AGI в 2027 году: почему мы приближаемся к искусственному интеллекту человеческого уровня быстрее, чем ожидали

До 2027 года осталось менее двух месяцев. И сегодня у нас значительно больше оснований ожидать появления искусственного общего интеллекта (AGI) в следующем году, чем ещё в начале 2026-го.

Речь не просто об очередном поколении ChatGPT, Claude или Gemini. Мы приближаемся к переходу, при котором искусственный интеллект сможет выполнять большую часть интеллектуальной работы человека, самостоятельно проводить исследования, создавать технологии, управлять сложными проектами и участвовать в разработке собственного следующего поколения.

Это пока не доказанный результат и не гарантированная дата. Но несколько независимых линий свидетельств сходятся в одном направлении: 2027 год становится одним из наиболее важных и правдоподобных окон для появления AGI или систем, близких к нему по практическим возможностям.

Особенно интересно, что оценивать этот переход можно не только по заявлениям технологических лидеров, но и с помощью собственного количественного подхода — Power Index.

В декабре 2025 года мы сформулировали концепцию Power Index (PI) — собственной шкалы для оценки мощности искусственного интеллекта.

Историческими ориентирами стали:

• GPT-3, 2020 год — PI 10.
• GPT-4, 2023 год — PI 100.
• GPT-5, 2025 год — PI 1 500.

Эти числа — наша исследовательская калибровка, а не общепринятые научные единицы. Значения 10 и 100 выбраны как грубые исторические вехи и не выводятся из формулы: по формуле PI-C для GPT-4 (ECI 121,77) получилось бы около 60, а «PI 10» соответствует скорее уровню GPT-3.5 Turbo. Формула закрепляет только базовую точку 1 500.

Отдельно уточним дату. GPT-5 вышел 7 августа 2025 года, а значение 1 500 мы зафиксировали как базовую точку в декабре 2025-го — это наше решение о начале отсчёта, а не дата релиза модели.

С развитием концепции мы разделили показатель на два основных индекса.

PI-C (Capability) — мощность отдельной передовой AI-модели.

PI-S (System) — эффективность интегрированной AI-системы, включающей модели, агентов, память, инструменты, вычислительную инфраструктуру и механизмы автономного выполнения задач.

Это принципиальное различие.

Поэтому развитие AGI необходимо оценивать не только через рост моделей, но и через их интеграцию в автономные системы.

Для связи нашей шкалы Power Index с внешними исследованиями мы используем Epoch Capabilities Index (ECI) — агрегированный показатель возможностей языковых моделей от исследовательской организации Epoch AI. Данные ниже — по выгрузке ECI scores на 13 ноября 2026 года.

В нашей модели применяется формула:

PI-C = 1500 × exp(0,112835 × (ECI − 150))

Она обеспечивает единую калибровку относительно базовой точки декабря 2025 года. При этом экспоненциальная функция — наше модельное допущение, а не экспериментально доказанный закон роста интеллекта.

9 ноября 2026 года Anthropic выпустила Claude Fable 5.2. По данным Epoch AI, модель получила 173,44 ECI при доверительном интервале 169,93–177,49.

Прежний публичный максимум — 169,0 ECI у GPT-6 Astra. При этом у невыпущенной Gemini 4 Carbon — 169,76 ECI, то есть Astra была лучшей среди публично доступных моделей, а не среди всех. И доверительные интервалы Fable и Astra перекрываются (нижняя граница Fable 169,93 ниже верхней границы Astra), поэтому корректно говорить о наибольшей точечной оценке, а не о доказанном превосходстве.

В прежней версии расчёта мы использовали округлённое значение 174 и получали ≈22 500. По точной оценке 173,44 выходит ≈21 100: разница около 6%, и на такой крутизне округление до целого пункта ECI заметно. Ссылку на первичные данные мы даём выше.

Здесь важно сказать прямо: PI-C — не второе независимое измерение. Это монотонное преобразование ECI, экспонента фиксирует только масштаб шкалы. Собственной информации PI-C не добавляет; независимая часть прогноза — траектория ECI и коэффициент K.

Теперь о кратности роста. От выбранной базовой точки 1 500 до 21 100 — примерно 14 раз. Но сама точка 1 500 не была фронтиром декабря 2025 года: у GPT-5.2 Pro ECI 157,27, то есть PI-C ≈ 3 400, и от этого уровня рост к ноябрю — примерно в 6,2 раза за 11 месяцев. Прежняя формулировка «в 15 раз за неполный год» соединяла округлённый ECI 174 с августовской точкой GPT-5; в таком виде она неверна.

