Jag blir allt mer ointresserad,av att diskutera begreppen AGI och ASI, i sig.
Men I dagsläget så börjar vi se ASI-liknande eller klart övermänsklig forskningskapacitet med hjälp av Digital Intelligens, (DI).i alla fall vad gäller delar av matematiska forskningsfältet.
Det handlar inte om en modell som enbart kan lösa matematiska problem, (likt en schackdator som bara kan spela schack). Det handlar om en intern modell hos OpenAI som preliminärt löst det i 90 år olösta Navier–Stokes problemet efter att ha löst det närliggande problemet Euler-ekvationerna. Den interna modellen arbetade 88 timmar och tog hjälp av 10 000 specialiserade agenter som utbytte information och samarbetade med varandra.
Sedan fick GPT-6-Astra modellen, (som ligger på 98 % FrontierMath Tier 4 och 99,9 % ARC-AGI-3, i det sista fallet med hjälpmedel utöver de vanliga, annars 62,7% med standardupplägget), sköta om Lean-formalisering och verifiering, vilket tog 17 timmar. När OpenAI testade den interna modellen och jämförde med Astra på utvalda svåra matematiska problem så hade den interna modellen ungefär tre gånger så hög andel lösta problem jämfört med Astra.
https://openai.com/index/navier-stokes-solution/?utm_source=chatgpt.com
https://openai.com/index/gpt-6-astra/?utm_source=chatgpt.com
Detta innebär att utvecklingen av Digital Intelligens,(DI), är ojämn och kommer sannolikt att vara det också framöver. Fortfarande så finns det uppgifter som DI brottas med, men som kan vara ganska lätta för människan att lösa. Vi får se hur det blir framöver med agenter, robotik, utvecklande av LLM, (genom t.ex att man gör fler varv genom nätverket för varje token), utveckling av runt omkring resurser i övrigt, samt alternativ till LLM-arkitekturen som Le Cunns JEPA).
Så vi har långt ifrån ASI ännu, men det börjar "knapras" in med ASI liknande kapacitet i delar av matematiken.