Mikä on tekoäly-yleinen äly (AGI) ja miksi sitä ei ole vielä täällä: Todellisuustarkistus AI-entusiasteille

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 älymystävällisyyden?

Tämä on tekoäly-yleisen älyn (AGI) visio, joka on hypoteettinen tekoälymuoto, jolla on potentiaalia suorittaa mitä tahansa älyllistä tehtävää, jonka ihmiset voivat. AGI:ta vastataan usein tekoälykapean älyn (ANI) kanssa, joka on nykyinen tekoälyn tila, joka voi vain erittäin hyvin yhdessä tai muutamassa alueessa, kuten shakissa tai kasvojen tunnistamisessa. AGI:lla olisi puolestaan kyky ymmärtää ja päättää useilla alueilla, kuten kielellisellä, logiikalla, luovuudella, yleistietoisuudella ja tunteilla.

AGI ei ole uusi käsite. Se on ollut tekoälytutkimuksen ohjaava visio varhaisimmista päivistä lähtien ja edelleen sen kiistellyin idea. Jotkut tekoälyentusiastit uskovat, että AGI on väistämätön ja lähestyy ja johtaa uuden teknologisen ja sosiaalisen edistysaskeleen aikakauteen. Toiset ovat skeptisempiä ja varovaisia ja varoittavat tekoälyjärjestelmien luomisen ja hallinnan eettisistä ja eksistentiaalisista riskeistä.

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

Mikä on AGI ja miten se eroaa AI:sta?

AGI eroaa nykyisestä tekoälystä kyvystään suorittaa mitä tahansa älyllistä tehtävää, jonka ihmiset voivat, ellei jopa ylitä sitä. Tämä ero on useiden avainominaisuuksien suhteen, mukaan lukien:

• abstrakti ajattelu
• kyky yleistää tietystä instanssista
• erilaisten taustatietojen käyttäminen
• yhteisen älyn ja tietoisen päätöksenteon käyttäminen
• syyn ja seuran sijaan korrelaation ymmärtäminen
• tehokas viestintä ja vuorovaikutus ihmisten ja muiden agenttien kanssa.

Nämä ominaisuudet ovat välttämättömiä saavuttaaksesi ihmisenkaltaisen tai yli-ihmisen älymystävällisyyden, mutta ne ovat edelleen haasteellisia nykyisille tekoälyjärjestelmille.

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

Valvottu oppiminen sisältää koneiden oppimisen merkittyjen tietojen avulla uusien tietojen ennustamiseen tai luokitteluun. Valvomaton oppiminen sisältää mallien etsimisen merkittymättömistä tiedoista, kun taas vahvistusoppiminen keskittyy toimien ja palautteen oppimiseen, optimoimalla palkkioita tai vähentämällä kustannuksia.

Vaikka nykyinen tekoäly on saavuttanut merkittäviä tuloksia alueilla kuten tietokoneen näkeminen ja luonnollisen kielen prosessointi, nykyiset tekoälyjärjestelmät ovat rajoittuneita koulutusdatan laadun ja määrän, ennalta määritettyjen algoritmien ja tietyn optimointitavoitteiden suhteen. Ne tarvitsevat usein apua sopeutumisessa, erityisesti uusissa tilanteissa, ja enemmän läpinäkyvyyttä selittäessään päätöksentekoaan.

Toisin sanoen AGI on kuvattu olevan vapaa näistä rajoituksista eikä se riipu ennalta määritetyistä tiedoista, algoritmeista tai tavoitteista, vaan sen omista oppimis- ja ajattelukyvyistä. Lisäksi AGI voisi hankkia ja integroida tietoa eri lähteistä ja alueista ja soveltaa sitä vaivattomasti uusiin ja moninaisiin tehtäviin. Lisäksi AGI olisi erinomainen päätöksenteossa, viestinnässä, ymmärtämisessä ja maailman ja itsensä manipuloinnissa.

Mitkä ovat haasteet ja lähestymistavat AGI:n saavuttamiseksi?

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

Esimerkiksi älyn määrittely ja mittaaminen, mukaan lukien muisti, tarkkaavaisuus, luovuus ja tunne, on perustava este. Lisäksi ihmisen aivojen toimintojen mallintaminen ja simuloiminen, kuten havainnointi, kognitio ja tunne, esittävät monimutkaisia haasteita.

