Mikä on yleinen tekoäly (AGI) ja miksi se ei ole vielä täällä: Todellisuustarkistus tekoälyn harrastajille

Keinotekoinen älykkyys (AI) on kaikkialla. Älykkäistä avustajista itse ajaa autoa, AI-järjestelmät muuttavat elämäämme ja liiketoimintaamme. Mutta entä jos tekoäly voisi tehdä muutakin kuin suorittaa tiettyjä tehtäviä? Entä jos olisi olemassa eräänlainen tekoäly, joka voisi oppia ja ajatella kuin ihminen tai jopa ylittää ihmisen älykkyyden?

Tämä on visio Keinotekoinen yleinen älykkyys (AGI), Tekoälyn hypoteettinen muoto, jolla on potentiaalia suorittaa kaikki älylliset tehtävät, joita ihmiset voivat tehdä. AGI on usein vastakohtana Keinotekoinen kapea älykkyys (ANI), tekoälyn nykytila, joka voi loistaa vain yhdellä tai muutamalla alalla, kuten shakin pelaaminen tai kasvojen tunnistaminen. AGI:lla sen sijaan olisi kyky ymmärtää ja järkeillä useilla aloilla, kuten kieli, logiikka, luovuus, maalaisjärki ja tunteet.

AGI ei ole uusi käsite. Se on ollut tekoälytutkimuksen ohjaava näkemys varhaisista ajoista lähtien, ja se on edelleen sen jakavin idea. Jotkut tekoälyn harrastajat uskovat, että AGI on väistämätön ja välitön ja johtaa uuteen teknisen ja sosiaalisen kehityksen aikakauteen. Toiset ovat skeptisempiä ja varovaisempia ja varoittavat eettisistä ja eksistentiaalisista riskeistä, jotka liittyvät tällaisen voimakkaan ja arvaamattoman kokonaisuuden luomiseen ja hallintaan.

Mutta kuinka lähellä olemme saavuttaa AGI, ja onko edes järkevää yrittää? Tämä on itse asiassa tärkeä kysymys, jonka vastaus voi tarjota todellisuudentarkistuksen tekoälyharrastajille, jotka ovat innokkaita todistamaan yli-inhimillisen älykkyyden aikakautta.

Mikä on AGI ja miten se eroaa tekoälystä?

AGI erottuu nykyisestä tekoälystä kyvyllään suorittaa kaikki älylliset tehtävät, jotka ihmiset voivat, ellei jopa ylittää. Tämä ero johtuu useista keskeisistä ominaisuuksista, mukaan lukien:

• abstrakti ajattelu
• kyky yleistää tietyistä tapauksista
• ammentaa monipuolista taustatietoa
• tervettä järkeä ja tietoisuutta hyödyntäen päätöksenteossa
• syy-yhteyden ymmärtäminen pelkän korrelaation sijaan
• tehokas viestintä ja vuorovaikutus ihmisten ja muiden tekijöiden kanssa.

Vaikka nämä ominaisuudet ovat elintärkeitä ihmisen kaltaisen tai yli-inhimillisen älykkyyden saavuttamiseksi, niitä on edelleen vaikea vangita nykyisille tekoälyjärjestelmille.

Nykyinen tekoäly perustuu pääasiassa koneoppimiseen, tietojenkäsittelytieteen alaan, jonka avulla koneet voivat oppia datasta ja kokemuksista. Koneoppiminen toimii läpi valvottu, valvomattaja vahvistaminen oppiminen.

Valvottu oppiminen tarkoittaa, että koneet oppivat merkityistä tiedoista uuden datan ennustamiseksi tai luokittelemiseksi. Ohjaamaton oppiminen tarkoittaa mallien löytämistä merkitsemättömästä tiedosta, kun taas vahvistava oppiminen keskittyy toimista ja palautteesta oppimiseen, palkkioiden optimointiin tai kustannusten minimoimiseen.

