人工一般知能（AGI）とは何か、それはAIとどう違うのか：AIエンジニアの現実チェック

人工知能（AI）は至る所にあります。スマートアシスタントから自動運転車まで、AIシステムは私たちの生活とビジネスを変革しています。しかし、特定のタスク以外のことができるAIができたらどうでしょうか。人間の知能に匹敵する、またはそれを超える知能を持つAIができたらどうでしょうか。

これが、人工一般知能（AGI）のビジョンです。AGIは、人間が行うことができるあらゆる知的タスクを実行できる仮説的なAIの形態です。AGIは、人工狭い知能（ANI）と対比されることが多いです。ANIは、現在のAIの状態であり、1つまたは数つのドメインでしか優秀ではありません。例えば、チェスをプレイしたり、顔認識したりします。AGIは、言語、論理、創造性、常識、感情などの複数のドメインを理解し、推論する能力を持つでしょう。

AGIは新しい概念ではありません。AI研究の初期から、AGIは指針的なビジョンであり、最も議論の多いアイデアです。いくつかのAIエンジニアは、AGIは避けられないものであり、近い将来に実現し、新しい技術と社会の進歩の時代をもたらすと信じています。他の人は、より懐疑的であり、慎重であり、AGIの創造と制御の倫理的および存在的なリスクについて警告しています。

しかし、AGIに到達するにはどれくらい近いのでしょうか。AGIを達成することは実現可能でしょうか。これは、AIエンジニアにとって現実チェックとなる重要な質問であり、その答えは、超人的な知能の時代を見たいと願うAIエンジニアにとって現実的なものとなるかもしれません。

AGIとは何か、それはAIとどう違うのか

AGIは、人間が行うことができるあらゆる知的タスクを実行する能力を持つことで、現在のAIと異なります。この違いは、以下の特徴によって表されます。

• 抽象的な思考
• 特定のインスタンスから一般化する能力
• 多様なバックグラウンド知識を利用する
• 共通の感覚と意識を使用して意思決定を行う
• 相関ではなく因果関係を理解する
• 人間や他のエージェントとの効果的なコミュニケーションと相互作用

これらの特徴は、人間のような、または超人的な知能を達成するために不可欠ですが、現在のAIシステムではまだこれらを捉えることが難しいです。

現在のAIは、主に機械学習に依存しています。機械学習は、機械がデータと経験から学ぶことを可能にする計算機科学の分野です。機械学習は、教師あり学習、教師なし学習、強化学習を通じて機能します。

教師あり学習では、機械はラベル付きデータから学習して、新しいデータを予測または分類します。教師なし学習では、ラベルなしデータの中からパターンを見つけます。一方、強化学習は、行動とフィードバックから学習し、報酬を最大化したり、コストを最小化したりします。

コンピュータビジョンや自然言語処理などの分野で驚異的な成果を達成しているにもかかわらず、現在のAIシステムは、トレーニングデータの品質と量、事前に定義されたアルゴリズム、特定の最適化目標によって制限されています。新しい状況では適応性に欠け、推論の説明に透明性が不足していることがあります。

一方、AGIは、これらの制限から解放され、事前に定義されたデータ、アルゴリズム、または目標に依存せず、独自の学習と思考能力に依存することを目指しています。さらに、AGIは、さまざまな源やドメインからの知識を取得して統合し、新しいタスクにシームレスに適用することができます。さらに、AGIは、推論、コミュニケーション、理解、操作に優れています。

AGIを達成するための課題とアプローチ

AGIを実現することは、技術的、概念的、倫理的な面で多大な課題を伴います。

例えば、知能を定義し、測定することは、記憶、注意、創造性、感情などの要素を含む基本的な障害です。また、人間の脳の機能、例えば認識、認知、感情をモデル化し、シミュレートすることは複雑な課題です。

さらに、スケーラブルで汎用的な学習と推論のアルゴリズムとアーキテクチャを設計し、実装することは重要な課題です。AGIシステムが人間や他のエージェントと安全に、信頼性があり、説明可能なやり取りをすることを保証することも非常に重要です。また、AGIシステムの価値観と目標を社会の価値観と目標と一致させることも重要です。

