# Jensen Huang: AGI jest już tutaj, ale bez szans na NVIDIA
Jensen Huang w podcaście Lexa Fridmana (#494) stwierdził wprost: AGI osiągnięte. "I think it's now. I think we've achieved AGI". Jednak sprecyzował, że obecne systemy nie poradzą sobie z zarządzaniem korporacją na poziomie NVIDIA. Lex Fridman zdefiniował AGI jako zdolność AI do autonomicznego uruchomienia i wyrośnięcia firmy wartej ponad 1 mld dolarów. Huang zgodził się, ale podkreślił różnicę między krótkoterminowym sukcesem a zrównoważonym rozwojem.
Przykład: modele jak Claude potrafią stworzyć viralowy serwis webowy, przyciągnąć publiczność i szybko zmonetyzować na miliard dolarów. Ale taki projekt jest skazany na upadek bez długoterminowego zarządzania łańcuchami dostaw, zespołami i strategiami w niepewności.
Systemy agentowe jako podstawa postępu
Huang podkreślił rozwój frameworków agentowych, takich jak OpenClaw. Współczesne agenty:
- Planują wieloetapowe zadania;
- Integrują narzędzia;
- Uruchamiają subagenty;
- Wykonują złożone łańcuchy działań.
Kluczowa zmiana — etap inference. On generuje główny ładunek obliczeniowy: agenty rozumują, wchodzą w interakcje i produkują dane do dalszego uczenia. To zamyka cykl: inference → nowe dane → ulepszanie modeli.
Prawdopodobieństwo scenariusza z 100 000 skoordynizowanych agentów AI zarządzających firmą jak NVIDIA, Huang ocenił na 0%. Bariery techniczne łączą się z organizacyjnymi: strategiczne planowanie i zarządzanie w niepewności pozostają domeną ludzi.
Przekdefiniowanie AGI w branży
Oświadczenie Huanga sygnalizuje zmianę paradygmatu. Inteligencja jako narzędzie rozwiązywania problemów jest już masowa, ale jako zdolność do zrównoważonego wzrostu korporacyjnego — nie. To kontrastuje z ocenami Andrew Nga (Google Brain): do AGI w klasycznym sensie — dekady. Nie ma powszechnie przyjętej definicji AGI, co pozwala na przemyślenie postępu.
Huang podkreśla: NVIDIA korzysta z boomu AI dzięki obciążeniu inference. Skalowalne obliczenia dla agentów — główny motor popytu na GPU.
Co ważne
- AGI według Huanga — to obecne systemy zdolne do krótkoterminowych projektów biznesowych, ale nie do zarządzania korporacjami;
- Inference dominuje nad uczeniem w kosztach obliczeniowych z powodu łańcuchów agentowych;
- OpenClaw i podobne frameworki demonstrują planowanie i hierarchiczne agenty;
- Koordynacja tysięcy agentów dla złożonych systemów — nieosiągalna na obecnym poziomie;
- Brak konsensusu co do definicji AGI stymuluje nowe interpretacje.
Techniczne implikacje dla deweloperów
Dla middle/senior specjalistów oznacza to fokus na optymalizacji inference. Systemy agentowe wymagają:
- Efektywnego tool-using (integracja API, zewnętrzne serwisy);
- Hierarchicznego planowania (subagenty dla podzadań);
- Skalowalnego przechowywania danych z inference dla RAG i fine-tuning;
- Monitoringu łańcuchów rozumowania (reasoning traces).
Przy implementacji sprawdzajcie odporność: pojedyncze agenty radzą sobie z prototypami, ale skalowanie do 100+ wymaga human-in-the-loop. Testujcie na realnych scenariuszach biznesowych — od serwisów webowych po symulacje łańcuchów dostaw.
— Editorial Team
Brak komentarzy.