الملاحة في الطريق إلى الذكاء الاصطناعي العام (AGI) معًا: نهج متوازن

مع تقدم الذكاء الاصطناعي العام (AGI) بسرعة، تتغير المناقشة من المناقشة الفلسفية إلى مناقشة ذات صلة عملية، مع فرصة هائلة لتحويل الأعمال التجارية العالمية والقدرات البشرية.

تجمع سلسلة أحداث Turing’s AGI Icons معاً مبتكري الذكاء الاصطناعي لمناقشة التقدّمات العملية والمسؤولة لحلول AGI. في 24 يوليو، استضاف تيرينغ حدث AGI Icons الثاني في SHACK15، وهو مركز حصرية لرواد الأعمال والمبتكرين التكنولوجيين في سان فرانسيسكو. تحت إدارة أنيتا راماسوامي، كاتبة العمود المالي في The Information، جلست مع آدم د’انجيلو، الرئيس التنفيذي لشركة Quora، لمناقشة الطريق إلى AGI ومشاركة رؤى حول جداول التطوير والتطبيقات في العالم الحقيقي ومبادئ النشر المسؤول.

الطريق من الذكاء الاصطناعي إلى AGI

النجم الشمالي الذي يدفع أبحاث الذكاء الاصطناعي هو سعي الذكاء البشري. ما يفصل AGI عن الذكاء الاصطناعي القياسي هو تقدمه بعد الوظائف الضيقة نحو عمومية أكبر (عرض) وأداء (عمق)، حتى يتجاوز القدرات البشرية.

هذا هو “الطريق إلى AGI”، حيث يتقدم الذكاء الاصطناعي إلى أنظمة أكثر استقلالية وreasoning متفوقة وسمات محسنة ووظائف محسنة. يتم تقسيم هذه التقدّمات إلى خمسة مستويات تصنيفية:

• المستوى 0: لا يوجد ذكاء اصطناعي – أدوات بسيطة مثل الحاسبات
• المستوى 1: AGI الناشئ – LLMs الحالية مثل ChatGPT
• المستوى 2: AGI الكفء – أنظمة الذكاء الاصطناعي التي تتوافق مع البالغين المهرة في مهام محددة
• المستوى 3: AGI الخبير – أنظمة الذكاء الاصطناعي في 百分ة 90 من البالغين المهرة
• المستوى 4: AGI الفيرتووزو – أنظمة الذكاء الاصطناعي في 百分ة 99
• المستوى 5: AGI الخارق – أنظمة الذكاء الاصطناعي التي تتفوق على جميع البشر

المصدر

خلال مناقشتنا، عرف آدم مفهوم AGI على أنه “برمجيات يمكنها القيام بكل ما يمكن للبشر القيام به”. يتخيل مستقبلاً حيث يحسن الذكاء الاصطناعي نفسه، وفي النهاية يassume مهام بشرية معقدة يديرها باحثو التعلم الآلي.

متخذًا خطوة إلى الأمام، قارنت وجهات نظري حول AGI ب “دماغ اصطناعي” قادر على مهام متنوعة مثل “ترجمة الآلة، استفسارات معقدة، وبرمجة”. هذا هو الفرق بين AGI والذكاء الاصطناعي التنبؤي والأشكال الضيقة من التعلم الآلي التي جاءت قبلها. يبدو وكأنه سلوك متأثر.

جداول التطوير الواقعية على الطريق إلى AGI

مثل السؤال الذي يطرح في رحلة على الطريق، السؤال الأهم حول AGI هو “هل وصلنا بعد؟” الجواب القصير هو لا، ولكن مع تسارع أبحاث الذكاء الاصطناعي، السؤال الصحيح هو “كيف يمكننا توازن طموح AGI مع التوقعات الواقعية؟”

شدد آدم على أن التأتمتات المتزايدة من AGI سوف تتحول الأدوار البشرية بدلاً من القضاء عليها، مما يؤدي إلى نمو اقتصادي أسرع وانتاجية أكثر كفاءة. “كلما أصبحت هذه التكنولوجيا أكثر قوة، سوف نصل إلى نقطة حيث يتم تلقين 90% مما يفعله الناس اليوم، ولكن الجميع سوف يكونون قد تحولوا إلى أشياء أخرى”.