Huolimatta merkittävistä tuloksista mm tietokoneen visio ja luonnollinen kielenkäsittely, nykyisiä tekoälyjärjestelmiä rajoittavat harjoitustietojen laatu ja määrä, ennalta määritetyt algoritmit ja erityiset optimointitavoitteet. He tarvitsevat usein apua sopeutumiskykyyn, varsinkin uusissa tilanteissa, ja enemmän avoimuutta perustelunsa selittämisessä.

Sitä vastoin AGI:n oletetaan olevan vapaa näistä rajoituksista, eikä se tukeutuisi ennalta määritettyihin tietoihin, algoritmeihin tai tavoitteisiin, vaan sen sijaan omiin oppimis- ja ajattelukykyihinsä. Lisäksi AGI voisi hankkia ja integroida tietoa eri lähteistä ja aloista soveltaen sitä saumattomasti uusiin ja monipuolisiin tehtäviin. Lisäksi AGI olisi erinomainen päättelyssä, viestinnässä, ymmärtämisessä ja maailman ja itsensä manipuloinnissa.

Mitkä ovat AGI:n saavuttamisen haasteet ja lähestymistavat?

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

Esimerkiksi älykkyyden määrittäminen ja mittaaminen, mukaan lukien muistin, huomion, luovuuden ja tunteiden kaltaiset komponentit, on perustavanlaatuinen este. Lisäksi ihmisen aivojen toimintojen, kuten havainnoinnin, kognition ja tunteen, mallintaminen ja simulointi asettavat monimutkaisia ​​haasteita.

Lisäksi kriittisiä haasteita ovat skaalautuvien, yleistettävien oppimis- ja päättelyalgoritmien ja -arkkitehtuurien suunnittelu ja toteuttaminen. AGI-järjestelmien turvallisuuden, luotettavuuden ja vastuullisuuden varmistaminen niiden vuorovaikutuksessa ihmisten ja muiden tekijöiden kanssa sekä AGI-järjestelmien arvojen ja tavoitteiden yhdenmukaistaminen yhteiskunnan arvojen ja tavoitteiden kanssa on myös äärimmäisen tärkeää.

AGI:n tavoittelussa on ehdotettu ja tutkittu erilaisia ​​tutkimussuuntia ja paradigmoja, joista jokaisella on vahvuudet ja rajoitukset. Symbolinen AI, klassinen lähestymistapa, joka käyttää logiikkaa ja symboleja tiedon esittämiseen ja manipulointiin, on erinomainen abstrakteissa ja strukturoiduissa ongelmissa, kuten matematiikassa ja shakissa, mutta tarvitsee apua sensorisen ja motorisen datan skaalaus ja integrointi.

Samoin Connectionist AI, moderni lähestymistapa, jossa käytetään hermoverkkoja ja syväoppimista suurten tietomäärien käsittelyyn, on erinomainen monimutkaisilla ja meluisilla aloilla, kuten näkö ja kieli, mutta tarvitsee apua tulkinnassa ja yleistyksessä.

Hybridi AI yhdistää symbolisen ja konnektionistisen tekoälyn hyödyntääkseen vahvuuksiaan ja voittaakseen heikkouksiaan, tavoitteenaan kestävämpiä ja monipuolisempia järjestelmiä. samalla lailla, Evapaaehtoinen AI käyttää evoluutioalgoritmeja ja geneettistä ohjelmointia kehittääkseen tekoälyjärjestelmiä luonnonvalinnan kautta, etsien uusia ja optimaalisia ratkaisuja, joita ihmisen suunnittelu ei rajoita.

Lopuksi, Neuromorfinen AI hyödyntää neuromorfisia laitteistoja ja ohjelmistoja jäljitelläkseen biologisia hermojärjestelmiä, tavoitteenaan tehokkaampia ja realistisempia aivomalleja ja mahdollistaa luonnollisen vuorovaikutuksen ihmisten ja tekijöiden kanssa.

Nämä eivät ole ainoita lähestymistapoja AGI:lle, vaan joitain näkyvimmistä ja lupaavimmista. Jokaisella lähestymistavalla on etuja ja haittoja, ja niiden on silti saavutettava AGI:n edellyttämä yleisyys ja älykkyys.