Оба числа отражают одну и ту же динамику, просто от разных баз. И важнее всего то, что одновременно совершенствуются агентные системы.

Если принять предварительный коэффициент системного усиления K = 1,8–2,0, то PI-S в ноябре 2026 года составляет ≈38 000–42 200.

Здесь K пока является оценкой, а не результатом независимого комплексного тестирования.

Получается, что за одиннадцать месяцев мы перешли от декабрьского фронтира с PI-C около 3 400 к модели с PI-C около 21 100 и к системам с расчётным PI-S 38 000–42 200.

И это только начало.

Наиболее интересный вопрос — куда ведёт текущая траектория?

Мы рассматриваем три сценария: сдержанный, базовый и ускоренный.

Базовый сценарий предполагает, что дальнейший рост передовых моделей продолжится, а эффективность их интеграции в агентные системы будет увеличиваться.

Значения 2027 года — прогнозные, а не измеренные. Это исходные авторские допущения о пути ECI и пути K, а не механический пересчёт от ноябрьской оценки: при других ECI и K получаются другие числа. Мы не выдаём таблицу за перекалиброванный прогноз.

В прежнем тексте назывался только конечный K = 4,2. Теперь видно, что PI-S воспроизводится лишь при растущем K, и именно от этого пути зависит дата пересечения порогов.

В нашей базовой траектории к декабрю 2027 года ECI доходит до 195, а K — до 4,2.

В наших предыдущих исследованиях были предложены предварительные пороги:

Это исследовательские гипотезы о порогах способностей, а не признанные научные критерии AGI и ASI.

Тем не менее наложение этих порогов на базовый сценарий даёт любопытный результат. В марте 2027 года расчётные значения — PI-C 49 600 и PI-S 124 000 — ещё ниже порогов AGI (около 50 тыс. и около 150 тыс.). В июне 2027 года — 77 800 и 234 000 — уже выше. Значит, при указанном пути K оба порога пересекаются между мартом и июнем 2027 года. Более точную дату мы не выводим: она целиком зависит от интерполяции K, и такая точность была бы ложной.

К концу года PI-S может приблизиться к одному миллиону.

При сдержанном сценарии рост будет заметно слабее: PI-S около 122 тысяч к декабрю 2027 года — это оценка без раскрытого расчёта ECI и K, и мы помечаем её как ориентир, а не как воспроизводимый результат. При ускоренном эндогенном развитии PI-S может превысить несколько миллионов.

Следовательно, 2027 год становится центральным в нашем прогнозе.

Но само достижение порога PI не докажет существование AGI. Для подтверждения понадобятся независимые испытания универсальности, надёжности, автономности, способности осваивать новые области и выполнять длительные проекты.

И теперь появляются новые свидетельства того, что реальное развитие технологий может поддерживать именно ускоренный сценарий.

5 ноября 2026 года организация METR опубликовала одно из важнейших исследований года.

Исследователи получили доступ к внутренним данным Anthropic, включая результаты моделей, процессы разработки, показатели эффективности и интервью с сотрудниками.

Главный результат: скорость улучшения возможностей моделей Anthropic выросла примерно в 1,9 раза по сравнению с предыдущим периодом. 95-процентный доверительный интервал оценки — от 1,5 до 2,8 раза.

Здесь нужна точность. METR измеряла не значение ECI, а темп улучшения на своём варианте индекса — AECI, специфичном для Anthropic. Поэтому 1,9 раза нельзя пересчитывать в пункты ECI или подставлять в формулу PI: это оценка скорости, а не утверждение, что возможности выросли в 1,9 раза.

Иначе говоря, компания, по оценке METR, за последний год прошла примерно такой же путь в развитии возможностей моделей, на который раньше уходило около двух лет.

Особенно важно другое. Исследователи не связывают наблюдаемое ускорение с увеличением темпа масштабирования обучающих вычислений.

Они считают, что значительная часть ускорения связана с применением самого искусственного интеллекта в разработке новых моделей.

По их субъективной оценке, около 80% нынешнего ускорения может быть обусловлено вкладом AI. Эта цифра неопределённа: существенная часть внутренних материалов была скрыта, а причинно-следственный вклад ИИ пока нельзя точно отделить от остальных факторов. Это оценка исследователей, а не доказанная причинность.

