מהי בינה כללית מלאכותית (AGI) ומדוע היא עדיין לא כאן: בדיקת מציאות לחובבי בינה מלאכותית

בינה מלאכותית (AI) נמצא בכל מקום. מעוזרות חכמות ועד מכוניות ללא נהג, מערכות בינה מלאכותית משנות את חיינו ואת העסקים שלנו. אבל מה אם היה AI שיכול לעשות יותר מאשר לבצע משימות ספציפיות? מה אם היה סוג של AI שיכול ללמוד ולחשוב כמו אדם או אפילו להתעלות על האינטליגנציה האנושית?

זהו החזון של בינה כללית מלאכותית (AGI), צורה היפותטית של AI שיש לה פוטנציאל לבצע כל משימה אינטלקטואלית שבני אדם יכולים. לעתים קרובות יש ניגוד ל-AGI אינטליגנציה צרה מלאכותית (ANI), המצב הנוכחי של AI שיכול להצטיין רק בתחום אחד או כמה תחומים, כמו משחק שח או זיהוי פנים. ל-AGI, לעומת זאת, תהיה היכולת להבין ולהגיב על פני מספר תחומים, כגון שפה, היגיון, יצירתיות, שכל ישר ורגש.

AGI אינו מושג חדש. זה היה החזון המנחה של מחקר בינה מלאכותית מאז הימים הראשונים ונשאר הרעיון המפלג ביותר שלו. כמה חובבי בינה מלאכותית מאמינים ש-AGI היא בלתי נמנעת וקרובה ותוביל לעידן קידמה טכנולוגי וחברתי חדש. אחרים ספקנים וזהירים יותר ומזהירים מפני הסיכונים האתיים והקיומיים של יצירה ושליטה בישות כה חזקה ובלתי צפויה.

אבל עד כמה אנחנו קרובים להשגת AGI, והאם בכלל הגיוני לנסות? זוהי, למעשה, שאלה חשובה שתשובתה עשויה לספק בדיקת מציאות לחובבי בינה מלאכותית אשר להוטים לראות את עידן האינטליגנציה העל-אנושית.

מה זה אGI ובמה זה שונה מבינה מלאכותית?

AGI נבדל מה-AI הנוכחי ביכולתה לבצע כל משימה אינטלקטואלית שבני אדם יכולים, אם לא לעלות עליהם. הבחנה זו היא במונחים של מספר מאפיינים מרכזיים, כולל:

• חשיבה מופשטת
• היכולת להכליל ממקרים ספציפיים
• שואבת מידע רקע מגוון
• ניצול השכל הישר והתודעה לצורך קבלת החלטות
• להבין סיבתיות ולא רק קורלציה
• תקשורת ואינטראקציה יעילה עם בני אדם וגורמים אחרים.

אמנם תכונות אלו חיוניות להשגת אינטליגנציה דמוית אנוש או על אנושית, אך עדיין קשה לתפוס אותן עבור מערכות AI קיימות.

AI נוכחי מסתמך בעיקר על למידת מכונה, ענף של מדעי המחשב המאפשר למכונות ללמוד מנתונים וחוויות. למידת מכונה פועלת דרך בפיקוח, לא מפוקח, ו למידה חיזוק.

למידה מפוקחת כוללת מכונות לומדות מנתונים מסומנים כדי לחזות או לסווג נתונים חדשים. למידה ללא פיקוח כרוכה במציאת דפוסים בנתונים ללא תווית, בעוד שלמידת חיזוק מתרכזת סביב למידה מפעולות ומשוב, אופטימיזציה לתגמולים או מזעור עלויות.

למרות השגת תוצאות יוצאות דופן בתחומים כמו ראיית מחשב ו עיבוד שפה טבעית, מערכות AI נוכחיות מוגבלות על ידי האיכות והכמות של נתוני האימון, אלגוריתמים מוגדרים מראש ויעדי אופטימיזציה ספציפיים. לעתים קרובות הם זקוקים לעזרה בהסתגלות, במיוחד במצבים חדשים, ולשקיפות רבה יותר בהסבר ההיגיון שלהם.

לעומת זאת, AGI צפוי להיות משוחרר מהמגבלות הללו ולא יסתמך על נתונים, אלגוריתמים או יעדים מוגדרים מראש אלא על יכולות הלמידה והחשיבה שלה. יתרה מכך, AGI יכולה לרכוש ולשלב ידע ממקורות ותחומים מגוונים, ליישם אותו בצורה חלקה למשימות חדשות ומגוונות. יתר על כן, AGI תצטיין בהיגיון, בתקשורת, בהבנה ובמניפולציה של העולם ושל עצמו.

מהם האתגרים והגישות להשגת AGI?

מימוש AGI מציב אתגרים ניכרים הכוללים ממדים טכניים, רעיוניים ואתיים.

לדוגמה, הגדרה ומדידה של אינטליגנציה, כולל רכיבים כמו זיכרון, תשומת לב, יצירתיות ורגש, היא מכשול בסיסי. בנוסף, מודלים והדמיה של תפקודי המוח האנושי, כגון תפיסה, קוגניציה ורגש, מציבים אתגרים מורכבים.

יתר על כן, אתגרים קריטיים כוללים תכנון והטמעה של אלגוריתמים וארכיטקטורות למידה והיגיון הניתנים להרחבה הניתנים להכללה. הבטחת הבטיחות, המהימנות והאחריות של מערכות AGI באינטראקציות שלהן עם בני אדם וסוכנים אחרים והתאמת הערכים והמטרות של מערכות AGI לאלו של החברה היא גם בעלת חשיבות עליונה.

