Πλοηγώντας τον Δρόμο προς την Τεχνητή Γενική Νοημοσύνη (AGI) Μαζί: Μια Ισορροπημένη Προσέγγιση

Καθώς η τεχνητή γενική νοημοσύνη (AGI) προχωρεί γρήγορα, η συζήτηση μετατοπίζεται από φιλοσοφική συζήτηση σε μια συζήτηση πρακτικής επικαιρότητας, με τεράστια ευκαιρία να μεταμορφώσει τις παγκόσμιες επιχειρήσεις και την ανθρώπινη δυνατότητα.

Το AGI Icons event series της Turing συγκεντρώνει τους καινοτόμους της τεχνητής νοημοσύνης για να συζητήσουν τις πρακτικές και υπεύθυνες προόδους των λύσεων AGI. Στις 24 Ιουλίου, η Turing φιλοξένησε το δεύτερο AGI Icons event στο SHACK15, τον αποκλειστικό κόμβο του Σαν Φρανσίσκο για επιχειρηματίες και τεχνολογικούς καινοτόμους. Με τη διεξαγωγή της Anita Ramaswamy, οικονομικής συντάκτριας στο The Information, κάθισα με τον CEO της Quora, Adam D’Angelo, για να συζητήσω τον δρόμο προς την AGI και να μοιραστώ εντυπώσεις σχετικά με τους χρονοδιαγράμματα ανάπτυξης, τις πραγματικές εφαρμογές και τις αρχές για την υπεύθυνη ανάπτυξη.

Ο Δρόμος από την Τεχνητή Νοημοσύνη στην AGI

Το “βόρειο αστέρι” που οδηγεί την έρευνα της τεχνητής νοημοσύνης είναι η διώξη της ανθρώπινης “νοημοσύνης”. Αυτό που διακρίνει την AGI από την τυπική τεχνητή νοημοσύνη είναι η πρόοδός της πέρα από τη στενή λειτουργικότητα προς μεγαλύτερη γενικότητα (πλάτος) και απόδοση (βάθος), ακόμη και υπερβαίνοντας τις ανθρώπινες ικανότητες.

Αυτός είναι “ο δρόμος προς την AGI”, όπου η τεχνητή νοημοσύνη προχωρεί σε πιο αυτόνομους συστήματα, ανώτερη συλλογιστική, ενισχυμένες ικανότητες και βελτιωμένη λειτουργικότητα. Αυτές οι προόδους διασπώνται σε πέντε ταξινομικές βαθμίδες:

• Επίπεδο 0: Χωρίς τεχνητή νοημοσύνη – Απλά εργαλεία όπως οι υπολογιστές
• Επίπεδο 1: Emergent AGI – Τρέχουσες LLMs όπως το ChatGPT
• Επίπεδο 2: Competent AGI – Συστήματα τεχνητής νοημοσύνης που αντιστοιχούν σε εξειδικευμένους ενήλικες σε συγκεκριμένες εργασίες
• Επίπεδο 3: Expert AGI – Συστήματα τεχνητής νοημοσύνης στο 90ό процεντιλ των εξειδικευμένων ενηλίκων
• Επίπεδο 4: Virtuoso AGI – Συστήματα τεχνητής νοημοσύνης στο 99ό процεντιλ
• Επίπεδο 5: Superhuman AGI – Συστήματα τεχνητής νοημοσύνης που υπερβαίνουν όλους τους ανθρώπους

Πηγή

Κατά τη διάρκεια της συζήτησής μας, ο Adam ορίσε την έννοια της AGI ως “λογισμικό που μπορεί να κάνει τα πάντα που μπορεί να κάνει ένας άνθρωπος”. Οραματίζεται ένα μέλλον όπου η τεχνητή νοημοσύνη βελτιώνει τον εαυτό της, τελικά αναλαμβάνοντας σύνθετες ανθρώπινες εργασίες που χειρίζονται ερευνητές της μηχανικής μάθησης.

