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

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

Η σειρά εκδηλώσεων AGI Icons 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 εκδήλωση AGI Icons στο SHACK15, το αποκλειστικό κέντρο της 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 το δρόμο προς την AGI και να μοιραστώ εντυπώσεις σχετικά με τις προθεσμίες ανάπτυξης, τις πραγματικές εφαρμογές και τις αρχές για την υπεύθυνη ανάπτυξη.

Ο Δρόμος από την Τεχνητή Νοημοσύνη στην Τεχνητή Γενική Νοημοσύνη

Ο “βόρειος αστέρας” που οδηγεί την έρευνα της τεχνητής νοημοσύνης είναι η διεκδίκηση 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 αυτόνομες συστήματα, ανώτερη λογική, ενισχυμένες ικανότητες και βελτιωμένη λειτουργικότητα. Αυτές οι προόδους διασπώνται σε πέντε ταξινομικές βαθμίδες:

• Βαθμίδα 0: Χωρίς τεχνητή νοημοσύνη – Απλά εργαλεία όπως οι υπολογιστές
• Βαθμίδα 1: Αναδυόμενη AGI – Τρέχουσες LLMs όπως το ChatGPT
• Βαθμίδα 2: Ικανή AGI – Συστήματα τεχνητής νοημοσύνης που αντιστοιχούν σε εξειδικευμένους ενήλικες σε συγκεκριμένες εργασίες
• Βαθμίδα 3: Εкспέρ AGI – Συστήματα τεχνητής νοημοσύνης στο 90ο percentile των εξειδικευμένων ενηλίκων
• Βαθμίδα 4: Βιρτουόζο AGI – Συστήματα τεχνητής νοημοσύνης στο 99ο percentile
• Βαθμίδα 5: Υπεράνθρωπη 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 εκείνες ενός “τεχνητού εγκεφάλου” ικανό να εκτελέσει ποικίλες εργασίες όπως “μηχανική μετάφραση, σύνθετες ερωτήσεις και κωδικοποίηση”. Αυτή είναι η διαφορά μεταξύ της AGI και της προηγούμενης προβλέψιμης τεχνητής νοημοσύνης και των στενών μορφών της μηχανικής μάθησης που προηγήθηκαν.

Πραγματικές Προθεσμίες Ανάπτυξης στον Δρόμο προς την AGI

Ακριβώς όπως σε ένα οδικό ταξίδι, η πρώτη σκέψη για την AGI είναι, “Είμαστε εκεί ακόμα;” 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 τις πραγματικές προσδοκίες;”

Ο Adam τόνισε ότι η αυξημένη αυτοματοποίηση από την AGI θα μετατοπίσει τους ανθρώπινους ρόλους αντί να τους εξαλείψει, οδηγώντας σε ταχύτερη οικονομική ανάπτυξη και πιο αποτελεσματική παραγωγικότητα. “Όσο αυτή η τεχνολογία γίνεται πιο ισχυρή, θα φτάσουμε σε ένα σημείο όπου το 90% των πραγμάτων που κάνουν οι άνθρωποι σήμερα θα είναι αυτοματοποιημένα, αλλά όλοι θα έχουν μετατοπιστεί σε άλλα πράγματα.”

Σήμερα, μεγάλο μέρος της παγκόσμιας οικονομίας περιορίζεται από τον αριθμό των διαθέσιμων ανθρώπων για εργασία. Μόλις επιτύχουμε την AGI, μπορούμε να αυξήσουμε την οικονομία με πολύ ταχύτερο ρυθμό από ότι είναι δυνατό σήμερα.

Δεν μπορούμε να δώσουμε μια οριστική προθεσμία για όταν θα πραγματοποιηθεί η αληθινή AGI, αλλά ο Adam και εγώ ανεφεράμε幾ρα παραδείγματα προόδων της τεχνητής νοημοσύνης που ανοίγουν το δρόμο για μελλοντικές προόδους της AGI. Για παράδειγμα, τα πειράματα της Turing με εργαλεία ανάπτυξης τεχνητής νοημοσύνης έδειξαν αύξηση της παραγωγικότητας των dévelopερ κατά 33%, υποδεικνύοντας ακόμη μεγαλύτερο потенシャル.

