ປັນຍາທຽມທົ່ວໄປ
ປັນຍາທຽມທົ່ວໄປ (AGI) ແມ່ນຫຍັງ ແລະເປັນຫຍັງມັນຍັງບໍ່ທັນມາຮອດນີ້: ການກວດສອບຄວາມເປັນຈິງສຳລັບຜູ້ທີ່ກະຕືລືລົ້ນ AI
ສິນທາງປັນຍາ (AI) ແມ່ນຢູ່ທົ່ວທຸກແຫ່ງ. ຈາກຜູ້ຊ່ວຍ smart ກັບ ລົດຕົນເອງຂັບລົດ, ລະບົບ AI ກໍາລັງປ່ຽນແປງຊີວິດແລະທຸລະກິດຂອງພວກເຮົາ. ແຕ່ຈະເປັນແນວໃດຖ້າມີ AI ທີ່ສາມາດເຮັດໄດ້ຫຼາຍກວ່າການປະຕິບັດວຽກງານສະເພາະ? ຈະເປັນແນວໃດຖ້າຫາກວ່າມີ AI ປະເພດທີ່ສາມາດຮຽນຮູ້ແລະຄິດວ່າຄ້າຍຄືມະນຸດຫຼືແມ່ນແຕ່ເກີນຄວາມສະຫຼາດຂອງມະນຸດ?
ນີ້ແມ່ນວິໄສທັດຂອງ Artificial General Intelligence (AGI), ຮູບແບບສົມມຸດຕິຖານຂອງ AI ທີ່ມີທ່າແຮງທີ່ຈະເຮັດສໍາເລັດວຽກງານທາງປັນຍາທີ່ມະນຸດສາມາດເຮັດໄດ້. AGI ມັກຈະຖືກກົງກັນຂ້າມກັບ Artificial Narrow Intelligence (ANI), ສະຖານະຂອງ AI ໃນປະຈຸບັນທີ່ສາມາດດີເລີດຢູ່ຫນຶ່ງຫຼືສອງສາມໂດເມນ, ເຊັ່ນ: ການຫຼີ້ນຫມາກຮຸກຫຼືການຮັບຮູ້ໃບຫນ້າ. ໃນທາງກົງກັນຂ້າມ, AGI ຈະມີຄວາມສາມາດໃນການເຂົ້າໃຈແລະສົມເຫດສົມຜົນໃນທົ່ວຫລາຍໂດເມນ, ເຊັ່ນພາສາ, ເຫດຜົນ, ຄວາມຄິດສ້າງສັນ, ຄວາມຮູ້ສຶກທົ່ວໄປ, ແລະຄວາມຮູ້ສຶກ.
AGI ບໍ່ແມ່ນແນວຄວາມຄິດໃຫມ່. ມັນເປັນວິໄສທັດຊີ້ນໍາຂອງການຄົ້ນຄວ້າ AI ນັບຕັ້ງແຕ່ມື້ທໍາອິດແລະຍັງຄົງເປັນແນວຄວາມຄິດທີ່ແຕກຕ່າງກັນທີ່ສຸດ. ບາງຄົນກະຕືລືລົ້ນ AI ເຊື່ອວ່າ AGI ແມ່ນບໍ່ສາມາດຫຼີກລ່ຽງໄດ້ແລະໃກ້ເຂົ້າມາແລ້ວແລະຈະນໍາໄປສູ່ຍຸກຄວາມກ້າວຫນ້າທາງດ້ານເຕັກໂນໂລຢີແລະສັງຄົມໃຫມ່. ຄົນອື່ນແມ່ນບໍ່ຄ່ອຍເຊື່ອງ່າຍໆແລະລະມັດລະວັງແລະເຕືອນເຖິງຄວາມສ່ຽງດ້ານຈັນຍາບັນແລະທີ່ມີຢູ່ແລ້ວຂອງການສ້າງແລະຄວບຄຸມຫນ່ວຍງານທີ່ມີອໍານາດແລະບໍ່ສາມາດຄາດເດົາໄດ້.