Lisäksi kriittisiä haasteita ovat skaalautuvien, yleistettävien oppimis- ja päätöksentekoalgoritmien ja -arkkitehtuurien suunnittelu ja toteuttaminen. AGI-järjestelmien turvallisuuden, luotettavuuden ja vastuullisuuden varmistaminen vuorovaikutuksissa ihmisten ja muiden agenttien kanssa ja AGI-järjestelmien arvojen ja tavoitteiden linjaaminen yhteiskunnan arvojen ja tavoitteiden mukaan on myös ensiarvoisen tärkeää.

Useita tutkimussuuntia ja paradigmoja on ehdotettu ja tutkittu AGI:n saavuttamiseksi, ja niillä kaikilla on vahvuudet ja rajoitukset. Symbolinen tekoäly, joka on perinteinen lähestymistapa, joka käyttää logiikkaa ja symboleja tietojen edustamiseen ja manipulointiin, on erittäin hyvä abstraktissa ja rakenteisessa ongelmanratkaisussa, kuten matematiikassa ja shakissa, mutta se tarvitsee apua skaalautuvuudessa ja aistimisen ja motorisen datan integroinnissa.

Vastaavasti Yhteydenpito-tekoäly, joka on moderni lähestymistapa, joka käyttää neuroverkkoja ja syvää oppimista suurten tietomäärien prosessointiin, on erittäin hyvä monimutkaisissa ja meluisissa alueissa, kuten näkemisessä ja kielellisessä prosessoinnissa, mutta se tarvitsee apua tulkinnassa ja yleistämisessä.

Hybridi-tekoäly yhdistää symbolista ja yhteydenpito-tekoälyä hyödyntääkseen niiden vahvuuksia ja kompensoimaan heikkouksia, pyrkien luomaan kestävämmät ja monipuolisemmat järjestelmät. Vastaavasti Evolutionaarinen tekoäly käyttää evoluutioalgoritmeja ja geneettistä ohjelmointia kehittääkseen tekoälyjärjestelmiä luonnollisen valinnan kautta, etsimällä uusia ja optimaalisia ratkaisuja, joita ei rajoiteta ihmisen suunnittelulla.

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

Nämä eivät ole ainoat lähestymistavat AGI:hin, mutta ne ovat joitakin merkittävimpiä ja lupaavimpia. Jokaisella lähestymistavalla on etuja ja haittoja, ja ne eivät vielä ole saavuttaneet yleisyyttä ja älykkyyttä, joita 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, edistäen lopulta AGI:n saavuttamista. Nämä esimerkit edustavat askelia kohti AGI:ta osoittamalla tiettyjä kykyjä:

AlphaZero, jota on kehittänyt DeepMind, on vahvistusoppimisen järjestelmä, joka oppii itsestään shakin, shogin ja gon pelaamiseen ilman ihmisten tietämystä tai ohjausta. Osoittamalla ylivoimaisen taituruuden, AlphaZero esittelee myös innovatiivisia strategioita, jotka haastavat perinteisen viisauden.

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

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

Nämä esimerkit osoittavat edistystä kohti AGI:ta, mutta ne korostavat myös olemassa olevia rajoituksia ja aukkoja, jotka vaativat edelleen tutkimusta ja kehittämistä.

AGI:n vaikutukset ja riskit

AGI asettaa tieteellisiä, teknologisia, sosiaalisia ja eettisiä haasteita, joilla on syvät vaikutukset. Taloudellisesti se voi luoda uusia 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 otettava huomioon ja käsiteltävä nämä vaikutukset ja riskit, mukaan lukien tutkijat, kehittäjät, päätöksentekijät, opettajat ja kansalaiset.

Lopputulos

AGI on tekoälytutkimuksen eturintamassa, lupaavan älymystävällisyyden, joka ylittää ihmisen kyvyt. Vaikka visio kiehtoo entusiasteja, haasteet pysyvät AGI:n toteuttamisessa. Nykyinen tekoäly, joka erittäin hyvin suorittaa tiettyjä tehtäviä, on saavuttava AGI:n laaja potentiaali.

Useita lähestymistapoja, symbolisesta ja yhteydenpito-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 eksistentiaalisten vaikutusten vuoksi AGI:n matka vaatii yhteistä huomiota ja vastuullista tutkimusta.