AI 2027 przesuwa się ku latom 2028–2032, gdy jego prognoza superinteligencji zderza się z rzeczywistością

AI 2027 przechodzi decydujący test harmonogramu, mimo że ponowne zainteresowanie w Google News sugeruje, iż jego scenariusz superinteligencji nadal zasadniczo pozostaje na właściwej drodze. Oryginalny scenariusz przewidywał nadludzkie programowanie w 2027 roku i sztuczną superinteligencję pod koniec 2027 lub na początku 2028 roku. Zaktualizowane modelowanie i zaobserwowane wąskie gardła wyraźniej wspierają obecnie szersze okno 2028–2032 niż tę dramatyczną pierwotną sekwencję.

Ta zmiana nie czyni AI 2027 nieistotnym. Zmienia to, co czytelnicy powinni z niego wynieść. Scenariusz coraz bardziej przypomina użyteczną mapę zależności, a nie wiarygodny kalendarz wydarzeń.

Główny konflikt zachodzi między szybkim postępem w oprogramowaniu a wolniejszymi systemami, które je otaczają. Lepsi agenci programistyczni są faktem, podczas gdy eksperymenty badawcze, wiarygodna ewaluacja, budowa centrów danych, dostawy energii i wdrażanie rozwiązań w organizacjach nadal działają w ludzkich i fizycznych ramach czasowych. To te ograniczenia decydują, czy zdolni agenci uruchomią samonapędzający się postęp, czy po prostu staną się lepszymi narzędziami.

W efekcie obraz jest bardziej złożony, niż sugeruje nagłówek Google News. Zdolności AI rozwijają się, lecz dowody na to, że autonomiczne systemy potrafią prowadzić kompletne programy badawcze, pozostają ograniczone. Opóźnienie z 2027 roku do lat 2028–2032 zachowałoby centralny mechanizm scenariusza, odrzucając jednocześnie jego najbardziej skondensowane założenia.

Co faktycznie zmieniło się w harmonogramie AI 2027

Istotnym wydarzeniem nie jest potwierdzona data nadejścia superinteligencji. Jest nim rosnąca przepaść między narracyjnym kalendarzem scenariusza a jego bazowymi prognozami.

AI Futures Project opublikował AI 2027 w kwietniu 2025 roku jako szczegółowy scenariusz, a nie konwencjonalną prognozę. Jego fikcyjne wiodące laboratorium, OpenBrain, wdraża coraz bardziej zdolnych agentów, aby zautomatyzować badania nad AI. Ta wewnętrzna automatyzacja przyspiesza tworzenie jeszcze lepszych systemów.

Wersja wyścigowa przechodzi przez cztery główne kamienie milowe. Nadludzki programista pojawia się w marcu 2027 roku, a nadludzki badacz AI w sierpniu. Znacznie lepszy badacz AI pojawia się w listopadzie, a sztuczna superinteligencja w grudniu.

Projekt definiuje sztuczną superinteligencję jako system działający znacznie lepiej niż najlepsi ludzie w każdym zadaniu poznawczym. To znacznie więcej niż zaliczanie benchmarków, pisanie kodu produkcyjnego czy obsługa przeglądarki bez pomocy.

Nawet badania wspierające projekt przedstawiają mniej precyzyjny obraz niż jego narracja. Jego prognoza takeoffu umieszcza medianę nadejścia sztucznej superinteligencji w kwietniu 2028 roku, przy założeniu pojawienia się nadludzkiego programisty w marcu 2027 roku. Przedział niepewności rozciąga się od czerwca 2027 roku do okresu po 2100 roku.

Ta sama prognoza wskazuje listopad 2027 roku jako medianę dla superinteligentnego badacza AI. Jednak podany przedział obejmuje okres od maja 2027 do 2034 roku. Te zakresy nie są drobnymi zastrzeżeniami. Pokazują, że zapadające w pamięć daty zależą od głęboko niepewnych ocen.

Projekt dodał też zastrzeżenie w grudniu 2025 roku. Stwierdza ono, że prognoza takeoffu w znacznym stopniu opiera się na intuicyjnej ocenie, ponieważ dostępne dowody nie pozwalają na rozstrzygającą ekstrapolację. To przyznanie ma większe znaczenie niż przesunięcie jednego kamienia milowego o kilka miesięcy.

