli matureranno.21
- Allo stesso evento nel 2026, Demis Hassabis, fondatore di DeepMind, ha mantenuto una prospettiva più cauta, ribadendo una stima di circa una probabilità del 50% di raggiungere l'AGI entro la fine del decennio (2030).
- Hassabis concorda sul fatto che i progressi siano rapidi in ambiti verificabili come la programmazione e la matematica, ma sottolinea che la scoperta scientifica e il ragionamento creativo rimangono più difficili.
- Evidenzia limiti irrisolti nella generazione di nuove domande e teorie ed esprime incertezza sull'auto-miglioramento completamente autonomo, in particolare in ambiti complessi del mondo reale, il che a suo avviso rende meno certe le tempistiche dell'AGI.
- Combinando i progressi dell'IA nel ragionamento, nella programmazione e nella matematica, Eric Schmidt, ex CEO di Google, afferma che ci stiamo dirigendo verso l'Intelligenza Artificiale Generale entro 3–5 anni (come dichiarato nell'aprile 2025).22
- Elon Musk prevede lo sviluppo di un'intelligenza artificiale più intelligente del più intelligente degli esseri umani entro il 2026.23
- Nel febbraio 2025, l'imprenditore e investitore Masayoshi Son l'ha prevista entro 2-3 anni (cioè 2027 o 2028).
- Nel marzo 2024, il CEO di Nvidia Jensen Huang ha previsto che entro cinque anni l'IA avrebbe eguagliato o superato le prestazioni umane in qualsiasi test: 2029.24
- Louis Rosenberg, informatico, imprenditore e scrittore, entro il 2030.
- Ray Kurzweil, informatico, imprenditore e autore di 5 best seller nazionali, tra cui The Singularity Is Near: precedentemente 2045, nel 2024, 2032.25
- Nel 2023, Hinton ha ritenuto che l'AGI potrebbe richiedere 5-20 anni.26
- Sam Altman, CEO di OpenAI, entro il 2035. Ha menzionato "qualche migliaio di giorni" nel 2024 nel suo blog "The Intelligence Age".
- Ajeya Cotra, ricercatrice di IA, ha analizzato la crescita della potenza di calcolo per l'addestramento e ha stimato una probabilità del 50% che un'IA con capacità simili a quelle umane emerga entro il 2040.27
- Patrick Winston, professore del MIT e direttore del MIT Artificial Intelligence Laboratory dal 1972 al 1997, ha menzionato il 2040, sottolineando che, sebbene sia una data che si verificherà, è difficile da stimare.
- Jürgen Schmidhuber, co-fondatore dell'azienda di IA NNAISENSE e direttore del laboratorio svizzero di IA IDSIA, entro il 2050.26
Altri commenti e sviluppi sull'AGI
AAAI Presidential Panel sul futuro della ricerca sull'IA
Ai 475 intervistati, provenienti principalmente dal mondo accademico (67%) e dal Nord America (53%), è stato chiesto dei progressi nell'IA. Sebbene il sondaggio AAAI 2025 Presidential Panel sul futuro della ricerca sull'IA non chiedesse una tempistica per l'AGI, il 76% degli intervistati ha dichiarato che aumentare la scala degli attuali approcci all'IA difficilmente porterebbe all'AGI.28
OpenAI espande le sue ambizioni nella robotica
OpenAI sta aumentando la propria attenzione sulla robotica come parte del suo obiettivo di far progredire l'intelligenza artificiale generale. L'azienda sta assumendo specialisti in sistemi robotici umanoidi e sta formando un team per progettare algoritmi che aiutino i robot a imparare e agire autonomamente nel mondo fisico.
Ciò segna un cambiamento rispetto alla precedente attenzione di OpenAI su language and image models. L'azienda mira ora a collegare il ragionamento avanzato con l'interazione fisica, suggerendo che considera la robotica un passo essenziale verso la verifica e il raggiungimento dell'AGI.
Contesto e implicazioni
Dopo aver ridimensionato il suo primo team di robotica intorno al 2020, OpenAI sta tornando allo sviluppo attivo in questo campo. Le recenti assunzioni e le potenziali partnership indicano un rinnovato impegno per costruire robot capaci di apprendimento e manipolazione nel mondo reale.
Combinando IA models su larga scala con dati sensoriali, OpenAI mira a creare sistemi in grado di ragionare e operare al di fuori degli ambienti digitali. L'assunzione di esperti di robotica umanoide indica inoltre obiettivi a lungo termine che vanno oltre l'automazione e verso robot in grado di lavorare in sicurezza accanto alle persone.29
Il rapporto di Microsoft sui primi esperimenti con GPT-4
Microsoft Research ha studiato una versione iniziale di OpenAI's GPT-4 nel 2023. Il rapporto affermava che mostrava un'intelligenza generale superiore rispetto ai precedenti IA models, con prestazioni a livello umano in aree come matematica, programmazione e diritto. Ciò ha acceso il dibattito sull'ipotesi che GPT-4 fosse una forma preliminare di intelligenza artificiale generale. 30
Il rapporto sulla strada verso l'intelligenza artificiale generale del MIT
Il rapporto "The road to artificial general intelligence" dell'agosto 2025 prevede che i primi sistemi simili all'AGI potrebbero iniziare a emergere tra il 2026 e il 2028, mostrando ragionamento a livello umano in domini specifici, capacità multimodali su testo, audio e interfacce fisiche e un'autonomia limitata orientata agli obiettivi.