Πηγαίνοντας ένα βήμα παραπέρα, σύγκρινα τις απόψεις μου για την AGI με αυτήν ενός “τεχνητού εγκεφάλου” ικανό να εκτελεί ποικίλες εργασίες όπως “μηχανική μετάφραση, σύνθετες ερωτήσεις και κωδικοποίηση”. Αυτή είναι η διαφορά μεταξύ της AGI και της πιο προβλεπτικής τεχνητής νοημοσύνης και των στενών μορφών της μηχανικής μάθησης που προηγήθηκαν.

Πραγματιστικά Χρονοδιαγράμματα Ανάπτυξης στον Δρόμο προς την AGI

Ακριβώς όπως σε ένα οδικό ταξίδι, η πρώτη ερώτηση για την AGI είναι “Είμαστε εκεί ακόμη;” Η σύντομη απάντηση είναι όχι, αλλά καθώς η έρευνα της τεχνητής νοημοσύνης επιταχύνεται, η σωστή ερώτηση να κάνουμε είναι “Πώς μπορούμε να ισορροπήσουμε την φιλοδοξία της AGI με πραγματιστικές προσδοκίες;”

Πραγματικές Εφαρμογές και Αποτελέσματα

Μια από τις πιο υποσχόμενες εφαρμογές της AGI βρίσκεται στον τομέα της ανάπτυξης λογισμικού. Οι μεγάλες γλωσσικές μοντέλα (LLMs), ένα προκαταρκτικό στάδιο της AGI, χρησιμοποιούνται ήδη για να βελτιώσουν την ανάπτυξη λογισμικού και να βελτιώσουν την ποιότητα του κώδικα.

Τεχνικές και Διακυβεύσεις Διακυβέρνησης

Παρά το υποσχόμενο δυναμικό της AGI, πρέπει να αντιμετωπιστούν οι προκλήσεις. Απαιτούνται ρομποτικές διαδικασίες αξιολόγησης και πλαισιακά διακυβέρνησης για να ισορροπήσουν την καινοτομία της AGI με την ασφάλεια του κοινού.

Προοπτικές για τις Προκλήσεις: Βελτίωση των Ανθρώπινων-AGI Συnergειών

Ορισμένες από τις besten πρακτικές για την αντιμετώπιση των προκλήσεων της AGI περιλαμβάνουν:

• Εστίαση στις ικανότητες ή “τι μπορεί να κάνει η AGI” αντί στις διαδικασίες ή “πώς το κάνει”.
• Ισορροπία της γενικότητας και της απόδοσης ως απαραίτητων στοιχείων της AGI.
• Εστίαση στις γνωστικές/μεταγνωστικές εργασίες και τις ικανότητες μάθησης αντί στις φυσικές εργασίες/εξόδους.
• Μέτρηση της AGI με βάση το δυναμικό και τις ικανότητές της.
• Εστίαση στην οικολογική εγκυρότητα με την ευθυγράμμιση των μετρήσεων με πραγματικές εργασίες που αξιολογούν οι άνθρωποι.
• Θυμόμαστε ότι ο δρόμος προς την AGI δεν είναι ένα μεμονωμένο σημείο, αλλά μια επαναλαμβανόμενη διαδικασία.

Αρχές Υπεύθυνης Ανάπτυξης AGI

“Η ανάπτυξη της AGI πρέπει να είναι υπεύθυνη και ηθική, εξασφαλίζοντας την ασφάλεια και τη διαφάνεια ενώ προάγει την καινοτομία.” – Adam D’Angelo

Συμπέρασμα: Εστίαση στον Δρόμο προς την AGI, όχι σε ένα Μονό Επίπεδο

Ο δρόμος προς την AGI είναι σύνθετος, αλλά κάθε στάση κατά μήκος του δρόμου είναι σημαντική για το ταξίδι. Κατανοώντας τις ιεραρχικές βελτιώσεις της AGI – μαζί με τις επιπτώσεις της – οι άνθρωποι και οι επιχειρήσεις θα είναι σε θέση να υιοθετήσουν υπεύθυνα αυτή την εξελισσόμενη τεχνολογία.