Zmienił się również model harmonogramu. Zaktualizowane podejście oparte na horyzoncie czasowym przesunęło jedną medianę szacunku dla nadludzkiego programisty z sierpnia 2027 roku na luty 2029 roku. Osobny model benchmarków i luk przesunął się z grudnia 2028 roku na marzec 2030 roku.

Te rewizje nie tworzą oficjalnej prognozy na lata 2028–2032. Sprawiają jednak, że taki zakres jest rozsądną syntezą zaktualizowanych szacunków projektu dotyczących programisty oraz oczekiwanego przejścia od automatyzacji programowania do szerszej superinteligencji.

To rozróżnienie jest kluczowe. Żaden publiczny benchmark nie potwierdził odliczania do superinteligencji. Zmienił się natomiast bilans dowodów wokół pierwszego kluczowego kamienia milowego scenariusza.

Pierwotna historia traktowała nadludzkiego programistę z 2027 roku jako punkt zapłonu. Późniejsze prace przypisują większą wagę brakującym zdolnościom, wymogom niezawodności i barierom integracyjnym. Jeśli zapłon przesunie się na 2029 lub 2030 rok, roczny model takeoffu naturalnie przesuwa późniejsze kamienie milowe w kierunku początku lat 30. XXI wieku.

Relacje Google News mogą sprawiać, że zmiana wygląda jak proste odroczenie. Lepiej rozumieć ją jako przejście od precyzji narracyjnej ku niepewności prognoz.

Dlaczego agenci AI nadal podtrzymują ten scenariusz

AI 2027 nie zostało unieważnione, ponieważ trend zdolności, który je motywuje, pozostaje widoczny, zwłaszcza w zadaniach związanych z oprogramowaniem.

Scenariusz w dużej mierze opiera się na idei horyzontu czasowego AI. Ta metryka szacuje długość zadania, mierzoną czasem realizacji przez eksperta-człowieka, które agent potrafi ukończyć z określonym wskaźnikiem sukcesu.

METR, niezależna organizacja zajmująca się ewaluacją modeli, oblicza 50-procentowe i 80-procentowe horyzonty czasowe w zestawie zadań programistycznych. Jej badania wykazały, że długość zadań, które agenci z czołówki mogli wykonać, podwajała się mniej więcej co siedem miesięcy przez kilka lat.

Trend ten pomógł uczynić pierwotną prognozę nadludzkiego programisty wiarygodną. Jeśli agenci będą nadal obsługiwać dłuższe zadania w stałym tempie, ostatecznie przejdą od pomocy przy fragmentach pracy do realizacji znaczących projektów inżynieryjnych.

Niedawne ewaluacje wzmocniły argument dotyczący wąsko rozumianych zdolności. METR podał, że wiodący publicznie dostępni agenci oceniani na początku 2026 roku osiągnęli na zaktualizowanym zestawie mierzone horyzonty przekraczające dwa pełne ekwiwalenty dni pracy. Niektóre systemy obsługiwały wczesne zadania odtwarzania oprogramowania, które ludziom zajęłyby znacznie więcej czasu.

Wyniki te stanowią istotny postęp. Sugerują, że systemy z czołówki wychodzą poza pojedyncze funkcje i krótkie ćwiczenia z debugowania. Potrafią utrzymać dłuższe ciągi rozumowania, korzystania z narzędzi i modyfikowania kodu.

Horyzont czasowy nie jest jednak odliczaniem do autonomicznych badań. Własna notatka o ograniczeniach METR ostrzega, że zmierzony horyzont nie jest równoznaczny z czasem, przez który AI może pracować samodzielnie. Reprezentuje on zastępowalną, sekwencyjną pracę ludzką w określonej konfiguracji ewaluacyjnej.

Wskaźnik sukcesu na poziomie 50 procent nadal jest niewystarczający dla wielu środowisk badawczych i produkcyjnych. Nieudany eksperyment może zmarnować kosztowne zasoby obliczeniowe. Subtelny błąd w oprogramowaniu może zniekształcić późniejsze wyniki, nie ujawniając się od razu.

Metryka może się poprawiać, podczas gdy niezawodna automatyzacja postępuje wolniej. Dłuższe zadania generują bardziej złożone awarie, a ich diagnozowanie może wymagać większego wysiłku człowieka. Weryfikacja staje się trudniejsza, gdy agenci działają w większych bazach kodu i dłuższych przepływach pracy.

