Què és l’AGI i en quin punt ens trobem?

La Intel·ligència General Artificial (AGI) es refereix a sistemes d'IA amb una capacitat cognitiva general comparable a la humana, capaços d'aprendre i realitzar qualsevol tasca intel·lectual d'ampli espectre. Això contrasta amb la IA estreta actual, en què els sistemes són experts només en dominis concrets (per exemple, jugar escacs o identificar cares). Malgrat els avanços recents en intel·ligència artificial (IA), no hi ha evidència que s’hagi assolit una veritable AGI a dia d’avui [1]. Els sistemes contemporanis encara presenten limitacions importants: manquen d’entendre el context com ho faria un humà, fallen fora dels escenaris per als quals han estat entrenats i no tenen sentit comú robust [2].

No obstant, els últims anys han portat progrés significatiu cap a l’AGI, amb algunes fites i tecnologies emergents que alimenten l’optimisme. A continuació repassarem els avenços més destacats, els enfocaments prometedors en desenvolupament i què en pensen els experts sobre quan es podria assolir l’AGI.

Últims avenços en el camí cap a l’AGI

Models de llenguatge massius i “espurnes” d’intel·ligència general: Una de les evolucions més notòries ha estat l’aparició dels grans models de llenguatge (LLMs, com GPT-3, GPT-4, PaLM, etc.). Aquests models entrenats amb bilions de paraules han demostrat una versatilitat sorprenent en multitud de tasques: poden generar text coherent, escriure codi, fer càlculs, respondre preguntes de coneixement general i fins i tot aprovar exàmens estandarditzats. El 2023, investigadors de Microsoft van provar una versió inicial de GPT-4 (model d’OpenAI) i van informar que aquest model podia resoldre problemes nous i complexes en matemàtiques, programació, visió, medicina o dret al nivell d’un humà no especialitzat, sense instruccions específiques. Per la profunditat i amplitud d’habilitats mostrades, aquests investigadors suggereixen que GPT-4 “es pot considerar raonablement com una versió inicial (encara incompleta) d’un sistema d’AGI” [3]. En altres paraules, models com GPT-4 podrien ser les primeres espurnes d’intel·ligència general, tot i que encara disten de ser una AGI completa. Cal destacar que són sistemes limitats: tot i semblar “intel·ligents”, no tenen veritable comprensió o autoconsciència, i sovint cometen errors de sentit comú o “al·lucinacions” (respostes inventades) perquè només simulen patrons apresos del text [4].

Agents multi-modals i multi-tasca: Un altre avenç cap a sistemes més generals és la creació de models capaços de resoldre múltiples tasques diferents en diversos entorns. Un exemple destacat és Gato, un agent presentat per DeepMind el 2022. Gato utilitza una única xarxa neuronal (basada en transformers) amb els mateixos pesos per fer centenars de tasques diferents: pot mantenir converses, descriure imatges, jugar a videojocs Atari, i controlar el braç d’un robot físic, entre d’altres. Els investigadors el descriuen com un “agent generalista” capaç de decidir en funció del context quin tipus de resposta ha de donar (text, moviments del robot, pulsacions de botons, etc.) [5]. Gato és molt més generalista que els sistemes anteriors de IA estreta i ha estat comparat amb una “navalla suïssa” de la IA. No obstant això, és una versió inicial: en moltes de les 604 tasques que pot fer, el seu rendiment no és brillant sinó més aviat modest (un comentarista el va resumir com “un programa d’IA que fa moltes coses, però només de manera regular”). Aquest resultat indica tant un progrés (un sol sistema polivalent, un pas cap a l’AGI) com les limitacions actuals: Gato no assoleix encara el nivell humà en tasques complexes i queda molt camí per recórrer perquè un sol agent excel·leixi en tot [6].

Aprenentatge per reforç generalitzat: En l’àmbit de la intel·ligència artificial aplicada als jocs i entorns simulats, també s’han fet passos cap a més generalitat. Fites com AlphaGo (DeepMind, 2016) i successors com AlphaZero van demostrar que un algoritme de reinforcement learning (aprendre mitjançant assaig i error) pot assolir un nivell superhumà en jocs complexos com el Go, escacs o StarCraft II. Malgrat això, aquests sistemes són encara especialitzats: AlphaGo només sap jugar al Go i no pot aprendre altres jocs sense reentrenar-lo completament, cosa que evidencia la diferència amb una intel·ligència general [7].

