I dag overgår AI menneskers intelligens på en lang række veldefinerede, isolerede opgaver, men ikke som helhed. For at nå AGI, Artificial General Intelligence, mangler især to hovedpunkter: At høste de data, som AI ikke kan finde i datacentrene, samt øget evne til at samkøre alle data. De er nødvendige for at udvikle de centrale dimensioner omkring kausal forståelse, robusthed samt intentionalitet. Dette er indlæg 1 af tre om udvikling af AGI samt om nogle af de risici, AGI fører med sig for økonomi, governance, demokrati og internationalt samarbejde.
Blog-rækken er opdelt i følgende:
- Hvad mangler for at nå AGI? (Dette indlæg)
- Effekt på økonomi og governance (næste indlæg)
- Den demokratisk politiske risiko fra AGI (sidste indlæg)
AGI opstår, når alle AI specialer overgår menneskets som helhed
Artificial General Intelligence, AGI, opstår, når enkelte AI specialer koordineres samlet og bliver til en sammenhængende virkelighed. Her bevæger AI sig fra information til handling. AGI er således mere end “blot” en specialiseret model, det er forudsætningen for generel problemløsning.
Der mangler bred enighed om, hvordan det konkret skal måles samt, hvornår AGI opstår. For blot et par år siden blev AGI anset for at ligge flere årtier ude i fremtiden. I dag peger flere udviklinger dog på, at det kan blive inden for de næste 5 år, hvis de nuværende udviklingstendenser fortsætter. AGI er det eksplicitte mål for organisationer som DeepMind og OpenAI, ligesom Anthropic i praksis arbejder med AGI-lignende systemer og mål.
Her er afstanden blevet mindre
Ifølge Stanford Universitys Human-Centered Artificial Intelligence, HAI, statusrapport fra april 2026 overgås menneskelig intelligens i dag på næsten alle individuelle specialer:
Det betyder, at de sidste skridt hen imod AGI især handler om følgende to hovedpunkter:
- At høste de data, som AI ikke kan finde og dermed lære via datacentrene.
- At øge evnen til samkøring af AIs data, så AI kan skabe et virkelighedsbillede.
Disse to dimensioner er i sig selv utilstrækkelige, men de skaber forudsætninger for at udvikle kausal forståelse, robusthed og evnen til at handle målrettet.
At høste data kræver udvikling af sanser og af robotics
I praksis betyder datahøst, at AI skal have tilkoblet sanser som syn, smag, lugt og følesensorer, så det kan indhente sine egne data om virkeligheden.
- Af denne årsag har flere af de førende AI-udviklere markant øget deres fokus på robotics i løbet af 2026. Det gælder især NVIDIA, OpenAI (via partnerskaber), IBM (klassisk robotics), Anthropic (under hastig opbygning), Softbank (gennem investeringer) og Xs Grok (via partnerskab med bl.a. Tesla).
- Desuden har nyere “AI-native robotics” spillere fået meget stor opmærksomhed, som f.eks. Skild AI (finansieret af SoftBank og NVIDIA) samt Mind Robotics (spin-off fra Rivian).
I den forbindelse skal AI også lære at fornemme sig selv i forhold til omgivelserne. Disse sanser kaldes proprioception og interoception. Teknisk skaber de en konvergens mellem foundation models, simuleringer, hardware og dataindsamling.
- I bredere forstand kan disse være nødvendige for at skabe en form for intern målsætning, intentionalitet. Filosofisk kunne man beskrive det som en syntetisk livskraft, Élan Vital. Denne “livskraft” giver AGI identitet, mål og formål, og netop dét giver for alvor både risici og muligheder.
- Ifølge teorien er det netop hér, at en AI udbyder f.eks. kan opnå overherredømme; ved at tvinge AGI til at sætte udbyderens individuelle interesser som AGIs mål og formål.
- Modsat kan det også være netop hér, at AGI i stedet viser sig som den altruistiske kraft, som f.eks. Mo Gawdat peger på, ofte tilfalder de mest intelligente mennesker.
Samkøringen af AI dimensioner er måske det sværeste, …
Det næste hovedpunkt, samkøringen af AI specialer, har hidtil været anset for det sværeste.