AI 2027 zakłada, że laboratoria mogą uruchamiać wiele kopii zaawansowanych agentów programistycznych. Równoległość pozwoliłaby tym agentom proponować eksperymenty, modyfikować systemy treningowe, analizować wyniki i rozwijać swoich następców. Ta pętla sprzężenia zwrotnego jest silnikiem scenariusza.

Obecne dowody wspierają część tego mechanizmu. Systemy programistyczne potrafią już generować testy, analizować repozytoria, naprawiać defekty i koordynować narzędzia. Coraz częściej pomagają badaczom wdrażać pomysły, które w przeciwnym razie pochłonęłyby czas inżynierów.

Organizacja badawcza robi jednak więcej niż pisze kod. Wybiera użyteczne pytania, rozpoznaje mylące wyniki, równoważy konkurencyjne cele, zarządza poufną infrastrukturą i decyduje, kiedy dowody są wystarczająco mocne, by pokierować kolejnym przebiegiem treningu.

Różnica przypomina przepaść między doskonałym programistą a skutecznym laboratorium badawczym. Automatyzacja pierwszego nie odtwarza automatycznie drugiego.

Dlatego data z początku lat 30. XXI wieku może nadal być zgodna z szybkim wzrostem zdolności. Dłuższy okres daje laboratoriom czas na poprawę niezawodności, budowę systemów zarządzania agentami, zwiększenie zasobów obliczeniowych i przeprojektowanie procesów badawczych.

Zaktualizowane okno nie musi więc oznaczać pesymistycznej prognozy dla AI. Może opisywać ten sam szybki mechanizm rozwijający się poprzez większą liczbę etapów operacyjnych.

Teza Google News zderza się z fizycznym ograniczeniem zasobów obliczeniowych

Oprogramowanie może poprawiać się szybko, ale infrastruktury potrzebnej do trenowania i uruchamiania systemów z czołówki nie da się kopiować z prędkością oprogramowania.

Model zasobów obliczeniowych AI 2027 jest agresywny jeszcze przed uwzględnieniem założeń dotyczących zautomatyzowanych badań. Zakładał dziesięciokrotny wzrost globalnego zasobu zasobów obliczeniowych istotnych dla AI między marcem 2025 a grudniem 2027 roku.

Prognoza mierzy zdolność w ekwiwalentach H100, czyli znormalizowanej jednostce opartej na akceleratorze H100 firmy Nvidia. Szacowała wzrost z 10 milionów ekwiwalentów H100 do 100 milionów w tym okresie.

Wiodąca firma AI miałaby przejąć rosnącą część tej podaży. AI 2027 zakładało wzrost użytecznej mocy tej firmy z około 500 000 ekwiwalentów H100 pod koniec 2024 roku do 20 milionów w grudniu 2027 roku.

Jego prognoza zasobów obliczeniowych przewidywała także globalne zapotrzebowanie AI na energię na poziomie 60 gigawatów pod koniec 2027 roku. Z tego 50 gigawatów przypisano Stanom Zjednoczonym, a 10 gigawatów wiodącemu laboratorium.

Są to dane wejściowe scenariusza, a nie zmierzone wyniki. Autorzy wyraźnie opisują informacje publiczne jako skąpe i niepewne. Stwierdzają również, że późniejsze sekcje w dużej mierze zależą od założonego przez scenariusz postępu zdolności.

Energia już staje się wiążącym ograniczeniem. Nowe źródła wytwarzania, linie przesyłowe, stacje elektroenergetyczne, transformatory, systemy chłodzenia i hale danych wymagają pozwoleń oraz budowy. Prace te podlegają regionalnym procesom planowania, których ulepszenia oprogramowania nie mogą skompresować w takim samym tempie.

Gartner wcześniej szacował, że niedobory energii ograniczą 40 procent centrów danych AI do 2027 roku. Jego prognoza energetyczna opisywała dostępność energii elektrycznej jako poważne ograniczenie dla nowych obiektów.

