Группа из более чем 21 исследователя из Google DeepMind, Гарварда и других организаций представила научную работу Visual General Intelligence: A White Paper. Документ, опубликованный на платформе arXiv под номером 2608.25924, предлагает сместить фокус разработки общего искусственного интеллекта с текстовых моделей на визуальные данные.
Авторы утверждают, что системы ИИ должны обучаться на изображениях, видео и геометрических данных для взаимодействия с физическим миром. Исследователи полагают, что генеративные видеомодели и методы самообучения могут стать основой для AGI, которую невозможно создать только на базе текстовых данных.
Работа стала результатом дискуссий на семинаре CVPR 2026 Visual General Intelligence Workshop. Среди авторов — Роберт Гейрхос из Google DeepMind и Илунь Ду из Гарварда. Документ не представляет конкретную модель, а задает вектор исследований и предлагает принципы построения систем на основе визуального опыта.
Этот материал дополняет серию публикаций DeepMind, посвященных развитию ИИ, включая Levels of AGI 2024 года и From AGI to ASI, выпущенную в июне 2026 года. Авторы рассматривают зрение и язык как дополняющие друг друга каналы получения информации, подчеркивая необходимость расширения текущих подходов для достижения целей AGI.
