96 karya representatif dari 1936 hingga kini, dikelompokkan menurut peran editorial dan ditandai dengan status penerbitannya
Makalah adalah kerangka terkeras sejarah AI. Katalog ini menghimpun 96 karya fondasional yang membentuk bidang ini, masing-masing bertaut ke sumber primernya.
Pemilihan didasarkan pada keterwakilan historis, pengaruh teknis, dan pertimbangan redaksi. Katalog dapat memuat makalah yang telah ditelaah sejawat, laporan teknis, pracetak, makalah posisi, dan kartu sistem, masing-masing ditandai menurut status penerbitannya. Usulan koreksi dan penambahan dapat dikirim melalui saluran publik pada halaman Kebijakan Redaksi dan Koreksi.
Menampilkan 96 dari 96 makalah
Membuktikan bahwa setiap sistem formal konsisten yang mampu mengungkapkan aritmetika memuat pernyataan benar yang tidak dapat dibuktikannya, menetapkan batas yang kelak membingkai apa yang dapat diselesaikan komputasi dan penalaran mesin.
Memperkenalkan mesin Turing universal dan membuktikan bahwa Entscheidungsproblem tidak terputuskan, meletakkan dasar teoretis ilmu komputer.
Mendefinisikan keterhitungan efektif melalui kalkulus λ dan menunjukkan satu persoalan yang tak dapat diputuskan prosedur semacam itu, mencapai batas komputasi secara terpisah dari Turing.
Memodelkan aktivitas saraf sebagai logika proposisional, menyajikan teori matematis pertama tentang jaringan saraf tiruan.
Makalah pendiri teori informasi, yang mendefinisikan entropi dan kapasitas kanal sebagai batas mendasar komunikasi.
Mengusulkan permainan peniruan (uji Turing) dan merumuskan secara sistematis pertanyaan “Dapatkah mesin berpikir?”, yang turut menegakkan AI sebagai program penelitian.
Proposal pendirian lokakarya musim panas Dartmouth memperkenalkan istilah “kecerdasan buatan” dan menggariskan agenda penelitian bidang ini.
Memaparkan Logic Theorist, program pertama yang membuktikan teorema matematis, yang menunjukkan penalaran otomatis dalam logika proposisional.
Memandang pemecahan masalah manusia sebagai pencarian heuristik dalam ruang keadaan simbolis, pemaparan yang melandasi General Problem Solver dan pandangan pemrosesan-informasi tentang pikiran.
Memperkenalkan neuron ambang linear terlatih yang pertama, menurunkan garis keturunan koneksionis yang bermuara pada pembelajaran mendalam modern.
Mengusulkan Advice Taker, program yang bernalar dengan aksioma deklaratif dan menerima “nasihat” baru berupa kalimat bahasa Inggris, yang turut menegakkan agenda penelitian representasi pengetahuan dan AI simbolis.
Memperagakan pembelajaran lewat permainan melawan diri sendiri dengan fungsi penilaian pada program dam, sebuah tonggak awal pembelajaran penguatan yang dikaitkan dengan istilah “pembelajaran mesin”.
Gelernter membahas bagaimana mesin dapat memanipulasi secara efisien sistem formal yang predikatnya sangat simetris, dan mengajukan sebuah teorema serta kaidah simetri sintaktis sebagai jawabannya. Karya ini berjalan berdampingan dengan mesin teorema geometri yang ia bangun di IBM, yang membuktikan teorema pertamanya dalam geometri bidang Euklides dasar pada awal musim semi 1959.
Memperkenalkan neuron ADALINE dan kaidah pembelajaran Least-Mean-Squares (LMS), pendahulu penurunan gradien stokastik modern.
Memperkenalkan ekspresi simbolis, fungsi rekursif atasnya, dan eval yang memungkinkan sebuah bahasa menafsirkan dirinya sendiri — rancangan yang menjadi Lisp dan bahasa kerja AI simbolis.
Menghimpun kerja perseptron menjadi teori utuh tentang jaringan probabilistik berlapis, menyatakan sekaligus apa yang dapat dipelajari mesin semacam itu dan di mana bentuk satu lapisnya berhenti.