AGIを達成するためのさまざまな研究方向とパラダイムが提案され、探索されてきました。各々に長所と短所があります。シンボリックAIは、古典的なアプローチであり、論理とシンボルを使用して知識を表現し操作します。数学やチェスなどの抽象的で構造化された問題に優れていますが、感覚データやモーターデータの統合とスケーラビリティに難があります。

同様に、コネクション主義AIは、ニューラルネットワークとディープラーニングを使用して大量のデータを処理します。視覚や言語などの複雑でノイズの多いドメインに優れていますが、解釈と一般化に難があります。

ハイブリッドAIは、シンボリックAIとコネクション主義AIを組み合わせて、それぞれの長所を活かし、短所を補うことを目指しています。さらに、進化的AIは、進化的アルゴリズムと遺伝的プログラミングを使用して、自然選択によってAIシステムを進化させ、新しい解決策を見つけます。

最後に、ニューロモルフィックAIは、ニューロモルフィックハードウェアとソフトウェアを使用して、生物の神経システムを模倣し、より効率的でリアルな脳モデルを実現し、人間やエージェントとの自然なやり取りを可能にします。

これらはAGIを達成するための唯一のアプローチではありませんが、最も有望なものです。各アプローチには長所と短所があり、AGIの汎用性と知能を達成するにはまだ距離があります。

AGIの例と応用

AGIはまだ達成されていませんが、特定の特徴や機能を備えたAIシステムの例があり、AGIのビジョンに貢献しています。これらの例は、AGIの特定の能力を示しています。

AlphaZeroは、DeepMindによって開発された強化学習システムであり、チェス、将棋、囲碁を人間の知識や指導なしで学習します。超人的な能力を示し、従来の知識に挑戦する新しい戦略を紹介します。

同様に、OpenAIのGPT-3は、さまざまなトピックとタスクで一貫性と多様性のあるテキストを生成します。質問に答えたり、エッセイを書いたり、さまざまなスタイルを模倣したりすることができます。GPT-3は汎用性を示していますが、まだ限界があります。

同様に、NEATは、Kenneth StanleyとRisto Miikkulainenによって開発された進化的アルゴリズムであり、ロボット制御、ゲームプレイ、画像生成などのタスク用にニューラルネットワークを進化させます。NEATは、人間のプログラマーによって事前に定義されていない、新しい複雑な解決策を生み出すことができます。

これらの例は、AGIへの進歩を示していますが、まだ存在する限界とギャップを強調しています。AGIを達成するには、さらに探索と開発が必要です。

AGIの影響とリスク

AGIは、科学的、技術的、社会的、倫理的な課題を伴い、深い影響を及ぼします。経済的には、機会を創出し、既存の市場を混乱させる可能性があり、不平等を増大させる可能性もあります。教育や医療を改善する可能性がありますが、新しい課題やリスクももたらす可能性があります。

倫理的には、新しい規範、協力、共感を促進する可能性がありますが、対立、競争、残酷さももたらす可能性があります。AGIは、既存の意味や目的を疑問視し、知識を拡大し、人間の性質や運命を再定義する可能性があります。したがって、利害関係者は、これらの影響やリスクを考慮し、対処する必要があります。これには、研究者、開発者、政策立案者、教育者、市民などが含まれます。

まとめ

AGIは、AI研究の最前線にあり、人間の能力を超える知能を約束しています。ビジョンは魅力的ですが、課題は残っています。現在のAIは特定のドメインで優れていますが、AGIの広範な可能性に到達する必要があります。

さまざまなアプローチ、シンボリックAIからコネクション主義AI、ニューロモルフィックモデルまで、AGIを達成するために努力しています。AlphaZeroやGPT-3などの注目すべき例は、進歩を示していますが、真のAGIはまだ到達できていません。経済的、倫理的、存在的な影響を伴うため、AGIへの旅は、集団的注意と責任ある探索を必要とします。