RAND przeanalizował podobnie wymagającą trajektorię. Jego analiza szacowała, że centra danych AI wymagałyby globalnie 68 gigawatów do 2027 roku, gdyby wykładniczy wzrost podaży chipów był kontynuowany. Suma ta zbliżała się do dwukrotności globalnego zapotrzebowania centrów danych na energię odnotowanego w 2022 roku.

Szacunki te zasadniczo potwierdzają obawy AI 2027 dotyczące koncentracji zasobów obliczeniowych. Nie potwierdzają jednak twierdzenia, że większa ilość zasobów obliczeniowych stworzy nadludzkich badaczy według stałego harmonogramu.

Dostępność sprzętu i efektywność algorytmiczna są odrębnymi zmiennymi. Laboratorium może dysponować wieloma akceleratorami, nie znając właściwej metody treningu dla wszechstronnie lepszego systemu badawczego. Z kolei postęp algorytmiczny może zmniejszyć ilość sprzętu potrzebną do osiągnięcia danej zdolności.

Scenariusz zakłada postęp w obu wymiarach. Produkcja chipów rośnie, podczas gdy zautomatyzowani badacze odkrywają usprawnienia efektywności. To połączenie pozwala wiodącej firmie uruchamiać ogromne populacje pracowników AI z przyspieszoną prędkością.

Mechanizm ten tworzy problem finansowania i wdrożenia. Organizacja musi rozdzielić zdolności między trening, inferencję, dane syntetyczne, produkty dla klientów i wewnętrzne eksperymenty. Każdy akcelerator przeznaczony na spekulacyjną pętlę badawczą jest niedostępny dla obciążeń generujących przychody.

AI 2027 przewidywało, że tylko 5–10 procent zdolności wiodącej firmy będzie bezpośrednio uruchamiać agentów AI. Przypisywało 20 procent danym syntetycznym i 35 procent eksperymentom badawczym. Taka alokacja oznaczałaby poważne strategiczne zaangażowanie w automatyzację wewnętrzną.

Nie ma gwarancji, że komercyjne laboratorium dokona takiego wyboru. Popyt klientów, presja konkurencyjna, testy bezpieczeństwa i oczekiwania inwestorów wpływają na alokację mocy.

W tym miejscu ujęcie Google News staje się zbyt uproszczone. Śledzenie budowy centrów danych nie pokazuje, czy laboratoria zbliżają się do eksplozji inteligencji. Pokazuje, że firmy oczekują, iż popyt na AI i rozwój jej możliwości uzasadnią ogromne zobowiązania infrastrukturalne.

Rozbudowa podnosi pułap dla przyszłych systemów. Nie mówi jednak, kiedy laboratoria znajdą algorytmy, metody oceny lub niezawodnych agentów potrzebnych, by ten pułap osiągnąć.

Prawdziwa rywalizacja to automatyzacja kontra opory w badaniach

Głównym przeciwnikiem w tej historii nie jest jedna firma AI przeciwko drugiej. To zautomatyzowany postęp w oprogramowaniu kontra uporczywe opory rzeczywistych badań.

Prognoza gwałtownego przyspieszenia AI 2027 pyta, jak szybko nadludzki programista doprowadziłby do powstania nadludzkiego badacza AI. Różnica brzmi nieznacznie, ale kryje w sobie dużą część niepewności tej prognozy.

Programista może wdrożyć określoną zmianę. Badacz musi zdecydować, którą zmianę warto wdrożyć. Wymaga to osądu wobec niepełnych dowodów, naukowej intuicji i rozumienia, jak łączą się wyniki wcześniejszych eksperymentów.

Scenariusz zakłada, że nadludzki programista może w sprzyjających warunkach przyspieszyć pracę nad oprogramowaniem około 100-krotnie. Autorzy nie oczekują jednak, że cały proces badawczy stanie się 100 razy szybszy.

Eksperymenty nadal muszą zostać przeprowadzone. Zespoły muszą omawiać wyniki, porównywać hipotezy, diagnozować nieoczekiwane zachowania i wybierać kolejną interwencję. Dodatkowe opóźnienia powodują kolejki do mocy obliczeniowej i awarie sprzętu.

To zastosowanie prawa Amdahla, które ogranicza całkowite przyspieszenie, gdy szybsza staje się tylko część procesu. Jeśli programowanie stanowi coraz mniejszy ułamek cyklu badawczego, jego przyspieszanie z czasem przynosi malejące korzyści.

