Co je umělá obecná inteligence (AGI) a proč ještě není zde: realistická kontrola pro nadšence do AI

Umělá inteligence (AI) je všude. Od chytrých asistentů po autonomní vozidla, systémy AI transformují naše životy a podnikání. Ale co kdyby existoval AI, který by mohl dělat více než pouze provádět specifické úkoly? Co kdyby existoval typ AI, který by mohl učit a myslet jako člověk nebo dokonce přesahovat lidskou inteligenci?

To je vize umělé obecné inteligence (AGI), hypotetické formy AI, která má potenciál dokončit jakýkoli intelektuální úkol, který mohou lidé. AGI je často kontrastována s umělou úzkou inteligencí (ANI), současným stavem AI, který může excelovat pouze v jednom nebo několika doménách, jako je hra v šachy nebo rozpoznávání obličejů. AGI, na druhé straně, by měla mít schopnost rozumět a uvažovat napříč několika doménami, jako je jazyk, logika, kreativita, zdravý rozum a emoce.

AGI není nový koncept. Byla to vedoucí vize výzkumu AI od jeho nejranějších dnů a zůstává jeho nejkontroverznější myšlenkou. Někteří nadšenci do AI věří, že AGI je nevyhnutelná a blízká a povede k nové éře technologického a sociálního pokroku. Jiní jsou více skeptičtí a opatrní a varují před etickými a existenčními riziky vytváření a ovládání tak mocného a nepředvídatelného entita.

Ale jak blízko jsme k dosažení AGI a zda to dokonce má smysl se o to snažit? To je ve skutečnosti důležitá otázka, jejíž odpověď může poskytnout realistickou kontrolu pro nadšence do AI, kteří jsou netrpěliví svědkovat éru nadlidské inteligence.

Co je AGI a jak se liší od AI?

AGI se liší od současné AI svou schopností provádět jakýkoli intelektuální úkol, který mohou lidé, pokud ne dokonce přesahovat lidskou inteligenci. Tento rozdíl je dán několika klíčovými rysy, včetně:

• abstraktního myšlení
• schopnosti zobecnit z konkrétních instancí
• čerpání z rozmanitého pozadí znalostí
• používání zdravého rozumu a vědomí pro rozhodování
• porozumění kauzalitě spíše než pouze korelaci
• účinné komunikace a interakce s lidmi a jinými agenty.

Zatímco tyto rysy jsou důležité pro dosažení lidské nebo nadlidské inteligence, zůstávají obtížné pro současné systémy AI.

Současná AI převážně spoléhá na strojové učení, odvětví počítačové vědy, které umožňuje strojům učit se z dat a zkušeností. Strojové učení funguje prostřednictvím dozorovaného, nedozorovaného a posilovacího učení.

Dozorované učení zahrnuje stroje, které se učí z označených dat, aby předpovídaly nebo klasifikovaly nová data. Nedozorované učení zahrnuje nalezení vzorců v neošetřených datech, zatímco posilovací učení se zaměřuje na učení z akcí a zpětné vazby, optimalizaci odměn nebo minimalizaci nákladů.

Přes dosažení pozoruhodných výsledků v oblastech, jako je počítačové vidění a zpracování přirozeného jazyka, současné systémy AI jsou omezeny kvalitou a množstvím trénovacích dat, předdefinovanými algoritmy a specifickými optimalizačními cíli. Často potřebují pomoc s adaptabilitou, zejména v nových situacích, a více transparentnosti při vysvětlování svého uvažování.

Naopak AGI je viděna jako osvobozená od těchto omezení a nebude spoléhat na předdefinovaná data, algoritmy nebo cíle, ale místo toho na své vlastní učící a myšlení schopnosti. Kromě toho by AGI mohla získat a integrovat znalosti z rozmanitých zdrojů a domén, aplikujících je bezproblémově na nová a různá úkoly. Kromě toho by AGI vynikala v uvažování, komunikaci, porozumění a manipulaci se světem a sama se sebou.

Jaké jsou výzvy a přístupy k dosažení AGI?

Realizace AGI představuje značné výzvy, které zahrnují technické, konceptuální a etické rozměry.

Například definice a měření inteligence, včetně složek, jako je paměť, pozornost, kreativita a emoce, je základní překážkou. Kromě toho modelování a simulace funkcí lidského mozku, jako je vnímání, kognice a emoce, představují komplexní výzvy.

Dále zahrnují kritické výzvy návrh a implementaci škálovatelných, generalizovatelných učících a uvažujících algoritmů a architektur. Zajištění bezpečnosti, spolehlivosti a odpovědnosti systémů AGI ve jejich interakcích s lidmi a jinými agenty a sladění hodnot a cílů systémů AGI se společnostními hodnotami a cíli je také velmi důležité.

