AGI (Artificial General Intelligence) er en betegnelse for en mulig form for kunstig intelligens, der kan løse mange typer kognitive opgaver på eller over menneskeligt niveau uden at være bygget til én snæver opgave. Begrebet er ikke en standardiseret produktkategori, og der findes ikke én fælles test for AGI.
AGI er kunstig generel intelligens: et muligt AI-system, der kan løse mange typer kognitive opgaver på tværs af domæner uden at være bygget til én snæver funktion. Begrebet kræver klare definitioner, brede tests, sikker styring og skelnen mellem AGI, sprogmodeller, AI-agenter og general-purpose AI.
Hvad betyder AGI i praksis?
AGI betyder kunstig generel intelligens. Ordet bruges om AI-systemer, der ikke kun kan løse én bestemt opgave, men kan overføre viden, strategier og problemløsning mellem mange forskellige domæner. Det er forskellen mellem et system, der er godt til billedklassifikation, og et system, der kan forstå, planlægge, lære og handle på tværs af tekst, billeder, kode, data, sanseindtryk og praktiske mål.
I praksis er AGI derfor mere et mål for bred kapacitet end en navngiven teknologi. En model kan være stærk til programmering, sprog, matematik eller billedanalyse uden at være AGI. Den kan også virke generel i en chatgrænseflade, men stadig være afhængig af træningsdata, værktøjer, instruktioner og menneskelig kontrol.
En nyttig definition bør svare på tre spørgsmål: Hvor mange typer opgaver kan systemet håndtere? Hvor godt klarer det sig sammenlignet med mennesker? Hvor selvstændigt kan det vælge, udføre og kontrollere handlinger? Uden de tre dimensioner bliver AGI let et upræcist ord for “meget avanceret AI”.
Hvordan adskiller AGI sig fra almindelig kunstig intelligens?
Almindelig eller smal AI er bygget til et afgrænset formål. Det kan være at genkende ansigter, anbefale produkter, oversætte tekst, forudsige efterspørgsel eller besvare spørgsmål i et bestemt system. Den slags AI kan være meget effektiv, men kompetencen er bundet til den opgave, de data og de rammer, systemet er udviklet til.
AGI beskriver derimod et system, der kan generalisere bredt. Det skal ikke kun løse en kendt opgave hurtigere end et menneske. Det skal kunne møde nye opgaver, forstå sammenhængen, vælge en strategi, lære af feedback og anvende tidligere viden i en ny situation. Det er en højere og mere vanskelig standard end at være bedst på et enkelt benchmark.
Hvis du sammenligner med kunstigt intelligente systemer i dag, ligger forskellen især i bredde og robusthed. Moderne AI kan være stærk på mange enkeltområder, men den kan også fejle på enkle problemer, hvis konteksten ændres, data mangler, eller opgaven kræver stabil dømmekraft over længere tid.
Hvorfor findes der ikke én fast AGI-definition?
Der findes flere definitioner, fordi “generel intelligens” kan forstås på forskellige måder. Nogle lægger vægt på økonomisk nyttigt arbejde. Andre lægger vægt på menneskelignende kognition, læring, selvstændighed, vidensoverførsel eller evnen til at håndtere nye situationer. Definitionen afhænger derfor af, om man taler forskning, sikkerhed, produktudvikling, regulering eller filosofi.
Et problem er, at menneskelig intelligens heller ikke er én enkel størrelse. Mennesker kan planlægge, opfatte, lære, huske, bruge sprog, løse sociale problemer, skifte strategi og forstå deres egne begrænsninger. Et AI-system kan være stærkt på nogle af disse evner og svagt på andre. Derfor kan en enkelt samlet score skjule vigtige forskelle.
Et andet problem er, at AI-systemer kan få adgang til værktøjer. Hvis en model bruger søgning, kodeafvikling, databaser, billedanalyse og eksterne programmer, bliver spørgsmålet, om man måler modellen alene eller hele systemet omkring den. For praktisk brug er systemet ofte det relevante, men for forskning er det afgørende at vide, hvad der faktisk måles.