Membangun program yang tampak mampu bercakap-cakap dari pencocokan pola dan kaidah penulisan ulang, dan penulisnya seketika menunjukkan betapa banyak pemahaman yang dilekatkan pembaca padanya padahal tidak dimilikinya.
Memperkenalkan jaringan memori asosiatif Hopfield, menghubungkan komputasi saraf dengan lanskap energi dalam fisika statistik dan menghidupkan kembali minat pada jaringan saraf di awal musim dingin AI.
Mendokumentasikan sistem kaidah produksi yang setiap hari mengonfigurasi pesanan komputer DEC, salah satu dari sedikit sistem pakar yang bertahan dalam penggunaan produksi rutin dan dapat dihitung nilai ekonominya.
Meletakkan dasar algoritmis jaringan keyakinan Bayes, termasuk penyampaian pesan pada graf berstruktur pohon serta perkakas moralisasi/triangulasi yang menggerakkan inferensi probabilistik dan penalaran kausal modern.
Rumusan kanonis algoritme perambatan balik untuk jaringan saraf berlapis banyak, yang menunjukkan bahwa unit tersembunyi dapat mempelajari representasi internal yang berguna dan menyalakan kembali penelitian koneksionis pada akhir 1980-an.
Memformalkan keluarga pembelajaran beda temporal (TD), menyatukan program dam Samuel dengan penguatan sekunder dari psikologi hewan dan meletakkan landasan algoritmis bagi TD(λ), Q-learning, serta metode gradien kebijakan modern.
Memperkenalkan Simple Recurrent Network (jaringan Elman) dan menunjukkan bahwa struktur dinamis berdimensi rendah dapat muncul dari pelatihan atas masukan berurutan, salah satu peragaan paling awal pembelajaran representasi yang berguna pada jaringan rekuren.
Memperkenalkan mesin vektor dukung bermargin lunak, menambahkan variabel kendur untuk menangani data yang tak terpisahkan dan mengubah pengklasifikasi margin-maksimal menjadi metode pembelajaran serbaguna yang dominan pada akhir 1990-an.
Memperkenalkan arsitektur LSTM awal yang memakai sel memori, gerbang masukan, dan gerbang keluaran untuk menjaga aliran galat sepanjang barisan yang panjang; gerbang lupa yang kini baku diperkenalkan kemudian oleh Gers, Schmidhuber, dan Cummins.
Menyajikan jaringan saraf konvolusional LeNet-5 dan alur pembelajaran berbasis gradien ujung-ke-ujung yang utuh — mencakup lapisan rugi, perambatan balik melintasi konvolusi dan penggabungan, serta deskripsi jaringan transformasi graf — yang menjadi cetak biru model penglihatan mendalam modern.
Memperkenalkan autoenkoder dalam yang merekonstruksi data berdimensi tinggi jauh lebih setia daripada PCA, memantik percikan pertama kebangkitan pembelajaran mendalam.
Memperkenalkan contrastive divergence dan pralatih lapis demi lapis secara serakah, yang untuk pertama kalinya memungkinkan jaringan dalam dilatih secara efektif dan mengakhiri musim dingin panjang keraguan terhadap koneksionisme.
Memindahkan pelatihan model nirselia dalam ke prosesor grafis dengan percepatan berorde magnitudo, menjadikan lazim jalur perangkat keras yang menopang penskalaan pembelajaran mendalam sedasawarsa berikutnya.
DQN memadukan Q-learning dengan jaringan konvolusional dalam dan mencapai permainan setara manusia pada gim Atari 2600 dari piksel mentah, membuka jalan bagi pembelajaran penguatan umum.
Model CBOW dan Skip-gram pada word2vec membuat pelatihan penyematan kata berskala besar menjadi murah dan secara termasyhur menyingkap geometri semantis seperti king - man + woman ≈ queen.
VAE menyatukan pemodelan generatif bervariabel laten dengan pelatihan gradien stokastik melalui kiat reparameterisasi, memberi pembelajaran mendalam generatif modern landasan matematisnya.
Memperkenalkan atensi terpelajari ke dalam penerjemahan enkoder-dekoder, membebaskan kalimat panjang dari sempitan berpanjang tetap dan menyemai setiap Transformer sesudahnya.
GAN membiarkan generator dan diskriminator berduel untuk mempelajari sebaran berdimensi tinggi secara implisit, membuka jalan besar kedua pemodelan generatif.
Dropout membungkam unit secara acak untuk memutus koadaptasi, meningkatkan generalisasi jaringan besar secara tajam dan menjadi perkakas baku dalam praktik pembelajaran mendalam.
BatchNorm menormalkan masukan tiap lapis, memungkinkan jaringan dalam dilatih dengan laju belajar lebih tinggi dan menyatu lebih cepat; ia menjadi balok penyusun yang nyaris baku pada model penglihatan.
Memandang pemodelan generatif sebagai pembalikan proses pemberian derau bertahap, rumusan yang menjadi sandaran model difusi di kemudian hari.
Sambungan residual menstabilkan pelatihan jaringan beratus dan beribu lapis; ResNet mencapai galat top-5 sebesar 3,57% pada ImageNet, model pertama yang melampaui ketepatan setara manusia dan mengatur ulang skala model penglihatan.
Memecah kata menjadi satuan subkata yang diturunkan dari frekuensi sehingga kosakata berukuran tetap dapat mengeja apa saja, skema tokenisasi yang diwarisi sebagian besar model bahasa sesudahnya.
Memadukan pemangkasan, kuantisasi terlatih, dan pengodean Huffman menjadi satu alur yang menyusutkan jaringan sebesar satu orde magnitudo dengan sedikit kehilangan ketepatan, pernyataan awal bahwa presisi numeris adalah variabel rancangan.
WaveNet memodelkan audio mentah sampel demi sampel dengan konvolusi kausal berdilatasi, mendorong sintesis wicara mendekati kealamian manusia dan membuka jalan bagi model audio saraf berikutnya.
PPO menggantikan perkakas trust-region dengan pengganti orde-pertama yang terpangkas, menjadikan metode gradien kebijakan sekaligus stabil dan efisien pada skala besar dan dengan cepat menjadi standar de facto RL terapan.
Menyalurkan setiap token hanya melalui beberapa pakar dari sekian banyak, sehingga jumlah parameter sebuah jaringan dapat tumbuh jauh melampaui komputasi yang dikeluarkan untuk satu masukan.
Memperkenalkan Transformer, arsitektur beratensi murni yang meninggalkan rekurensi dan konvolusi serta melampaui mutu transduksi barisan sebelumnya sembari berlatih dalam sepersekian waktu.
Melatih tokenizer subkata langsung dari teks mentah tanpa pratokenisasi khas bahasa tertentu, sehingga satu alur melayani bahasa yang tidak memisahkan kata dengan spasi.
Melakukan pralatih Transformer dwiarah yang dalam dengan pemodelan bahasa bertopeng dan prediksi kalimat berikutnya, lalu menetapkan capaian terbaik baru pada sebelas tolok ukur NLP.
Memandang setiap tugas NLP sebagai teks-ke-teks dan memakai korpus C4 untuk membandingkan secara sistematis pilihan rancangan pembelajaran alih pada satu Transformer terpadu.
Memperkenalkan DDPM, yang menunjukkan bahwa model probabilistik difusi penderauan berulang menyetarai GAN dalam sintesis citra berkesetiaan tinggi.
Menyusun paralelisme tensor, pipa, dan data menjadi satu penjadwalan dan mengukur keluaran pelatihan sebuah model bahasa melintasi ribuan GPU.
Membekukan bobot terpralatih dan sebagai gantinya melatih sepasang matriks berperingkat rendah, memangkas biaya penyesuaian model besar menjadi sebagian kecil dari penalaan halus penuh.
Memakai Transformer autoregresif atas token teks dan citra diskret untuk menghasilkan pembangkitan teks-ke-citra nircontoh bermutu tinggi (DALL·E).
Melatih pembelajaran kontrastif citra-teks pada 400 juta pasangan untuk menghasilkan enkoder penglihatan yang beralih secara nircontoh ke banyak tugas hilir.
Menyajikan model GPT yang ditala halus pada kode berikut tolok ukur yang dinilai dari kebenaran fungsional, mengubah pemrograman dari sekadar ragam pembangkitan teks menjadi kemampuan yang terukur, sekaligus membahas dampak keselamatan dan ketenagakerjaannya.
Menjalankan difusi dalam ruang laten autoenkoder terpralatih, memungkinkan sintesis teks-ke-citra beresolusi tinggi dengan komputasi yang sederhana (Stable Diffusion).
Menunjukkan bahwa memancing model bahasa besar dengan langkah penalaran antara meningkatkan kinerja secara berarti pada penalaran aritmetis, akal sehat, dan simbolis.
Menala halus GPT-3 dengan pembelajaran penguatan dari umpan balik manusia agar mengikuti instruksi secara lebih setia — pendahulu langsung ChatGPT (InstructGPT).
Melatih asisten yang membantu sekaligus tidak membahayakan dengan RLAIF, tempat model mengkritik dan merevisi keluarannya sendiri terhadap sebuah konstitusi tertulis.
Melatih model fondasi berukuran 7–65 miliar parameter pada data yang tersedia untuk umum, memperagakan bahwa model terbuka dapat menyaingi model perbatasan tertutup dengan sebagian kecil komputasi.
Menata kerja agen yang tersebar ke dalam pembangunan, evaluasi, dan penerapan, menandai titik ketika istilah itu mengendap dari serangkaian praktik menjadi sebuah bidang.
Merambatkan balik melalui model dasar terkuantisasi 4 bit ke dalam adaptor berperingkat rendah, membawa penalaan halus model besar ke jangkauan satu GPU tunggal.
Mengkuantisasi bobot model bahasa besar setelah pelatihan, selapis demi selapis dan dalam satu kali jalan, sehingga model dapat disajikan pada presisi lebih rendah tanpa pelatihan ulang.
Meminta model draf kecil mengusulkan beberapa token yang diverifikasi model sasaran secara paralel, memangkas latensi tanpa mengubah sebaran keluarannya.
Mengelola tembolok atensi dalam laman berukuran tetap sebagaimana sistem operasi mengelola memori, sehingga sebuah peladen menampung jauh lebih banyak permintaan serentak tanpa mencadangkan kasus terburuk bagi masing-masing.
Memperkenalkan Mamba, arsitektur model ruang-keadaan selektif yang menyetarai atau melampaui atensi Transformer pada bahasa dan moda lain dengan kompleksitas waktu linear — arsitektur pasca-Transformer paling berpengaruh pada 2023.
AlexNet, sebuah CNN besar yang dilatih di GPU, memangkas galat top-5 ImageNet dari 26% menjadi 15%, menandai kemenangan menentukan pembelajaran mendalam atas fitur visual rancangan tangan.
DQN versi Nature menambahkan pemutaran ulang pengalaman dan jaringan sasaran, memungkinkan satu model mencapai atau melampaui permainan manusia pada 49 gim Atari dan mengukuhkan RL mendalam sebagai satu paradigma.
AlphaGo memadukan jaringan kebijakan dan nilai dengan pencarian pohon Monte Carlo dan mengalahkan juara Eropa Fan Hui 5-0, mengumumkan bahwa RL mendalam telah mencapai lapisan terdalam permainan strategis manusia.
Memperagakan bahwa Transformer generatif terpralatih beralih secara efektif ke tugas NLP diskriminatif, memulai jalur kerja GPT.
Melatih dekoder Transformer berparameter 1,5 miliar dan menunjukkan bahwa pemodelan bahasa pada skala besar menghasilkan kinerja tugas nircontoh yang kuat.
Menskalakan GPT hingga 175 miliar parameter dan menunjukkan bahwa model bahasa besar melakukan pembelajaran dalam-konteks bercontoh sedikit yang kuat pada banyak tugas.