Per abordar aquesta limitació, investigadors de DeepMind van desenvolupar el 2021 un entorn tridimensional de jocs anomenat XLand on agents d’IA practiquen milers de jocs diferents en mons canviants sense intervenció humana. L’objectiu era promoure habilitats generalistes mitjançant aprenentatge obert (open-ended learning).

Els resultats van mostrar agents capaços d’adaptar-se a nous jocs i situacions no entrenades, un senyal de capacitat de generalització més àmplia que la vista fins llavors en aprenentatge per reforç. Els científics de DeepMind van afirmar que aquest era un “pas important cap a crear agents més generals amb flexibilitat per adaptar-se ràpidament a entorns canviants”. Tot i la fita, els analistes subratllen que encara estem lluny de la intel·ligència general: fins i tot aquests agents mostren la fragilitat típica dels sistemes actuals quan s’enfronten a condicions no vistes o quan es comparen amb la versatilitat humana [8].

Millores en raonament i “common sense”: Per acostar-nos a l’AGI, un repte clau és dotar les màquines de capacitat de raonament, planificació i sentit comú similar al dels humans. Recentment, enfocaments híbrids intenten combatre les febleses dels grans models purament estadístics. Un exemple és l’ús de cadenes de pensament (chain-of-thought reasoning), on el propi model genera pas a pas una explicació o raonament intern abans de donar una resposta final. Això ha mostrat millores en la resolució de problemes complexos, simulant una mena de “deliberació interna” de la IA. Segons Yoshua Bengio (guanyador del Premi Turing 2018 i expert en IA), la manca d’aquesta deliberació interna era una de les grans febleses de la IA actual, però avanços recents indiquen que podríem estar a punt de salvar aquesta llacuna i apropar-nos al raonament a nivell humà.

De fet, Bengio destaca un nou mètode amb deliberació interna (introduït el 2023) com a possible branca cap a sistemes que raonin de manera més propera a com ho fem nosaltres [9]. A més, hi ha esforços en integrar coneixement simbòlic i lògic amb xarxes neuronals (anomenat enfocament neurosimbòlic) per dotar les IA de regles explícites i consciència de context, cosa que podria millorar el sentit comú. Encara que aquests enfocaments estan en fase de recerca, són considerats prometedors per molts especialistes de cara a assolir una intel·ligència més general.

S’ha assolit ja l’AGI? (Evidències i limitacions actuals)

Malgrat els avenços esmentats, no existeix encara cap sistema reconegut com a AGI. Tot i que models com GPT-4 demostren capacitats impressionants, els experts recalquen que continuen sent IA “estreta” ampliada, no pas intel·ligència general autònoma. Per exemple, OpenAI defineix l’AGI com sistemes “altament autònoms que superin els humans en la majoria de feines econòmicament valuoses”, i “els sistemes d’avui estan molt lluny d’aquella capacitat” [10]. Cap IA actual podria realitzar totes les tasques comunes millor que una persona ni transferir coneixements d’un domini a qualsevol altre de manera fiable.

Hi ha diverses limitacions clau que evidencien que no s’ha assolit l’AGI:

