DeepMind ออกรายงาน 'From AGI to ASI' — ลากเส้นทาง 4 สายจาก AGI สู่ superintelligence พร้อมเพดานที่ฟิสิกส์ขีดไว้
ทีมวิจัยของ Google DeepMind เผยแพร่รายงานความยาวกว่า 60 หน้าชื่อ “From AGI to ASI” บน arXiv เมื่อวันที่ 10 มิถุนายน 2026 ตั้งคำถามที่หลายปีก่อนยังถูกมองว่าเป็นเรื่องไกลตัว นั่นคือ — เมื่อ AI ไปถึงระดับ AGI (Artificial General Intelligence) ที่เทียบเท่าความสามารถทั่วไปของมนุษย์แล้ว มันจะพัฒนาต่อไปสู่ ASI (Artificial Superintelligence) ได้อย่างไร อะไรจะเร่งมัน อะไรจะหน่วงมัน และอนาคตแบบนั้นจะ “อนุญาต” หรือ “ไม่อนุญาต” ให้เกิดอะไรขึ้นได้บ้าง
จุดที่ทำให้รายงานนี้น่าจับตาเป็นพิเศษคือรายชื่อผู้เขียน ทีมนำโดย Tim Genewein และมีชื่อของ Marcus Hutter ผู้สร้างโมเดล AIXI ว่าด้วยปัญญาแบบสากล (universal intelligence) และ Shane Legg ผู้ร่วมก่อตั้ง DeepMind ที่ช่วยทำให้คำว่า AGI เป็นที่รู้จัก ทั้งสองเคยร่วมกันนิยาม “การวัดระดับปัญญาของเครื่องจักร” อย่างเป็นทางการมาก่อน รายงานนี้จึงไม่ใช่การคาดเดาลอย ๆ แต่วางอยู่บนกรอบทฤษฎีที่ทีมนี้สั่งสมมานาน
4 เส้นทางจาก AGI สู่ ASI
หัวใจของรายงานคือการระบุ 4 เส้นทางคู่ขนาน ที่อาจพา AI จากระดับมนุษย์ไปสู่ระดับที่เหนือกว่าองค์กรขนาดใหญ่ของมนุษย์รวมกัน
เส้นทางแรกคือ scaling — ขยายพลังประมวลผล ข้อมูล และขนาดโมเดลต่อไปบนกระบวนทัศน์เดิม เส้นทางที่สองคือ paradigm shift — การเปลี่ยนกระบวนทัศน์ทางอัลกอริทึมที่ก้าวข้าม transformer ที่ใช้กันทุกวันนี้ เส้นทางที่สามคือ recursive improvement — AI เร่งงานวิจัยของตัวเอง กลายเป็นวงจรที่ AI ช่วยสร้าง AI ที่เก่งขึ้น และเส้นทางที่สี่คือ superintelligence ที่ผุดขึ้นจากกลุ่มก้อน (collective) ของ AI agent จำนวนมหาศาลที่ทำงานร่วมกัน
DeepMind ใช้แนวคิด Universal AI ที่เข้าใจได้ในเชิงทฤษฎีอยู่แล้วเป็น “ปลายทาง” ของเส้นต่อเนื่องนี้ เพื่อให้การวิเคราะห์ช่วงเปลี่ยนผ่านจาก AGI ไป ASI มีกรอบทางการรองรับ ไม่ใช่แค่จินตนาการ
เพดานที่แม้แต่ ASI ก็ข้ามไม่พ้น
สิ่งที่ทำให้รายงานนี้ต่างจากบทความ “AI จะครองโลก” ทั่วไปคือการเน้นย้ำเรื่อง ข้อจำกัดเชิงพื้นฐาน (frictions and bottlenecks) แม้ระบบจะฉลาดเหนือมนุษย์เพียงใด มันก็ยังถูกผูกไว้ด้วยกฎฟิสิกส์และทฤษฎีการคำนวณ — ความเร็วแสง ขีดจำกัดทางอุณหพลศาสตร์ของการคำนวณ ทฤษฎีความซับซ้อน (complexity theory) ไปจนถึงทฤษฎีบทความไม่สมบูรณ์ของเกอเดล (Gödel’s incompleteness)
ประเด็นสำคัญคือ “ความฉลาดสูง” ไม่ได้รับประกันว่าจะทำทุกอย่างได้ การจะรักษาความชราภาพ ทำฟิวชันให้สำเร็จ หรืออัปโหลดจิตสำนึก ล้วนเป็นคำถามเชิงประจักษ์เกี่ยวกับโลกกายภาพ ที่ ASI ก็ต้องไปทดลองและพิสูจน์เอง ไม่ใช่คิดออกได้เพียงเพราะฉลาดพอ
รายงานยังเสนอภาพที่ต่างจากความเชื่อเดิมว่า AGI จะมาแบบ “ก้าวกระโดดครั้งเดียว” (single transformative step change) — DeepMind มองว่าภาพที่เป็นจริงกว่าอาจเป็น ชุดของการเปลี่ยนแปลงทางสังคมหลายระลอก ที่เกิดจากความก้าวหน้าทางวิทยาศาสตร์และเทคโนโลยีหลายด้านที่ AI ช่วยเร่ง และเตือนว่าเนื่องจากความไม่แน่นอนสูงมาก จึง “ตัดความเป็นไปได้ไม่ได้” ที่ความก้าวหน้าอาจเร่งตัวต่อเนื่องในไม่กี่ปีข้างหน้า
มุมมอง AI Curator
รายงานนี้น่าสนใจตรงที่มันพยายาม “ลดอุณหภูมิ” ของบทสนทนาเรื่อง superintelligence ลง โดยไม่ปฏิเสธความเป็นไปได้ แทนที่จะวาดภาพ AI ที่ทรงพลังไร้ขอบเขต DeepMind กลับชี้ว่ายังมีกำแพงทางฟิสิกส์และทฤษฎีที่แม้แต่ปัญญาเหนือมนุษย์ก็ทลายไม่ได้ — เป็นกรอบคิดที่มีประโยชน์สำหรับผู้กำหนดนโยบายที่ต้องเตรียมรับมือกับสิ่งที่ยังไม่เกิด
สำหรับบริบทไทยและเอเชียตะวันออกเฉียงใต้ บทเรียนที่ใช้ได้จริงไม่ใช่การถกว่า ASI จะมาเมื่อไร แต่คือประโยคปิดของรายงานที่ว่าการเตรียมพร้อมต้องเป็น ความร่วมมือข้ามสาขาในระดับโลก ขณะที่งบวิจัย AI ส่วนใหญ่กระจุกอยู่ในห้องแล็บไม่กี่แห่งของสหรัฐฯ และจีน คำถามที่ภูมิภาคเราควรถามคือ เราจะมีที่นั่งบนโต๊ะของการกำหนดทิศทางและกฎกติกาเหล่านี้อย่างไร ไม่ใช่แค่เป็นผู้ใช้ปลายทางที่รอรับเทคโนโลยีและกฎที่คนอื่นเขียนไว้แล้ว มากกว่านั้น แนวคิด “เพดานเชิงประจักษ์” ยังเป็นเครื่องเตือนใจที่ดีต่อกระแสโฆษณาเกินจริงว่า AI จะแก้ได้ทุกปัญหา — หลายเรื่องยังต้องการการทดลอง โครงสร้างพื้นฐาน และเวลา ไม่ว่าโมเดลจะฉลาดแค่ไหน
แหล่งข่าว
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS