Ускоряется ли интеллект цивилизации?

УСКОРЯЕТСЯ ЛИ ИНТЕЛЛЕКТ ЦИВИЛИЗАЦИИ?

Фёдор Вайнштейн

Популярное изложение рабочей версии исследовательской статьи
16 октября 2026 года

Этот текст написан для читателя, которому интересна сама проблема, но который не хочет начинать с дифференциальных уравнений и статистических таблиц. Полная версия работы, включая математические доказательства, графики, описание данных и ограничения исследования, находится здесь:




Перед нами продолжающееся исследование. В нём есть доказанные математические утверждения и результаты анализа открытых данных. Есть также гипотеза о механизме развития ИИ, которая пока требует независимой проверки. Эти три вещи я постараюсь не смешивать.


1. О ЧЁМ МЫ СПРАШИВАЕМ

Обычно разговор об искусственном интеллекте начинается с соревнования. Кто лучше играет в шахматы? Кто быстрее решает математическую задачу? Кто напишет программу, сдаст экзамен или поставит диагноз?

Сравнения полезны, но меня интересует несколько другой вопрос. Как изменяются возможности всей системы, в которой живут и работают люди, а рядом с ними действуют вычислительные средства? Увеличивается ли способность этой системы решать задачи? Если да, то растёт ли скорость её увеличения?

Это вопрос об интеллекте цивилизации — при условии, что мы заранее договоримся, что именно будем считать и измерять.

Один человек не может прочитать все научные статьи, понять все современные технологии и самостоятельно воспроизвести все существенные открытия. Однако общество пользуется результатами, которые далеко превосходят возможности отдельного участника. Это было так задолго до появления ИИ. Письменность, библиотеки, университеты, научные журналы, разделение труда и средства связи позволяли людям соединять усилия.

Поэтому интеллектуальная сила общества никогда не была простой суммой индивидуальных способностей. Важны доступность знаний, организация работы и возможность использовать то, что уже сделано другими.

ИИ добавляет к этой системе новую возможность. Машина не только хранит информацию и передаёт её человеку. Она может выполнять некоторые операции, которые прежде требовали непосредственного интеллектуального труда: предлагать варианты решения, писать и проверять код, искать закономерности, строить модели, готовить гипотезы.

При этом машина не обязана быть умнее лучшего специалиста во всём, чтобы приносить существенную пользу. Иногда достаточно выполнять ограниченную задачу достаточно хорошо, быстро и многократно. Но бывает и обратное: впечатляющий экзаменационный результат не превращается в полезный результат вне условий экзамена.

Следовательно, необходимо различать три утверждения. Первое: возможности машин увеличиваются. Второе: скорость увеличения этих возможностей растёт. Третье: благодаря этому ускоряется рост совокупных возможностей общества. Первое утверждение ещё не доказывает второго, а второе не доказывает третьего.

Именно переходы между ними и требуют исследования.


2. РОСТ И УСКОРЕНИЕ — РАЗНЫЕ ВЕЩИ

Представим условную систему, которая в первый год решает сто стандартизованных задач, во второй — сто двадцать, в третий — сто сорок. Её возможности растут. Но ежегодный прирост остаётся одинаковым: двадцать задач. Ускорения здесь нет.

Теперь другой пример: сто, сто двадцать, сто пятьдесят, сто девяносто. Прибавка составляет двадцать, затем тридцать, затем сорок. Растёт уже сама скорость прироста. Это ускорение.

Все числа в этих примерах придуманы для объяснения. Они не являются результатами эксперимента.

Есть ещё одно различие, которое часто теряется в обсуждениях. Можно говорить об абсолютном приросте и о приросте в процентах. Если возможности увеличиваются каждый год на десять процентов, абсолютная прибавка становится всё больше. Десять процентов от тысячи больше, чем десять процентов от ста. Такой рост ускоряется в абсолютных единицах, хотя его относительный темп остаётся неизменным.