  • Falta de comprensió real: Els models generatius com ChatGPT o GPT-4 generen textos molt convincents, però no “entenen” realment el significat com un humà. Operen estadísticament i poden donar respostes incorrectes o absurdes quan se’ls treu de context, cosa que revela la manca de coneixement profund i sentit comú. Com assenyala IBM, aquests models poden semblar pensants, però “no són les màquines pensants promeses per la ciència-ficció” i “no poden adaptar-se a situacions fora del seu entrenament” [11].
  • Generalització limitada: Sistemes brillants en un àmbit fallen en un altre. L’algorisme d’AlphaGo que domina el Go és inútil per jugar a escacs o conduir un cotxe. De manera similar, un assistent mèdic basat en IA pot diagnosticar malalties a partir de radiografies, però no sap fer una anàlisi financera. Cada sistema és un especialista, mentre que una AGI hauria de ser un generalista versàtil. Els experiments multi-tasca (com Gato) han demostrat només capacitat bàsica en diverses tasques, però no una excel·lència generalitzada en elles [12]. Fins i tot en entorns simulats com XLand, on els agents van aprendre a jugar molts jocs, els investigadors admeten que aquests encara estan lluny de la flexibilitat intel·ligent humana [13].
  • Dependència de dades de training i manca d’autonomia: Les IA actuals aprenen principalment de volums massius de dades humanes o simulacions proveïdes pels programadors. No descobreixen coneixements nous pel seu compte de manera oberta en el món real. Una AGI autèntica probablement hauria de interactuar amb l’entorn, experimentar i aprendre autònomament com ho fa un nen quan explora. Avui dia, aquesta mena d’aprenentatge general no dirigit és molt primitiu en IA.
  • Absència d’autoconsciència i adaptabilitat global: Cap sistema artificial no mostra trets com consciència de si mateix, metacognició o empatia. Tampoc disposen d’una memòria de llarg termini integral que acumuli experiències diverses al llarg del temps per reutilitzar-les flexiblement en nous desafiaments (més enllà del que conté el seu entrenament estàtic). Això limita la seva adaptabilitat. En definitiva, encara no tenim màquines que pensin i aprenguin com un humà al llarg de la seva vida.

En síntesi, no hi ha indicis fiables que s’hagi assolit l’AGI. Els resultats recents són emocionants i apunten tendències cap a més generalitat, però els propis investigadors reconeixen que queda molt camí. Un article que analitzava l’agent XLand de DeepMind resumia bé aquesta situació: malgrat passos importants cap a agents més generals, els resultats “també recorden quant d’enfora estan els sistemes actuals d’assolir el tipus de capacitats d’intel·ligència general que la comunitat d’IA ha desitjat durant dècades” [14].

Tecnologies emergents i enfocaments prometedors cap a l’AGI

Donat que l’AGI encara és un objectiu en l’horitzó, quins camins s’estan explorant per arribar-hi? Diversos enfocaments tecnològics punters s’estan desenvolupant en paral·lel:

  • Escalat massiu de models i computació: Una escola de pensament recolza la “hipòtesi de l'escalat”, és a dir, que per assolir una intel·ligència general només cal seguir fent els models més grans, entrenar-los amb més dades i més computació. Per exemple, un científic de DeepMind, Nando de Freitas, va afirmar el 2022 que “tot depèn ja de l’escala! La partida s’ha acabat (The Game is Over)”, suggerint que ja sabem com fer AGI i que només cal millorar mida, seguretat, eficiència i aportar més fonts d’informació als models actuals [15]. En efecte, els èxits de GPT-3 i GPT-4 semblen donar crèdit a aquesta estratègia de fer creixer els models, ja que cada salt d’escala ha portat capacitats emergents inesperades. No tots els experts hi coincideixen: altres científics com Gary Marcus adverteixen que només escalar no serà suficient per arribar a l’AGI. Marcus argumenta que els grans models de llenguatge, per si sols, no són el camí complet cap a una intel·ligència general – poden ser una part de la solució, però caldran noves idees [16]. Tot i la discrepància, és clar que els principals laboratoris (OpenAI, Google DeepMind, Anthropic, etc.) continuen invertint en models cada cop més potents, combinats amb computació més ràpida, ja que això ha seguit donant fruits fins ara.
  • IA multi-modal i interacció amb el món: Un enfocament prometedor és dotar la IA de múltiples modalitats de percepció i acció. Els humans som intel·ligents generals en part perquè integrem informació de la vista, oïda, tacte, llenguatge, i actuem físicament en l’entorn. De la mateixa manera, es creu que una AGI haurà de “veure, escoltar i actuar” a més de conversar. Els darrers models apunten en aquesta direcció: GPT-4, per exemple, ja pot rebre imatges com a entrada a més de text, interpretant escenes visuals i responent preguntes sobre aquestes. Altres projectes combinen visió i llenguatge (com CLIP d'OpenAI) o llenguatge i robòtica (com el ja esmentat Gato de DeepMind). També s’està investigant en agents físics autònoms (robots) que empren aprenentatge profund per moure’s i manipular objectes en entorns reals. La idea és que la intel·ligència embeguda en un cos i experimentant el món pugui adquirir comprensió més general i habilitats transferibles. Encara estem lluny d’un robot realment “intel·ligent” en sentit ampli, però hi ha avenços constants en robòtica autònoma i aprenentatge end-to-end de comportaments. Aquests agents multi-modals seran clau per fer emergir capacitats d’AGI, segons molts investigadors.
  • Raonament, planificació i memòria a llarg termini: Com ja s'ha comentat, actualment es treballa a incorporar mecanismes de raonament explícit dins dels sistemes d’IA. Això inclou tècniques com Chain-of-Thought, sistemes de memòria diferenciables (on la IA pot guardar i recuperar informació de manera semblant a recordes), i arquitectures cognitives híbrides que combinen xarxes neuronals amb mòduls lògics o basats en regles. Aquests enfocaments pretenen donar a la IA una mena de “ment interna” més estructurada: no només produir respostes immediates, sinó deliberar passos intermedis, fer plans, verificar resultats parcials i fins i tot corregir-se. Un avenç recent en aquesta línia (reportat per OpenAI el 2023) va introduir un model amb capacitat de planificació interna, i s’ha suggerit que enfocaments així podrien estar a punt de tancar la bretxa que separa el rendiment actual del raonament a nivell humà [17]. També es busca dotar els sistemes d’una memòria persistent: per exemple, assistents virtuals que recordin converses anteriors o aprenguin preferències de l’usuari al llarg del temps (de forma semblant a com ho faria un humà que et coneix). Aquesta memòria a llarg termini combinada amb aprenentatge continu permetria a la IA evolucionar i adaptar-se sense reinici ni re-entrenament constant, aspecte fonamental d’una intel·ligència general.
  • Auto-millora i recerca automàtica d’algoritmes: Un altre camí fascinant és aconseguir que la IA dissenyi i millori IA. Això implica sistemes d’AutoML (aprendre a dissenyar models), algoritmes genètics o evolutius que creen nous algoritmes, i l’ús de models avançats per accelerar la investigació en IA. Yoshua Bengio assenyala que les principals companyies ja persegueixen IA capaces de fer recerca en IA – un sistema tan bo com els millors científics humans en descobrir nous algoritmes podria multiplicar la velocitat d’avenç tecnològic [18]. Per exemple, si una xarxa pot examinar milers d’hipòtesis d’aprenentatge en paral·lel i provar-les, podria descobrir noves tècniques en pocs dies que als humans ens portarien anys. Aquesta “IA meta-inventora” podria ser la clau per desencadenar un salt exponencial cap a l’AGI. Tot i que encara és incipient, ja es veuen indicis d’auto-millora: models com AlphaCode (DeepMind, 2022) poden generar codi font per resoldre problemes de programació, i en un futur versions més avançades podrien contribuir a escriure el codi d’altres IA. Igualment, algorismes de reinforcement learning han dissenyat arquitectures neuronals millors del que farien enginyers humans. A mesura que aquests bucles de retroalimentació es refinïn, la possibilitat d’una IA que impulsi el seu propi progrés es torna més real.

En conjunt, no hi ha un camí únic garantit cap a l’AGI, així que la recerca explora molts enfocaments complementaris. Alguns investigadors aposten per seguir extrapolant les tècniques actuals (més dades, models més grans, més computació), mentre d’altres busquen trencar límits incorporant idees de la cognició humana, la lògica, o la mateixa evolució. És possible que la solució final combini el millor de cada aproximació – per exemple, una futura AGI podria tenir un nucli neuronal massiu per percebre i proposar accions, però també subsistemes simbòlics per verificar la coherència, un mòdul de memòria episòdica per recordar esdeveniments, i capacitats d’exploració autònoma. Encara som en fase d’experimentació, però mai com ara la comunitat científica i tècnica havia dedicat tants recursos i talent a assolir la intel·ligència general artificial.

