Od AI do superinteligencije: da li je ljudska inteligencija granica?

Kada procenjujemo njen napredak, gotovo instinktivno je poredimo sa sobom. Može li da napiše tekst kao čovek? Može li da reši problem bolje od stručnjaka? Naše sposobnosti su prirodno polazište za poređenje. Ali time što smo sebe postavili za merilo, nismo utvrdili i krajnju granicu mogućeg.

Tu počinje ozbiljan razgovor o superinteligenciji. Mogućnost da napravimo sisteme koji nas široko nadmašuju zaslužuje pažnju čak i kada ne znamo da li ćemo je ostvariti, kojim putem i koliko brzo. Važno je razumeti šta bi takav razvoj promenio u našem odnosu prema znanju, odlučivanju i odgovornosti.

Najpre treba razjasniti pojmove. Veštačka inteligencija, AI, obuhvata različite sisteme i pristupe. Opšta veštačka inteligencija, AGI, označava široku sposobnost rešavanja zadataka u različitim oblastima na nivou uporedivom sa ljudskim. Oko preciznog praga postoje različite definicije. Zato je korisno odvojeno posmatrati koliko je sistem uspešan, koliko različitih zadataka ume da rešava i koliko samostalnosti mu dajemo. Sposobnost i ovlašćenje da deluje nisu ista stvar.

Superinteligencija, za koju se koristi oznaka ASI, podrazumeva široko nadmašivanje ljudskih intelektualnih sposobnosti. Istraživači Google DeepMinda u radu „From AGI to ASI“, objavljenom u junu 2026, razmatraju naročito visok prag: sistem koji nadmašuje i velike, dobro organizovane grupe stručnjaka. Uspeh u jednom ograničenom zadatku nije dovoljan za takvu ocenu.

Kako bismo mogli da stignemo dotle? Isti rad razmatra četiri moguća puta: više računarskih resursa za sposobne sisteme, suštinski nove pristupe njihovoj izgradnji, saradnju velikog broja AI sistema i rekurzivno unapređivanje, u kojem AI doprinosi razvoju sposobnijih naslednika. Ti putevi mogu da se kombinuju. Nijedan nije potvrđena garancija dolaska do superinteligencije.

Jedan konkretan primer već pokazuje kako AI može da doprinese sopstvenoj tehnološkoj osnovi. Google DeepMind je 2025. predstavio AlphaEvolve, sistem za pronalaženje i unapređivanje algoritama. Prema njihovoj objavi, njegove izmene primenjene su u računarskoj infrastrukturi, projektovanju čipova i ubrzavanju delova obuke modela Gemini. To je određen, proverljiv obim rada, uz automatizovanu proveru rešenja i ljudski nadzor.

Dalja mogućnost otvara mnogo veće pitanje. Ako AI pomogne da nastane sposobniji sistem, a taj sistem zatim uspešnije doprinese razvoju sledećeg, napredak bi mogao da se ubrzava iz generacije u generaciju. Istraživanje same inteligencije postalo bi jedan od poslova koje inteligencija sve uspešnije obavlja. To je suština ideje rekurzivnog unapređivanja.

Ipak, između pomoći u pisanju koda i samostalnog razvoja novog modela postoji velika razlika. Anthropic u svom prikazu ove oblasti navodi da AI već ubrzava njihov rad, ali i da potpuno samostalno stvaranje naslednika još nije ostvareno niti je neizbežno. Posebno izdvajaju preostale slabosti u proceni kojim istraživačkim ciljevima uopšte treba dati prednost. To je granica koju treba pošteno prikazati.

Ni moguća superinteligencija ne bi ukinula ograničenja stvarnog sveta. Računarski kapaciteti, energija i kvalitet dokaza ostaju važni. Eksperiment u fizičkom svetu zahteva vreme. Brže stvaranje ideja ne znači da ih možemo jednako brzo proveriti. DeepMindov rad zato razmatra i prepreke, uz veliku neizvesnost oko daljeg tempa razvoja.

Najave tačne godine u kojoj će superinteligencija nastati zato bih čitao sa oprezom. Takve prognoze zavise od pretpostavki o brzini napretka i preprekama koje tek treba savladati. Za naše odluke korisnije je pitanje šta je zaista demonstrirano, pod kojim uslovima i koliko pouzdano. Na osnovu toga možemo procenjivati sledeći korak, bez pretvaranja mogućeg ishoda u gotovu činjenicu.