Πραγματικές Εφαρμογές και Αποτελέσματα

Μια από τις πιο υποσχόμενες εφαρμογές της AGI βρίσκεται στον τομέα της ανάπτυξης λογισμικού. Μεγάλες γλωσσικές μοντέλα (LLMs), ένα προκαταρκτικό στάδιο της AGI, χρησιμοποιούνται ήδη για την ενίσχυση της ανάπτυξης λογισμικού και την βελτίωση της ποιότητας του κώδικα. Βλέπω αυτή την εποχή της τεχνητής νοημοσύνης ως πιο κοντά στη βιολογία παρά στην φυσική, όπου όλα τα είδη γνώσεων θα βελτιωθούν. Θα existει τόσο περισσότερη παραγωγικότητα που θα απελευθερωθεί από και για την ανθρωπότητα.

Η προοπτική μου έρχεται από την εμπειρία, όπου έχω δει αύξηση της προσωπικής παραγωγικότητας κατά 10 φορές όταν χρησιμοποιώ LLMs και εργαλεία ανάπτυξης τεχνητής νοημοσύνης. Χρησιμοποιούμε επίσης την τεχνητή νοημοσύνη στην Turing για να αξιολογήσουμε το τεχνικό ταλέντο και να ταιριάξουμε τους σωστούς μηχανικούς λογισμικού και PhD-level ειδικούς στα σωστά έργα.

Τι βλέπω στο χώρο εκπαίδευσης LLMs, για παράδειγμα, είναι ότι οι εκπαιδευτές χρησιμοποιούν αυτά τα μοντέλα για να βελτιώσουν την παραγωγικότητα των dévelopερ και να επιταχύνουν τις προθεσμίες των έργων. Αυτοματοποιώντας τις ρουτινικές εργασίες κωδικοποίησης και παρέχοντας έξυπνες προτάσεις κώδικα, τα LLMs απελευθερώνουν τους dévelopερ να εστιάσουν στις πιο στρατηγικές και δημιουργικές πτυχές της δουλειάς τους.

Ο Adam έκλεισε, “Τα LLMs δεν θα γράψουν όλο τον κώδικα, αλλά η κατανόηση των θεμελιωδών αρχών του λογισμικού παραμένει κρίσιμη. Οι υπολογιστές δεν εξαφάνισαν την ανάγκη να μάθουμε αριθμητική.” Πρόσθεσε, “Οι dévelopερ γίνονται πιο πολύτιμοι όταν χρησιμοποιούν αυτά τα μοντέλα. Η παρουσία των LLMs είναι θετική για τις δουλειές των dévelopερ και θα υπάρξουν πολλά κέρδη για τους dévelopερ.”

Εισερχόμαστε σε μια χρυσή εποχή της ανάπτυξης λογισμικού όπου ένας μηχανικός λογισμικού μπορεί να είναι 10 φορές πιο παραγωγικός, να δημιουργήσει περισσότερα και να ωφελήσει τον κόσμο.

Τεχνικές και Κυβερνητικές Προκλήσεις

Παρά το υποσχόμενο потенシャル της AGI, πρέπει να αντιμετωπίσουμε τις προκλήσεις. Ρομποτικές διαδικασίες αξιολόγησης και κανονιστικά πλαίσια είναι απαραίτητα για να ισορροπήσουμε την καινοτομία της AGI με την ασφάλεια του κοινού.

Ο Adam τόνισε την ανάγκη για徹底τικές διαδικασίες αξιολόγησης και sandboxing για να περιορίσουμε τις χειρότερες σενάρια. “Θέλεις να έχεις κάποια είδους robust διαδικασία αξιολόγησης… και να πάρεις αυτή τη διανομή που ελέγχεις να είναι όσο το δυνατόν πιο κοντά στη πραγματική χρήση.”

Και συμφωνώ. Το μπουτλνεκ για την πρόοδο της AGI είναι τώρα η ανθρώπινη νοημοσύνη, αντί της υπολογιστικής ισχύος ή των δεδομένων. Η ανθρώπινη εμπειρία είναι κρίσιμη για την εξειδίκευση και την προσαρμογή των μοντέλων τεχνητής νοημοσύνης, που είναι γιατί η Turing εστιάζει στην πηγή και την αντιστοίχιση κορυφαίων τεχνολογικών επαγγελματιών για να ισορροπήσει τα μοντέλα με την ανθρώπινη νοημοσύνη.

Πρέπει να αντιμετωπίσουμε τις προκλήσεις της AGI με σαφήνεια, εστιάζοντας στις ικανότητες αντί στις διαδικασίες, την γενικότητα και την απόδοση, και το потенシャル.