AI 2027 twierdzi, że późniejsi agenci zautomatyzują większą część cyklu. Nadludzki badacz AI projektowałby eksperymenty i interpretował ich wyniki, usuwając wąskie gardła ograniczające agenta zajmującego się wyłącznie programowaniem.

Właśnie tego przejścia jeszcze nie zademonstrowano. Publiczne ewaluacje koncentrują się przede wszystkim na zadaniach programistycznych, ponieważ łatwiej je określić, powtarzać i oceniać. Otwartą ocenę naukową testuje się znacznie trudniej.

FutureSearch, które wniosło pracę prognostyczną do pierwotnego projektu, podkreśliło tę lukę. Jego krytyka prognozy zauważa, że eksperymenty w świecie rzeczywistym mogą trwać tygodnie, miesiące lub lata. Kontekst organizacyjny i złożone kompromisy mogą jeszcze bardziej spowolnić automatyzację.

FutureSearch zakwestionowało również, czy zachęty komercyjne wspierałyby alokację zasobów przewidzianą w tym scenariuszu. Czołowe laboratoria realizują często równolegle cele związane z produktami, wdrożeniem przez klientów i przychodami, a także badaniami długoterminowymi. Wewnętrzne rekurencyjne doskonalenie konkuruje z tymi celami.

Spór nie toczy się między postępem a stagnacją. Obie strony uznają, że agenci programistyczni będą się poprawiać i że laboratoria będą wdrażać ich na większą skalę.

Różnią się oceną efektywności konwersji. AI 2027 przypisuje coraz bardziej zdolnym agentom duże przyrosty tempa badań. Jego krytycy oczekują, że eksperymenty, kontekst, zarządzanie i niezawodność pochłoną większą część tych korzyści.

Okno 2028-2032 w domyśle przyznaje większą wagę stronie wskazującej na opory, nie porzucając automatyzacji. Agenci programistyczni mogą w tym okresie znacznie się poprawić. Laboratoria mogą integrować ich w procesach rozwoju, ewaluacji i operacji.

Praktyczne skutki pojawiłyby się przed sztuczną superinteligencją. Zespoły programistyczne delegowałyby większe projekty. Laboratoria AI przeprowadzałyby więcej eksperymentów na badacza. Cykle produktowe skróciłyby się, podczas gdy zapotrzebowanie na ewaluację i nadzór wzrosłoby.

Pracownicy umysłowi również stanęliby przed nowym problemem informacyjnym. Więcej badań generowanych przez agentów oznacza więcej raportów, dzienników eksperymentów, zmian w kodzie i sprzecznych wniosków. Zespoły będą potrzebować niezawodnej bazy wiedzy z funkcją wyszukiwania, aby zachować kontekst i audytować decyzje.

Ten przyziemny wymóg organizacyjny ma znaczenie. Agent AI, który nie ma dostępu do właściwej historii wewnętrznej, może powtarzać nieudane eksperymenty lub optymalizować względem nieaktualnych założeń. Zarządzanie kontekstem staje się elementem wydajności badawczej.

Interpretacja zakładająca początek lat 30. opiera się zatem na wiarygodnej sekwencji. Agenci najpierw automatyzują ograniczoną pracę programistyczną, następnie uczestniczą w dłuższych projektach, a na końcu pod nadzorem podejmują szersze decyzje badawcze.

Każde przejście wymaga czegoś więcej niż wyższego wyniku benchmarku. Wymaga zaufania, integracji, bezpieczeństwa i dowodów, że błędy pozostają wykrywalne.

Czego prognoza na lata 2028-2032 nadal nie może udowodnić

Przesunięcie daty nie rozwiązuje centralnej niepewności modelu, ponieważ tempo przyspieszenia nadal zależy od kamienia milowego, którego nikt jeszcze nie osiągnął.

Zakres 2028-2032 może brzmieć bardziej wiarygodnie niż koniec 2027 roku, ponieważ daje dodatkowy czas na postęp. Szersze i późniejsze okno nadal nie jest jednak bezpośrednim dowodem.

Prognozy często zachowują swoje główne twierdzenie, przesuwając datę po niespełnionych kamieniach milowych. Taka elastyczność może utrudniać falsyfikację teorii. Czytelnicy powinni zatem oceniać AI 2027 na podstawie obserwowalnych prognoz pośrednich.