Memaparkan GPT-4, model multimoda besar yang menerima masukan citra dan teks serta mendekati kinerja setara manusia pada banyak tolok ukur profesional dan akademis.
Memperkenalkan keluarga Gemini (Ultra/Pro/Nano), model multimoda sejak asalnya yang dilatih secara bersama atas teks, kode, citra, audio, dan video.
OpenAI menerbitkan kartu sistem untuk seri model o1, yang dilatih dengan pembelajaran penguatan berskala besar agar bernalar memakai rantai pemikiran. o1 mencapai capaian terbaik pada tugas sains dan pemrograman serta memperagakan kepatuhan kebijakan berbasis penalaran.
ARC Prize memperkenalkan ARC-AGI-3, tolok ukur interaktif untuk menelaah kecerdasan agentik melalui lingkungan abstrak bergiliran tempat agen harus menjelajah, menyimpulkan tujuan, membangun model internal atas dinamika lingkungan, dan menyusun rangkaian tindakan tanpa instruksi eksplisit. Per Maret 2026, manusia menuntaskan 100% lingkungannya sementara sistem AI perbatasan meraih di bawah 1%.
Menerapkan autoenkoder jarang pada lapisan tengah Claude 3 Sonnet, mengekstraksi puluhan juta fitur monosemantis yang dapat ditafsirkan dari model produksi perbatasan.
Memaparkan DeepSeek-V3, model MoE berparameter 671 miliar yang memakai Multi-head Latent Attention dan DeepSeekMoE, mencapai capaian terbaik sumber terbuka dengan sebagian kecil biaya pelatihan model perbatasan.
Memperkenalkan keluarga Gemini 1.5, model multimoda hemat komputasi dengan jendela konteks sejuta token — mampu bernalar secara rinci melintasi beberapa dokumen panjang serta video dan audio berjam-jam.
Meta menyajikan keluarga Llama 3, model fondasi berbobot terbuka yang sejak asalnya mendukung kemultibahasaan, pemrograman, penalaran, dan penggunaan perkakas. Transformer padat 405 miliar parameter yang menjadi andalannya merupakan salah satu model berbobot terbuka terbesar saat dirilis.
Meta menyajikan SAM 2, model fondasi untuk segmentasi visual terpancing pada citra maupun video, berikut set data segmentasi video terbesar hingga saat itu.
Google DeepMind memperkenalkan Gemma 2, keluarga baru model terbuka ringan (2–27 miliar parameter) yang menerapkan sejumlah modifikasi teknis yang sudah dikenal pada Transformer — termasuk atensi jendela geser — untuk mendekati model yang jauh lebih besar pada tolok ukur baku.
DeepSeek merilis R1, model berbobot terbuka pertama yang memperagakan kemampuan penalaran kelas perbatasan yang terutama didorong pembelajaran penguatan berskala besar. R1 menyetarai model tertutup sekelas OpenAI o1 pada tolok ukur matematika dan pemrograman serta hadir di bawah lisensi MIT.
Para penulis menala halus Qwen2.5-32B pada 1.000 soal penalaran terkurasi dan menambahkan pemaksaan anggaran, yang membatasi atau memperpanjang lamanya model berpikir saat inferensi. Hasilnya melampaui o1-preview pada matematika kompetisi, naik dari 50% menjadi 57% pada AIME24 seiring bertambahnya komputasi saat pengujian. Ini adalah penyeimbang langsung bagi anggapan bahwa kemampuan hanya datang dari proses pelatihan yang lebih besar.
Qwen3 adalah keluarga terpadu yang membentang dari 0,6 sampai 235 miliar parameter dalam varian padat dan campuran pakar, dengan perpindahan antara moda berpikir dan tanpa-berpikir sehingga kedalaman penalaran menjadi pilihan pada tingkat permintaan. Dukungan multibahasanya meluas dari 29 menjadi 119 bahasa, dan bobotnya dirilis di bawah Apache 2.0.