Это экспоненциальный рост. Для его ускорения вовсе не требуется, чтобы проценты тоже увеличивались. Когда увеличивается и относительный темп, речь идёт о более сильном режиме роста.

Но даже слово «ускорение» приобретает точный смысл только после выбора шкалы. Экспоненциальная кривая в обычной шкале загибается вверх, а в логарифмической становится прямой. Это не противоречие, а следствие того, что разные шкалы отвечают на разные вопросы.

Значит, нельзя ограничиться фразой «ИИ ускоряется». Нужно указать, какой именно показатель рассматривается, в каких единицах он выражен и на каком промежутке времени измерен.

Показатель тоже нельзя незаметно менять по дороге. Если сначала считать долю решённых задач, а затем перейти к индексу, который особенно высоко оценивает трудные задачи, результат сравнения может измениться. Оба подхода могут быть осмысленными, но это разные измерения.


3. ЧТО МОЖНО НАЗВАТЬ СУММАРНЫМ ИНТЕЛЛЕКТОМ

В этой работе интеллект понимается функционально: как способность решать задачи и получать проверяемые результаты. Такое понимание не отвечает на вопросы о сознании, переживаниях или нравственном статусе машины. Для рассматриваемой математической задачи этих ответов не требуется.

Однако и функциональные способности неоднородны. Писать программу, доказывать теорему, распознавать речь и организовывать совместную работу — не одно и то же. Превратить всё это в одно число можно только после выбора правила подсчёта.

Например, можно зафиксировать набор задач и заранее определить значение каждой из них. Затем измерять результативность разных систем на этом же наборе. Одни исследователи сочтут все задачи равными. Другие отдадут больший вес задачам, требующим больше человеческого времени. Третьи будут учитывать общественную полезность результата.

Универсального бесспорного правила здесь нет. Поэтому хороший анализ должен показывать, насколько вывод зависит от выбранных весов. Если ускорение возникает только при одном специально подобранном наборе, это слабый результат. Если оно сохраняется при широком классе изменений, оснований для доверия больше.

Суммарные возможности можно мысленно разделить на человеческий вклад, машинный вклад и эффект взаимодействия между ними. Последний особенно важен. Человек с хорошим инструментом иногда достигает большего, чем человек и инструмент по отдельности. Но неудачная организация работы может давать обратный эффект: добавлять ошибки, задержки и необходимость переделки.

При таком подсчёте нельзя дважды записывать один результат. Если программу создали человек и ИИ совместно, нельзя полностью приписать её человеку, затем полностью машине и объявить, что получены две программы.

Не менее важно считать проверенные решения. Тысяча правдоподобных ответов не равна тысяче правильных. Если генерация ускорилась, а проверка отстала, число текстов может быстро увеличиваться без сопоставимого роста полезных знаний.

Поэтому выражение «интеллект цивилизации» в работе обозначает исследовательскую постановку. Готового прибора, который непосредственно измеряет эту величину во всём её многообразии, у нас нет. Данные об отдельных задачах дают более узкие показатели, и расширять их смысл без дополнительных оснований нельзя.


4. ПОЧЕМУ МАШИННЫЕ ВОЗМОЖНОСТИ МОГУТ РАСТИ ИНАЧЕ

Биологический человек ограничен временем жизни, скоростью обучения, вниманием и физическими возможностями своего организма. Это не означает, что человеческий интеллект застыл. Образование, здоровье, сотрудничество и инструменты способны менять результативность людей и общества.

Но вычислительная система имеет другие возможности масштабирования. Одну и ту же разработанную программу можно запускать во многих экземплярах. Машины могут параллельно выполнять разные задания. Улучшение алгоритма потенциально доступно множеству пользователей, которым не нужно по отдельности переучиваться в течение нескольких лет.

Из этого не следует бесконечная производительность. Каждому запуску нужны вычислительные ресурсы, энергия и инфраструктура. Обмен данными имеет стоимость, а объединение множества исполнителей создаёт затраты на координацию. Копирование ошибочного решения только увеличивает число его копий.