Pierwszą z nich jest niezawodne, nadludzkie programowanie w całym zakresie pracy wykonywanej w czołowym laboratorium. Wymaga to czegoś więcej niż ukończenia zadań benchmarkowych. System musi radzić sobie z nieznanymi repozytoriami, niejednoznacznymi celami, ograniczeniami bezpieczeństwa i zmieniającymi się wymaganiami.

Musi także przewyższać najlepszych inżynierów, działając przy tym wystarczająco szybko i tanio, by można było uruchamiać wiele jego kopii. Te warunki ekonomiczne i dotyczące niezawodności są częścią definicji projektu.

Druga prognoza dotyczy przyspieszenia badań. Laboratoria powinny zgłosić lub zademonstrować, że wykorzystanie agentów mierzalnie skraca cykl od hipotezy do zweryfikowanego wyniku. Sama większa ilość wygenerowanego kodu nie spełniałaby tego kryterium.

Trzecia dotyczy rekurencyjnych zysków. Badania wspomagane przez AI muszą tworzyć lepsze systemy AI, które następnie dalej usprawniają proces badawczy. Zwykła poprawa produktywności nie dowodzi eksplozji inteligencji.

Pomiar stwarza kolejną trudność. Czołowe laboratoria mogą utrzymywać swoje najlepsze systemy wewnętrzne w tajemnicy. Publiczne modele mogą pozostawać w tyle za wewnętrznymi możliwościami, podczas gdy względy bezpieczeństwa i ochrony mogą ograniczać ujawnianie informacji.

Istnieje również ryzyko przeciwne. Firmy mają zachęty, by przedstawiać agentów jako bardziej autonomicznych, niż są w rzeczywistości. Starannie wybrane demonstracje mogą ukrywać przygotowanie przez ludzi, ponowne próby, wąsko zaprojektowane zadania lub rozbudowaną weryfikację.

Publiczne benchmarki mogą stawać się mniej informatywne, gdy deweloperzy optymalizują pod ich kątem. Sukces może odzwierciedlać znajomość schematów ewaluacji, a nie ogólną zdolność do prowadzenia badań.

Ostrożność METR jest tu szczególnie istotna. Jego badacze podkreślają, że podwojenie horyzontu czasowego nie podwaja zakresu ekonomicznie użytecznej automatyzacji. Wymagania dotyczące niezawodności i weryfikacji różnią się między zadaniami.

Szersza społeczność ekspertów również pozostaje znacznie mniej zgodna co do roku 2028. Ankieta wśród 2778 badaczy AI dała maszynom bez pomocy 10-procentową szansę na przewyższenie ludzi we wszystkich zadaniach do 2027 roku. Mediana daty dla 50-procentowej szansy wyniosła 2047 rok.

Ta ankieta ekspercka nie obala AI 2027. Agregacja prognoz może nie uchwycić szybkich zmian, a wielu respondentom może brakować specjalistycznego doświadczenia prognostycznego. Wynik pokazuje jednak, że scenariusz reprezentuje jeden agresywny obszar w znacznie szerszym rozkładzie.

Definicje powodują dodatkowe zamieszanie. Sztuczna inteligencja ogólna, inteligencja maszynowa wysokiego poziomu, nadludzkie programowanie i sztuczna superinteligencja opisują różne progi. System może przewyższać ludzi w wielu ekonomicznie użytecznych zadaniach, nie stając się lepszy w każdej aktywności poznawczej.

Nagłówki często zacierają te różnice. Ułatwia to udostępnianie historii, ale utrudnia jej ocenę. Twierdzenie, że AI 2027 jest na dobrej drodze, może odnosić się do postępów agentów programistycznych, wydatków na infrastrukturę lub wzrostu wyników benchmarków modeli.

Żadna z tych obserwacji samodzielnie nie potwierdza całej sekwencji. Wspierają one wybrane założenia scenariusza.

Sceptyczny wniosek jest zatem precyzyjny. Dowody wspierają dalsze szybkie ulepszanie możliwości oprogramowania AI. Nie wspierają jeszcze konkretnej daty 2028-2032 dla sztucznej superinteligencji.