Тем не менее это уже серьёзное свидетельство обратной связи.

Источник: METR — Independent Assessment of AI R&D Acceleration at Anthropic, 5 ноября 2026

До недавнего времени развитие AI в основном зависело от внешних ресурсов:

• количества исследователей;
• вычислительных мощностей;
• объёмов данных;
• инвестиций;
• новых алгоритмических идей.

Сегодня появляется дополнительный фактор. ИИ начинает сам участвовать в производстве интеллектуального прогресса.

Получается положительная обратная связь: более мощный ИИ → более быстрые исследования → более мощный ИИ.

В определённых условиях такая система может перейти от обычного экспоненциального роста к сверхэкспоненциальному.

В апреле 2026 года исследователи Tom Davidson, Basil Halperin, Thomas Houlden и Anton Korinek представили в NBER математическую модель, показывающую, при каких условиях автоматизация исследований может привести к взрывному росту.

Важный вывод: такой переход возможен, если усиление технологических и экономических обратных связей превысит эффект убывающей отдачи от исследований.

Это не доказательство неизбежной интеллектуальной сингулярности. Но теперь у идеи эндогенного ускорения есть не только технологические примеры, но и формальная экономическая модель.

Источник: NBER — When Does Automating AI Research Produce Explosive Growth?

В сентябре 2026 года OpenAI сообщила о достижении важного промежуточного этапа: создании автоматизированного AI Research Intern.

Это система, способная под руководством человека выполнять определённые исследовательские задачи, на которые квалифицированному специалисту потребовалось бы несколько дней.

Следующая заявленная цель OpenAI — автоматизированный AI-исследователь к марту 2028 года.

Это не обещание AGI в 2027-м. Но движение к указанной цели означает, что на протяжении 2027 года компания намерена последовательно увеличивать самостоятельность ИИ в научных исследованиях.

OpenAI также сообщает, что агенты уже помогают исследователям писать больше кода, запускать больше экспериментов и выполнять всё более сложные задачи.

Фактически часть работы по разработке будущего искусственного интеллекта уже выполняет нынешний искусственный интеллект.

Источник: OpenAI — Research acceleration: The view inside OpenAI

Ещё недавно модели преимущественно воспроизводили, комбинировали и объясняли человеческие знания.

Теперь появляются убедительные примеры работы на переднем крае исследований.

Математические результаты OpenAI

1 августа 2026 года OpenAI представила десять результатов в математике и теоретической информатике, полученных с участием внутренней версии Astra.

Они касаются геометрии высоких размерностей, теории групп, вычислительной сложности, квантовых вычислений, теории кодирования и других областей.

Компания сообщила о новых решениях или существенном продвижении в давно открытых математических проблемах. По описанию OpenAI, каждый из десяти результатов сопровождался формальным сертификатом Lean, позволяющим проверять корректность доказательств.

Это значительный переход: AI становится участником создания нового научного знания, а не только инструментом поиска информации.

Источник: OpenAI — Ten advances in mathematics and theoretical computer science

Формализация Великой теоремы Ферма

В сентябре 2026 года Anthropic сообщила, что Claude за 11 дней преимущественно автономной работы создал полный компьютерно проверяемый вариант доказательства Великой теоремы Ферма на языке Lean.

По данным компании, система написала около 13 миллионов строк Lean и доказала 29 500 промежуточных утверждений.

Это не новое открытие самой теоремы: она была доказана Эндрю Уайлсом ещё в 1990-х. Прорыв заключается в автоматизации исключительно сложной формальной проверки математического знания.

Источник: Anthropic — Formalizing Fermat’s Last Theorem

Эти примеры показывают, что системы уже способны участвовать в интеллектуальной работе, которая раньше требовала исключительно высокой квалификации и значительного времени.

В 2027 году можно ожидать дальнейшего перехода от отдельных впечатляющих результатов к систематической AI-науке.

Следующие достижения — наш прогноз, а не события, которые уже произошли.

1. Автономные AI-исследователи

Самое значительное ожидаемое изменение — появление систем, которые смогут самостоятельно проходить длинные научные циклы: постановка гипотезы, проектирование эксперимента, проведение вычислений, анализ результатов, новая гипотеза.

При достаточной надёжности это создаст основу для практически непрерывных исследований.

2. Новые открытия в математике и фундаментальной науке

AI может начать регулярно находить новые доказательства, алгоритмы, математические конструкции и неожиданные связи между научными направлениями. Особенно перспективны области, где результат можно формально проверить.