Есть и содержательная граница параллельности. Сто исполнителей не всегда выполняют работу в сто раз быстрее одного. Иногда следующий шаг нельзя сделать, пока не завершён предыдущий. Иногда главный дефицит — хороший вопрос, доступ к эксперименту или возможность убедиться, что ответ верен.

Тем не менее различие способов расширения возможностей существенно. Увеличить число подготовленных исследователей трудно и долго. Расширение использования уже созданной машинной системы может происходить иначе. Насколько велико это преимущество в конкретной области — эмпирический вопрос.

Особенно интересно то, что вычислительные средства могут участвовать в создании следующего поколения вычислительных средств. Возникает возможная обратная связь: лучшие инструменты помогают делать новые инструменты, которые затем помогают улучшать следующие.

Сама идея такой связи давно обсуждается. Задача настоящей работы состоит не в объявлении этой идеи впервые, а в выяснении условий, при которых она действительно приводит к ускорению.


5. ОБРАТНАЯ СВЯЗЬ ЕЩЁ НЕ ГАРАНТИРУЕТ УСКОРЕНИЯ

Допустим, исследовательская группа получила более сильный инструмент. Теперь она быстрее пишет программы, перебирает варианты или анализирует результаты. Кажется естественным ожидать ускорения дальнейшего развития.

Но одновременно могут усложняться сами исследования. Следующее улучшение оказывается труднее предыдущего. Требуются более дорогие эксперименты, больше вычислений, больше проверок. Выигрыш от нового инструмента может быть частично или полностью поглощён этими трудностями.

Поэтому в модели выделены три фактора.

Первый — эффективный исследовательский ресурс: сколько реальных возможностей направлено на поиск улучшений. Здесь существенны не только деньги или число работников, но и то, какую часть ресурса удаётся использовать результативно.

Второй — производительность этого ресурса: сколько проверенного продвижения получается на его единицу. Лучший алгоритм, более удачная организация экспериментов или более полезный исследовательский помощник могут повышать такую производительность.

Третий — трудность следующего шага. Она может расти по мере того, как простые улучшения уже использованы, а оставшиеся требуют всё более сложной работы.

Модель предполагает, что скорость появления новых возможностей определяется сочетанием этих факторов: ресурс и производительность усиливают прирост, трудность его ослабляет. Это содержательное предположение о процессе, а не определение, которое автоматически верно для любой истории развития.

В упрощённом случае все три фактора зависят от уже достигнутого уровня возможностей. Дополнительно предполагается, что они положительны, изменяются достаточно плавно, а скорость прироста не определяется отдельно меняющимся внешним временем. При этих условиях получается точный математический критерий.

Нужно сравнить относительную чувствительность каждого фактора к увеличению достигнутых возможностей. Например: насколько процентов расширится исследовательский ресурс при увеличении возможностей на один процент? И насколько при этом возрастёт трудность? В математике подобная чувствительность называется эластичностью.

Ускорение возникает тогда и только тогда, когда сумма чувствительностей ресурса и производительности превышает чувствительность трудности. Иначе говоря, важно не только наличие полезной обратной связи, но и её сила по сравнению с растущим сопротивлением дальнейшему прогрессу.

Это утверждение доказано для указанной модели. Если предпосылки выполняются, вывод следует из них математически. Но доказательство не сообщает нам автоматически, каковы эти чувствительности в реальном мире. Их ещё нужно измерить.

Если на развитие независимо влияют цены энергии, инвестиции, ограничения производства или внешние научные открытия, простая модель требует расширения. Если появляется потеря ранее доступных возможностей, её также необходимо учитывать. Нельзя сохранить прежний критерий, забыв изменившиеся условия.


6. ЧЕГО МАТЕМАТИЧЕСКОЕ ДОКАЗАТЕЛЬСТВО НЕ ОБЕЩАЕТ

Слово «доказательство» иногда создаёт чрезмерное ожидание. Кажется, что после нескольких формул спор о будущем должен закончиться. Но математическая теорема утверждает: из таких-то предпосылок следует такой-то вывод. Применимость предпосылок к реальному миру — отдельный вопрос.