Mene, međutim, uz tehničku mogućnost posebno zanima ono što ćemo od takve inteligencije tražiti. Sposobnost rešavanja problema sama po sebi ne govori koji problem vredi rešavati. Još manje određuje čiji interes treba da ima prednost i koju cenu smeju da plate drugi.

Zamislimo obrazovni sistem kojem kao glavni cilj zadamo da poveća prolaznost. Postoje različiti načini da to postigne. Može da pomogne učenicima da bolje razumeju gradivo, ali može i da ih uvežba za poznati tip testa, bez dubljeg razumevanja. Isti pokazatelj uspeha mogao bi da prikrije veoma različite obrazovne rezultate. Ako merimo samo prolaznost, kako će sistem znati šta zaista vrednujemo?

Sličan problem nastao bi kada bismo kompaniji zadali isključivo smanjenje troškova. Ušteda koja danas izgleda odlično može za nekoliko godina da uništi sposobnost razvoja. Inteligentan predlog zaslužuje procenu širu od podatka koji smo odlučili da optimizujemo.

Zato smatram da pitanje ciljeva mora da prati razvoj sposobnosti. Potrebno je da znamo ko ih postavlja, ko može da ospori odluku i ko odgovara za posledice. Rečenica „sistem je tako preporučio“ ne bi smela da postane način da se odgovornost izgubi između proizvođača, korisnika i uprave.

Tu postoji i problem moći. Ako mali broj organizacija bude kontrolisao sisteme koji mogu da nadmaše čitave timove stručnjaka, mnogi drugi mogli bi da postanu zavisni od njihovih procena. Čak i veoma koristan sistem može da stvori takvu zavisnost. Važno je ko ima pristup, ko određuje uslove korišćenja i postoji li stvarna mogućnost izbora.

Za mene sve ovo vodi i do sasvim praktičnog pitanja: za šta obrazujemo čoveka?

Tvrdnja da će, pošto AI može da pronađe ili proizvede odgovor, ljudima biti dovoljno da nauče da postavljaju pitanja za mene je opasno pojednostavljenje. Kvalitetno pitanje obično zahteva znanje o predmetu. Procena odgovora zahteva još više: potrebno je prepoznati pretpostavke, proveriti dokaze i uočiti šta je izostavljeno.

Učenik koji ne razume osnovne odnose u fizici teško može da proceni uverljivo napisano objašnjenje koje ih krši. Rukovodilac koji ne razume poslovni model teško može da uoči da preporuka povećava kratkoročnu prodaju na račun dugoročnog opstanka. Lakši pristup odgovoru ne uklanja potrebu da razumemo njegov smisao.

Zato bih od obrazovanja tražio da istovremeno razvija znanje i sposobnost rada sa AI. Učenik treba da obrazloži zaključak, proveri rezultat i pokaže šta ume bez pomoći. Potom može da koristi AI da proširi ono što sam može da uradi. U takvom radu postaje vidljivo i šta je delegirao i šta je zaista naučio.

Ni dobar obrazovni sistem, naravno, ne može da obeća da će čovek lično razumeti svaki postupak buduće superinteligencije. Već i danas se oslanjamo na stručnjake čiji rad ne umemo u potpunosti da ponovimo. Zbog toga razvijamo nezavisne provere, standarde i odgovornost. Smatram da bi sa sposobnijim AI sistemima potreba za takvim proverama postala još veća.

Ne bih zato budućnost obrazovanja zasnivao na obećanju da ćemo u svakom zadatku ostati bolji od mašine. Vrednost čoveka ne može da zavisi od trajne pobede u takvom takmičenju. Obrazovanje treba da nam pomogne da razumemo svet dovoljno dobro da u njemu učestvujemo i odlučujemo, čak i kada deo posla obavljaju sposobniji sistemi.

Moguće je da će put ka superinteligenciji trajati duže nego što njeni zagovornici očekuju. Moguće je i da ćemo se sa nekim posledicama susresti pre nego što se usaglasimo oko definicije. U oba slučaja, pitanja ciljeva, odgovornosti i obrazovanja već zaslužuju konkretne odgovore.

Ako napravimo inteligenciju koja nas nadmašuje, na osnovu čega ćemo odlučivati kada treba da je poslušamo?