في الوقت الحالي، يتم تقييد جزء كبير من اقتصاد العالم بعدد الأشخاص المتاحين للعمل. بمجرد تحقيق AGI، يمكننا نمو الاقتصاد بمعدل أسرع مما هو ممكن اليوم.

لا يمكننا تقديم جدول زمني محدد لتحقيق AGI الحقيقي، ولكن آدم وأنا أشرنا إلى عدة أمثلة على تقدم الذكاء الاصطناعي الذي يفتح الطريق لتقدم AGI. على سبيل المثال، أظهرت تجارب تيرينغ مع أدوات مطور الذكاء الاصطناعي زيادة بنسبة 33% في إنتاجية المطورين، مما يشير إلى إمكانات أكبر.

التطبيقات والتأثيرات في العالم الحقيقي

تعد واحدة من التطبيقات الواعدة ل AGI في مجال تطوير البرمجيات. يتم استخدام نماذج اللغة الكبيرة (LLMs) ، وهي سابقة ل AGI ، بالفعل لتحسين تطوير البرمجيات ورفع جودة الكود. أرى أن هذه الحقبة من الذكاء الاصطناعي أقرب إلى الأحياء منها إلى الفيزياء، حيث سوف تتحسن جميع أنواع العمل المعرفي. سوف يكون هناك الكثير من الإنتاجية المفتوحة من أجل البشرية.

تأتي وجهة نظري من الخبرة، حيث شهدت زيادة في الإنتاجية الشخصية بنسبة 10 مرات عند استخدام LLMs وأدوات مطور الذكاء الاصطناعي. كما أننا نستخدم الذكاء الاصطناعي في تيرينغ لتقييم المواهب الفنية وربط المطورين والمختصين في مجال البرمجيات بالوظائف المناسبة.

ما أراه في مجال تدريب LLMs ، على سبيل المثال، هو أن المدربين يستخدمون هذه النماذج لتحسين إنتاجية المطورين وتسريع جداول المشاريع. من خلال تلقين المهام البرمجية الروتينية وتقديم مقترحات الكود الذكية، تتيح LLMs للمطورين التركيز على الجوانب الاستراتيجية والإبداعية لأعمالهم.

أغلق آدم بقوله، “LLMs لن تكتب كل الكود، ولكن من المهم فهم أساسيات البرمجيات. لم تلغ الحاسبات الحاجة إلى تعلم الحساب”. وأضاف، “يصبح المطورون أكثر قيمة عند استخدام هذه النماذج. وجود LLMs هو إيجابي للوظائف المطورة وسوف يكون هناك الكثير من المكاسب للمطورين”.

ندخل عصرًا ذهبيًا من تطوير البرمجيات حيث يمكن لمطور برمجيات واحد أن يكون 10 مرات أكثر إنتاجية، وأن يخلق المزيد، وأن يفيد العالم.

التحديات الفنية والإدارية

على الرغم من الإمكانات الواعدة ل AGI ، يجب معالجة التحديات. تكون عمليات التقييم القوية والإطارات التنظيمية ضرورية لتوازن بين ابتكارات AGI وأمان الجمهور.

شدد آدم على الحاجة إلى عمليات اختبار شاملة وتجربة في بيئة محمولة لتحديد السيناريوهات الأسوأ. “تريد أن يكون لديك بعض العمليات التقييمية القوية… وتحصل على التوزيع الذي يتم اختباره عليه لتكون أقرب إلى استخدام العالم الحقيقي كما هو ممكن”.

وأنا أ同意. انسداد تقدم AGI الآن هو الذكاء البشري، وليس القوة الحاسوبية أو البيانات. الخبرة البشرية ضرورية لتعدين وتخصيص نماذج الذكاء الاصطناعي، وهذا هو السبب في أن تيرينغ تركز على استخراج وربط أفضل المحترفين التكنولوجيين لتوزان النماذج مع الذكاء البشري.

يجب أن نعالج تحديات AGI بشكل مباشر من خلال التركيز على القدرات أكثر من العمليات، والعمومية والأداء، والإمكانات.

