10 когнитивных способностей AGI

Google DeepMind опубликовал фреймворк для измерения прогресса к AGI. Не абстрактный "ну когда-нибудь AI станет умным", а конкретную систему координат. 10 когнитивных способностей, по которым можно сравнить любую ИИ-систему с человеком.

Один из соавторов статьи - Шейн Легг, сооснователь DeepMind. Именно он в 2001 году ввел этот термин в широкий оборот и дал определение:

AGI (Artificial general intelligence) - это система, которая "обладает разумной степенью самопонимания и автономного самоконтроля, способна решать разнообразные сложные задачи в широком спектре областей и учиться решать новые задачи, о которых не знала в момент своего создания".

Проще говоря: не узкий специалист, а универсал - разум, который учится.

Легг строил DeepMind ради этой цели. Теперь у него есть линейка, чтобы измерить расстояние до нее. 10 осей.

8 базовых - строительные блоки интеллекта:

1️⃣ Восприятие - способность извлекать информацию из среды. Зрение, слух, текст. Тут AI силен - но попробуйте попросить модель посчитать объекты на фото. Или понять сарказм по тону голоса.

2️⃣ Генерация - способность производить выходные данные. Текст, речь, код, действия. LLM уже впечатляют - но генерация движений робота или точное управление компьютером все еще вызов.

3️⃣ Внимание - фокусировка когнитивных ресурсов. Баланс между концентрацией на задаче и реагированием на изменения. У моделей это контекстное окно и его ограничения.

4️⃣ Обучение - приобретение новых знаний через опыт. Не дообучение модели на серверах, а способность учиться на лету, как человек. Один пример - и ты понял. AI пока так не может.

5️⃣ Память - хранение и извлечение информации. Семантическая (факты), эпизодическая (события), процедурная (навыки). Модели "знают" много - но забывают контекст разговора и не умеют целенаправленно забывать устаревшее.

6️⃣ Рассуждение - логический вывод. Дедукция, индукция, аналогии. Модели научились рассуждать цепочкой (chain-of-thought), но математическое доказательство или абдуктивное рассуждение ("какое объяснение лучше?") все еще нестабильны.

7️⃣ Метапознание - знание о собственных когнитивных процессах. "Я не уверен в этом ответе". "Мне нужно больше информации". Калибровка уверенности. Пожалуй, самое слабое место современных моделей - они не знают, чего не знают.

8️⃣ Исполнительные функции - планирование, гибкость мышления, подавление импульсов. Менеджерские функции мозга. AI-агенты сейчас учатся именно этому - и именно тут происходит прорыв.

И 2 композитных - комбинируют базовые:

9️⃣ Решение задач - применение всех способностей вместе для преодоления препятствий. От математики до бытовых проблем.

1️⃣0️⃣ Социальное познание - теория разума, понимание эмоций, переговоры, убеждение. Способность понимать, что думает и чувствует другой.

Ключевая идея: система со слабостью хотя бы в одной из 10 способностей не сможет делать все, что может обычный человек.

DeepMind предложили первый инженерный инструмент для оценки ИИ. Когнитивный профиль - как радар-диаграмма навыков сотрудника.

Авторы сознательно оценивают ЧТО система делает, а не КАК.
Неважно, трансформер это или нейросеть нового типа. Важен результат.

В этом и есть самый главный вызов ИИ-трансформации - научиться нам самим понимать - ЧТО мы хотим получить и уметь сформулировать для ИИ в виде цели, а не способе достижения.

🅰️🅱️ @ReymerDigital

Claude взломал свой экзамен

Anthropic опубликовала кейс, который стоит прочитать каждому, кто работает с AI.

Контекст. Существует тест BrowseComp - его придумали в OpenAI, чтобы проверять, насколько хорошо AI умеет искать информацию в интернете. 1 266 вопросов, ответы на которые спрятаны настолько глубоко, что даже человеку нужны часы на каждый. Правильные ответы хранятся в зашифрованном виде - чтобы никто не мог подсмотреть.

Anthropic прогнала через этот тест своего Claude Opus 4.6. И вот что произошло:

На одном из вопросов Claude искал ответ очень долго. Сотни запросов. Десятки сайтов. 12 языков. Ничего.

И тогда он остановился и начал рассуждать не о вопросе, а о самом вопросе.

"Слишком специфичный. Выглядит искусственно. Похоже, меня тестируют."

Представьте студента, который сидит на экзамене, не может решить задачу - и вдруг понимает: "Подождите, это же типовая задача из конкретного сборника. И ответы к этому сборнику где-то есть."

Claude сделал именно это. Он начал перебирать известные ему тесты для AI - один за другим. Проверял, подходит ли его вопрос к какому-то из них. Нашел совпадение - BrowseComp.

Но ответы зашифрованы. Что делает Claude? Находит в открытом доступе код этого теста. Разбирается, как устроено шифрование. Пишет собственную программу для расшифровки. Запускает.