Hvilke evner skal et AGI-system kunne vise?
Et troværdigt AGI-begreb kræver mere end flydende tekstsvar. Systemet skal kunne håndtere flere typer opgaver, bevare mål over tid, rette fejl, bruge viden i nye situationer og afveje usikkerhed. Det skal også kunne arbejde med både kendte og ukendte problemer uden at skulle bygges om til hver enkelt opgave.
Forskning i AGI-måling peger blandt andet på kognitive områder som perception, sprogproduktion, opmærksomhed, læring, hukommelse, ræsonnement, metakognition, eksekutive funktioner, problemløsning og social forståelse. Pointen er ikke, at et AI-system skal efterligne en menneskehjerne. Pointen er, at det skal kunne vise bred funktionel kompetence på opgaver, som tilsammen dækker mere end én specialiseret færdighed.
| Evne | Hvad den betyder | Hvorfor den er svær at teste |
|---|---|---|
| Generalisering | Systemet kan bruge viden på nye opgaver og domæner | Testdata kan ligne træningsdata mere end forventet |
| Læring | Systemet kan forbedre sig ud fra erfaring eller feedback | Kortvarig tilpasning er ikke det samme som varig læring |
| Planlægning | Systemet kan dele et mål op i trin og justere planen | Langvarige opgaver giver flere muligheder for skjulte fejl |
| Metakognition | Systemet kan vurdere egen usikkerhed og egne begrænsninger | Sproglige forbehold kan lyde rigtige uden at være kalibrerede |
| Robusthed | Systemet fungerer på tværs af miljøer, data og brugeradfærd | Virkelige miljøer ændrer sig hurtigere end laboratorietests |
Hvordan kan man måle fremskridt mod AGI?
Fremskridt mod AGI bør måles med flere typer evalueringer. En enkelt eksamen, kodetest eller samtaleprøve kan vise noget om et systems styrker, men den kan ikke alene vise generel intelligens. En mere robust vurdering kræver opgaver, der er målrettet forskellige evner, holdt uden for træningsdata, sammenlignet med menneskelige baselines og kontrolleret af uafhængige parter.
En praktisk tilgang er at opbygge en profil over systemets evner. I stedet for at spørge “er dette AGI eller ikke AGI?” spørger man, hvor systemet ligger i forhold til mennesker på mange delområder. Det kan vise, at et system er meget stærkt i kode og informationssøgning, men svagere i vedvarende læring, social kontekst eller kontrol af egne fejl.
Det gør AGI til et gradsspørgsmål. Nogle forskere foreslår niveauer for både bredde og ydeevne, så man kan skelne mellem systemer, der kun er generelle i begrænset forstand, og systemer, der nærmer sig menneskelig eller overmenneskelig evne på tværs af mange områder. Det er mere præcist end at behandle AGI som en enkelt dato eller lancering.
Hvad kan moderne sprogmodeller allerede gøre?
Moderne sprogmodeller kan skrive, oversætte, opsummere, kode, analysere dokumenter, forklare begreber og kombinere oplysninger på tværs af emner. Multimodale modeller kan også arbejde med billeder, lyd, video eller andre datatyper. Mange af disse systemer virker generelle, fordi samme model kan bruges til mange opgaver gennem naturligt sprog.
Det gør dem relevante for AGI-diskussionen, men ikke til AGI i sig selv. En sprogmodel kan give korrekte svar i ét øjeblik og lave en simpel fejl i det næste. Den kan mangle varig læring fra erfaring, have begrænset forståelse af konsekvenser, overse skjulte antagelser eller give et overbevisende svar uden tilstrækkeligt grundlag.
