AGI-22 fremhæver fremskridt i udviklingen af kunstig almindelig intelligens

Jeg deltog nylig i den 15. årlige konference om kunstig almindelig intelligens (AGI-22), der blev afholdt i Seattle i august, i et forsøg på at få indsigt i nye udviklinger, der kan føre til skabelsen af en kunstig almindelig intelligens (AGI).

En AGI er en type avanceret AI, der kan generalisere på tværs af multiple domæner og ikke er snæver i omfang. Eksempler på snæver AI inkluderer en selvstændig bil, en chatbot, en skakbot eller enhver anden AI, der er designet til et enkelt formål. En AGI ville derimod kunne fleksibelt skifte mellem enhver af disse eller andre fagområder. Det består af en spekulativ type AI, der ville udnytte nye algoritmer såsom overførselslæring og evolutionær læring, samt udnytte ældre algoritmer såsom dyb forstærket læring.

Under åbningskeynote-sessionen talte Ben Goertzel, en AI-forsker , CEO og grundlægger af SingularityNET, og leder af OpenCog Foundation om branchens status. Han syntes entusiastisk over fremtiden for AGI og sagde, at “Vi er år væk, ikke årtier væk”. Dette ville placere lanceringen af en AGI omkring 2029, det samme år, som Ray Kurzweil, en af verdens førende opfindere, tænkere og fremtidsforskere, berømt forudsagde opdukken af en AI, der opnår menneske-lignende intelligens.

Teorien går på, at når denne type intelligens er nået, vil AI’en straks og kontinuerligt selvforbedre sig for at overgå menneskelig intelligens i, hvad der kendes som superintelligens.

En anden taler, Charles J. Simon, grundlægger og CEO af Future AI, sagde i en separat session, “AGI-opdukken vil være gradvis”, og “AGI er uundgåelig og vil ankomme tidligere, end de fleste mennesker tror, det kan være et par år”.

Selv med denne optimistiske holdning er der betydelige hindringer på vej. Ben Goertzel erkendte også, at for at opnå AGI, “Vi har brug for en indstrømning af nye ideer, ikke kun skaleringsneurale netværk”. Dette er en holdning, der er delt af Gary Marcus, der er kendt for at sige, at “dyb læring har ramt en væg”.

Nogle af de centrale udfordringer ved at skabe en AGI inkluderer at finde en belønningsstruktur, der kan skaleres intelligens på en maksimalt informeret måde. Moravecs paradoks afspejler det nuværende problem med at opnå AGI med vores nuværende teknologi. Dette paradoks siger, at tilpasninger, der er intuitive for en et-årig, såsom at lære at gå og simulere virkelighed, er langt sværere at programmere i en AI end, hvad mennesker opfatter som svært.

For mennesker er det det modsatte, at mestre skak eller udføre komplekse matematiske formularer kan kræve en livstid at mestre, men disse er to rimeligt lette opgaver for snæver AI.

En af løsningerne på dette paradoks kan være evolutionær læring, også kendt som evolutionære algoritmer. Dette giver i virkeligheden en AI mulighed for at søge efter komplekse løsninger ved at efterligne processen med biologisk evolution.

I en separat Q & A-session sagde Ben Goertzel, at “AGI er ikke uundgåelig, men det er højt sandsynligt”. Dette er den samme konklusion, jeg er nået til, men grænsen mellem uundgåelighed og sandsynlighed er uklar.

Under konferencen blev der præsenteret mange artikler, en af de bemærkelsesværdige artikler, der blev diskuteret, var Polynomiske funktorer: En generel teori om interaktion af David Spivak fra Topos Institute i Berkeley, CA og Nelson Niu fra University of Washington, i Seattle, WA. Denne artikel diskuterer en matematisk kategori kaldet Poly, der kan påvirke den fremtidige retning for AI, når det kommer til intime relationer med dynamiske processer, beslutningstagning og lagring og transformation af data. Det er endnu ikke klart, hvordan dette vil påvirke AGI-forskning, men det kan være en af de manglende komponenter, der kan føre os til AGI.

Der var selvfølgelig også andre artikler, der var mere spekulative, såsom Versatility-Efficiency Index (VEI): Towards a Comprehensive Definition of IQ for AGI Agents af Mohammadreza Alidoust. Ideen er at konstruere en alternativ måde at måle intelligensniveauet for intelligente systemer, en slags IQ-test til at måle AGI-agenter på en beregningsmæssig måde.

To bemærkelsesværdige virksomheder, der kan gøre gennembrud i denne underliggende teknologi, er OpenAI og DeepMind, der begge var bemærkelsesværdigt fraværende. Det kan være, fordi AGI ikke tages alvorligt af AI-samfundet, men de er de to virksomheder, der er mest sandsynlige at gøre det første gennembrud på dette område. Dette er særligt sandt, da OpenAIs erklærede mission er at udføre grundlæggende, langsigtede forskning mod skabelsen af en sikker AGI.

Selv om der ikke var nogen store revolutionerende gennembrud at afsløre på konferencen, er det klart, at AGI optager mange forskere, og det er noget, som AI-samfundet burde lægge mere opmærksomhed på. After all, en AGI kan være løsningen på at løse menneskehedens multiple eksistentielle trusler.