Например, даже положительная обратная связь не исключает насыщения. Поначалу развитие может ускоряться, а затем упираться в ограничение и замедляться. Подобные траектории вполне совместимы с математикой. Чтобы исключить их в конкретном случае, нужны дополнительные сведения.

Ускорение машинной части также не означает автоматически ускорения всей системы. Допустим, новые инструменты развиваются быстро, а общество теряет способность проверять результаты, обучать специалистов или согласовывать сложную работу. Тогда часть выигрыша может исчезнуть. Для общего ускорения положительный вклад должен перевешивать неблагоприятные изменения остальных компонентов.

В модели рассмотрены несколько режимов: рост с уменьшающейся скоростью, постоянный абсолютный прирост, ускоряющийся рост с падающим относительным темпом, экспонента и рост быстрее экспоненты. Это помогает не сводить разговор к выбору между неподвижностью и немедленным «интеллектуальным взрывом».

Некоторые упрощённые уравнения допускают неограниченный рост за конечное время. Но это свойство уравнения не является обещанием физической бесконечности. Оно показывает, что продолжать такую модель без изменений до указанной точки нельзя. В реальной системе могут раньше проявиться ограничения, которыми приближение пренебрегало.

Есть и другая важная граница. По конечному числу наблюдаемых точек нельзя установить знак второй производной неизвестного процесса в каждый момент между измерениями. Можно провести через одни и те же точки разные достаточно гладкие кривые. Между точками их локальное ускорение будет различаться.

В полной работе это показано конструктивно. При подходящих условиях можно изменить кривую в небольшом неизмеренном промежутке, сохранить наблюдаемые значения и возрастание, но изменить знак локальной кривизны.

Следовательно, когда по данным подбирают параболу и получают её положительную кривизну, установлен результат о выбранной аппроксимации. Чтобы говорить о непрерывной исторической траектории, необходимы дополнительные предположения. Эти два уровня утверждений нельзя отождествлять.


7. КАКИЕ ДАННЫЕ БЫЛИ ИССЛЕДОВАНЫ

Эмпирическая часть работы использует открытые результаты METR по выполнению программных задач. Это не новое испытание моделей, проведённое мной, а самостоятельный пересчёт и анализ опубликованного архива.

Для сопоставления выделены 210 задач, общих для 20 систем. Они относятся к 70 семействам; в общей выборке имеется 21 744 попытки решения. Даты выпуска рассматриваемых систем лежат между 14 марта 2023 года и 5 февраля 2026 года. Использован фиксированный снимок данных, поэтому выводы не следует понимать как оценку всех моделей, существующих к дате написания статьи.

Почему важно брать общие задачи? Если старой системе предложить один экзамен, а новой другой, различие результатов может объясняться экзаменами. Общий набор уменьшает эту проблему, хотя и не делает измерение идеальным.

Также нельзя позволить задаче получить больший вес только потому, что её проверяли чаще. Сначала усредняются попытки решения одной задачи, затем объединяются результаты разных задач. Крупные семейства получают уменьшенное влияние на уровне отдельных задач. Конкретное правило описано в полной версии и реализовано в программах.

Один известный показатель METR — временной горизонт. Здесь «время» означает человеческую трудоёмкость задачи, на которой система достигает определённой вероятности успеха. Например, горизонт при вероятности пятьдесят процентов характеризует задачи, сопоставимые по человеческой трудоёмкости с этим временем, а не обещает успех в каждой такой задаче.

Это не длительность автономной работы машины. Не фактически сэкономленные рабочие часы. Не производительность при одинаковой стоимости. Число требует именно той интерпретации, для которой его построили.

В одном из рассмотренных вариантов, без пересчитанной точки выше 16 часов, экспоненциальный тренд горизонта имеет период удвоения около 126 дней. В исходном статистическом пересчёте интервал неопределённости составляет примерно от 103 до 157 дней.