כיווני מחקר ופרדיגמות שונות הוצעו ונחקרו במרדף אחר AGI, לכל אחד מהם חוזקות ומגבלות. AI סמלי, גישה קלאסית המשתמשת בלוגיקה וסמלים לייצוג ומניפולציה של ידע, מצטיינת בבעיות מופשטות ומובנות כמו מתמטיקה ושחמט אך זקוקה לעזרה בקנה מידה ושילוב נתונים חושיים ומוטוריים.

כמו כן, בינה מלאכותית של קשרים, גישה מודרנית המשתמשת ברשתות עצביות ולמידה עמוקה לעיבוד כמויות גדולות של נתונים, מצטיינת בתחומים מורכבים ורועשים כמו חזון ושפה אך זקוקה לעזרה בפירוש והכללות.

AI היברידי משלב בינה מלאכותית סמלית וחיבורית כדי למנף את החוזקות שלה ולהתגבר על החולשות, במטרה למערכות חזקות ומגוונות יותר. באופן דומה, EAI אבולוציוני משתמש באלגוריתמים אבולוציוניים ובתכנות גנטי כדי לפתח מערכות בינה מלאכותית באמצעות ברירה טבעית, בחיפוש אחר פתרונות חדשניים ואופטימליים ללא הגבלה על ידי עיצוב אנושי.

לבסוף, AI נוירומורפי משתמשת בחומרה ובתוכנה נוירומורפית כדי לחקות מערכות עצביות ביולוגיות, במטרה למודלים מוחיים יעילים ומציאותיים יותר ומאפשרת אינטראקציות טבעיות עם בני אדם וסוכנים.

אלו לא הגישות היחידות ל-AGI אלא כמה מהבולטות והמבטיחות שבהן. לכל גישה יש יתרונות וחסרונות, והם עדיין צריכים להשיג את הכלליות והאינטליגנציה ש-AGI דורשת.

AGI דוגמאות ויישומים

למרות ש-AGI עדיין לא הושגה, כמה דוגמאות בולטות של מערכות AI מציגות היבטים או מאפיינים מסוימים המזכירים את AGI, ותורמים לחזון של השגת AGI בסופו של דבר. דוגמאות אלה מייצגות צעדים לקראת AGI על ידי הצגת יכולות ספציפיות:

אלפא אפס, שפותחה על ידי DeepMind, היא מערכת למידת חיזוק שלומדת באופן אוטונומי לשחק שח, שוגי ו-Go ללא ידע או הדרכה אנושית. מפגין מיומנות על אנושית, AlphaZero מציגה גם אסטרטגיות חדשניות המאתגרות את החוכמה הקונבנציונלית.

באופן דומה, של OpenAI GPT-3 מייצר טקסטים קוהרנטיים ומגוונים על פני נושאים ומשימות שונות. מסוגל לענות על שאלות, לחבר חיבורים ולחקות סגנונות כתיבה שונים, GPT-3 מציג צדדיות, אם כי בגבולות מסוימים.

כמו כן, נקי, אלגוריתם אבולוציוני שנוצר על ידי קנת סטנלי וריסטו Miikkulainen, מפתח רשתות עצביות עבור משימות כמו בקרת רובוט, משחק ויצירת תמונות. היכולת של NEAT לפתח את המבנה והתפקוד של הרשת מייצרת פתרונות חדשים ומורכבים שאינם מוגדרים מראש על ידי מתכנתים אנושיים.

אמנם דוגמאות אלה ממחישות את ההתקדמות לקראת AGI, אך הן גם מדגישות מגבלות ופערים קיימים המחייבים חקירה ופיתוח נוספים בחיפוש אחר AGI אמיתי.

השלכות וסיכונים של AGI

AGI מציבה אתגרים מדעיים, טכנולוגיים, חברתיים ואתיים בעלי השלכות עמוקות. מבחינה כלכלית, זה עלול ליצור הזדמנויות ולשבש שווקים קיימים, ועלול להגדיל את אי השוויון. תוך שיפור החינוך והבריאות, AGI עשויה להציג אתגרים וסיכונים חדשים.

מבחינה אתית, זה יכול לקדם נורמות חדשות, שיתוף פעולה ואמפתיה ולהכניס קונפליקטים, תחרות ואכזריות. AGI עשויה להטיל ספק במשמעויות ובמטרות הקיימות, להרחיב את הידע ולהגדיר מחדש את הטבע והגורל האנושי. לכן, על בעלי העניין לשקול ולטפל בהשלכות והסיכונים הללו, לרבות חוקרים, מפתחים, קובעי מדיניות, מחנכים ואזרחים.

בשורה התחתונה

AGI עומדת בחזית המחקר בינה מלאכותית, ומבטיחה רמה של אינטלקט העולה על היכולות האנושיות. בעוד שהחזון שובה את האוהדים, האתגרים נמשכים במימוש מטרה זו. בינה מלאכותית נוכחית, המצטיינת בתחומים ספציפיים, חייבת לעמוד בפוטנציאל הנרחב של AGI.

גישות רבות, מבינה מלאכותית סמלית וחיבורית ועד מודלים נוירומורפיים, שואפות למימוש AGI. דוגמאות בולטות כמו AlphaZero ו-GPT-3 מציגות התקדמות, אך עדיין AGI אמיתי נותר חמקמק. עם השלכות כלכליות, אתיות וקיומיות, המסע אל AGI דורש תשומת לב קולקטיבית וחקירה אחראית.