3. Ускорение разработки лекарств и новых материалов

ИИ уже используется в биологии, химии и материаловедении. Следующий шаг — более самостоятельное проектирование молекул, материалов, экспериментов и исследовательских программ.

Это способно существенно ускорить поиск перспективных решений, хотя клинические испытания, физические эксперименты и промышленное внедрение по-прежнему требуют времени.

4. Практически автономная разработка программного обеспечения

В 2027 году AI-агенты могут перейти от написания отдельных функций к созданию и сопровождению сложных программных систем. Всё большую часть цикла — архитектуру, код, тестирование, исправление ошибок и развёртывание — смогут выполнять агентные команды.

Главным ограничением останется проверка результата на больших, неоднозначных проектах.

5. AI-native компании

Возможен переход к бизнесам, где человек формулирует стратегическую цель, а AI-система создаёт продукт, управляет маркетингом, проводит аналитику, взаимодействует с клиентами и улучшает операционные процессы.

Это направление мы исследуем через Atlas CEO и концепцию Text-to-Business.

6. Новое поколение роботов

Развитие мультимодальных моделей, компьютерного зрения, планирования и управления движениями может обеспечить значительный прогресс в робототехнике.

Наиболее вероятны успехи в ограниченных, хорошо подготовленных средах. Универсальный робот, надёжно работающий в любой бытовой ситуации, остаётся гораздо более сложной задачей.

7. Первые системы с признаками рекурсивного самоулучшения

Наиболее революционным событием может оказаться переход, когда ИИ будет не только помогать исследователям, но и самостоятельно находить существенные способы улучшения следующих поколений AI.

Именно это станет потенциальной точкой перехода к интеллектуальному взрыву.

Интересно, что сроки, называемые руководителями крупнейших AI-компаний, постепенно сближаются с ближайшими годами. Ниже — четыре позиции с разной степенью опоры: у Амодеи и AI Futures Project есть первоисточники, Хассабис приводится по вторичному интервью, а позиция ЛеКуна дана как фон, без цитаты.

Дарио Амодеи, Anthropic. В июне 2026 года он написал, что при продолжении действующих закономерностей масштабирования в течение ещё одного-двух лет возможно появление Powerful AI — системы, которую он образно описывает как «страну гениев в дата-центре». Это ставит потенциальный переход в окно 2027–2028 годов.

Демис Хассабис, Google DeepMind. Публичные оценки осторожнее: по интервью мая 2026 года он называл ориентир около 2030 года, допуская 2029-й. Оговорка: мы опираемся на вторичный источник (Axios), прямой первоисточник нам недоступен. При этом Хассабис подчёркивает, что агентные технологии уже становятся практической подготовкой к AGI.

Дэниел Кокотайло и AI Futures Project. Авторы сценария AI 2027 сделали важное обновление 10 ноября 2026 года: с учётом новых данных METR они считают вероятным появление Superhuman AI Researcher уже в 2027 году, если не произойдёт существенного замедления разработок.

Команда оценивает вероятность появления до 2028 года ещё более универсальных систем, способных превзойти ведущих экспертов практически во всей интеллектуальной работе, в диапазоне 35–65%.

Это прогноз одной исследовательской группы, а не установившийся консенсус.

Ян Лекун, один из наиболее известных критиков подхода, основанного исключительно на больших языковых моделях, придерживается более осторожных взглядов. Он считает, что для полноценного человекоподобного интеллекта могут понадобиться новые архитектурные решения, позволяющие понимать физический мир и устойчиво планировать действия. Мы приводим это как характеристику позиции, а не как цитату.

Отдельно: публичные высказывания Сэма Альтмана и Дженсена Хуанга, широко цитировавшиеся в 2025–2026 годах, мы в текст не включаем — под конкретные формулировки у нас нет проверяемых первоисточников.

При этом у OpenAI есть собственная датированная цель, подтверждённая публикацией компании: автоматический AI-исследователь к марту 2028 года. Это не прогноз AGI, но измеримый ориентир.

Таким образом, эксперты расходятся в точной дате и определении AGI. Но многие сходятся в главном: речь идёт уже не о далёком фантастическом будущем, а о ближайших годах.

