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, forandrer AI-systemer vores liv og forretninger. Men hvad nu, hvis der var en AI, der kunne 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 få 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, fællessans og emotion.

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

Men hvor tæt er vi på at opnå AGI, og gør det overhovedet mening at forsøge? 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 den 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 fællessans og bevidsthed til beslutningstagning
• at forstå årsagssammenhæng i stedet for kun korrelation
• effektiv kommunikation og interaktion med mennesker og andre agenter.

Disse funktioner er afgørende for at opnå menneske-lignende eller overmenneskelig intelligens, men de er 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 forestillet at være 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, 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 opnå AGI stiller betydelige udfordringer, der omfatter tekniske, konceptuelle og etiske dimensioner.

For eksempel er definition og måling af intelligens, herunder komponenter som hukommelse, opmærksomhed, kreativitet og emotion, en grundlæggende forhindring. Desuden er modellering og simulering af hjernens funktioner, såsom perception, kognition og emotion, komplekse udfordringer.

Desuden indebærer kritiske udfordringer design og implementering af skalerbare, generaliserbare læring og resonementsalgoritmer 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-systemer med dem i samfundet er også af største betydning.

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 brug for hjælp til at skala og integrere sanse- og motordata.

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 vision og sprog, men har brug for hjælp til at fortolke og generalisere.

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

Endelig Neuromorf AI anvender neuromorft hård- og software til at efterligne biologiske neurale systemer, med målet om mere effektive og realistiske hjernemodeller og muliggør naturlige interaktioner med mennesker og agenter.

Disse er ikke de eneste tilgange til AGI, men nogle af de mest lovende og mest lovende.

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 at opnå AGI på længere sigt. Disse eksempler repræsenterer skridt mod AGI ved at vise bestemte evner:

AlphaZero, udviklet af DeepMind, er et forstærket læringssystem, der selvstændigt 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.

Ligeledes OpenAI’s GPT-3 genererer koherente og diverse 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.

Ligeledes 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.

Disse eksempler illustrerer fremskridt mod AGI, men de understreger også eksisterende begrænsninger og huller, der kræver yderligere udforskning og udvikling for at opnå sand AGI.

AGI Konsekvenser og Risici

AGI stiller videnskabelige, tekniske, sociale og etiske udfordringer med dybtgående konsekvenser. Økonomisk kan det skabe muligheder og forstyrre eksisterende markeder, potentiale 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 og udvide viden, og gendefinere menneskelig natur og skæbne. Derfor skal interessenter overveje og adresse disse konsekvenser og risici, herunder forskere, udviklere, politikere, undervisere og borgere.

Konklusionen

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

Mange tilgange, fra symbolisk og connectionist AI til neuromorfe modeller, stræber efter at opnå AGI. Bemærkelsesværdige eksempler som AlphaZero og GPT-3 viser fremskridt, men sand AGI forbliver svævende. Med økonomiske, etiske og eksistentielle konsekvenser kræver rejsen til AGI fælles opmærksomhed og ansvarlig udforskning.