Mikä on tekoälyllinen yleinen äly (AGI) ja miksi sitä ei ole vielä: Todellisuustarkistus tekoälyenthustasteille

Tekoäly (AI) on joka paikassa. Älykkäistä avustajista itseohjautuviin autoihin, tekoälyjärjestelmät muuttavat elämäämme ja liiketoimintaa. Mutta mitä jos olisi tekoäly, joka voisi tehdä enemmän kuin suorittaa tiettyjä tehtäviä? Mitä jos olisi tekoäly, joka voisi oppia ja ajatella kuin ihminen tai jopa ylittää ihmisen älymän?

Tämä on tekoälyllisen yleisen älyn (AGI) visio, joka on hypoteettinen tekoälymuoto, jolla on potentiaalia suorittaa kaikki älymän vaatimat tehtävät, joita ihmiset voivat. AGI:ta vastaa usein Tekoälyllinen kapea äly (ANI), joka on nykyinen tekoälytila, joka voi menestyä vain yhdessä tai muutamassa alueessa, kuten shakissa tai kasvojen tunnistamisessa. AGI:lla olisi kyky ymmärtää ja päättää useilla alueilla, kuten kielellisellä, logiikalla, luovuudella, arkijärjellä ja tunteilla.

AGI ei ole uusi käsite. Se on ollut tekoälytutkimuksen johtava visio alusta alkaen ja on edelleen sen kiistellyin idea. Jotkut tekoälyenthustastat uskovat, että AGI on väistämätön ja lähestyy ja johtaa uuteen teknologiseen ja sosiaaliseen edistysaskeliin. Toiset ovat skeptisempiä ja varovaisia ja varoittavat tekoälyjärjestelmien luomisen ja hallinnan eettisistä ja olemassaoloriskeistä.

Mutta kuinka lähellä olemme AGI:n saavuttamista, ja onko edes järkevää yrittää? Tämä on todellinen kysymys, jonka vastaus voi antaa todellisuustarkistuksen tekoälyenthustasteille, jotka ovat innostuneita todistamaan yli-ihmisen älymän aikakauden.

Mikä on AGI ja miten se eroaa AI:sta?

AGI erottuu nykyisestä tekoälystä kyvystään suorittaa kaikki älymän vaatimat tehtävät, joita ihmiset voivat, ellei ylitä niitä. Tämä ero on useiden avainominaisuuksien suhteen, mukaan lukien:

• abstrakti ajattelu
• kyky yleistää erityisistä tapauksista
• erilaisten taustatietojen käyttäminen
• yhteisen järjen ja tietoisen päätöksenteon käyttäminen
• syyn ja seuran erottaminen
• tehokas viestintä ja vuorovaikutus ihmisten ja muiden agenttien kanssa.

Nämä ominaisuudet ovat välttämättömiä saavuttaa ihmisenkaltaista tai yli-ihmisen älymän, mutta ne ovat edelleen haasteellisia nykyisille tekoälyjärjestelmille.

Nykyinen tekoäly perustuu pääasiassa koneoppimiseen, joka on tietojenkäsittelytieteen haara, joka mahdollistaa koneiden oppimisen tietojen ja kokemusten kautta. Koneoppiminen toimii valvotun, valvottoman ja vahvistusoppimisen kautta.

Valvottu oppiminen käsittää koneiden oppimisen merkityistä tietoja uusien tietojen ennustamiseksi tai luokittelua varten. Valvottoman oppiminen käsittää mallien etsimisen merkityksistä tietoista, kun taas vahvistusoppiminen keskittyy oppimiseen toiminnan ja palautteen kautta, optimoimalla palkkioita tai minimoiden kustannuksia.

Vaikka saavutettuaan merkittäviä tuloksia alueilla kuten tietokoneen näkö ja luonnollisen kielen prosessointi, nykyiset tekoälyjärjestelmät ovat rajoitettuja koulutusdatan laadun ja määrän, ennalta määritettyjen algoritmien ja tiettyjen optimointitavoitteiden suhteen. Ne usein tarvitsevat apua sopeutumisessa, erityisesti uusissa tilanteissa, ja enemmän avoimuutta selittäessään päätöksentekoaan.