Источники:

• Дарио Амодеи — Policy on the AI Exponential
• OpenAI — Research acceleration
• Axios — Demis Hassabis on AGI (вторичный источник)
• AI Futures Project — прогноз от 10 ноября 2026

В апреле 2025 года исследователи опубликовали сценарий AI 2027, описывающий переход от современных систем к мощному автономному искусственному интеллекту.

По мере появления новых данных авторы корректировали свои прогнозы.

Летом 2026 года они признавали, что часть количественных показателей развивается медленнее первоначального сценария.

Но ноябрьские результаты METR изменили картину.

10 ноября исследователи опубликовали обновление с говорящим названием: «Похоже, интеллектуальный взрыв всё-таки произойдёт в 2027 году».

Они рассмотрели несколько независимых способов прогнозирования автоматизации AI R&D.

В их новых моделях появление сверхчеловеческого AI-исследователя приходится преимущественно на 2027 год, хотя отдельные методы дают более поздние сроки.

В одном прогоне модели AIFM медианная дата — июль 2027 года, а вероятность достижения этого уровня до конца 2027-го составляет около 65% (по условиям прогона: рост в 1,7 раза относительно ноября 2026 года).

Это результат одного прогона одной исследовательской группы, а не консенсус всех методов.

Самый сильный аргумент заключается в том, что прогноз опирается не только на ожидания будущего роста вычислительных мощностей. Он использует появившиеся свидетельства того, что искусственный интеллект уже ускоряет создание нового искусственного интеллекта.

Однако исследователи сами подчёркивают существенную неопределённость, ограниченность открытых данных и необходимость осторожного развития таких систем.

Источник: AI Futures Project, 10 ноября 2026

Несмотря на впечатляющую скорость развития, важно понимать границы достигнутого.

7 октября 2026 года Epoch AI представила результаты InnovationEval — исследования способности моделей самостоятельно создавать новые методы машинного обучения.

Результаты показали, что современные системы пока испытывают серьёзные затруднения при попытках самостоятельно воспроизводить значимые алгоритмические инновации.

Следовательно, помощь ИИ исследователю и полноценная автоматизация исследовательской деятельности — пока разные уровни.

Остаются и другие проблемы:

• надёжность при длительном выполнении сложных задач;
• способность работать в незнакомых условиях;
• самостоятельная проверка выводов;
• использование ресурсов и управление экспериментами;
• безопасность, контролируемость и согласование целей ИИ с человеческими;
• физические и экономические ограничения масштабирования.

Источник: Epoch AI — Can AI automate AI R&D yet?

Для нас принципиальный критерий — не название модели и не заявление технологической компании.

AGI должен продемонстрировать способность самостоятельно выполнять широкий спектр интеллектуальных задач на уровне квалифицированного человека или выше.

Научная работа. Получить исследовательскую проблему, сформулировать гипотезы, провести эксперименты и добиться независимо воспроизводимого результата.

Разработка. Создать сложную программную систему по целям пользователя, проверить её и поддерживать без постоянного ручного управления.

Бизнес. Получить задачу создания нового направления, разработать продукт, запустить процессы, найти клиентов и улучшать результаты на основе реальных метрик.

Перенос знаний. Освоить незнакомую предметную область и применить знания без специального переобучения под каждую задачу.

Автономность. Работать над многодневными и многонедельными проектами с высокой надёжностью и ограниченным участием человека.

Именно подобные практические испытания позволят отличить действительно универсальный интеллект от впечатляющей, но специализированной автоматизации.

Если появится надёжный AGI, одним из первых последствий станет резкое снижение стоимости многих видов интеллектуальной работы.

Разработка программ, аналитика, маркетинг, проектирование, создание контента, исследовательская работа и часть управленческих процессов могут стать значительно доступнее.

Но важнейшая перемена — не просто удешевление труда.

Впервые в истории масштабирование интеллектуальной деятельности может перестать требовать пропорционального роста числа людей.

Один человек, вооружённый автономной AI-экосистемой, потенциально сможет управлять объёмом интеллектуальной работы, для которого раньше требовалась большая команда.

Маленькие AI-native компании смогут создавать сложные продукты и конкурировать с гораздо более крупными организациями. Научные группы смогут параллельно исследовать существенно больше гипотез. Предприниматели смогут переходить от идеи к работающему бизнесу быстрее.

Разумеется, технологические возможности не равны немедленному экономическому эффекту. Внедрение потребует доверия, инфраструктуры, регулирования, ресурсов и времени.

Но направление изменений становится всё более очевидным.