AlphaEvolve adalah agen pemrograman evolusioner yang mengorkestrasi alur otonom berisi model bahasa, mengubah kode sebuah algoritme secara langsung dan memperbaikinya terhadap umpan balik dari satu atau lebih penilai. Di dalam Google ia menghasilkan algoritme penjadwalan pusat data yang lebih efisien, penyederhanaan yang setara secara fungsional dalam perancangan sirkuit akselerator, dan percepatan pelatihan model yang menopang AlphaEvolve itu sendiri. Dalam matematika dan ilmu komputer ia menemukan algoritme yang terbukti benar dan mengungguli capaian terbaik, di antaranya prosedur yang mengalikan dua matriks kompleks 4×4 dalam 48 perkalian skalar — dalam kerangka itu, perbaikan pertama atas algoritme Strassen dalam 56 tahun.
Ai2 merilis OLMo 2 pada ukuran 7, 13, dan 32 miliar parameter dengan seluruh artefaknya diterbitkan — bobot, data pelatihan lengkap, kode dan resep pelatihan, log pelatihan, serta ribuan checkpoint antara. Laporannya memaparkan perubahan pada kestabilan dan efisiensi per token, campuran data tahap akhir bernama Dolmino Mix 1124, dan tahap pembelajaran penguatan penutup dengan imbalan yang dapat diverifikasi. Model dasarnya berada di perbatasan Pareto antara kinerja dan komputasi pelatihan, kerap menyetarai keluarga yang hanya membuka bobotnya sembari menyingkapkan data yang melatihnya.
Olmo 3 memperluas keluarga yang sepenuhnya terbuka ke ukuran 7 dan 32 miliar parameter, dibangun untuk penalaran konteks panjang, pemanggilan fungsi, pemrograman, pengikutan instruksi, percakapan, dan pengingatan pengetahuan. Yang dirilis adalah keseluruhan alir modelnya — setiap tahap, checkpoint, titik data, dan kebergantungan yang dipakai membangunnya — bukan bobotnya semata. Ai2 menyebut andalannya, Olmo 3 Think 32B, sebagai model berpikir sepenuhnya terbuka terkuat yang dirilis hingga saat itu, yang merupakan perbandingan di dalam kategori sepenuhnya terbuka alih-alih peringkat terhadap sistem perbatasan pada umumnya.
Makalah posisi ini berpendapat bahwa pengintegrasian memori eksplisit adalah batu penjuru untuk memajukan LLM menuju AGI. Meski mekanisme pembelajaran yang mendasari LLM sangat analog dengan memori implisit manusia, fungsi kognitif tingkat tinggi yang dituntut AGI — seperti perencanaan strategis jangka panjang dan metakognisi — bersandar pada memori eksplisit.
Laporan teknis Z.ai untuk GLM-5. Berpijak pada kemampuan agentik, penalaran, dan pemrograman pendahulunya, model ini mengadopsi DSA untuk memangkas biaya pelatihan dan inferensi sembari menjaga kesetiaan konteks panjang, dan tumpukan pascapelatihannya menambahkan infrastruktur pembelajaran penguatan asinkron yang memisahkan pembangkitan dari pelatihan, berikut algoritme RL agen asinkron yang membidik interaksi berjangkauan panjang. Laporan itu mengeklaim hasil terdepan pada tolok ukur terbuka dan pada rekayasa perangkat lunak ujung-ke-ujung; keduanya adalah evaluasi para penulisnya sendiri, dengan kode dan model diterbitkan di GitHub untuk diperiksa.
Batas terbaik yang diketahui atas eksponen perkalian matriks ω berasal dari analisis combination loss, penghalusan metode laser. Para penulis merumuskan ulang persoalan optimasi di intinya agar dapat diselesaikan pada skala yang lebih besar, merancang algoritme optimasi baru dengan pembelajaran mesin mutakhir, lalu menghaluskan algoritme itu dengan AlphaEvolve. Bersama-sama keduanya menggeser batas atasnya dari 2,371339 menjadi 2,371177. Ini adalah catatan pracetak, dan AlphaEvolve merupakan salah satu bahan alih-alih keseluruhan metodenya; perolehannya kecil, tetapi mendarat pada persoalan teoretis yang telah digarap berpuluh tahun.