Il rapporto combina previsioni aggregate e suggerisce una probabilità del 50% che diversi traguardi generalizzati, come il trasferimento di conoscenze e il ragionamento ampio, vengano raggiunti entro il 2028.
Le proiezioni a più lungo termine stimano che le macchine potrebbero superare le prestazioni umane in tutti i compiti economicamente preziosi intorno al 2047, subordinatamente a progressi nell'efficienza di calcolo, a scoperte algoritmiche e all'apprendimento autonomo.31
IA Frontiers sulle probabilità dell'AGI
Adam Khoja e Laura Hiscott di IA Frontiers, una piattaforma per dibattiti e dialoghi sull'IA, stimano una probabilità del 50% di raggiungere l'AGI entro il 2028 e una probabilità dell'80% entro il 2030, utilizzando la loro definizione quantitativa di AGI.32
Khoja e Hiscott valutano i progressi verso l'intelligenza artificiale generale utilizzando una definizione sviluppata da Khoja, Dan Hendrycks e i loro coautori.33 Il loro framework misura dieci capacità cognitive e assegna a GPT-4 un punteggio del 27% e a GPT-5 un punteggio del 57%. Ciò indica che i model attuali sono circa a metà strada rispetto alla soglia AGI definita.
Khoja e Hiscott sostengono che le discussioni tradizionali sulle tempistiche dell'AGI mancano di precisione perché si basano su definizioni incoerenti. Il loro framework standardizzato intende creare chiarezza identificando punti di forza e debolezza specifici negli attuali model. Osservano che lettura, scrittura, matematica e conoscenze generali soddisfano o superano i livelli di riferimento umani e non sono più fattori limitanti.
Gli autori evidenziano le lacune rimanenti nel ragionamento visivo, nella fisica intuitiva, nell'elaborazione uditiva, nella velocità dipendente dalla percezione e nella memoria di lavoro visiva e uditiva. Riferiscono rapidi miglioramenti nei benchmark come SPACE e MindCube e suggeriscono che queste lacune possono probabilmente essere affrontate attraverso una ricerca incrementale continua. Osservano inoltre che le allucinazioni rimangono una preoccupazione ma sono affrontabili date le differenze di prestazioni tra i principali model.
Secondo Khoja, Hiscott e Hendrycks, l'ostacolo rimanente più significativo è l'apprendimento continuo e l'archiviazione della memoria a lungo termine. I sistemi attuali non possono conservare informazioni tra le sessioni e la risoluzione di questa limitazione richiederà almeno una svolta significativa. Tuttavia, gli autori sottolineano che i principali laboratori di IA stanno ora dando priorità a quest'area.
Imparare dall'eccessivo ottimismo passato nelle previsioni sull'IA
Tenete presente che in passato i ricercatori di IA sono stati eccessivamente ottimisti. Tra gli esempi:
- Geoff Hinton affermò nel 2016 che non avremmo avuto bisogno dei radiologi entro il 2021 o il 2026. Finora la radiologia non è stata completamente automatizzata e gli ospedali necessitano di migliaia di radiologi.34
- Il pioniere dell'IA Herbert A. Simon nel 1965: "entro vent'anni le macchine saranno in grado di fare qualsiasi lavoro che un uomo può fare".35
- Il Fifth Generation Computer giapponese nel 1980 aveva una tempistica di dieci anni con obiettivi come "portare avanti conversazioni informali".36
Questa esperienza storica ha contribuito a far sì che la maggior parte degli scienziati attuali evitasse di prevedere l'AGI in archi temporali coraggiosi come 10-20 anni, ma ciò è cambiato con l'ascesa dell'IA generativa.
Capire cos'è la singolarità
L'intelligenza artificiale ci spaventa e ci incuriosisce. Quasi ogni settimana c'è un nuovo allarme sull'IA nelle notizie, come sviluppatori spaventati da ciò che hanno creato o che spengono i bot perché sono diventati troppo intelligenti.37
La maggior parte di questi miti deriva da ricerche interpretate male da chi è al di fuori dei settori dell'IA e dell'IA generativa. Alcuni stakeholder affermano di temere l'IA perché potrebbero trarre vantaggio da una maggiore regolamentazione, o perché potrebbe portare loro maggiore attenzione.
La più grande paura riguardo all'IA è la singolarità (chiamata anche Intelligenza Artificiale Generale o AGI), un evento che dovrebbe portare a un rapido aumento dell'intelligenza delle macchine. Ciò è previsto quando un sistema combina il pensiero a livello umano con una velocità sovrumana e una memoria quasi perfetta e rapidamente accessibile. Secondo alcuni esperti, la singolarità implica anche la coscienza delle macchine.