ແຕ່ພວກເຮົາໃກ້ຈະບັນລຸ AGI ຫຼາຍປານໃດ, ແລະມັນກໍ່ມີຄວາມຫມາຍທີ່ຈະພະຍາຍາມບໍ? ໃນຄວາມເປັນຈິງ, ນີ້ແມ່ນຄໍາຖາມທີ່ສໍາຄັນທີ່ຄໍາຕອບອາດຈະສະຫນອງການກວດສອບຄວາມເປັນຈິງສໍາລັບຜູ້ທີ່ມັກ AI ທີ່ມີຄວາມກະຕືລືລົ້ນທີ່ຈະເປັນພະຍານເຖິງຍຸກຂອງຄວາມສະຫລາດຂອງມະນຸດ.
A ແມ່ນຫຍັງGI ແລະມັນແຕກຕ່າງຈາກ AI ແນວໃດ?
AGI ຢືນຢູ່ຫ່າງຈາກ AI ໃນປະຈຸບັນໂດຍຄວາມສາມາດຂອງຕົນໃນການປະຕິບັດວຽກງານທາງປັນຍາໃດໆທີ່ມະນຸດສາມາດເຮັດໄດ້, ຖ້າບໍ່ເກີນພວກເຂົາ. ຄວາມແຕກຕ່າງນີ້ແມ່ນຢູ່ໃນລັກສະນະທີ່ສໍາຄັນຈໍານວນຫນຶ່ງ, ລວມທັງ:
- ແນວຄິດທີ່ບໍ່ມີຕົວຕົນ
- ຄວາມສາມາດໃນການໂດຍທົ່ວໄປຈາກຕົວຢ່າງສະເພາະໃດຫນຶ່ງ
- ແຕ້ມຈາກຄວາມຮູ້ພື້ນຖານທີ່ຫຼາກຫຼາຍ
- ການນໍາໃຊ້ຄວາມສາມາດແລະສະຕິສໍາລັບການຕັດສິນໃຈ
- ເຂົ້າໃຈເຫດຜົນແທນທີ່ຈະເປັນພຽງແຕ່ການພົວພັນກັນ
- ການສື່ສານທີ່ມີປະສິດທິພາບແລະປະຕິສໍາພັນກັບມະນຸດແລະຕົວແທນອື່ນໆ.
ໃນຂະນະທີ່ລັກສະນະເຫຼົ່ານີ້ມີຄວາມສໍາຄັນສໍາລັບການບັນລຸຄວາມສະຫລາດທີ່ຄ້າຍຄືມະນຸດຫຼື superhuman, ພວກມັນຍັງຄົງຍາກທີ່ຈະຈັບໄດ້ສໍາລັບລະບົບ AI ໃນປະຈຸບັນ.
AI ໃນປະຈຸບັນສ່ວນໃຫຍ່ແມ່ນອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ສາຂາຂອງວິທະຍາສາດຄອມພິວເຕີທີ່ຊ່ວຍໃຫ້ເຄື່ອງຈັກສາມາດຮຽນຮູ້ຈາກຂໍ້ມູນແລະປະສົບການ. ການຮຽນຮູ້ເຄື່ອງຈັກດໍາເນີນການຜ່ານ ຊີ້ ນຳ, ບໍ່ມີການຄວບຄຸມ, ແລະ ການຮຽນຮູ້ການເສີມສ້າງ.
ການຮຽນຮູ້ທີ່ມີການເບິ່ງແຍງກ່ຽວຂ້ອງກັບການຮຽນຮູ້ເຄື່ອງຈັກຈາກຂໍ້ມູນທີ່ຕິດສະຫຼາກເພື່ອຄາດຄະເນ ຫຼືຈັດປະເພດຂໍ້ມູນໃໝ່. ການຮຽນຮູ້ທີ່ບໍ່ມີການເບິ່ງແຍງກ່ຽວຂ້ອງກັບການຊອກຫາຮູບແບບໃນຂໍ້ມູນທີ່ບໍ່ມີປ້າຍກຳກັບ, ໃນຂະນະທີ່ສູນການຮຽນຮູ້ການເສີມກຳລັງຢູ່ອ້ອມແອ້ມການຮຽນຮູ້ຈາກການກະທຳ ແລະ ຄຳຄິດເຫັນ, ການເພີ່ມປະສິດທິພາບເພື່ອລາງວັນ ຫຼື ການຫຼຸດຕົ້ນທຶນ.