AGI Esimerkit ja sovellukset

Vaikka AGI:tä ei ole vielä saavutettu, joissakin merkittävissä tekoälyjärjestelmien esimerkeissä on tiettyjä AGI:tä muistuttavia näkökohtia tai ominaisuuksia, jotka myötävaikuttavat visioon mahdollisesta AGI-saavutuksesta. Nämä esimerkit edustavat harppauksia kohti AGI:tä esittelemällä tiettyjä ominaisuuksia:

alfanolla, DeepMindin kehittämä, on vahvistava oppimisjärjestelmä, joka oppii itsenäisesti pelaamaan shakkia, shogia ja goa ilman ihmisen tietämystä tai ohjausta. Yli-inhimillistä pätevyyttä osoittava AlphaZero esittelee myös innovatiivisia strategioita, jotka haastavat perinteisen viisauden.

Vastaavasti OpenAI:t GPT-3 tuottaa johdonmukaisia ​​ja monipuolisia tekstejä eri aiheista ja tehtävistä. GPT-3 pystyy vastaamaan kysymyksiin, laatimaan esseitä ja matkimaan erilaisia ​​kirjoitustyylejä, ja se on monipuolinen, vaikkakin tietyissä rajoissa.

Samoin SIISTIKenneth Stanleyn ja Risto Miikkulaisen luoma evoluutioalgoritmi kehittää hermoverkkoja esimerkiksi robottien ohjaamiseen, pelaamiseen ja kuvan luomiseen. NEATin kyky kehittää verkkorakennetta ja toimintaa tuottaa uusia ja monimutkaisia ​​ratkaisuja, joita ohjelmoijat eivät ole ennalta määrittäneet.

Vaikka nämä esimerkit havainnollistavat edistymistä kohti AGI:tä, ne korostavat myös olemassa olevia rajoituksia ja aukkoja, jotka edellyttävät lisätutkimusta ja -kehitystä todellisen AGI:n tavoittelemisessa.

AGI:n vaikutukset ja riskit

AGI asettaa tieteellisiä, teknologisia, sosiaalisia ja eettisiä haasteita, joilla on syvällisiä seurauksia. Taloudellisesti se voi luoda mahdollisuuksia ja häiritä olemassa olevia markkinoita, mikä saattaa lisätä eriarvoisuutta. Koulutusta ja terveyttä parantaessaan AGI voi tuoda mukanaan uusia haasteita ja riskejä.

Eettisesti se voisi edistää uusia normeja, yhteistyötä ja empatiaa sekä synnyttää konflikteja, kilpailua ja julmuutta. AGI voi kyseenalaistaa olemassa olevat merkitykset ja tarkoitukset, laajentaa tietoa ja määritellä uudelleen ihmisluonnon ja kohtalon. Siksi sidosryhmien, mukaan lukien tutkijat, kehittäjät, päättäjät, kouluttajat ja kansalaiset, on otettava huomioon nämä seuraukset ja riskit ja puututtava niihin.

Bottom Line

AGI on tekoälytutkimuksen eturintamassa ja lupaa älykkyyden tasoa, joka ylittää ihmisen kyvyt. Vaikka visio kiehtoo harrastajia, tämän tavoitteen toteuttamisessa on edelleen haasteita. Nykyisen tekoälyn, joka loistaa tietyillä aloilla, on täytettävä AGI:n laajat mahdollisuudet.

Lukuisat lähestymistavat symbolisista ja konnektionistisista tekoälyistä neuromorfisiin malleihin pyrkivät AGI-toteutukseen. Merkittävät esimerkit, kuten AlphaZero ja GPT-3, esittelevät edistysaskeleita, mutta todellinen AGI on edelleen vaikeaselkoinen. Matkalla AGI:hen vaatii taloudellisia, eettisiä ja eksistentiaalisia seurauksia kollektiivista huomiota ja vastuullista tutkimista.