Una tale macchina potrebbe auto-migliorarsi e superare le capacità umane. Anche prima che l'intelligenza artificiale fosse un argomento di ricerca informatica, scrittori di fantascienza come Asimov erano preoccupati per questo. Escogitavano meccanismi (cioè le Leggi della Robotica di Asimov) per garantire la benevolenza delle macchine intelligenti, oggi più comunemente chiamata ricerca sull'allineamento.
Perché gli esperti credono che l'AGI sia inevitabile: argomenti chiave e prove
Raggiungere l'AGI può sembrare una previsione azzardata, ma appare un obiettivo abbastanza ragionevole se si considera che l'intelligenza umana è fissa mentre l'intelligenza delle macchine sta crescendo. È solo questione di tempo prima che le macchine ci superino, a meno che non vi sia un limite invalicabile alla loro intelligenza. Finora non abbiamo incontrato un tale limite.
L'intelligenza umana è fissa, a meno che non fondiamo in qualche modo le nostre capacità cognitive con le macchine. La startup di neural lace di Elon Musk mira a farlo, ma la ricerca sulle interfacce cervello-computer è nelle fasi iniziali.38
L'intelligenza delle macchine dipende da algoritmi, potenza di elaborazione e dati.
- La potenza di elaborazione è cresciuta a un ritmo esponenziale man mano che gli investimenti confluiscono in R&S e data center.
- Finora siamo stati bravi a fornire alle macchine gli algoritmi necessari per utilizzare efficacemente la loro potenza di elaborazione e memoria.
- Infine, aziende e individui stanno creando dati digitali a un ritmo crescente. I dati sintetici possono corrompere i model o potenziarli. Anche se li corrompono, è un problema risolvibile grazie alla curation dei dati.
Risultati recenti
Opus 4.6
Nel febbraio 2026, Claude ha rilasciato Opus 4.6 con una finestra di contesto di 1M e risultati benchmark impressionanti.
Anthropic si sta inoltre concentrando sui casi d'uso rilasciando plugin come Claude legal, che sono file markdown per aiutare i model a navigare in domini specifici. Sebbene si trattasse di un'aggiunta minore a Claude, ha innescato una svendita sul mercato azionario che ha coinvolto SaaS e software legali.39
Gemini Deep Think
Un altro esempio è la modalità deep think di Gemini di DeepMind, che ha ottenuto una prestazione da medaglia d'oro alle Olimpiadi Internazionali della Matematica del 2025, segnando un passo significativo nella capacità dell'IA di ragionare su problemi complessi.
Operando interamente in linguaggio naturale, Gemini ha risolto cinque problemi su sei entro la finestra di gara ufficiale di 4.5 ore, producendo al contempo dimostrazioni chiare e leggibili senza fare affidamento su strumenti simbolici formali.
Le sue capacità derivano da diverse innovazioni: la modalità Deep Think consente l'esplorazione parallela di percorsi di soluzione, l'addestramento incorpora dimostrazioni matematiche di livello esperto e l'apprendimento per rinforzo perfeziona il suo approccio strategico.
Questo progresso dimostra che oggi l'IA avanzata può impegnarsi in ragionamenti sofisticati e interpretabili a un livello un tempo riservato ai migliori risolutori umani.40
Opencrawl
Opencrawl è un progetto open source per trasformare gli LLM in agenti. È diventato uno dei progetti più popolari su GitHub e ha dato il via all'ecosistema opencrawl.
Crescita esponenziale
Quella che segue è un'analogia utile per comprendere la crescita esponenziale. Anche se le macchine potrebbero non sembrare molto intelligenti in questo momento, possono diventare piuttosto intelligenti nel prossimo futuro.
Crescita recente delle capacità di calcolo dell'IA
Figura 2: La figura mostra un riepilogo dei modelli di crescita della potenza di calcolo osservati in varie categorie: model notevoli complessivi (in alto a sinistra), frontier models (in alto a destra), leading language models (in basso a sinistra) e top models delle aziende leader (in basso a destra).
Le risorse di calcolo per l'addestramento degli IA models sono aumentate in modo significativo, con circa due terzi delle prestazioni dei language model attribuite ai miglioramenti della scala dei model.
Secondo un articolo del 2024,41 la crescita dell'uso di potenza di calcolo nell'addestramento degli IA models è aumentata costantemente di circa 4-5x all'anno, riflettendo le tendenze in model notevoli, frontier models e aziende leader come OpenAI, Google DeepMind e Meta IA (vedi Figura 2).
Tuttavia, il tasso di crescita è in qualche modo rallentato dal 2018, soprattutto per i frontier models, ma i language models hanno registrato una crescita più rapida fino a 9x/anno fino a metà 2020, dopo di che il ritmo è rallentato a 4-5x/anno.
