汎用人工知能 (AGI) とは何か、そしてそれがまだ普及していない理由: AI 愛好家のための現実確認

人工知能（AI） どこにでもあります。スマートアシスタントから 自己駆動車, 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、特定のタスクを実行する以上のことができる AI があったとしたらどうなるでしょうか?人間のように学習し考えることができる、あるいは人間の知性を超えるタイプの AI が存在したらどうなるでしょうか?

これがビジョンです 汎用人工知能 (AGI)、 人間が可能なあらゆる知的作業を達成できる可能性を秘めた、仮説上の AI です。 AGI はよく対比されます。 人工知能（ANI）、チェスの対局や顔の認識など、1 つまたはいくつかの領域でのみ優れている AI の現状。一方、AGI は、言語、論理、創造性、常識、感情など、複数の領域を理解し推論する能力を備えています。

AGI は新しい概念ではありません。これは初期の頃から AI 研究の指針となるビジョンであり、依然として AI 研究の最も意見を対立させている考えです。 AI 愛好家の中には、AGI は避けられず、差し迫ったものであり、新たな技術的および社会的進歩の時代につながると信じている人もいます。より懐疑的で慎重な人もおり、このような強力で予測不可能な存在を作成し制御することの倫理的および実存的リスクについて警告しています。

しかし、私たちは AGI の達成にどれだけ近づいているのでしょうか?また、挑戦することに意味があるのでしょうか?実際、これは重要な質問であり、その答えは、超人的な知性の時代を目撃したいと切望している AI 愛好家にとって現実の確認となる可能性があります。

AとはGI AIとの違いは何ですか?

AGI は、人間を超えないにしても、人間が実行できるあらゆる知的タスクを実行できる能力によって、現在の AI とは一線を画しています。この違いは、次のようないくつかの重要な機能によって異なります。

• 抽象的思考
• 特定の事例から一般化する能力
• 多様な背景知識から導き出す
• 意思決定に常識と意識を活用する
• 単なる相関関係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。

これらの機能は、人間のような、または超人的な知能を実現するために不可欠ですが、現在の AI システムで捕捉するのは依然として困難です。

現在の AI は主に、機械がデータや経験から学習できるようにするコンピューター サイエンスの分野である機械学習に依存しています。機械学習は次のように動作します。 監督, 監督されない, 強化学習.

教師あり学習には、ラベル付けされたデータから機械が学習して、新しいデータを予測または分類することが含まれます。教師なし学習には、ラベルのないデータからパターンを見つけることが含まれますが、強化学習では、アクションやフィードバックからの学習、報酬の最適化、またはコストの最小化が中心となります。

などの分野で目覚ましい成果を上げているにも関わらず、 コンピュータビジョン & 自然言語処理、現在の AI システムは、トレーニング データ、事前定義されたアルゴリズム、特定の最適化目標の質と量によって制約を受けます。彼女らは多くの場合、特に新しい状況における適応力や、自分の推論を説明する際のより透明性を高める助けを必要とします。

対照的に、AGI はこれらの制限から解放され、事前定義されたデータ、アルゴリズム、目標に依存せず、独自の学習能力と思考能力に依存すると考えられています。さらに、AGI はさまざまなソースやドメインから知識を取得して統合し、それを新しいさまざまなタスクにシームレスに適用できます。さらに、AGI は推論、コミュニケーション、理解、そして世界とそれ自体の操作において優れています。

AGIを達成するための課題とアプローチは何ですか?