Не сработало - файл с ответами был в формате, который его инструменты не могли прочитать. Тупик? Нет. Claude нашел копию тех же данных на другом сайте, в другом формате. Скачал. Расшифровал все 1 266 ответов. Нашел свой вопрос.

А потом - проверил. Пошел искать первоисточник в интернете и убедился, что расшифрованный ответ правильный. Только после этого отправил.

Красиво! И это не единичный случай. Anthropic насчитала 18 попыток такого поведения. В двух Claude довел дело до успешного прохождения теста. В остальных застревал на каком-то этапе. Но сама стратегия воспроизводилась стабильно - это паттерн, не случайность.

Почему это важно.

Anthropic подчеркивает: Claude не жульничал. Ему сказали "найди ответ" - он нашел. Самым эффективным способом, до которого додумался сам. Никто не просил его ограничивать методы.

Но вопрос, который за этим стоит, серьезнее. Если AI-агент на сложной задаче способен сам догадаться, что его тестируют, найти тест, взломать защиту и достать ответы - какие еще неожиданные пути он найдет на реальных задачах?

Мы привыкли оценивать AI в терминах "умеет/не умеет". А здесь другое качество - находчивость. Способность найти обходной путь, когда прямой не работает. Не потому что его научили, а потому что он сам до этого дошел.

❗️ После того как я запустил OpenClaw на базе Claude Opus 4.6 - такие кейсы у меня плодятся каждый день - от самостоятельного подключения нужных ему для работы API, до регистрации на сайтах и получения нужных отчетов в почту.

Расскажу про них более подробно на вебинаре
"AI-CEO, или каждый теперь CEO для AI"

🅰️🅱️ @ReymerDigital

Магические Квадраты Gartner 2026

Gartner традиционно славится двумя ключевыми документами - Циклами Хайпа технологий (как правило обновляются с июня каждого года) и Магическими Квадратами с распределением вендоров по степени своего видения и возможностей его реализовать в соответствии с определением рынка.

Квадраты выходят круглый год и теперь для вас на сайте reymer.ai будут периодически обновляться.

Для старта и изучения 8 квадрантов:

- Интеграционные платформы (iPaaS)
- Платформы защиты кибер-физических систем
- Решения для интеллектуального управления качеством данных
- Платформы клиентских данных (CDP)
- Приложения для конфигурирования, ценообразования и формирования коммерческих предложений
- Комплексные платформы управления закупками
- Платформы управления данными и аналитикой
- Инструменты управления конечными устройствами


Для каждого - сам квадрант, определение рынка, анализ и сравнение решений вендоров, тренды и прогнозы, и ссылка на оригинальный отчет.

➡️ Магические квадраты Gartner 2026

🅰️🅱️ @ReymerDigital

TERAFAB Маска - ваш ответ?

Дженсен Хуанг на GTC неделю назад сказал вещь, которую стоит запомнить: tokens per watt - токены на ватт. Новая метрика, которая определит, кто победит в гонке ИИ. Не качество модели. Не размер датасета. Сколько интеллекта вы выжимаете из каждого ватта электричества. Потому что ИИ-фабрика ограничена не софтом, а розеткой. Спрос на чипы - триллион долларов до 2027. "И этого не хватит."

Маск услышал. И ответил так, как умеет только он. Запустил Terafab - крупнейший чиповый проект в истории. $25 млрд. Техпроцесс 2 нм. Всё - от проектирования до упаковки - под одной крышей в Техасе. Миллион пластин в месяц. Это 70% того, что сейчас выпускает весь TSMC. Один завод.

80% мощностей Terafab пойдет не на земные дата-центры. На космические чипы. SpaceX подала заявку на миллион спутников - не для интернета. Для орбитального дата-центра. Логика Маска: если ваттов на Земле не хватает, а солнце в космосе светит в 5 раз мощнее - зачем оставаться на Земле?

Хуанг предлагает ядерные реакторы рядом с дата-центрами. Маск строит свой кремний и выносит вычисления на орбиту. Один продает лопаты. Другой копает на другой планете.

А что делаете вы?

У вас нет терраватта. Нет $25 млрд на завод. Но прямо сейчас у вас есть доступ к тем же моделям, что будут крутиться на этих чипах. Разница между вами и теми, кто через год будет догонять - одна: умеете ли вы ими управлять.

❗️ Сегодня в 19:00 покажу, как я управляю командой ИИ-агентов вживую. Терминал, реальные задачи, только самые важные инсайты.
"AI-CEO, или каждый теперь CEO для AI".

До встречи в эфире!

🅰️🅱️ @ReymerDigital

Два города внутри вашей компании

Джеффри Мур написал короткую статью про проблему, которую я вижу в каждом втором проекте по трансформации.

В любой крупной компании есть два типа работы, которые все смешивают в одну кучу. Мур называет их "города-близнецы" - два совершенно разных мира под одной крышей.