Но это характеристика выбранного ряда при выбранной методике. Она не означает удвоения «разума человечества» каждые четыре месяца. Не гарантирует сохранения темпа в будущем. Не доказывает, что причиной роста была именно исследовательская обратная связь.


8. УСКОРЕНИЕ ЗАВИСИТ ОТ ТОГО, ЧТО МЫ СЧИТАЕМ

Помимо горизонта, рассмотрены более прямые показатели успеха на общих задачах.

Первый — взвешенная доля успешных решений. Второй придаёт большее значение задачам, требующим больше человеческого времени. Между ними построены промежуточные варианты, которые постепенно увеличивают приоритет трудоёмких задач.

Различаются также два способа зачёта: бинарный, когда попытка считается успешной или неуспешной, и частичный, использующий опубликованный промежуточный балл. Наконец, рассмотрены три начала периода: март 2023 года, январь 2024 года и январь 2025 года.

Всего получилось 30 сочетаний показателя и периода. Смысл такой проверки прост: показать не только наиболее удобный вариант, но и то, как меняется ответ при других понятных решениях исследователя.

Для оценки статистической неопределённости выполнено 2000 повторных пересчётов с выбором семейств, задач и попыток из имеющихся данных. Этот подход называется бутстрэпом. Одни и те же выбранные задачи используются для всех систем, чтобы не разрушать их сопоставимость.

Кроме отдельных интервалов построены приближённые совместные интервалы для всей сетки из 30 вариантов. Они учитывают, что мы рассматриваем много связанных результатов одновременно. Однако это не устраняет всех возможных ошибок. Человеческие времена, состав систем и условия испытаний в этих пересчётах остаются фиксированными.

Получился содержательно неодинаковый ответ.

На полном интервале положительная кривизна сохраняется в совместных интервалах у всех пяти вариантов весов и при обоих способах зачёта. Это поддерживает вывод об ускорении рассматриваемых прямых показателей на данном наборе дат.

При начале периода в 2024 году вывод становится чувствительнее. Для простой доли с частичным зачётом кривизна отрицательна даже в приближённом совместном интервале. Для бинарного показателя с наибольшим приоритетом трудоёмкости она остаётся положительной.

На интервале с 2025 года совместные интервалы включают ноль для всех рассмотренных вариантов. Это означает недостаточность данного анализа для устойчивого вывода о знаке. Отсутствие статистически устойчивого положительного результата не является доказательством отсутствия ускорения.

Итого у 11 из 30 вариантов нижняя граница положительна, у одного верхняя граница отрицательна, остальные интервалы включают ноль. Эти числа описывают выбранную сетку проверок. Они не являются вероятностью того, что «ИИ вообще ускоряется».

Важен именно неоднородный ответ. Длинный интервал и короткий поздний интервал отвечают на разные вопросы. Сохранить это различие полезнее, чем получить одну эффектную фразу ценой потери смысла.


9. НАСКОЛЬКО МОЖНО ИЗМЕНИТЬ ВЕСА ЗАДАЧ

Можно возразить: исследователь выбрал удобные веса, поэтому и получил ускорение. Чтобы сделать такое возражение проверяемым, в работе рассчитан количественный запас устойчивости.

Представим, что каждому весу разрешено изменяться от половины до удвоенного исходного значения. При этом сумма всех весов остаётся единицей. Значит, нельзя просто удвоить всё сразу. Нужно перераспределять важность между задачами.

Далее ищется самый неблагоприятный для ускорения набор весов из разрешённого класса. Это намеренный поиск контрпримера: можем ли мы, оставаясь в указанных пределах, убрать положительную кривизну?

Для выбранного способа подгонки кривизна линейно зависит от весов задач. Поэтому худший вариант находится точно, как решение задачи линейной оптимизации. Здесь нет необходимости наугад перебирать несколько удобных наборов.

Для бинарной доли успеха на полном интервале граница составляет примерно 2,015. Следовательно, при допустимом изменении каждого веса в пределах двукратного множителя положительная оценённая кривизна ещё сохраняется для всех разрешённых перераспределений. При чуть более широких пределах уже появляется противоположный пример.