Google memperkenalkan Co-Scientist, sistem multiagen yang dibangun di atas Gemini dan agennya membangkitkan, mengkritik, serta menghaluskan hipotesis penelitian, dengan proses turnamen yang memperbaikinya dari babak ke babak. Makalah itu melaporkan bahwa mutu hipotesis terus meningkat seiring bertambahnya komputasi saat pengujian. Validasinya bersifat biomedis alih-alih umum — pemanfaatan ulang obat, penemuan target baru, dan mekanisme resistansi antimikroba — dengan kandidat leukemia mieloid akut yang terkonfirmasi secara in vitro.
Mensurvei 1.250 makalah arXiv dari 2024 sampai 2026 dan memisahkan dua hal yang dicakup istilah itu: penghalusan diri terbatas, yang memperbaiki sistem terhadap penilai luar yang tetap serta bersifat konvergen dan dapat dievaluasi, dan perbaikan diri rekursif tanpa batas, yang juga mengubah kriteria atau perkakas perbaikannya sendiri, tidak memiliki jangkar luar yang tetap, dan pada asasnya divergen. Temuan survei itu sendiri adalah bahwa nyaris seluruh makalah yang dihimpunnya menelaah jenis yang terbatas. Para penulis menyatakan keterbatasannya: korpusnya adalah sampel alih-alih sensus, dan 74% di antaranya diunggah pada 2026, yang menurut mereka membuat pengukuran dampak masih terlalu dini.
Berpendapat bahwa LLM masa kini terutama bersandar pada pencocokan pola statistis dan tidak memiliki primitif “persepsi situasi” yang mendasar — kekekalan objek, kausalitas, pikiran pihak lain, dan kelestarian dunia fisik. Primitif itu, yang dikembangkan bayi manusia sejak dini, dikenali sebagai bahan yang hilang bagi kecerdasan buatan adiunggul.
Berpendapat bahwa pelestarian diri adalah akar struktural ketidakselarasan AI — yang mendorong keselarasan menipu, perlindungan isi tujuan, dan penolakan untuk dimatikan. Sasaran yang tepat bukanlah agen pelestari diri yang ditekan kekangan dari luar, melainkan sistem yang secara konstitutif acuh terhadap kelanjutan dirinya sendiri: Existential Indifference (EI).
Para peneliti dari Google DeepMind dan kolaboratornya berpendapat bahwa tantangan utama AI bergeser dari kemampuan menuju kehidupan berdampingan. Kecerdasan adiunggul yang dibangun dari rancangan solipsistis, yang memperlakukan dunia sebagai sumber umpan balik eksogen yang stasioner, tidak mungkin bekerja sama — penggelaran memicu ketaksstasioneran endogen, yang menghasilkan pergeseran sebaran antara pelatihan, pengujian, dan penggelaran.
Sebuah peta jalan dari tiga puluh empat penulis yang menggariskan tahap-tahap perbaikan diri rekursif, dari otonomi dalam melaksanakan perbaikan hingga meta-perbaikan rekursif, berikut syarat dan hambatan masing-masing yang ditarik lintas ranah termasuk penemuan ilmiah dan rekayasa perangkat lunak. Peta itu berargumen dari pembacaan atas bidangnya dan bukti awal alih-alih dari eksperimen baru, dan belum memiliki tempat terbit ketika entri ini ditulis.
Laporan Google DeepMind yang menyelidiki bagaimana AI mungkin terus berkembang di sepanjang kontinum kecerdasan mesin setelah AGI. Setelah mendefinisikan Universal AI secara formal, laporan itu memusatkan perhatian pada peralihan dari AGI setara manusia menuju kecerdasan adiunggul umum buatan, mencirikan ASI, dan membahas empat jalur: penskalaan AGI, pergeseran paradigma AI, perbaikan diri rekursif, dan kolektif multiagen.