La tendenza complessiva della crescita della potenza di calcolo dell'IA rimane forte e le proiezioni suggeriscono che il tasso di crescita del 4-5x/anno continuerà a meno che non emergano nuove sfide o scoperte. Questa crescita si osserva anche nelle strategie di scalabilità delle principali aziende di IA, sebbene esistano lievi variazioni tra di esse.
Nonostante un rallentamento nella crescita dei frontier models, i model più grandi rilasciati oggi, come GPT-4 e Gemini Ultra, si allineano strettamente con la traiettoria di crescita prevista.
Se il calcolo classico rallenta, il calcolo quantistico potrebbe colmare il divario
Il calcolo classico ci ha portato piuttosto lontano. Gli algoritmi di IA sui computer classici possono superare le prestazioni umane in compiti specifici come giocare a scacchi o a Go. Ad esempio, AlphaGo Zero ha battuto AlphaGo per 100-0. AlphaGo aveva battuto i migliori giocatori del mondo.42 Tuttavia, ci stiamo avvicinando ai limiti della velocità dei computer classici.
La legge di Moore, che si basa sull'osservazione che il numero di transistor in un circuito integrato denso raddoppia circa ogni due anni, implica che il costo del calcolo si dimezza approssimativamente ogni 2 anni.
D'altra parte, la maggior parte degli esperti ritiene che la legge di Moore stia giungendo al termine in questo decennio.43 Tuttavia, ci sono sforzi per continuare a migliorare l'efficienza del calcolo.
Ad esempio, DeepSeek ha sorpreso i mercati globali con il suo model R1 fornendo un reasoning model a una frazione del costo dei suoi concorrenti, come OpenAI.
Il calcolo quantistico, che è ancora una tecnologia emergente, può contribuire a ridurre i costi di calcolo dopo la fine della legge di Moore. Il calcolo quantistico si basa sulla valutazione di stati diversi contemporaneamente, mentre i computer classici possono calcolare uno stato alla volta.
La natura unica del calcolo quantistico può essere utilizzata per addestrare in modo efficiente le reti neurali, attualmente l'architettura di IA più diffusa nelle applicazioni commerciali. Gli algoritmi di IA in esecuzione su computer quantistici stabili hanno la possibilità di sbloccare la singolarità.
Perché alcuni esperti credono che non raggiungeremo l'AGI?
Ci sono 3 argomenti principali contro l'importanza o l'esistenza dell'AGI. Li abbiamo esaminati insieme alle loro comuni confutazioni:
1- L'intelligenza è multidimensionale
Pertanto, l'AGI sarà diversa, non necessariamente superiore all'intelligenza umana.
Questo è vero, e l'intelligenza umana è anche diversa dall'intelligenza animale. Alcuni animali sono capaci di imprese mentali, come gli scoiattoli che ricordano per mesi dove hanno nascosto centinaia di noci.
Yann LeCun, uno dei pionieri del deep learning, ritiene che dovremmo ritirare la parola AGI e concentrarci sul raggiungimento di una "intelligenza artificiale avanzata".44 Sostiene che la mente umana è specializzata e che l'intelligenza è un insieme di abilità e della capacità di apprenderne di nuove. Ogni essere umano può svolgere un sottoinsieme dei compiti dell'intelligenza umana.45
È anche difficile comprendere il livello di specializzazione della mente umana, in quanto esseri umani, poiché non conosciamo e non possiamo sperimentare l'intero spettro dell'intelligenza.
Nelle aree in cui le macchine hanno mostrato un'intelligenza sovrumana, gli esseri umani sono riusciti a batterle sfruttando le debolezze specifiche delle macchine. Ad esempio, un dilettante è riuscito a battere un programma di Go pari ai programmi di Go che battono i campioni del mondo, studiando e sfruttando le debolezze del programma.46
2- L'intelligenza non è la soluzione a tutti i problemi
Scienza
Anche la migliore macchina che analizza i dati esistenti potrebbe non essere in grado di trovare una cura per il cancro. Potrebbe dover condurre esperimenti nel mondo reale e analizzare i risultati per scoprire nuove conoscenze nella maggior parte dei settori.
Una maggiore intelligenza può portare a esperimenti meglio progettati e gestiti, consentendo più scoperte per esperimento. La storia della produttività della ricerca dovrebbe dimostrarlo, ma i dati sono piuttosto rumorosi e ci sono rendimenti decrescenti nella ricerca. Incontriamo problemi più difficili come la fisica quantistica man mano che risolviamo problemi più semplici come il moto newtoniano.
Infine, previsioni perfette potrebbero non essere possibili in alcuni ambiti a causa della casualità intrinseca o dell'immeasurabilità di quell'ambito. Ad esempio, anche con una grande quantità di dati, non siamo in grado di prevedere determinati esiti della vita con un alto livello di accuratezza.47
Economia
L'intelligenza non è l'ingrediente per la generazione di valore economico.