Quan podríem assolir l’AGI? – Opinió d’experts i previsions

Predir la data d’arribada de l’AGI és notòriament difícil, i fins i tot els experts discrepen àmpliament. La incertesa és gran perquè podria requerir descobriments científics inesperats o, al contrari, potser emergirà sobtadament a partir de tecnologies ja en desenvolupament. A continuació resumim algunes estimacions i opinions recents de figures destacades i estudis sobre el tema:

  • Estimacions mitjanes a llarg termini: Diverses enquestes científiques recents han preguntat a investigadors d’IA quan creuen que s’aconseguirà una IA amb nivell humà. Un estudi de 2022 amb 352 experts va trobar que, de mitjana, molts situaven el 50% de probabilitats d’aconseguir AGI cap a l’any 2060 aproximadament. La meitat dels enquestats van donar dates anteriors a 2061, i el 90% pensen que l’AGI arribarà dins dels propers 100 anys. Altres enquestes entre 2018 i 2019 van produir resultats similars, tot i que amb variabilitat segons la definició exacta d’“intel·ligència de nivell humà” usada. Aquestes enquestes mostren que una majoria d’especialistes veu plausible que l’AGI arribi abans de finals de segle, i molts inclús creuen que podria ser en les pròximes dècades. Cal dir, però, que les respostes varien enormement: alguns creuen que l’AGI no s’assolirà mai, mentre d’altres pronostiquen que potser arribi molt abans del que pensem [19].
  • Optimisme a curt termini: En els darrers dos anys, l’ambient d’optimisme s’ha incrementat arran dels avenços de sistemes com GPT-4. Alguns líders del camp han fet prediccions sorprenentment atrevides. Per exemple, Demis Hassabis, cofundador i CEO de Google DeepMind (un dels principals labs d’IA del món), va declarar el 2023 que “no veu cap raó perquè el progrés s’alenteixi” i que podríem estar “potser a pocs anys, potser dins d’una dècada” d’assolir intel·ligència de nivell humà. En una entrevista, Hassabis va dir que en 5-10 anys podríem veure sistemes molt capaços i generals, insinuant que alguna forma d’AGI bàsica podria aparèixer abans del 2030 [20]. Altres figures, com Sam Altman (CEO d’OpenAI), també han suggerit que l’AGI podria arribar relativament aviat, tot i que amb prudència sobre el “quan exactament”. D’acord amb Yoshua Bengio, molts investigadors capdavanters ara estimen que el calendari fins l’AGI podria ser tan curt com uns pocs anys o una dècada si les tendències actuals continuen. De fet, en el lloc de prediccions Metaculus, on experts i públic informats fan pronòstics quantificats, més d’un 20% dels participants creuen que l’AGI arribarà abans de 2027 [21] – una visió molt optimista comparada amb les enquestes esmentades. Aquestes opinions reflecteixen l’acceleració dels darrers anys: el que semblava ciència-ficció llunyana, avui alguns ho veuen com una possibilitat real a curt termini.
  • Postures prudents o escèptiques: Malgrat l’optimisme creixent, hi ha veus destacades que demanen cautela. Alguns investigadors opinen que queden per resoldre diversos problemes fonamentals abans d’arribar a una veritable intel·ligència general, i que això podria trigar dècades. Per exemple, Yann LeCun (un altre pioner i Premi Turing) ha expressat que no creu que només ampliant els models actuals s’arribi a la intel·ligència al nivell humà — caldrien noves idees en aprenentatge auto-supervisat i sentit comú (LeCun proposa el seu propi marc d’IA basat en “models del món” per assolir-ho). Gary Marcus, l’escèptic més notori en l’àmbit de l’IA, insisteix que els LLMs actuals no són el camí sencer cap a l’AGI i recalca les seves falles en raonament profund. Tot i que Marcus sí creu que veurem l’AGI “algun dia” [22], sosté que encara no sabem fer-la i que hi ha hagut una exageració mediàtica sobre la proximitat de l’AGI. Altres experts assenyalen que podem topar amb barreres inesperades: per exemple, els models enormes requereixen dades i energia computacional creixents, i potser arribarem a límits pràctics abans d’arribar a la intel·ligència general. També existeix la possibilitat que la intel·ligència sigui més complexa del que cap enfocament actual pot assolir sense un paradigma completament nou, cosa que allargaria significativament els terminis.