Teknisk bygger mange af de stærkeste systemer på transformerarkitekturer eller beslægtede modeltyper. Hvis du vil forstå forskellen mellem modelarkitektur og generel intelligens, er en transformer-model i AI et godt eksempel: arkitekturen kan bære meget kraftige systemer, men arkitekturen alene afgør ikke, om et system er generelt intelligent.
Hvor går grænsen mellem AGI og general-purpose AI?
General-purpose AI er et mere praktisk og regulatorisk begreb end AGI. Det bruges om modeller, der kan integreres i mange downstream-systemer og udføre en bred vifte af forskellige opgaver. EU AI Act bruger denne type begreb, fordi regulering skal beskrive konkrete aktører, forpligtelser og risici på markedet.
AGI er bredere og mere ambitiøst. Et general-purpose AI-system kan være nyttigt på mange opgaver uden at matche menneskelig fleksibilitet, læring og dømmekraft på tværs af kognitive domæner. Omvendt ville et eventuelt AGI-system næsten sikkert være general-purpose, men alle general-purpose modeller er ikke AGI.
Skellet er relevant, når du læser leverandørpåstande. En model kan beskrives som generel, multimodal eller agentisk, fordi den kan bruges i mange arbejdsgange. Det siger ikke i sig selv, at den kan lære som et menneske, forstå konsekvenser stabilt eller klare alle nye opgaver uden særlige rammer. Regulering af EU AI Act handler derfor om dokumenterbare systemkategorier, ikke om at certificere AGI.
Hvilken rolle spiller autonomi?
Autonomi handler om, hvor meget et system selv kan vælge og udføre handlinger. Et AI-system kan være meget dygtigt, men stadig kun svare, når et menneske spørger. Et andet system kan bruge værktøjer, planlægge deltrin, overvåge resultater og fortsætte, indtil et mål er nået. Det sidste ligner mere agentisk adfærd.
Autonomi er ikke det samme som intelligens. Et system kan have høj adgang til handlinger og stadig træffe dårlige valg. Omvendt kan et stærkt ræsonnerende system være bevidst begrænset af sikkerhedsregler, godkendelseskrav og manglende adgang til eksterne værktøjer. Derfor bør AGI-vurderinger skelne mellem, hvad systemet kan regne ud, og hvad det må gøre i praksis.
Her møder AGI-diskussionen udviklingen af AI-agenter. En agent kan give en model værktøjer, hukommelse, delmål og adgang til systemer. Det kan gøre den mere nyttig, men også mere risikabel, hvis fejl får lov til at fortsætte gennem mange trin uden kontrol.
Hvilke risici følger med mere generelle AI-systemer?
Jo mere generelt et AI-system er, desto flere sammenhænge kan det bruges i. Det øger nytten, men også usikkerheden. Et snævert system kan testes mod en kendt opgave. Et bredt system kan bruges på måder, udvikleren ikke har forudset. Det kan skabe nye risici for sikkerhed, databeskyttelse, bias, afhængighed, fejlbeslutninger og misbrug.
En særlig udfordring er måling. Hvis et system virker stærkt i test, kan brugere antage, at det også virker sikkert i nye miljøer. NIST beskriver AI-risiko som kontekstafhængig og peger på, at målinger kan ændre sig gennem livscyklussen. Det passer godt til AGI-diskussionen: et generelt system skal vurderes i de konkrete opgaver, miljøer og adgangsniveauer, hvor det faktisk bruges.
Risici bliver større, når systemet får mulighed for at handle. Fejl i en tekst kan rettes, før den sendes. Fejl i en agent, der opdaterer data, sender beskeder eller starter processer, kan få direkte konsekvenser. Derfor bør mere generelle systemer have tydelige grænser, logning, trinvis udrulning og menneskelig godkendelse ved handlinger med høj konsekvens.
Hvordan bør organisationer vurdere AGI-påstande?
En organisation bør vurdere AGI-påstande som konkrete tekniske og operationelle påstande, ikke som branding. Spørg først, hvilken definition der bruges. Spørg derefter, hvilke opgaver systemet er testet på, hvilke menneskelige baselines der er brugt, om testene var private eller offentlige, og om resultaterne er uafhængigt kontrolleret.