Toisin sanoen AGI on kuvattu olevan vapaa näistä rajoituksista ja ei riipu ennalta määritetyistä tietoista, algoritmeista tai tavoitteista, vaan sen omista oppimis- ja ajattelukyvyistä. Lisäksi AGI voisi hankkia ja integroida tietoja eri lähteistä ja alueista ja soveltaa niitä vaivattomasti uusiin ja moninaisiin tehtäviin. AGI myös erottuisi järjellä, viestinnällä, ymmärtämisellä ja maailman ja itsensä manipuloinnilla.

Mitkä ovat haasteet ja lähestymistavat AGI:n saavuttamiseksi?

AGI:n toteuttaminen asettaa merkittäviä haasteita, jotka kattavat tekniset, käsitteelliset ja eettiset ulottuvuudet.

Esimerkiksi älymän määrittely ja mittaaminen, mukaan lukien muisti, tarkkaavaisuus, luovuus ja tunne, on perusrakenteellinen este. Lisäksi ihmisen aivojen toimintojen mallittaminen ja simuloiminen, kuten havainnointi, kognitio ja tunne, esittää monimutkaisia haasteita.

Lisäksi kriittisiä haasteita ovat suunnittelun ja toteuttamisen skaalautuvat, yleistettävät oppimis- ja päättämisalgoritmit ja arkkitehtuuret. AGI-järjestelmien turvallisuuden, luotettavuuden ja vastuullisuuden varmistaminen vuorovaikutuksissa ihmisten ja muiden agenttien kanssa ja AGI-järjestelmien arvojen ja tavoitteiden kohdistaminen yhteiskunnan arvoihin on myös ensisijainen.

Eri tutkimussuunnat ja paradigmat on ehdotettu ja tutkittu AGI:n saavuttamiseksi, ja niillä on vahvuudet ja rajoitukset. Symbolinen tekoäly, joka on perinteinen lähestymistapa, joka käyttää logiikkaa ja symboleja tietojen edustamiseen ja manipulointiin, menestyy abstrakteissa ja rakenteisissa ongelmissa, kuten matematiikassa ja shakissa, mutta tarvitsee apua skaalautumisessa ja integroimisessa aistimellisistä ja moottoristen tietojen kanssa.

Vastaavasti Yhteyden tekoäly, joka on moderni lähestymistapa, joka käyttää neuroverkkoja ja syvää oppimista suurten tietomäärien käsittelyyn, menestyy monimutkaisissa ja meluisissa aloissa, kuten näössä ja kielessä, mutta tarvitsee apua tulkinnassa ja yleistämisessä.

Hybridi-tekoly yhdistää symbolista ja yhteyden tekoälyä hyödyntääkseen niiden vahvuuksia ja voittaakseen heikkoudet, pyrkien luomaan kestävämmät ja monipuolisemmat järjestelmät. Vastaavasti Evoluutio-tekoly käyttää evoluutioalgoritmeja ja geneettistä ohjelmointia kehittääkseen tekoälyjärjestelmiä luonnollisen valinnan kautta, etsimällä uusia ja optimaalisia ratkaisuja, joita ei rajoita ihmisen suunnittelu.

Lopuksi Neuromorfinen tekoäly käyttää neuromorfista laitteistoa ja ohjelmistoa jäljitelläkseen biologisia hermostoja, pyrkien luomaan tehokkaampia ja realistisempia aivomalleja ja mahdollistaakseen luonnollisen vuorovaikutuksen ihmisten ja agenttien kanssa.

Nämä eivät ole ainoat lähestymistavat AGI:hin, mutta ne ovat joitakin merkittävimmistä ja lupaavimmista. Jokaisella lähestymistavalla on etuja ja haittoja, ja ne eivät vielä saavuta sitä yleisyyttä ja älykkyyttä, jota AGI vaatii.