- Il QI, la misura più comunemente accettata dell'intelligenza umana, non è correlato al patrimonio netto per valori superiori a circa 40k dollari (vedi immagine sotto):
Figura 3: Il QI è correlato alla ricchezza a bassi livelli di ricchezza.48
Figura 4: Il QI non è correlato alla ricchezza se ci concentriamo su livelli elevati di ricchezza. Questo grafico è lo stesso del precedente tranne per il fatto che i livelli di reddito netto inferiori a $40k sono stati nascosti.
- Nel mondo degli investimenti, l'intelligenza del team di un'azienda non è considerata un fattore di competitività. Si presuppone implicitamente che anche altre aziende possano identificare strategie intelligenti. Gli investitori preferiscono aziende con vantaggi sleali che includono proprietà intellettuale, scala, accesso esclusivo alle risorse, ecc. La maggior parte di questi vantaggi sleali non può essere replicata soltanto con l'intelligenza.
3- L'AGI non è possibile perché non è possibile modellare il cervello umano
Teoricamente, è possibile modellare qualsiasi macchina computazionale, incluso il cervello umano, con una macchina relativamente semplice in grado di eseguire calcoli di base e accedere a memoria e tempo infiniti. Questa è l'ipotesi Church-Turing universalmente accettata formulata nel 1950. Tuttavia, come detto, richiede alcune condizioni difficili: tempo e memoria infiniti.
La maggior parte degli informatici ritiene che modellare il cervello umano richiederà meno di tempo e memoria infiniti. Tuttavia, non esiste un modo matematicamente valido per dimostrare questa convinzione, perché non comprendiamo ancora il cervello abbastanza bene da caratterizzarne con precisione la potenza computazionale. Dovremo costruire una macchina del genere!
Come possiamo raggiungere l'AGI?
Figura 5: L'orizzonte temporale dei frontier IA models mostra i compiti più lunghi (in tempo equivalente umano) che ciascun model può completare con un'affidabilità del 50%.49
La figura sopra mostra come le capacità degli agenti IA sono migliorate, misurando i compiti più lunghi che possono completare con un'affidabilità del 50%.
Il risultato chiave è che la lunghezza dei compiti che i frontier models possono gestire è cresciuta in modo esponenziale, raddoppiando all'incirca ogni sette mesi. Ciò significa che i model più recenti, come Claude Opus 5 e GPT-5.6, possono ora completare compiti che richiederebbero a un essere umano quasi un'ora, mentre i model più vecchi come GPT-2 riuscivano a malapena a gestire compiti più lunghi di pochi secondi.
L'area ombreggiata riflette l'incertezza statistica, ma la tendenza complessiva è affidabile. Se questo modello continua, i sistemi di IA potrebbero presto gestire compiti complessi che richiedono giorni o addirittura settimane di lavoro umano, segnando un passo significativo verso una maggiore autonomia e capacità simili all'AGI.
La scalabilità come percorso verso l'AGI
I leader dei laboratori di frontiera dell'IA ritengono che scalare gli attuali approcci basati su transformer possa portare all'AGI, alimentando le loro previsioni sul raggiungimento dell'AGI entro pochi anni.
Un percorso proposto verso l'AGI è scalare le architetture esistenti come i transformer aumentando potenza di calcolo e dati, mentre un altro è sviluppare approcci completamente nuovi.
A sostegno dell'ipotesi della scalabilità, un rapporto del 2024 di Epoch IA ha analizzato se la crescita della potenza di calcolo dell'IA possa continuare fino al 2030.
Hanno identificato quattro vincoli principali: disponibilità di energia, capacità di produzione di chip, scarsità di dati e latenza di elaborazione (vedi Figura 6).
Nonostante queste sfide, sostengono che sia fattibile addestrare model che richiedono fino a 2e29 FLOP entro la fine del decennio, assumendo investimenti significativi nelle infrastrutture.
Tali progressi potrebbero produrre sistemi di IA molto più capaci dei model state-of-the-art di oggi come GPT-4, avvicinandoci all'AGI.50
Figura 6: Il grafico illustra i limiti superiori stimati della potenza di calcolo per l'addestramento dell'IA entro il 2030 sotto i vincoli chiave: energia, produzione di chip, dati e latenza, con mediane che vanno da 2e29 a 3e31 FLOP.
Oltre la scalabilità: le ragioni per nuove architetture
Tuttavia, influenti scienziati dell'IA come Yann LeCun e Richard Sutton ritengono che scalare i large language model non porterà a un'intelligenza di livello umano.51 52 Ritengono che siano necessarie nuove architetture o approcci per l'AGI.
Come possiamo misurare se abbiamo raggiunto l'AGI?
I large language model stanno superando nuovi benchmark ogni settimana, ma valutare gli LLM è difficile a causa di problemi come l'avvelenamento dei dati e la mancanza di una definizione scientifica accettata per l'intelligenza di livello umano.
Queste preoccupazioni sono amplificate dalle indicazioni di ricerche recenti53 che evidenziano che scalare gli LLM non è un percorso sostenibile per ottenere prestazioni migliori, soprattutto in ambiti scientifici e ad alto rischio. Gli autori mostrano che:
- Gli LLM mostrano esponenti di scala molto bassi (~0.1), il che significa che anche aumenti massicci di dati o potenza di calcolo producono guadagni di accuratezza minuscoli.