ເຖິງວ່າຈະມີການບັນລຸຜົນໄດ້ຮັບທີ່ໂດດເດັ່ນໃນຂົງເຂດເຊັ່ນ ວິໄສທັດຄອມພິວເຕີ ແລະ ການປຸງແຕ່ງພາສາທໍາມະຊາດ, ລະບົບ AI ໃນປະຈຸບັນຖືກຈໍາກັດໂດຍຄຸນນະພາບແລະປະລິມານຂອງຂໍ້ມູນການຝຶກອົບຮົມ, ສູດການຄິດໄລ່ທີ່ກໍານົດໄວ້ລ່ວງຫນ້າ, ແລະຈຸດປະສົງການເພີ່ມປະສິດທິພາບສະເພາະ. ພວກເຂົາມັກຈະຕ້ອງການຄວາມຊ່ວຍເຫຼືອໃນການປັບຕົວ, ໂດຍສະເພາະໃນສະຖານະການໃຫມ່, ແລະຄວາມໂປ່ງໃສຫຼາຍຂຶ້ນໃນການອະທິບາຍເຫດຜົນຂອງພວກເຂົາ.
ໃນທາງກົງກັນຂ້າມ, AGI ຄາດວ່າຈະບໍ່ມີຂໍ້ຈໍາກັດເຫຼົ່ານີ້ແລະຈະບໍ່ອີງໃສ່ຂໍ້ມູນທີ່ກໍານົດໄວ້ກ່ອນ, ສູດການຄິດໄລ່, ຫຼືຈຸດປະສົງ, ແຕ່ແທນທີ່ຈະຢູ່ໃນຄວາມສາມາດໃນການຮຽນຮູ້ແລະການຄິດຂອງຕົນເອງ. ຍິ່ງໄປກວ່ານັ້ນ, AGI ສາມາດໄດ້ຮັບແລະປະສົມປະສານຄວາມຮູ້ຈາກແຫຼ່ງແລະໂດເມນທີ່ຫຼາກຫຼາຍ, ນໍາໃຊ້ມັນຢ່າງບໍ່ຢຸດຢັ້ງກັບວຽກງານໃຫມ່ແລະແຕກຕ່າງກັນ. ຍິ່ງໄປກວ່ານັ້ນ, AGI ຈະດີເລີດໃນການສົມເຫດສົມຜົນ, ການສື່ສານ, ຄວາມເຂົ້າໃຈ, ແລະການຫມູນໃຊ້ໂລກແລະຕົວມັນເອງ.
ສິ່ງທ້າທາຍແລະວິທີການເພື່ອບັນລຸ AGI ແມ່ນຫຍັງ?
ການຮັບຮູ້ AGI ເຮັດໃຫ້ເກີດສິ່ງທ້າທາຍຢ່າງຫຼວງຫຼາຍລວມທັງຂະຫນາດດ້ານວິຊາການ, ແນວຄວາມຄິດ, ແລະຈັນຍາບັນ.
ຕົວຢ່າງ, ການກໍານົດແລະການວັດແທກປັນຍາ, ລວມທັງອົງປະກອບເຊັ່ນ: ຄວາມຊົງຈໍາ, ຄວາມສົນໃຈ, ຄວາມຄິດສ້າງສັນ, ແລະຄວາມຮູ້ສຶກ, ແມ່ນອຸປະສັກພື້ນຖານ. ນອກຈາກນັ້ນ, ການສ້າງແບບຈໍາລອງແລະການຈໍາລອງການທໍາງານຂອງສະຫມອງຂອງມະນຸດ, ເຊັ່ນ: ການຮັບຮູ້, ສະຕິປັນຍາ, ແລະຄວາມຮູ້ສຶກ, ນໍາສະເຫນີສິ່ງທ້າທາຍທີ່ສັບສົນ.