AGI Esimerkit ja Sovellukset

Vaikka AGI:ta ei ole vielä saavutettu, joitakin merkittäviä esimerkkejä tekoälyjärjestelmistä, jotka osoittavat tiettyjä AGI:n piirteitä tai ominaisuuksia, edistääkseen lopulta AGI:n saavuttamista. Nämä esimerkit edustavat askelia AGI:hin osoittamalla tiettyjä kykyjä:

AlphaZero, jonka kehitti DeepMind, on vahvistusoppimisen järjestelmä, joka oppii itsestään shakkia, shogia ja go-ta shakkia ilman ihmisen tietämystä tai ohjausta. Osoittamalla yli-ihmisen taituruutta, AlphaZero esittelee myös innovatiivisia strategioita, jotka haastavat perinteisen viisauden.

Vastaavasti OpenAI:n GPT-3 luo koherentteja ja monipuolisia tekstejä eri aiheista ja tehtävistä. Pystyen vastaamaan kysymyksiin, kirjoittamaan esseitä ja jäljittelemään eri kirjoitustyylejä, GPT-3 osoittaa monipuolisuutta, vaikka tiettyjen rajoitusten puitteissa.

Vastaavasti NEAT, joka on evoluutioalgoritmi, jonka loivat Kenneth Stanley ja Risto Miikkulainen, kehittää neuroverkkoja tehtäviin, kuten robotti ohjaukseen, pelien pelaamiseen ja kuvien generointiin. NEAT:n kyky kehittää verkkoarkkitehtuuri ja toiminto tuottaa uusia ja monimutkaisia ratkaisuja, joita ei ole määritetty ihmisten ohjelmoijien toimesta.

Vaikka nämä esimerkit osoittavat edistystä AGI:hin, ne myös korostavat olemassa olevia rajoituksia ja aukkoja, jotka vaativat edelleen tutkimusta ja kehittämistä AGI:n saavuttamiseksi.

AGI Vaikutukset ja Riskit

AGI asettaa tieteellisiä, teknologisia, sosiaalisia ja eettisiä haasteita, joilla on syvät vaikutukset. Taloudellisesti se voi luoda mahdollisuuksia ja rikkoa olemassa olevia markkinoita, mahdollisesti lisäten epätasa-arvoa. Parantaessaan koulutusta ja terveydenhuoltoa, AGI voi myös tuoda uusia haasteita ja riskejä.

Eettisesti se voi edistää uusia normeja, yhteistyötä ja empatiaa ja tuoda mukanaan konflikteja, kilpailua ja julmuutta. AGI voi kyseenalaistaa olemassa olevat merkitykset ja tarkoitukset, laajentaa tietämystä ja määritellä uudelleen ihmisen luonnon ja kohtalon. Siksi sidosryhmien on huomioitava ja käsiteltävä nämä vaikutukset ja riskit, mukaan lukien tutkijat, kehittäjät, päättäjät, kouluttajat ja kansalaiset.

Pohjimmiltaan

AGI on tekoälytutkimuksen eturintamassa, lupaavan älymän tason, joka ylittää ihmisen kyvyt. Vaikka visio kiehtoo faneja, haasteet jatkavat esteenä tavoitteen saavuttamisessa. Nykyinen tekoäly, joka menestyy tiettyjen alojen osalla, on saavuttava AGI:n laaja potentiaali.

Monet lähestymistavat, symbolisesta ja yhteyden tekoälystä neuromorfisiin malleihin, pyrkivät AGI:n toteuttamiseen. Merkittävät esimerkit, kuten AlphaZero ja GPT-3, osoittavat edistystä, mutta todellinen AGI on edelleen saavuttamaton. Taloudellisten, eettisten ja olemassaolovaikutusten vuoksi AGI:n matka vaatii yhteistä huomiota ja vastuullista tutkimusta.