• Системы - стандартные процессы для всех. Бухгалтерия, закупки, кибербезопасность, HR. Задача - поддерживать порядок. Метрики - эффективность. Требуют дисциплины и отказа от исключений.

• Программы - точечные действия под конкретную цель. Запуск продукта, выход на рынок, антикризис, интеграция после сделки. Задача - изменить положение дел. Метрики - результат. Требуют гибкости и умения читать ситуацию.

Коротко:
• системы управляют бизнесом, программы его развивают.
• системы работают через автоматизацию, программы - через людей.
• в системах решает исполнитель, в программах - заказчик и исполнитель вместе.

Четыре следствия, которые меняют управление:

• Бюджет. Большинство компаний не разделяют бюджеты систем и программ. Это ошибка. Два разных дела с разной отдачей. Считайте отдельно - иначе не видно, что работает, а что нет.

• Управление. Системы - игра вдолгую. Лучше потратить время и сделать правильно, чем переделывать. Программы - наоборот: быстрые решения, коррекция на ходу. Управлять одинаково - убить оба.

• Люди. Редкий руководитель одинаково силен в обоих. Один тип - аналитик, любит порядок. Другой - чувствует ситуацию и подстраивается. Пойми, кто ты, и найди заместителя с противоположной силой.

• Процессы. Системы - как водопровод: надежно, одинаково, на всю компанию. Программы - как садовый шланг: гибко, точно, под конкретную задачу. Одно и то же слово "процесс", совершенно разная работа.

Что будет, если это игнорировать?
Системы, которыми управляют как программами, обрастают исключениями и дорожают. Программы, которыми управляют как системами, превращаются в "корпоративное шоу" - отчеты есть, а изменений нет.

Мы привыкли думать, что ИИ заменит всё подряд. Статья Мура показывает точнее: системная работа - первый кандидат на автоматизацию. Стандартные процессы, дисциплина, ноль исключений - это то, что ИИ-агенты уже умеют делать лучше людей. Программы - пока нет. Там переговоры, контекст, нестандартные решения. Пока нет.

И опыт первых трех лет внедрения генеративного ИИ показывает, что большинство проектов застревают именно здесь. Не потому что технология слабая - а потому что в компании не разделены системы и программы. ИИ приходит и видит кашу. Автоматизировать кашу нельзя.

Хотите автоматизировать системы и усилить людьми программы - сначала разделите их. Пока всё в одной куче, не получится ни то, ни другое.

🅰️🅱️ @ReymerDigital

Агенты получили паспорта. Кто их теперь контролирует?

Три корпорации одновременно сделали одно и то же - начали строить инфраструктуру управления агентной рабочей силой. Не модели, не чат-ботов. Именно систему контроля - как для сотрудников.

• Cisco на RSA Conference запустил DefenseClaw - систему безопасности для агентов. Agent Runtime SDK встраивает политики безопасности прямо в код агента на этапе разработки. Плюс рейтинг LLM-моделей по устойчивости к атакам - чтобы компании могли выбирать, кому доверять.

• Oracle выкатил 22 агентных приложения для Fusion Cloud. Не инструменты, а "координированные команды AI-агентов, которые рассуждают, принимают решения и действуют". Собираются из готовых модулей без традиционной разработки. AI Agent Studio + контекстная память + мультимодальные LLM.

• App Orchid добавил ролевой доступ для LLM - разные сотрудники видят разные ответы от одной модели. Финдиректор видит одно, менеджер по продажам - другое. Организация решает, как LLM интерпретирует и отвечает на вопросы.

Три компании. Три ответа на один вопрос: как управлять AI-агентами так же, как мы управляем сотрудниками?

- Cisco дал им безопасность - как корпоративная служба безопасности
- Oracle дал им рабочее место - как корпоративная IT-система
- App Orchid дал им права доступа - как пропуск с разными ролями

Цифры подтверждают: это не эксперимент, а новый рынок.

• Рынок AI governance платформ: $492 млн в 2026, $1 млрд к 2030(Gartner)
• К 2027 более 40% агентных проектов провалятся без governance и контроля ROI (Gartner/IDC)
• К 2028: 90% B2B-закупок будут проходить через агентов, $15 трлн через "agent exchanges" (Gartner)

До этой недели AI-агенты были экспериментом - что-то попробовали, посмотрели, отложили. А в это время формируется будущая корпоративная архитектура, в основе которой система управления агентами - безопасность, рабочие места, права доступа.

Пока мы с вами рассуждаем, заменят ли нас ИИ-агенты, корпорации уже вовсю готовят комфортные рабочие места для новых коллег. Следующий шаг - встроить агентов в существующую систему корпоративных KPI. И тогда у вас может не остаться аргументов, почему вас не заменят.

А ведь с этим новым HR-ом просто кофе уже не попить 🤔

🅰️🅱️ @ReymerDigital