Hvad er kunstig generel intelligens (AGI), og hvorfor den ikke er her endnu: et realitetstjek for AI-entusiaster

Artificial Intelligence (AI) er overalt. Fra smarte assistenter til selvkørende biler, AI-systemer transformerer vores liv og forretninger. Men hvad nu hvis der var en AI, der kunne mere end at udføre specifikke opgaver? Hvad hvis der var en type AI, der kunne lære og tænke som et menneske eller endda overgå menneskelig intelligens?

Dette er visionen om Kunstig generel intelligens (AGI), en hypotetisk form for kunstig intelligens, der har potentialet til at udføre enhver intellektuel opgave, som mennesker kan. AGI kontrasteres ofte med Kunstig smal intelligens (ANI), den nuværende tilstand af AI, der kun kan udmærke sig på et eller nogle få domæner, såsom at spille skak eller genkende ansigter. AGI ville på den anden side have evnen til at forstå og ræsonnere på tværs af flere domæner, såsom sprog, logik, kreativitet, sund fornuft og følelser.

AGI er ikke et nyt koncept. Det har været den vejledende vision for AI-forskning siden de tidligste dage og er stadig dens mest splittende idé. Nogle AI-entusiaster mener, at AGI er uundgåelig og nært forestående og vil føre til en ny teknologisk og social fremskridtstid. Andre er mere skeptiske og forsigtige og advarer mod de etiske og eksistentielle risici ved at skabe og kontrollere en så stærk og uforudsigelig enhed.

Men hvor tæt er vi på at opnå AGI, og giver det overhovedet mening at prøve? Dette er faktisk et vigtigt spørgsmål, hvis svar kan give et realitetstjek for AI-entusiaster, der er ivrige efter at være vidne til æraen med overmenneskelig intelligens.

Hvad er AGI og hvordan er det forskelligt fra AI?

AGI adskiller sig fra nuværende AI ved sin evne til at udføre enhver intellektuel opgave, som mennesker kan, hvis ikke overgå dem. Denne sondring er i form af flere nøglefunktioner, herunder:

• abstrakt tænkning
• evnen til at generalisere fra specifikke tilfælde
• med udgangspunkt i forskellig baggrundsviden
• bruge sund fornuft og bevidsthed til beslutningstagning
• forstå årsagssammenhæng frem for blot sammenhæng
• effektiv kommunikation og interaktion med mennesker og andre agenter.

Selvom disse funktioner er afgørende for at opnå menneskelignende eller overmenneskelig intelligens, er de stadig svære at fange for nuværende AI-systemer.

Nuværende kunstig intelligens er overvejende afhængig af maskinlæring, en gren af ​​datalogi, der gør det muligt for maskiner at lære af data og erfaringer. Maskinlæring fungerer igennem overvåget, uden opsynog forstærkning læring.

Overvåget læring involverer maskiner, der lærer fra mærkede data for at forudsige eller klassificere nye data. Uovervåget læring involverer at finde mønstre i umærkede data, mens forstærkende læring er centreret omkring læring fra handlinger og feedback, optimering for belønninger eller minimering af omkostninger.

På trods af at have opnået bemærkelsesværdige resultater på områder som computersyn , naturlig sprogbehandling, nuværende AI-systemer er begrænset af kvaliteten og kvantiteten af ​​træningsdata, foruddefinerede algoritmer og specifikke optimeringsmål. De har ofte brug for hjælp til tilpasningsevne, især i nye situationer, og mere gennemsigtighed i at forklare deres ræsonnement.

I modsætning hertil forventes AGI at være fri for disse begrænsninger og vil ikke stole på foruddefinerede data, algoritmer eller mål, men i stedet på sine egne lærings- og tænkeevner. Desuden kunne AGI erhverve og integrere viden fra forskellige kilder og domæner og anvende den problemfrit til nye og varierede opgaver. Desuden ville AGI udmærke sig i at ræsonnere, kommunikere, forstå og manipulere verden og sig selv.

Hvad er udfordringerne og tilgangene til at opnå AGI?

At realisere AGI udgør betydelige udfordringer, der omfatter tekniske, konceptuelle og etiske dimensioner.

For eksempel er definition og måling af intelligens, herunder komponenter som hukommelse, opmærksomhed, kreativitet og følelser, en grundlæggende hindring. Derudover giver modellering og simulering af den menneskelige hjernes funktioner, såsom perception, kognition og følelser, komplekse udfordringer.

Derudover omfatter kritiske udfordringer at designe og implementere skalerbare, generaliserbare lærings- og ræsonnementalgoritmer og arkitekturer. At sikre sikkerheden, pålideligheden og ansvarligheden af ​​AGI-systemer i deres interaktioner med mennesker og andre agenter og at tilpasse værdierne og målene for AGI-systemerne til samfundets værdier og mål er også af yderste vigtighed.