منظورات على التحديات: تحسين التفاعلات بين البشر و AGI

تعد بعض أفضل الممارسات لمعالجة تحديات AGI ما يلي:

• التركيز على القدرات أو “ما يمكن ل AGI القيام به” بدلاً من العمليات أو “كيف يفعله”.
• توازن العمومية والأداء كمكونات أساسية من AGI.
• التركيز على المهام المعرفية / المعرفية والقدرات التعلمية أكثر من المهام المادية / الإخراج.
• قياس AGI من خلال إمكاناته وقدراته.
• التركيز على الصحة البيئية من خلال محاذاة المعايير مع المهام الحقيقية التي يقدّرها الناس.
• تذكر أن طريق AGI ليس نقطة نهاية واحدة، بل عملية تكرارية.

إضافة إلى هذه الممارسات الجيدة، شدد آدم وأنا على أهمية تحسين التفاعلات بين البشر و AGI. شدد آدم على قيمة تعلم كيفية استخدام هذه النماذج، وتصورها كأدوات تعلم قوية يمكنها تعليم أي مجال فرعي من البرمجة بسرعة، مع التأكيد على أهمية فهم الأساسيات.

في نفس السياق، أقترح أن جعل كل إنسان مستخدمًا قويًا ل LLMs يمكن أن يعزز بشكل كبير الإنتاجية والفهم عبر مختلف المجالات. يمكن ل LLMs جعل المعلومات المعقدة متاحة للجميع، ورفع الإنتاجية عبر مختلف المجالات. ولكنها تتطلب نهجًا متدرجًا وتكراريًا: بدءًا من مساعدات الذكاء الاصطناعي التي تساعد البشر، ثم الانتقال إلى وكلاء مع إشراف بشري، وأخيرًا تحقيق وكلاء مستقلين تمامًا في مهام مدروسة جيدًا.

بذلك، التمييز بعد التدريب هو أمر حرج، يتضمن تعدين خاضع للإشراف (SFT) واستخدام الذكاء البشري لإنشاء نماذج مخصصة. الشركات التي يمكنها استخراج وربط المدربين والمهندسين وغيرهم سوف تسرع من قدراتهم على التعدين والهندسة المخصصة. التعاون مع الشركات الرائدة مثل OpenAI و Anthropic هو أيضًا مفتاح تطبيق هذه النماذج عبر مختلف الصناعات.

مبادئ التطوير المسؤول ل AGI

“يجب أن يكون تطوير AGI مسؤولاً وأخلاقيًا، ويضمن السلامة والشفافية مع تعزيز الابتكار.” – آدم د’انجيلو

يتطلب التطوير المسؤول ل AGI الالتزام بعدد من المبادئ الأساسية:

• السلامة والأمان: ضمان أن أنظمة AGI موثوقة ومقاومة للاستخدام الخاطئ، خاصة مع نمو النماذج لتلبية مدخلات بيانات جديدة أو خوارزميات.
• الشفافية: أن يكون واقعيًا بشأن قدرات AGI وقيودها و “كيف تعمل”.
• الاعتبارات الأخلاقية: معالجة العدالة والتحيز وكيف سوف يؤثر AGI على التوظيف وعوامل اجتماعية اقتصادية أخرى.
• التنظيم: العمل مع الحكومات والمنظمات الأخرى لتطوير الإطارات التي توازن بين التقدم وأمان الجمهور.
• المعايير: يجب أن تقيس المعايير المستقبلية سلوك AGI وقدراته مقابل الاعتبارات الأخلاقية ومستويات التصنيف.

الختام: التركيز على الطريق إلى AGI، وليس نقطة نهاية واحدة

الطريق إلى AGI معقد، ولكن كل محطة على الطريق مهمة للرحلة. من خلال فهم تحسينات AGI التكرارية، مع مضاعفاتها، سوف يكون الناس والأعمال قادرون على تبني هذه التكنولوجيا المتطورة بشكل مسؤول. هذا هو جوهر التطوير المسؤول ل AGI، حيث ي告诉 التفاعل في العالم الحقيقي كيف نسافر في هذا الحدود الجديد.