Προοπτικές στις Προκλήσεις: Βελτιώνοντας τις Ανθρώπινες-AGI Αλληλεπιδράσεις

Μερικές από τις καλύτερες πρακτικές για να αντιμετωπίσουμε τις προκλήσεις της AGI περιλαμβάνουν:

• Εστιάστε στις ικανότητες ή “τι μπορεί να κάνει η AGI” αντί στις διαδικασίες ή “πώς το κάνει”.
• Ισορροπήστε την γενικότητα και την απόδοση ως απαραίτητες συνιστώσες της AGI.
• Εστιάστε στις γνωστικές/μεταγνωστικές εργασίες και τις ικανότητες μάθησης αντί στις φυσικές εργασίες/εξόδους.
• Μετρήστε την AGI με το потенシャル και τις ικανότητές της.
• Εστιάστε στην οικολογική εγκυρότητα συσχετίζοντας τις βάσεις με πραγματικές εργασίες που αξίζει ο κόσμος.
• Θυμηθείτε ότι ο δρόμος προς την AGI δεν είναι ένα單ο τελικό σημείο, είναι μια επαναληπτική διαδικασία.

Προσθέτοντας σε αυτές τις πρακτικές, ο Adam και εγώ τόνισαμε την σημασία της βελτίωσης των ανθρώπινων-AGI αλληλεπιδράσεων. Ο Adam τόνισε την αξία της μάθησης πώς και πότε να χρησιμοποιούνται αυτά τα μοντέλα, τα βλέποντας ως ισχυρά εργαλεία μάθησης που μπορούν να διδάξουν γρήγορα οποιοδήποτε υποτομέα προγραμματισμού, ενώ τόνιζε την_importance της κατανόησης των θεμελιωδών αρχών.

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

Η υπεύθυνη ανάπτυξη της AGI απαιτεί την τήρηση plusieurs βασικών αρχών:

• Ασφάλεια και Ασφάλεια: Εξασφαλίζοντας ότι τα συστήματα AGI είναι αξιόπιστα και ανθεκτικά στη κακοποίηση, ιδιαίτερα καθώς τα μοντέλα κλιμακώνονται για να ταΐσουν νέα δεδομένα ή αλγόριθμους.
• Διαφάνεια: Είναι ρεαλιστικοί σχετικά με τις ικανότητες, τις περιορισμούς και “πώς λειτουργεί” της AGI.
• Ηθικές Συσκέψεις: Αντιμετωπίζοντας την ισότητα, την προκατάληψη και πώς η AGI θα επηρεάσει την απασχόληση και άλλους κοινωνικοοικονομικούς παράγοντες.
• Κανονισμοί: Συνεργασία με τις κυβερνήσεις και άλλες οργανώσεις για την ανάπτυξη πλαισίων που ισορροπούν την πρόοδο με την ασφάλεια του κοινού.
• Βελτιστοποίηση: Οι μελλοντικές βάσεις πρέπει να ποσοτικοποιούν την συμπεριφορά και τις ικανότητες της AGI σε σύγκριση με τις ηθικές συσκέψεις και ταξινόμησης.

Συμπέρασμα: Εστιάστε στον Δρόμο προς την AGI, όχι σε ένα Μονό Τελικό Σημείο

Ο δρόμος προς την AGI είναι σύνθετος, αλλά κάθε στάση κατά μήκος του δρόμου είναι σημαντική για το ταξίδι. Κατανοώντας τις επαναληπτικές βελτιώσεις της AGI – μαζί με τις επιπτώσεις της – οι άνθρωποι και οι επιχειρήσεις θα μπορέσουν να υιοθετήσουν υπεύθυνα αυτή την εξελισσόμενη τεχνολογία. Αυτό είναι το κλειδί της υπεύθυνης ανάπτυξης AGI, όπου η αλληλεπίδραση του πραγματικού κόσμου ενημερώνει πώς να πλοηγηθούμε σε αυτό το νέο μέτωπο. κατά μήκος του δρόμου είναι σημαντικό για το ταξίδι. Κατανοώντας τις επαναληπτικές βελτιώσεις της AGI – μαζί με τις επιπτώσεις της – οι άνθρωποι και οι επιχειρήσεις θα μπορέσουν να υιοθετήσουν υπεύθυνα αυτή την εξελισσόμενη τεχνολογία. Αυτό είναι το κλειδί της υπεύθυνης ανάπτυξης AGI, όπου η αλληλεπίδραση του πραγματικού κόσμου ενημερώνει πώς να πλοηγηθούμε σε αυτό το νέο μέτωπο.