- Il potere di apprendimento degli LLM deriva dalla loro capacità di produrre output non gaussiani, ma ciò porta anche a accumuli di errori e previsioni fragili.
- Le metriche tradizionali come le funzioni di perdita sono pseudo-metriche che non si allineano con la vera convergenza o accuratezza.
- Un regime di IA degenerativa (DAI) può sorgere quando i model, addestrati su dati sintetici o ripetitivi, accumulano errori più velocemente di quanto possano essere corretti.
Questi risultati mettono in discussione l'affidabilità dei benchmark standard e sottolineano la necessità di strategie di valutazione più diversificate e in evoluzione.
Vecchie metriche come il test di Turing non sono all'altezza delle macchine di oggi, e nuove metriche come ARC-AGI potrebbero mancare delle capacità di generalizzazione di benchmark più ampi.
Metriche emergenti come ARC-AGI mirano a testare astrazione e generalizzazione, ma possono ancora mancare di resilienza alla contaminazione dei dati o all'overfitting.
Inoltre, come evidenzia l'articolo, anche punteggi di perdita "buoni" possono mascherare catastrofi informative sottostanti dovute a fluttuazioni non gaussiane e instabilità dell'addestramento.53
Come possiamo monitorare i progressi degli LLM?
Esistono alcuni approcci al benchmarking per superare queste sfide:
- Aggiornare frequentemente le domande dei benchmark. Esempio reale: LiveBench
- Utilizzare set di holdout per prevenire l'avvelenamento dei dati: i benchmark di AIMultiple, come il benchmark AGI o ARC-AGI.
Quali sono gli approcci oltre il benchmarking per determinare l'AGI?
Esistono indicatori potenzialmente forti ma in ritardo dell'impatto dell'IA, che possono aiutare a identificare l'AGI.
Crescita economica
Il CEO di Microsoft Satya Nadella afferma che una crescita del 10% nel mondo sviluppato indicherebbe l'AGI.54 . Tuttavia, il suo incentivo è avere una definizione ritardata di AGI poiché l'AGI porrebbe fine alla partnership esclusiva tra OpenAI e Microsoft.55
Disoccupazione
Ci aspettiamo che l'AGI
- Riduca l'occupazione impiegatizia al 10% del suo picco globale, misurata come quota di persone nella forza lavoro. Ciò dovrebbe verificarsi se la quota di reddito del lavoro diminuisce drasticamente a causa dell'IA.
- mentre la crescita del PIL continua
In un mondo in cui le macchine sono più intelligenti ed efficienti degli esseri umani, non sarebbe razionale pagare un essere umano per stare seduto davanti a un computer. Pertanto, ci aspettiamo che l'occupazione impiegatizia crolli mentre gli esseri umani continuano a prosperare nei lavori del mondo fisico.
Le agenzie governative che raccolgono statistiche sul lavoro classificano i lavori in categorie dettagliate, rendendo l'occupazione impiegatizia una metrica facile da monitorare.
Abbiamo raccolto dati dal Bureau of Labor Statistics degli Stati Uniti sull'occupazione impiegatizia dal 2019 al 2024.56 Per chiarezza e coerenza, abbiamo classificato i lavoratori impiegatizi nei seguenti gruppi occupazionali:
- Occupazioni nell'architettura e nell'ingegneria
- Occupazioni nelle operazioni aziendali e finanziarie
- Occupazioni informatiche e matematiche
- Professionisti sanitari e occupazioni tecniche
- Occupazioni legali
- Occupazioni nelle scienze della vita, fisiche e sociali
- Occupazioni dirigenziali
- Occupazioni di supporto amministrativo e d'ufficio
- Occupazioni nelle vendite e affini
Secondo la nostra analisi, il rapporto tra lavoratori impiegatizi e occupazione totale ha oscillato tra il 45% e il 48% in questo periodo.
Sebbene questo intervallo suggerisca una relativa stabilità della quota di occupazione impiegatizia finora, non è indicativo di una tendenza a lungo termine, e ci aspettiamo cambiamenti più pronunciati nei prossimi anni con l'accelerare dell'automazione e dell'adozione dell'IA. Per ulteriori previsioni su come l'IA cambierà l'occupazione impiegatizia e quella entry-level, leggi perdita di posti di lavoro dovuta all'IA.
Dobbiamo davvero puntare all'AGI?
Ci sono informatici che avvertono che concentrarsi sull'AGI come obiettivo finale potrebbe distorcere la ricerca sull'IA.57 Le critiche includono: creare un'illusione di consenso, overfittare i benchmark, ignorare i valori sociali incorporati, lasciare che l'hype detti le priorità, accumulare "debito di generalità" (rimandando questioni di progettazione fondamentali) ed escludere comunità emarginate e ricercatori con poche risorse.