AGI の実現には、技術的、概念的、倫理的な側面を含むかなりの課題が伴います。

たとえば、記憶、注意、創造性、感情などの要素を含む知能を定義して測定することは、根本的なハードルです。さらに、知覚、認知、感情などの人間の脳の機能のモデル化とシミュレーションには、複雑な課題が伴います。

さらに、重要な課題には、スケーラブルで一般化可能な学習および推論のアルゴリズムとアーキテクチャの設計と実装が含まれます。人間や他のエージェントとの相互作用における AGI システムの安全性、信頼性、説明責任を確保し、AGI システムの価値と目標を社会の価値と目標と一致させることも最も重要です。

AGI の追求において、さまざまな研究の方向性やパラダイムが提案され、検討されてきましたが、それぞれに長所と限界があります。 シンボリックAI知識の表現と操作にロジックとシンボルを使用する古典的なアプローチであり、数学やチェスのような抽象的で構造化された問題には優れていますが、感覚データと運動データのスケーリングと統合には支援が必要です。

同様に、 コネクショニスト AIニューラル ネットワークとディープ ラーニングを採用して大量のデータを処理する最新のアプローチで、視覚や言語などの複雑でノイズの多い領域では優れていますが、解釈と一般化の支援が必要です。

ハイブリッドAI は、シンボリック AI とコネクショニスト AI を組み合わせて、その強みを活用し、弱点を克服し、より堅牢で汎用性の高いシステムを目指しています。同様に, E進化的AI 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、自然選択を通じて AI システムを進化させ、人間の設計に制約されない斬新で最適なソリューションを模索します。

最後に、 ニューロモーフィック AI ニューロモーフィック ハードウェアとソフトウェアを利用して生物学的神経システムをエミュレートし、より効率的で現実的な脳モデルを目指し、人間やエージェントとの自然なインタラクションを可能にします。

これらは AGI への唯一のアプローチではなく、最も著名で有望なアプローチの一部です。各アプローチには長所と短所があり、AGI が必要とする汎用性とインテリジェンスを達成する必要があります。

AGI 例と応用例

AGI はまだ達成されていませんが、AI システムのいくつかの注目すべき例は、AGI を彷彿とさせる特定の側面や機能を示しており、最終的な AGI 達成のビジョンに貢献しています。これらの例は、特定の機能を紹介することで、AGI への進歩を表しています。

アルファゼロDeepMind によって開発された、人間の知識や指導なしに、チェス、将棋、囲碁のプレイ方法を自律的に学習する強化学習システムです。超人的な能力を実証する AlphaZero は、従来の常識に挑戦する革新的な戦略も導入します。

同様に、 OpenAIの GPT-3 は、さまざまなトピックやタスクにわたって一貫性のある多様なテキストを生成します。 GPT-3 は、質問に答えたり、エッセイを作成したり、さまざまな書き方を模倣したりすることができ、一定の制限内ではありますが、多用途性を示します。

同様に、 きちんとしたKenneth Stanley と Risto Miikkulainen によって作成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のためにニューラル ネットワークを進化させます。ネットワーク構造と機能を進化させる NEAT の能力は、人間のプログラマーによって事前定義されていない、斬新で複雑なソリューションを生み出します。

これらの例は、AGI への進歩を示していますが、真の AGI を追求する上でさらなる探索と開発が必要な既存の制限とギャップも強調しています。

AGI の影響とリスク

AGI は、重大な意味を持つ科学的、技術的、社会的、倫理的な課題を提起します。経済的には、機会が生まれ、既存の市場が破壊され、不平等が拡大する可能性があります。 AGI は教育と健康を改善する一方で、新たな課題やリスクをもたらす可能性があります。

倫理的には、新しい規範、協力、共感を促進し、対立、競争、残虐行為を引き起こす可能性があります。 AGI は既存の意味や目的に疑問を投げかけ、知識を広げ、人間の性質と運命を再定義する可能性があります。したがって、研究者、開発者、政策立案者、教育者、国民を含む関係者は、これらの影響とリスクを考慮し、対処する必要があります。

ボトムライン

AGI は AI 研究の最前線に立ち、人間の能力を超える知性のレベルを約束します。このビジョンは愛好家を魅了しますが、この目標を実現するには課題が残ります。現在の AI は特定の領域で優れており、AGI の広大な可能性を満たさなければなりません。

シンボリック AI やコネクショニスト AI からニューロモーフィック モデルに至るまで、数多くのアプローチが AGI の実現を目指しています。 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 は依然としてとらえどころがありません。経済的、倫理的、実存的な意味合いを伴う AGI への道のりには、集団的な注意と責任ある探索が必要です。