Понятие искусственного интеллекта общего назначения (Artificial General Intelligence, AGI) обычно определяют как системы, способные решать широкий класс интеллектуальных задач на уровне компетентного человека и переносить навыки между предметными областями без целевого переобучения. От «узкого» ИИ AGI отличается универсальностью, от гипотетического сверхинтеллекта (ASI) — отсутствием систематического превосходства над человеком. На практике строгого, операционализируемого и общепринятого критерия достижения AGI не существует, что делает любые заявления о его «достижении» предметом методологической осторожности.

Период с 2024 по первую половину 2026 года стал переломным: центр тяжести разработки окончательно сместился от академических коллективов к индустрии, а решающими факторами конкуренции наряду с архитектурой модели стали капитал, доступ к вычислительным ресурсам и качество внутренних систем оценки.

Ключевой тезис: к середине 2026 года гонка перешла в фазу «многополярного паритета» — разрывы между флагманами на стандартных знаниевых бенчмарках сжались до нескольких процентных пунктов, тогда как возможности систем растут быстрее, чем развивается инструментарий их измерения и управления ими.

Методологическую основу настоящего обзора составляет структурированный анализ первичных и авторитетных вторичных источников. При оценке характеристик моделей, результатов бенчмарков, системных особенностей, регуляторных изменений и официальных корпоративных заявлений приоритет отдавался первичным источникам, включая системные карты разработчиков, технические отчёты, рецензируемые научные публикации, нормативные документы и официальные раскрытия информации. Авторитетные вторичные источники, в том числе крупные финансовые и новостные издания, использовались в тех случаях, когда первичная документация отсутствовала либо когда для установления стоимости сделок, оценки компаний, событий финансирования и иных рыночных событий требовалось независимое подтверждение.

В ходе анализа результаты, заявленные самими разработчиками, последовательно отделялись от независимо верифицированных результатов. Результаты бенчмарков рассматривались как независимо подтверждённые только в тех случаях, когда можно было установить методику оценки, версию модели и источник результата. При неполноте доказательств или существенных противоречиях между источниками соответствующие утверждения формулировались с необходимыми оговорками, а не рассматривались как установленный факт.

Существенные расхождения между результатами, заявленными разработчиками, и независимо воспроизведёнными результатами анализировались индивидуально с учётом версии модели, методики оценки, конфигурации бенчмарка, процедуры выборки и даты проведения оценки. Результат, заявленный разработчиком, не считался независимо подтверждённым только на основании численной близости показателей.

К началу 2026 года фронтир делят три компании — OpenAI, Google DeepMind и Anthropic, — за которыми с разной дистанцией следуют Meta, xAI и Microsoft.

OpenAI. Флагман — GPT-5.5 (по сообщениям, внутреннее кодовое имя «Spud»), выпущенный 23 апреля 2026 года; это первая полностью переобученная базовая модель со времён GPT-4.5, нативно мультимодальная, с контекстом до 1 млн токенов в API. Оценка компании достигла $852 млрд после раунда на $122 млрд (31 марта 2026) [3, 4].

Google DeepMind. Флагман — Gemini 3.1 Pro (19 февраля 2026). Gemini 3 Pro на момент выпуска возглавил LMArena (1501 Elo) и показал 91,9% на GPQA Diamond; Gemini 3.1 Pro более чем вдвое улучшил результат на ARC-AGI-2 (77,1%) [5].

Anthropic. Флагман — Claude Opus 4.8. Opus 4.5 стал первой моделью, преодолевшей 80% на SWE-bench Verified. По оценке в $965 млрд после раунда Series H на $65 млрд (28 мая 2026) Anthropic впервые превзошёл OpenAI [6–10].

Meta, xAI, Microsoft. Meta выпустила первую проприетарную фронтир-модель Muse Spark (8 апреля 2026). xAI объединилась со SpaceX с целевой оценкой IPO $1,75–2 трлн. Microsoft действует преимущественно через партнёрство с OpenAI с сообщаемой выручкой от ИИ порядка $13 млрд.

Совокупность данных позволяет сформулировать несколько обобщений. Во-первых, лидерство индустрии над академией закрепилось окончательно. Во-вторых, наблюдается парадокс: при быстром росте возможностей сохраняется устойчивый провал в долгогоризонтных агентных задачах и снижается прозрачность. В-третьих, регуляторный фактор (AI Act, дело Grok) становится самостоятельной переменной.

Выводы о приближении к AGI целесообразно делать стадийно. Триггером для пересмотра следует считать устойчивое преодоление порогов — условно, свыше 50% по метрике pass^k на τ2-bench и свыше 30% на ARC-AGI-2 — несколькими независимо проверенными системами. Маркетинговые заявления о конкретной «вероятности AGI» следует исключать из доказательной базы.

К середине 2026 года гонка за AGI представляет собой многополярный паритет небольшой группы лидеров (OpenAI, Google DeepMind, Anthropic) при быстром сокращении отставания открытых китайских моделей и нарастающем влиянии капитала, инфраструктуры и регулирования.

Главным методологическим выводом является необходимость строгого разграничения заявленных и независимо проверенных результатов и осторожной, стадийной интерпретации любых утверждений о достижении AGI. Дальнейшие исследования целесообразно сосредоточить на надёжности агентных систем, валидности бенчмарков и восстановлении прозрачности фронтира.