Obiettivi specifici, misurabili e trasparenti sarebbero migliori per il progresso dell'IA rispetto a un obiettivo vagamente definito come l'AGI.
Aggiungi come fonte preferitaRagionamento matematico dietro le previsioni sull'AGI
Il ragionamento matematico è centrale per comprendere e prevedere le tempistiche dell'AGI. Molte proiezioni si basano su tendenze quantificabili e model formali che guidano le aspettative su quando potrebbe emergere l'intelligenza artificiale generale.
Leggi di scala e crescita della potenza di calcolo
Una componente chiave del ragionamento matematico consiste nell'analizzare le leggi di scala. Queste mostrano che le prestazioni dei model migliorano in modo prevedibile con più dati, parametri e potenza di calcolo.
La crescita annua costante del 4–5× della potenza di calcolo per l'addestramento dell'IA supporta le previsioni secondo cui l'AGI potrebbe essere raggiungibile entro uno o due decenni, assumendo che le tendenze attuali continuino.
Queste proiezioni si basano su adattamenti empirici alle curve di prestazione ed estrapolazioni, sostenute da relazioni a legge di potenza, un concetto fondamentale nella modellazione matematica.
Previsione probabilistica
I ricercatori applicano anche metodi probabilistici alle previsioni sull'AGI. I sondaggi spesso chiedono agli esperti di stimare la probabilità che l'AGI venga sviluppata entro determinati anni, producendo distribuzioni di probabilità cumulative.
Ad esempio, una probabilità del 50% entro il 2040 riflette il consenso in condizioni di incertezza, guidato da aggiornamenti di tipo bayesiano basati sui progressi osservati dell'IA.
Questo approccio di ragionamento matematico cattura l'incertezza degli esperti senza richiedere date precise, consentendo una revisione continua man mano che diventano disponibili nuovi dati.
Fondamenti teorici
Queste previsioni si basano su elementi teorici del ragionamento matematico, tra cui la tesi di Church-Turing, che implica che la cognizione umana possa essere simulata dalle macchine, e concetti come la complessità di Kolmogorov, che mettono in relazione l'intelligenza con la compressibilità delle informazioni.
Sebbene tali teorie non garantiscano l'AGI, forniscono un framework per riflettere sulla sua possibilità e sui requisiti computazionali coinvolti.
Ulteriori informazioni sull'Intelligenza Artificiale Generale
David Silver, Principal Research Scientist presso Google DeepMind
Spiega che l'Intelligenza Artificiale Generale (AGI) si riferisce a sistemi di IA in grado di apprendere ed eccellere in un'ampia gamma di compiti, come gli esseri umani che possono diventare esperti in campi diversi come la scienza, la musica o lo sport.
A differenza dell'IA ristretta limitata a una singola funzione, l'AGI aspira a rispecchiare l'adattabilità umana e la capacità generale di risolvere problemi.
Osserva che, sebbene l'AGI sia un obiettivo a lungo termine, raggiungere una vera intelligenza di livello umano richiederà probabilmente diverse scoperte e si svilupperà gradualmente (vedi il video qui sotto).
Ilya Sutskever, co-fondatore e Chief Scientist di OpenAI
Nel TED Talk "The Exciting, Perilous Journey Toward AGI", esplora i rapidi progressi verso l'Intelligenza Artificiale Generale (AGI).
Prevede che l'AGI potrebbe emergere entro i prossimi 5-10 anni, sebbene riconosca l'incertezza di questa tempistica.
Sutskever evidenzia sia l'immenso potenziale sia i profondi rischi dell'AGI, sottolineando la necessità di allineare il suo sviluppo ai valori umani. Nonostante le sfide, è ottimista sul fatto che l'umanità possa guidare in sicurezza questa potente tecnologia (vedi il video qui sotto).
Ray Kurzweil, informatico e imprenditore
Riflette su oltre sei decenni di progressi dell'IA, ripercorrendo la capacità dell'umanità di costruire strumenti che potenziano l'intelligenza, dagli strumenti primitivi ai large language model.
Prevede inoltre che l'Intelligenza Artificiale Generale arriverà entro il 2029, portando alla singolarità tecnologica entro il 2045. Evidenzia i progressi esponenziali nella potenza di calcolo, nella medicina e nelle biotecnologie.
Prevede inoltre scoperte come cure generate dall'IA, sperimentazioni cliniche digitali e la velocità di fuga della longevità, in cui il progresso scientifico potrebbe estendere la vita indefinitamente (vedi il video qui sotto).
Yann LeCun, vincitore del premio Turing
Scopri perché gli LLM non possono darci un'intelligenza di livello umano e gli ultimi approcci dell'IA per arrivarci:
Previsioni sull'intelligenza artificiale generale
Metodologia del grafico della singolarità
Per tracciare l'anno previsto di sviluppo dell'AGI sul grafico, abbiamo utilizzato la media ponderata delle previsioni per ciascun anno all'interno di ciascuna categoria. Ad esempio, se c'erano più previsioni dei mercati di previsione nel 2022, abbiamo calcolato la loro media ponderata e tracciato quel valore.