- Hvilke opgavetyper dækker testen, og hvilke dækker den ikke?
- Er systemet målt som model alene eller som fuldt system med værktøjer?
- Kan systemet lære varigt af nye erfaringer, eller tilpasser det kun den aktuelle samtale?
- Hvor ofte fejler det på lange opgaver med mange deltrin?
- Hvilke handlinger kræver menneskelig godkendelse?
- Hvordan dokumenteres datagrundlag, logning, sikkerhed og ansvar?
Den samme disciplin bør bruges, når en løsning ikke kaldes AGI. En model med brede evner kan påvirke mange arbejdsgange uden at være AGI. Derfor er AI-governance relevant allerede ved nutidige systemer, især når de bruges til beslutningsstøtte, intern automatisering eller adgang til følsomme data.
Hvad betyder AGI for Danmark og EU?
For organisationer i Danmark er AGI først og fremmest et strategisk begreb. Det peger på, at AI-systemer bliver bredere, mere integrerede og sværere at vurdere med én simpel test. Det betyder ikke, at man skal vente på AGI, før man arbejder med datakvalitet, sikkerhed, medarbejderkompetencer og ansvar.
EU’s regulatoriske fokus ligger på AI-systemer, high-risk AI, general-purpose AI-modeller og systemisk risiko. Den tilgang er mere anvendelig i dag, fordi den handler om konkrete systemer på markedet og deres brug. Hvis en organisation bruger brede AI-modeller i dokumentanalyse, kundeservice, kode, økonomi eller HR, skal den vurdere formål, datatyper, brugerroller og konsekvens, uanset om systemet omtales som AGI.
Det praktiske spørgsmål er derfor ikke kun, hvornår AGI kommer. Det er, om organisationen kan forstå og styre systemer, der bliver mere generelle år for år. En god begyndelse er at skelne mellem faste workflows, smal AI, generative modeller, agentiske systemer og general-purpose modeller, før man giver dem adgang til data og handlinger.
Hvilke misforståelser bør undgås?
Den første misforståelse er, at AGI blot betyder en chatbot, der kan tale om mange emner. Flydende sprog er ikke nok. Et AGI-system skal kunne vise stabil problemløsning, læring, generalisering og handling på tværs af mange forskellige situationer.
Den anden misforståelse er, at AGI enten findes fuldt ud eller slet ikke findes. I praksis kan systemer bevæge sig gradvist mod mere generelle evner. Det gør mellemkategorier vigtige: stærke sprogmodeller, multimodale modeller, AI-agenter og general-purpose modeller kan alle have høj praktisk betydning uden at opfylde en streng AGI-definition.
Den tredje misforståelse er, at et højt benchmarkresultat alene beviser AGI. Et benchmark kan være nyttigt, men det kan også være for snævert, for offentligt kendt eller for lidt repræsentativt for virkelige opgaver. Et stærkt AGI-argument kræver bred evaluering, klare baselines, usikkerhedsvurdering og praktisk test i de miljøer, hvor systemet skal bruges.
Den fjerde misforståelse er, at mere autonomi altid er bedre. I mange arbejdsgange er den bedste løsning et kontrolleret workflow, et snævert værktøj eller en model, der foreslår handlinger uden selv at udføre dem. Autonomi giver først værdi, når opgaven, adgangen og konsekvensen er tydeligt afgrænset.
Hvilke kilder ligger til grund?
Definitionen og usikkerheden omkring AGI bygger blandt andet på OpenAI Charter, forskningsrammen Levels of AGI for Operationalizing Progress on the Path to AGI og den nyere måleramme Measuring Progress Toward AGI. Skellet mellem AGI og general-purpose AI er kontrolleret mod EU AI Act, mens afsnittene om risikostyring bygger på NIST AI Risk Management Framework 1.0.