Forskellige forskningsretninger og paradigmer er blevet foreslået og udforsket i jagten på AGI, hver med styrker og begrænsninger. Symbolsk AI, en klassisk tilgang, der bruger logik og symboler til videnrepræsentation og manipulation, udmærker sig i abstrakte og strukturerede problemer som matematik og skak, men har brug for hjælp til at skalere og integrere sensoriske og motoriske data.

Ligeledes Connectionist AI, en moderne tilgang, der anvender neurale netværk og dyb læring til at behandle store mængder data, udmærker sig i komplekse og støjende domæner som syn og sprog, men har brug for hjælp til fortolkning og generaliseringer.

Hybrid AI kombinerer symbolsk og sammenhængende kunstig intelligens for at udnytte sine styrker og overvinde svagheder og sigte mod mere robuste og alsidige systemer. Tilsvarende, Evolutionær AI bruger evolutionære algoritmer og genetisk programmering til at udvikle AI-systemer gennem naturlig udvælgelse og søger nye og optimale løsninger uden begrænsninger af menneskelig design.

Endelig Neuromorf AI bruger neuromorfisk hardware og software til at efterligne biologiske neurale systemer, sigter mod mere effektive og realistiske hjernemodeller og muliggør naturlige interaktioner med mennesker og agenter.

Dette er ikke de eneste tilgange til AGI, men nogle af de mest fremtrædende og lovende. Hver tilgang har fordele og ulemper, og de mangler stadig at opnå den almenhed og intelligens, som AGI kræver.

AGI Eksempler og applikationer

Selvom AGI endnu ikke er opnået, udviser nogle bemærkelsesværdige eksempler på AI-systemer visse aspekter eller funktioner, der minder om AGI, hvilket bidrager til visionen om eventuel AGI-opnåelse. Disse eksempler repræsenterer fremskridt i retning af AGI ved at fremvise specifikke egenskaber:

Alpha Zero, udviklet af DeepMind, er et forstærkende læringssystem, der selvstændigt lærer at spille skak, shogi og Go uden menneskelig viden eller vejledning. AlphaZero demonstrerer overmenneskelige færdigheder og introducerer også innovative strategier, der udfordrer konventionel visdom.

Tilsvarende OpenAI'er GPT-3 genererer sammenhængende og forskelligartede tekster på tværs af forskellige emner og opgaver. GPT-3 er i stand til at besvare spørgsmål, komponere essays og efterligne forskellige skrivestile og viser alsidighed, dog inden for visse grænser.

Ligeledes NEAT, en evolutionær algoritme skabt af Kenneth Stanley og Risto Miikkulainen, udvikler neurale netværk til opgaver som robotstyring, spil og billedgenerering. NEATs evne til at udvikle netværksstruktur og funktion producerer nye og komplekse løsninger, der ikke er foruddefineret af menneskelige programmører.

Selvom disse eksempler illustrerer fremskridt hen imod AGI, understreger de også eksisterende begrænsninger og huller, der nødvendiggør yderligere udforskning og udvikling i forfølgelsen af ​​ægte AGI.

AGI-implikationer og -risici

AGI stiller videnskabelige, teknologiske, sociale og etiske udfordringer med dybe implikationer. Økonomisk kan det skabe muligheder og forstyrre eksisterende markeder, hvilket potentielt øger uligheden. Samtidig med at uddannelse og sundhed forbedres, kan AGI introducere nye udfordringer og risici.

Etisk kunne det fremme nye normer, samarbejde og empati og introducere konflikter, konkurrence og grusomhed. AGI kan sætte spørgsmålstegn ved eksisterende betydninger og formål, udvide viden og omdefinere menneskets natur og skæbne. Derfor skal interessenter overveje og adressere disse implikationer og risici, herunder forskere, udviklere, politiske beslutningstagere, undervisere og borgere.

The Bottom Line

AGI står i spidsen for AI-forskning og lover et niveau af intellekt, der overgår menneskelige evner. Mens visionen fængsler entusiaster, fortsætter udfordringerne med at realisere dette mål. Nuværende AI, der udmærker sig inden for specifikke domæner, skal opfylde AGI's ekspansive potentiale.

Talrige tilgange, fra symbolsk og forbindelsesmæssig AI til neuromorfe modeller, stræber efter AGI-realisering. Bemærkelsesværdige eksempler som AlphaZero og GPT-3 viser fremskridt, men ægte AGI forbliver uhåndgribelig. Med økonomiske, etiske og eksistentielle implikationer kræver rejsen til AGI kollektiv opmærksomhed og ansvarlig udforskning.