Hvad er Artificial General Intelligence (AGI) og Hvorfor er det ikke her endnu: En realitetscheck for AI-entusiaster

Kunstig intelligens (AI) er overalt. Fra smarte assistenter til selvkørende biler, omformer AI-systemer vores liv og forretninger. Men hvad hvis der var en AI, der kunne gøre mere end udføre bestemte opgaver? Hvis der var en type AI, der kunne lære og tænke som et menneske eller endda overgå menneskelig intelligens?

Dette er visionen for Artificial General Intelligence (AGI), en hypotetisk form for AI, der har potentialet til at udføre enhver intellektuel opgave, som mennesker kan. AGI kontrasteres ofte med Artificial Narrow Intelligence (ANI), den nuværende tilstand af AI, der kun kan udføre en eller flere domæner, såsom at spille skak eller genkende ansigter. AGI, på den anden side, ville have evnen til at forstå og resonere på tværs af multiple domæner, såsom sprog, logik, kreativitet, sund fornuft og emotion.

AGI er ikke et nyt begreb. Det har været den vejledende vision for AI-forskning siden de tidligste dage og forbliver dens mest kontroversielle idé. Nogle AI-entusiaster tror, at AGI er uundgåeligt og forestående og vil føre til en ny teknologisk og social fremgangsæra. Andre er mere skeptiske og forsigtige og advarer om de etiske og eksistentielle risici ved at skabe og kontrollere en så kraftfuld og uforudsigelig enhed.

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

Hvad er AGI og hvordan adskiller det sig 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 forskel er i forhold til flere nøglefunktioner, herunder:

• abstrakt tænkning
• evnen til at generalisere fra bestemte eksempler
• at trække på divers baggrundsviden
• at anvende sund fornuft og bevidsthed til beslutningstagning
• at forstå årsagssammenhæng i stedet for kun korrelation
• effektiv kommunikation og interaktion med mennesker og andre agenter.

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

Nuværende AI afhænger overvejende af maskinlæring, en gren af datalogi, der giver maskiner mulighed for at lære fra data og erfaringer. Maskinlæring fungerer gennem overvåget, uovervåget og forstærket læring.

Overvåget læring indebærer, at maskiner lærer fra markeret data for at forudsige eller klassificere ny data. Uovervået læring indebærer at finde mønstre i umarkeret data, mens forstærket læring handler om at lære fra handlinger og feedback, optimering for belønninger eller minimisering af omkostninger.

Trods opnåelse af bemærkelsesværdige resultater i områder som computer vision og naturlig sprogbehandling, er nuværende AI-systemer begrænset af kvaliteten og mængden af træningsdata, foruddefinerede algoritmer og bestemte optimeringsmål. De har ofte brug for hjælp til tilpasning, især i nye situationer, og mere gennemsigtighed i forklaring af deres resonement.

I modsætning hertil er AGI tænkt som fri for disse begrænsninger og ville ikke afhænge af foruddefineret data, algoritmer eller mål, men i stedet af sin egen læring og tænkningsevne. Desuden kunne AGI erhverve og integrere viden fra diverse kilder og domæner og anvende det ubesværet til nye og varierede opgaver. Endvidere ville AGI udmærke sig i resonement, kommunikation, forståelse og manipulation af verden og sig selv.

Hvad er udfordringerne og tilgangene til at opnå AGI?

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

For eksempel er definerings- og målingsintelligens, herunder komponenter som hukommelse, opmærksomhed, kreativitet og emotion, en fundamental hindring. Desuden indebærer modellering og simulering af hjernens funktioner, såsom perception, kognition og emotion, komplekse udfordringer.

Derudover indebærer kritiske udfordringer design og implementering af skalerbare, generaliserbare læring og resonementsalgoritmer og -arkitekturer. Det er også vigtigt 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-systemer med dem i samfundet.

Forskellige forskningsretninger og paradigmer er blevet foreslået og udforsket i jagten på AGI, hver med styrker og svagheder. Symbolisk AI, en klassisk tilgang, der anvender logik og symboler til videnrepræsentation og -manipulation, udmærker sig i abstrakte og strukturerede problemer som matematik og skak, men har svigt i skala og integration af sansedata.

Ligesom 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 vision og sprog, men har svigt i fortolkning og generalisering.

Hybrid AI kombinerer symbolisk og connectionist AI for at udnytte deres styrker og overvinde svagheder, med målet om mere robuste og alsidige systemer. Ligesom Evolutionær AI anvender evolutionære algoritmer og genetisk programmering til at udvikle AI-systemer gennem naturlig selektion, med målet om at finde nye og optimale løsninger, der ikke er begrænsede af menneskelig design.

Endelig Neuromorfe AI anvender neuromorfe hardware og software til at efterligne biologiske neurale systemer, med målet om at opnå mere effektive og realistiske hjernemodeller og ermögelses naturlige interaktioner med mennesker og agenter.

Disse er ikke de eneste tilgange til AGI, men nogle af de mest fremtrædende og lovende. Hver tilgang har fordele og ulemper og mangler stadig at opnå den generelle og intelligente, der kræves af AGI.

AGI Eksempler og Anvendelser

Selvom AGI endnu ikke er opnået, viser nogle bemærkelsesværdige eksempler på AI-systemer visse aspekter eller funktioner, der minder om AGI, og bidrager til visionen om en fremtidig opnåelse af AGI. Disse eksempler repræsenterer skridt mod AGI ved at vise bestemte evner:

AlphaZero, udviklet af DeepMind, er et forstærket læringssystem, der autonomt lærer at spille skak, shogi og Go uden menneskelig viden eller vejledning. Ved at demonstrere overmenneskelig dygtighed introducerer AlphaZero også innovative strategier, der udfordrer konventionel visdom.

Ligesom OpenAI’s GPT-3 genererer sammenhængende og varierede tekster på tværs af forskellige emner og opgaver. I stand til at besvare spørgsmål, komponere essays og efterligne forskellige skrivestile, viser GPT-3 alsidighed, omend inden for visse begrænsninger.

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

Selvom disse eksempler viser fremgang mod AGI, understreger de også eksisterende begrænsninger og huller, der kræver yderligere udforskning og udvikling i jagten på sand AGI.

AGI Konsekvenser og Risici

AGI stiller videnskabelige, tekniske, sociale og etiske udfordringer med dybe konsekvenser. Økonomisk kan det skabe muligheder og forstyrre eksisterende markeder, potentielt øge ulighed. Mens det forbedrer uddannelse og sundhed, kan AGI introducere nye udfordringer og risici.

Etisk kan 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 redefinere menneskets natur og skæbne. Derfor må interessenter overveje og adresse disse konsekvenser og risici, herunder forskere, udviklere, politikere, undervisere og borgere.

Bottom Line

AGI står i forkanten af AI-forskning, lovende et niveau af intellekt, der overgår menneskelige evner. Mens visionen fascinerer entusiaster, består udfordringerne ved at realisere dette mål. Nuværende AI, der udmærker sig i bestemte domæner, må møde AGI’s udvidede potentiale.

Flere tilgange, fra symbolisk og connectionist AI til neuromorfe modeller, stræber efter at realisere AGI. Bemærkelsesværdige eksempler som AlphaZero og GPT-3 viser fremgang, men sand AGI forbliver svært tilgængelig. Med økonomiske, etiske og eksistentielle konsekvenser kræver rejsen mod AGI fælles opmærksomhed og ansvarlig udforskning.