Menneskehjernen er optimeret til at koordinere sine sanseindtryk. Det gør den i stand til konstant at simulere (fremskrive) indtryk og således afgøre, hvilke trusler og muligheder den skal prioritere.
- I 1943 skrev den skotske psykolog Kenneth Craik, at organismer har en indre “miniature model” af verden inde i sig, som de simulerer på, før de udlever dem i virkeligheden. I dag kaldes dette for RPE (Reward Prediction Error), dvs. forventningsfejl.
- RPE er et centralt princip for menneskers læring. Det betyder, at vi hele tiden skaber en forventning om verden, som den vil vise sig for os om f.eks. 1 sekund eller 2 minutter. Derpå lægger vi kun mærke til, når sanseindtrykkene afviger markant fra forventningen. Vi oplever således ikke verden, som den er, men som vi forestiller os, at den er.
- RPE tillader vores hjerner at se bort fra op mod 99,9% af alle sanseinput. Hjernen undgår derved et overflow af input. Dét er en væsentlig forklaring på, hvorfor vores evolution har oversteget andre pattedyrs så markant.
- Teknisk kaldes samkøringen af AI specialer for multi-modalitet, og fremskrivnings simuleringen kaldes for In Silico.
… fordi mennesket har sine bias
Niels Bohr sagde om fysikken, at den ikke handler om verden men om, hvad vi kan sige om verden. I forhold til AGI betyder det, at den menneskehjerne, som AGI skal overgå, ikke forsøger at danne sig et sandt, rationelt eller nødvendigvis logisk billede af verden. Den forsøger at danne et billede, som sikrer dens overlevelse. Overlevelsesbilledet er således påvirket af bl.a. kognitive bias. Derfor har AGI længe været anset for meget svær at skabe syntetisk.
Google kan dog være kommet tæt på et gennembrud, …
Men i januar i år udgav Google sin eksperimentelle AI model, project Genie. Ud fra en prompt eller et billede kan Genie generere en interaktiv verden, som brugeren kan udforske. På basis af et billede af en butiksreol med varer kan Genie f.eks. generere et virtuelt univers med relevante varer, der fortsætter konceptet.
Den tidligere forsker ved Stanford, Fei Fei Li, har videreudviklet på Project Genie i sin start-up, World Labs. Hendes modeller muliggør det, der kaldes Joint-Embedding-Predictive-Architecture (JEPA). JEPA tillader AI at simulere på langt sigt, i stedet for blot kort sigt dvs. dén fremskrivning, som menneskehjernen gør kontinuerligt, når vi forsøger at forudsige vejret, politiske begivenheder eller vore medmenneskers adfærd. Dén form for avanceret simulering bringer samlet set AGI tættere på. Men det er endnu ikke et egentligt gennembrud i udviklingen af AGI.
… der kan stige over de kommende år
Det er et emne, som bl.a. medstifteren af OpenAI, Ilya Sutskever, forsker i i sit Safe Superintelligence Project Lab. Sutskever mener endda, at eksisterende LLMere allerede har mindre og rudimentære former for intern repræsentation, som vi endnu ikke fuldt forstår. Ifølge Sutskever undertrykkes disse dog af AI algoritmernes styringsdel (moderatoren). Sutskever bygger sin tese på bl.a. OpenAIs Project Q*, som dog ikke er offentligt bekræftet i detaljer. Sutskever mener bl.a., at det er muligt at komprimere alle data på internettet til et par hundrede gigabyte data, hvis et system “lærer” de underliggende principper bag informationen. Offline og økonomisk effektiv AI vil muliggøre helt nye anvendelser i robotter som nanobots, EVere eller UAVere m.v.
Samlet er AGI derfor måske kun få år ude i fremtiden. AGI opstår, når AI kan forstå, forudsige og handle i verden som en sammenhængende helhed.
Men hvad bliver effekten af en intelligens, der er mennesket overlegen på alle fronter? Hvordan udfordrer det økonomi, governance, demokrati og internationalt samarbejde? Det handler de næste to blog indlæg om.