Různé výzkumné směry a paradigmy byly navrženy a prozkoumány při hledání AGI, každá se svými silnými a slabými stránkami. Symbolická AI, klasický přístup, který používá logiku a symboly pro reprezentaci a manipulaci znalostí, vyniká v abstraktních a strukturovaných problémech, jako je matematika a šachy, ale potřebuje pomoc se škálováním a integrací senzorických a motorických dat.

Podobně Connectionistická AI, moderní přístup, který využívá neuronové sítě a hluboké učení pro zpracování velkých množství dat, vyniká v komplexních a šumových doménách, jako je vidění a jazyk, ale potřebuje pomoc s interpretací a generalizací.

Hybridní AI kombinuje symbolickou a connectionistickou AI, aby využila svých silných stránek a překonala slabé stránky, snažící se o více robustní a všestranné systémy. Podobně Evoluční AI využívá evoluční algoritmy a genetické programování k evoluci systémů AI prostřednictvím přirozeného výběru, hledající nové a optimální řešení, která nejsou omezena lidským designem.

Nakonec Neuromorfní AI využívá neuromorfní hardware a software k emulaci biologických neuronových systémů, snažící se o více efektivní a realistické modely mozku a umožňující přirozené interakce s lidmi a agenty.

Tyto nejsou jediné přístupy k AGI, ale některé z nejvýznamnějších a nejperspektivnějších. Každý přístup má své výhody a nevýhody a dosud nedosáhl požadované obecnosti a inteligence, kterou AGI vyžaduje.

Příklady AGI a aplikace

Zatímco AGI nebyla dosud dosažena, některé pozoruhodné příklady systémů AI vykazují určité aspekty nebo rysy, které připomínají AGI, přispívající k vizi konečného dosažení AGI. Tyto příklady představují kroky směrem k AGI, demonstrující specifické schopnosti:

AlphaZero, vyvinutý DeepMind, je systém učení s posilováním, který se učí hrát šachy, šogi a Go bez lidské znalosti nebo vedení. Demonstruje nadlidskou zručnost a představuje inovativní strategie, které zpochybňují konvenční moudrost.

Podobně OpenAI GPT-3 generuje koherentní a rozmanité texty napříč různými tématy a úkoly. Schopná odpovědět na otázky, komponovat eseje a napodobovat různé styly psaní, GPT-3 демонстрирует všestrannost, ačkoli v rámci určitých limitů.

Podobně NEAT, evoluční algoritmus vytvořený Kennethem Stanleym a Ristem Miikkulainenem, evoluuje neuronové sítě pro úkoly, jako je řízení robotů, hraní her a generování obrazů. Schopnost NEAT evoluce struktury a funkce sítě produkuje nová a komplexní řešení, která nejsou předdefinována lidskými programátory.

Zatímco tyto příklady demonstrují pokrok směrem k AGI, také zdůrazňují existující omezení a mezery, které vyžadují další výzkum a vývoj při hledání skutečné AGI.

Důsledky a rizika AGI

AGI představuje vědecké, technologické, sociální a etické výzvy s hlubokými důsledky. Ekonomicky může vytvořit příležitosti a narušit existující trhy, potenciálně zvyšující nerovnost. Zatímco zlepšuje vzdělávání a zdraví, AGI může představovat nové výzvy a rizika.

Eticky může podporovat nové normy, spolupráci a empatii a představovat konflikty, soutěž a krutost. AGI může zpochybnit existující významy a účely, expandovat znalosti a redefinovat lidskou povahu a osud. Proto musí zainteresované strany zvážit a řešit tyto důsledky a rizika, včetně výzkumníků, vývojářů, politiků, pedagogů a občanů.

Závěrečné shrnutí

AGI stojí na předním místě výzkumu AI, slibujícím úroveň inteligence, která přesahuje lidské schopnosti. Zatímco vize fascinuje nadšence, výzvy přetrvávají při realizaci tohoto cíle. Současná AI, excelující v specifických doménách, musí dosáhnout expanzivního potenciálu AGI.

Různé přístupy, od symbolické a connectionistické AI po neuromorfní modely, usilují o realizaci AGI. Pozoruhodné příklady, jako je AlphaZero a GPT-3, demonstrují pokrok, ale skutečná AGI zůstává nedostupná. S ekonomickými, etickými a existenčními důsledky cesta k AGI vyžaduje kolektivní pozornost a odpovědný výzkum.