Практический вывод не зависит от того, появится AGI в 2027 году или нет. Если кривая возможностей растёт так, как показывают внешние измерения, выигрывает тот, кто уже умеет встраивать агентов в процессы и измерять результат, — а не тот, кто ждёт подтверждённого ярлыка.

Человеческое подтверждение. Заранее зафиксируйте точки, где решение принимает человек: платежи, договоры, внешние коммуникации от имени компании, найм, выдача доступов. Правило двух ключей дешевле, чем разбор последствий.

Ресурсы и откат. У пилота должен быть владелец процесса, лимит на inference и инструменты, журнал действий и план возврата к ручному режиму. Пилот без бюджета и без права остановить его — не пилот, а зависимость.

Данные и приватность. В контур агента передаётся минимально необходимый контекст; данные клиентов не должны попадать в тренировочные контуры поставщика. Проверьте договор, сроки хранения и требования локального законодательства о персональных данных.

Где здесь Atlas. Atlas — AI-платформа запуска и управления бизнесом: микрокоманда получает возможности, которые раньше требовали отделов. Это не AGI и не «автономный директор»: стратегию и решения держит человек, система ведёт контур — маркетинг, заявки, продажи, базу, продукт. Ценность измеряется не ярлыком, а сокращением цикла и стоимостью процесса.

Заключение. 2027 год — возможное начало новой интеллектуальной эпохи

В декабре 2025 года мы начали измерять рост искусственного интеллекта с помощью Power Index. Тогда базовой точкой был PI 1 500.

В ноябре 2026 года наша оценка передовой модели достигла 21 100, а интегрированной экосистемы — 38 000–42 200.

Если базовая траектория сохранится, то в 2027 году модели могут пересечь наш предварительный численный порог AGI, а системный Power Index к концу года приблизится к миллиону.

Но самый важный аргумент — не сами числа.

В 2026 году мы увидели несколько фундаментальных изменений:

• ИИ начал вносить существенный вклад в математические открытия.
• AI-агенты стали выполнять всё более длительные инженерные и исследовательские задачи.
• OpenAI сообщила о создании автоматизированного исследовательского стажёра.
• METR зафиксировала почти двукратное ускорение разработки моделей Anthropic, значительную часть которого связывает с применением AI.
• Авторы AI Futures Project вновь прогнозируют появление сверхчеловеческих AI-исследователей в 2027 году.

Все эти процессы складываются в одну картину.

Искусственный интеллект перестаёт быть только продуктом человеческой интеллектуальной деятельности. Он постепенно становится участником производства нового интеллекта.

И если этот механизм продолжит усиливаться, 2027 год действительно может стать моментом перехода.

Не обязательно днём, когда одна компания торжественно объявит о создании AGI. Скорее периодом, когда системы начнут самостоятельно выполнять всё больше интеллектуальной работы, а человеческое общество осознает масштаб произошедшей трансформации.

Мы не можем считать AGI в 2027 году доказанным будущим. Но сегодня у нас есть серьёзные количественные, экспериментальные и экспертные основания рассматривать его как реальный сценарий ближайшего года.

Возможно, позднее историки будут считать 2027 год не моментом изобретения искусственного интеллекта, а началом эпохи, когда интеллект впервые стал способен существенно ускорять собственное развитие.

Материал подготовлен в рамках исследований Power Index и проекта Atlas AI. Все прогнозы являются сценарными оценками по состоянию на 13 ноября 2026 года.

Частые вопросы

Вопрос: AGI действительно появится в 2027 году? Ответ: Это сценарная гипотеза, а не гарантия. Наш базовый расчёт при указанном пути коэффициента K выводит пересечение численных порогов Power Index между мартом и июнем 2027 года; независимые группы дают близкие сроки, но с широкими интервалами. Ни один из этих ориентиров не является доказательством AGI.

Вопрос: Power Index — это научная метрика? Ответ: Нет. Это авторская исследовательская шкала Atlas: калибровка по историческим моделям, формула пересчёта через ECI и гипотеза о порогах. PI-C — монотонное преобразование ECI, то есть собственной информации он не добавляет; независимы только траектория ECI и коэффициент K.

Вопрос: Почему в тексте одна версия PI-C — 21 100, а на графике другая? Ответ: На графике зафиксирован прежний округлённый расчёт по ECI 174 — это примерно 22 500. По точной оценке ECI 173,44 получается около 21 100. Мы не правили изображение, поэтому расхождение объяснено в подписи и таблице.