Если исходный показатель отдаёт полный приоритет человеческой трудоёмкости, соответствующая граница составляет около 5,270. Его точечная оценка полного периода имеет больший запас относительно именно такого изменения весов.

Но на интервале с 2025 года границы для двух показателей составляют только около 1,131 и 1,370. Значительно меньшего перераспределения достаточно, чтобы убрать положительную точечную кривизну. При частичном зачёте результаты также меняются.

Эти пороги требуют аккуратного прочтения. Они вычислены по оценённым результатам задач и описывают чувствительность точечной оценки. Они не являются статистически гарантированными порогами для неизвестных истинных вероятностей успеха. Точная оптимизация не устраняет ошибку измерения исходных величин.

Выполнена и более простая проверка: по очереди исключалось каждое из 70 семейств. На полном интервале точечная кривизна обоих крайних бинарных индексов оставалась положительной. Это показывает, что наблюдаемый эффект не создаётся одним отдельным семейством. Но и такая проверка не решает всех вопросов о переносимости результата.

Практический смысл нового анализа состоит в переходе от слов «вывод устойчив» к указанию: относительно каких изменений и насколько он устойчив.


10. ЧТО ПОКАЗАЛА ПРОВЕРКА ПРОГНОЗОВ

Хорошо описать прошлое и хорошо предсказать будущее — разные достижения. Достаточно гибкая кривая может удачно пройти через известные точки и плохо продолжиться за пределами наблюдений.

Поэтому сравнивались три зависимости временного горизонта от даты: линейный рост уровня, экспонента и более гибкая зависимость, допускающая квадрат времени в логарифме показателя. Последняя позволяет описывать изменение относительного темпа.

Чтобы не подглядывать в будущее, в каждой проверке использовались только системы, уже выпущенные к выбранной дате. Затем прогноз сравнивался с выпусками следующих шести месяцев. Начальные даты проверок — июль 2024 года, январь и июль 2025 года, январь 2026 года.

Последнее окно содержит только данные до конца используемого архива. Оно не охватывает всё первое полугодие 2026 года. Четыре окна также не создают большой независимой выборки историй развития: это четыре проверки одной последовательности выпусков.

По средней ошибке экспонента оказалась лучше двух других рассмотренных зависимостей. Но её преимущество над более гибкой кривой было небольшим и неодинаковым по окнам. На наборе из 20 систем гибкая кривая выигрывала в трёх окнах и сильно проигрывала в одном. После исключения точки выше 16 часов выигрыши распределялись поровну.

Значит, нельзя объявить экспоненту окончательно установленным законом. Нельзя и сделать статистически обоснованный вывод, что рост относительного темпа отвергнут. Корректнее сказать: в данном сравнении экспонента дала меньшую среднюю ошибку, но оснований для универсального выбора недостаточно.

Сравнение нескольких временных кривых уже используется другими исследователями. Линейная оптимизация, бутстрэп и анализ альтернативных спецификаций также являются известными методами. Возможный вклад настоящей работы нужно искать в конкретном вопросе об устойчивости вывода, его количественной постановке и воспроизводимом анализе данных. Приоритет этого сочетания ещё требует проверки литературы.


11. НОВЫЕ ВОЗМОЖНОСТИ НУЖНО ЕЩЁ ОСВОИТЬ

Даже подтверждённое увеличение возможностей инструмента не сообщает, с какой скоростью общество сумеет воспользоваться ими. Нужно обучить людей, изменить процедуры, наладить проверку и определить ответственность.

Если доступные возможности растут быстрее способности организаций их осваивать, возникает разрыв. Он может увеличиваться в абсолютных единицах даже тогда, когда доля освоенного остаётся постоянной. Поэтому одного растущего разрыва недостаточно, чтобы математически доказать неизбежный кризис или потерю управляемости.