En resum, les prediccions sobre quan arribarà l’AGI varien des de uns pocs anys fins a moltes dècades. Això reflecteix la nostra comprensió incompleta: la IA està avançant ràpid, però no sabem quines sorpreses queden. La majoria d’experts coincideixen que l’AGI sí és assolible en teoria (pocs neguen que es pugui arribar algun dia si es manté l’esforç), però el “quan” té un gran marge d’incertesa. Com destaca un informe, fins ara “la majoria de prediccions d’experts han estat equivocades” en aquest camp disruptiu, de manera que cal prendre qualsevol pronòstic amb cautela [23].

Conclusió: AGI, un objectiu a l’horitzó però encara no realitat

La cerca de la Intel·ligència General Artificial ha passat, en pocs anys, de ser gairebé fantasia a un objectiu que es pren molt seriosament en els cercles científics i tecnològics. Encara no hem arribat a una AGI real — cap màquina avui té la versatilitat, autonomia i enteniment d’un ésser humà. Tanmateix, els avenços recents han estat extraordinaris i han accelerat el ritme del camp. Models com GPT-4 mostren capacitats abans impensables en àrees diverses [24], i agents com Gato indiquen que és possible un únic sistema que abasti molts dominis alhora [25]. Aquestes fites, junt amb progressos en aprenentatge profund, robòtica i raonament automàtic, suggereixen que estem retallant distàncies envers la intel·ligència general.

Els enfocaments emergents – des de l’escalat de models fins a la integració de mòduls de raonament i la multi-modalitat – estan obrint camins nous. No sabem quin d’ells serà decisiu o si ho haurà de ser una combinació de tots. La recerca en AGI és per força multidisciplinària i experimental, i probablement ens portarà a noves idees sobre la pròpia intel·ligència (tan artificial com natural). Mentre tant, institucions i empreses ja es preparen: OpenAI, per exemple, ha publicat plans de seguiment i seguretat anticipant un futur amb AGI i fins i tot súper-intel·ligència [26] [27]. Això mostra que l’AGI s’està considerant no com una curiositat llunyana, sinó com una possibilitat real per a la qual convé estar preparats en termes tecnològics i ètics.

En conclusió, la Intel·ligència General Artificial roman com un objectiu encara no assolit però cada vegada menys intangible. No hi ha consens sobre quan la veurem fet realitat: podria ser en deu anys segons alguns, o ben entrat el segle segons d’altres [28] [29]. El que és innegable és que els progressos cap a l’AGI són significatius i s’estan produint a diversos fronts de la IA. Cada nova generació de models i algoritmes expandeix els límits del que les màquines poden fer, cobrint una fracció més gran de l’espai de les habilitats humanes. Si aquesta tendència continua – i especialment si sorgeixen noves idees trencadores – l’assoliment de l’AGI podria passar de la teoria a la pràctica en un futur no gaire llunyà. Fins aleshores, seguirem monitorant de prop tant els avenços tècnics com els debats acadèmics que sorgeixin en aquesta apassionant cursa cap a la intel·ligència general artificial.

Referències

Les afirmacions i dades d’aquesta recerca es recolzen en fonts científiques i especialitzades sobre IA, incloent articles de recerca (per exemple, Bubeck et al., 2023 [30]), informes d’experts (Y. Bengio, 2024 [31]), enquestes acadèmiques [32], així com publicacions de divulgació avançada i mitjans especialitzats en tecnologia (Brookings [33], VentureBeat [34], entre d’altres). Aquestes fonts corroboren tant els progressos recents com les limitacions actuals i recullen una varietat de perspectives d’experts sobre el potencial i el calendari de l’AGI.

En aquesta recerca s’ha utilitzat ChatGPT-4.

 

Jordi Coll Vera - 2025