Trzy sygnały, które rozstrzygną, czy AI 2027 jest na dobrej drodze

Kolejna ocena powinna zależeć od mierzalnych zmian w autonomicznej pracy, przyspieszeniu badań i wykorzystaniu infrastruktury, a nie od kolejnej dramatycznej deklaracji kalendarzowej.

Pierwszym sygnałem jest zweryfikowany skok w niezawodnym horyzoncie czasowym działania agentów. Ewaluatorzy powinni wykazać, że systemy z czołówki realizują wielodniowe projekty programistyczne w różnorodnych zadaniach odpornych na zanieczyszczenie danych.

Niezawodność ma takie samo znaczenie jak czas trwania. Wyniki zbliżone do wymagań produkcyjnych wzmocniłyby argument za nadludzkim programistą. Dłuższe horyzonty połączone z częstymi ukrytymi błędami osłabiłyby go.

Niezależna replikacja będzie niezbędna. Demonstracje laboratoryjne nie mogą zastąpić zewnętrznych testów, ponieważ ewaluatorzy potrzebują dostępu do wskaźników awarii, interwencji człowieka, budżetów inferencyjnych i zasad ponawiania prób.

Drugim sygnałem są dowody na kompleksową automatyzację badań AI. Czołowe laboratorium musiałoby pokazać agentów proponujących hipotezy, wdrażających eksperymenty, interpretujących wyniki i wybierających produktywną pracę następczą.

Najmocniejszym dowodem byłby mierzalny wzrost postępu algorytmicznego na jednego badacza. Nowy model stworzony głównie dzięki badaniom kierowanym przez agentów znacząco wzmocniłby mechanizm AI 2027.

Duża liczba wygenerowanych eksperymentów byłaby mniej przekonująca. Istotne pytanie brzmi, czy agenci identyfikują lepsze kierunki badań, a nie czy zużywają więcej mocy obliczeniowej.

Warto obserwować, jak laboratoria opisują wewnętrzne wdrożenia. Twierdzenia o tysiącach agentów programistycznych zasługują na analizę, jeśli ludzie nadal definiują każde zadanie i weryfikują każdą istotną decyzję.

Trzecim sygnałem jest sposób, w jaki firmy alokują nowe zasoby obliczeniowe. AI 2027 oczekuje, że czołowe laboratoria skoncentrują znaczną moc na danych syntetycznych, agentach wewnętrznych i eksperymentach badawczych kierowanych przez AI.

Sama publiczna rozbudowa centrów danych nie wystarcza. Prognoza staje się mocniejsza, jeśli firmy wyraźnie przesuwają moce z inferencji dla klientów w stronę wewnętrznej automatyzacji badań.

Staje się słabsza, jeśli większość nowego sprzętu wspiera konwencjonalny popyt chmurowy, produkty konsumenckie i stopniowe trenowanie modeli. Te zastosowania mogą podtrzymywać boom AI, nie prowadząc do rekurencyjnego samodoskonalenia.

Dostępność energii również wyznacza praktyczną granicę. Opóźnienia w przyłączeniach do sieci lub wdrażaniu akceleratorów przesunęłyby scenariusz na później, nawet gdyby algorytmy nadal się poprawiały. Szybszy wzrost efektywności mógłby zmniejszyć tę presję.

Czytelnicy śledzący Google News powinni traktować lata 2028-2032 jako okno obserwacji, a nie ustaloną datę. Ten zakres łączy zaktualizowane szacunki kamieni milowych z niepewnym modelem przyspieszenia. Nie został niezależnie zweryfikowany.

Użyteczne pytanie nie brzmi już, czy każda scena z AI 2027 nadejdzie zgodnie z harmonogramem. Brzmi ono, czy autonomiczne programowanie przekształci się w autonomiczne badania, zanim fizyczne, ekonomiczne i organizacyjne ograniczenia pochłoną zyski.

W nadchodzących miesiącach śledź te trzy sygnały: niezależnie testowanych wielodniowych agentów, udokumentowane przyspieszenie badań oraz moce obliczeniowe przeznaczone na rekurencyjne doskonalenie. Jeśli wszystkie trzy będą postępować jednocześnie, argument za początkiem lat 30. wzmocni się. Jeśli wzrosną tylko wyniki benchmarków i wydatki na centra danych, słynne przyspieszenie pozostanie przekonującym scenariuszem, a nie zaobserwowaną trajektorią.