- Per le previsioni individuali, abbiamo incluso le previsioni di 18 esperti di IA.
- Per le previsioni scientifiche, abbiamo raccolto i risultati di sondaggi da 10 articoli sottoposti a revisione paritaria che forniscono tempistiche per l'AGI.
- Per i risultati dei mercati di previsione, abbiamo incluso le previsioni di 3 mercati di previsione (Manifold, Kalshi e Metaculus).
Conclusione
Le previsioni sull'AGI sono cambiate notevolmente negli ultimi anni. Mentre i sondaggi precedenti collocavano il suo arrivo più vicino al 2060, le previsioni recenti, soprattutto da parte degli imprenditori, suggeriscono che potrebbe emergere già nel 2026-2035.
Questo cambiamento è alimentato dai rapidi progressi nei large language model e dalla crescente potenza di calcolo. Eppure, nonostante questi progressi, l'IA di oggi manca ancora della flessibilità generale e dell'autonomia associate all'intelligenza di livello umano.
Gli esperti rimangono divisi su come verrà raggiunta l'AGI; alcuni credono che scalare le architetture attuali sarà sufficiente, mentre altri sostengono che siano necessari nuovi metodi.
Le sfide principali includono elevate richieste di risorse, benchmark poco chiari e preoccupazioni etiche irrisolte. L'AGI potrebbe essere più vicina, ma il suo arrivo dipende ancora sia da scoperte tecniche sia da un'attenta supervisione.
FAQ
La singolarità è un evento ipotetico che dovrebbe portare a un rapido aumento dell'intelligenza delle macchine.
Per la singolarità, abbiamo bisogno di un sistema che combini il pensiero a livello umano con una velocità sovrumana e una memoria quasi perfetta e rapidamente accessibile.
La singolarità dovrebbe anche portare alla coscienza delle macchine, ma poiché la coscienza non è ben definita, non possiamo essere precisi al riguardo. Un tale sistema potrebbe auto-migliorarsi e superare le capacità umane.
Sebbene singolarità sia un termine relativamente vecchio, AGI e soprattutto superintelligenza sono usati più frequentemente per descrivere lo stesso evento.
L'Intelligenza Artificiale Generale (AGI) si riferisce a un tipo di IA in grado di comprendere, apprendere e applicare conoscenze in un'ampia gamma di compiti intellettuali a un livello pari o superiore a quello degli esseri umani.
A differenza dell'IA ristretta, progettata per compiti specifici come la traduzione linguistica o il riconoscimento delle immagini, l'AGI possiederebbe capacità cognitive generalizzate, che le consentirebbero di ragionare, pianificare e adattarsi in situazioni non familiari.
Lo sviluppo dell'AGI rimane un importante obiettivo di ricerca e oggetto di dibattito etico e filosofico.
La superintelligenza denota un intelletto che supera significativamente le migliori menti umane in praticamente tutti i domini, inclusi creatività, risoluzione dei problemi e comprensione sociale.
Rappresenta uno stadio oltre l'AGI, in cui un sistema artificiale potrebbe superare gli esseri umani in ogni attività intellettuale significativa.
Il concetto solleva considerazioni critiche sul controllo, sulla sicurezza e sulle implicazioni a lungo termine per il ruolo dell'umanità in un mondo dominato da un'intelligenza superiore.
L'Intelligenza Artificiale Avanzata (AMI) riguarda sistemi di IA competenti che si avvicinano o raggiungono un'intelligenza quasi generale.
Sebbene possano non possedere ancora la completa flessibilità e autoconsapevolezza associate all'AGI, i sistemi AMI dimostrano ragionamento avanzato, apprendimento e adattabilità in compiti diversi.
Il termine è spesso usato per indicare sistemi di IA che superano le attuali capacità dell'IA ristretta ma rimangono al di sotto della soglia della completa intelligenza generale.
Cita questo benchmark
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singolarità: 10.000 Previsioni Analizzate}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Consultato il 13 Agosto 2026}
}Risultati e timestamp di 219 punti dati. Scarica i dati utilizzati in questo articolo come file ZIP contenente 2 file CSV e un README.
Collegamenti di riferimento
Il lavoro di Cem è stato citato da importanti pubblicazioni globali tra cui Business Insider, Forbes, Washington Post, aziende globali come Deloitte, HPE e ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione europea.
Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente di tecnologia e imprenditore tecnologico. Ha consigliato aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un rapporto McKinsey sulla digitalizzazione.
Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha anche guidato la crescita commerciale dell'azienda deep tech Hypatos che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da 0 in 2 anni. Il lavoro di Cem in Hypatos è stato trattato da importanti pubblicazioni tecnologiche come TechCrunch e Business Insider.
Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato in ingegneria informatica all'Università Bogazici e ha conseguito un MBA presso la Columbia Business School.
Commenti 12
Condividi i tuoi pensieri
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.
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!