Тем не менее вопрос адаптации важен. Машина может подготовить сотню гипотез за время, за которое лаборатория проверяет одну. Тогда главным ограничением становится эксперимент. Программа может быстро предложить изменения кода, но их проверка и исправление ошибок отнимут время у специалиста. Результат зависит от всей цепочки работы.

Научное объяснение тоже не возникает автоматически из высокой точности ответа. Иногда исследователь получает полезное предсказание, но ещё не понимает механизма. Иногда машинный поиск предлагает решение, которое человек способен проверить, хотя не смог бы найти самостоятельно.

Воспроизводимость, доказательства, проверяемые предсказания и эксперимент остаются основаниями доверия. Авторство машины не освобождает результат от проверки, как и авторство человека не гарантирует его правильности.

Из роста возможностей не следует автоматически и рост благосостояния всех участников общества. Вопросы доступа, распределения доходов, занятости и организации образования требуют дополнительных экономических и социальных моделей. Их нельзя получить как прямое следствие положительной кривизны одной технологической кривой.

В этом смысле предмет исследования шире соревнования человека с машиной. Нас интересует устройство совместной системы: что она умеет, насколько надёжны её результаты и какие ограничения мешают превращать доступные возможности в реальные достижения.


12. ЧТО УЖЕ ПОЛУЧЕНО И ЧТО ОСТАЛОСЬ СДЕЛАТЬ

Математический результат работы — условие ускорения в явно заданной модели. Оно показывает, как сопоставлять усиление исследовательского ресурса, повышение его производительности и усложнение дальнейшего прогресса. При сформулированных предпосылках этот вывод доказан.

Эмпирический результат — воспроизводимое описание определённых показателей решения программных задач. На полном рассмотренном интервале положительная кривизна выдерживает ряд проверок. Рассчитаны границы чувствительности к весам, исследована зависимость от начала периода и выполнены последовательные проверки прогнозов.

Открытый вопрос — соответствует ли предложенный механизм реальному причинному процессу. По одной траектории возможностей нельзя независимо восстановить ресурс, его производительность и трудность. Разные сочетания этих факторов могут давать похожую наблюдаемую динамику.

Поэтому было бы неверно утверждать, что работа уже доказала неизбежное ускорение интеллекта всей цивилизации. Было бы неверно и считать проведённый анализ бессодержательным из-за того, что такого доказательства нет. Мы получили конкретные условия, проверяемые величины и указание на границы имеющихся данных.

Следующий шаг должен добавить независимую информацию. Это может быть заранее выбранный новый набор задач или измерение того, насколько ИИ действительно повышает выпуск проверенных исследовательских результатов при сопоставимых затратах. Особенно полезен эксперимент, позволяющий отличить пользу обратной связи от простого увеличения ресурсов.

Необходима также дальнейшая проверка близких исследований. Тема развивается, и научный вклад нельзя определять только по тому, насколько убедительно выглядит собственный текст. Нужно показать, чем результат отличается от уже известных моделей и анализов.

Поэтому нынешний статус работы — рабочая версия исследовательской статьи, развёрнутый отчёт о выполненном этапе. Здесь можно обсуждать предпосылки, повторять расчёты, находить ошибки и предлагать новые проверки. Отдельные выводы уже достаточно точны для такого обсуждения; центральная причинная гипотеза остаётся предметом исследования.


ПОЛНАЯ ВЕРСИЯ И ИСТОЧНИКИ

Полная исследовательская версия 3 от 16 октября 2026 года: 68 страниц с формулами, графиками, доказательствами и полным предыдущим эмпирическим приложением:


Основные исходные данные: открытый архив METR eval-analysis-public, использованная версия 52cb829c7a2efb2d659285c4b1768d191d97f8d2.
https://github.com/METR/eval-analysis-public

Описание методики временных горизонтов: Measuring AI Ability to Complete Long Software Tasks.
https://arxiv.org/abs/2503.14499

Полный список литературы и подробные ограничения анализа приведены в PDF. Настоящее изложение является сокращённой самостоятельной версией для широкого круга читателей и не заменяет технического описания исследования.