ຍິ່ງໄປກວ່ານັ້ນ, ສິ່ງທ້າທາຍທີ່ສໍາຄັນລວມມີການອອກແບບແລະການປະຕິບັດການຮຽນຮູ້ທີ່ສາມາດຂະຫຍາຍໄດ້, ໂດຍທົ່ວໄປແລະວິທີການສົມເຫດສົມຜົນແລະສະຖາປັດຕະຍະກໍາ. ການຮັບປະກັນຄວາມປອດໄພ, ຄວາມຫນ້າເຊື່ອຖື, ແລະຄວາມຮັບຜິດຊອບຂອງລະບົບ AGI ໃນການໂຕ້ຕອບຂອງພວກເຂົາກັບມະນຸດແລະຕົວແທນອື່ນໆແລະການຈັດລໍາດັບຄຸນຄ່າແລະເປົ້າຫມາຍຂອງລະບົບ AGI ກັບບັນດາສັງຄົມແມ່ນມີຄວາມສໍາຄັນທີ່ສຸດ.
ທິດທາງການຄົ້ນຄວ້າຕ່າງໆແລະ paradigms ໄດ້ຖືກສະເຫນີແລະຂຸດຄົ້ນໃນການຄົ້ນຫາ AGI, ແຕ່ລະຄົນມີຄວາມເຂັ້ມແຂງແລະຂໍ້ຈໍາກັດ. AI ສັນຍາລັກ, ເປັນວິທີການຄລາສສິກໂດຍໃຊ້ເຫດຜົນແລະສັນຍາລັກສໍາລັບການເປັນຕົວແທນຂອງຄວາມຮູ້ແລະການຫມູນໃຊ້, ດີເລີດໃນບັນຫາທີ່ບໍ່ມີຕົວຕົນແລະໂຄງສ້າງເຊັ່ນ: ຄະນິດສາດແລະຫມາກຮຸກແຕ່ຕ້ອງການການຊ່ວຍເຫຼືອໃນຂະຫນາດແລະການລວມຂໍ້ມູນ sensory ແລະ motor.
ເຊັ່ນດຽວກັນ, Connectionist AI, ວິທີການທີ່ທັນສະໄຫມທີ່ໃຊ້ເຄືອຂ່າຍ neural ແລະການຮຽນຮູ້ເລິກເພື່ອປະມວນຜົນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ, ດີເລີດໃນໂດເມນທີ່ຊັບຊ້ອນແລະບໍ່ມີສຽງດັງເຊັ່ນ: ວິໄສທັດແລະພາສາແຕ່ຕ້ອງການຄວາມຊ່ວຍເຫຼືອໃນການຕີຄວາມຫມາຍແລະໂດຍທົ່ວໄປ.
AI ປະສົມ ປະສົມປະສານສັນຍາລັກແລະການເຊື່ອມຕໍ່ AI ເພື່ອໃຊ້ຈຸດແຂງຂອງຕົນແລະເອົາຊະນະຈຸດອ່ອນ, ມີຈຸດປະສົງສໍາລັບລະບົບທີ່ເຂັ້ມແຂງແລະ versatile ຫຼາຍ. ເຊັ່ນດຽວກັນ, EAI ປະຕິວັດ ໃຊ້ວິທີວິວັດທະນາການ ແລະ ການຂຽນໂປຣແກຣມພັນທຸກໍາເພື່ອພັດທະນາລະບົບ AI ໂດຍຜ່ານການຄັດເລືອກແບບທຳມະຊາດ, ຊອກຫາວິທີໃໝ່ ແລະການແກ້ໄຂທີ່ດີທີ່ສຸດທີ່ບໍ່ມີຂໍ້ຈຳກັດໂດຍການອອກແບບຂອງມະນຸດ.
ທ້າຍສຸດ, Neuromorphic AI ໃຊ້ຮາດແວ neuromorphic ແລະຊອບແວເພື່ອຈໍາລອງລະບົບປະສາດທາງຊີວະພາບ, ມີຈຸດປະສົງສໍາລັບຕົວແບບສະຫມອງທີ່ມີປະສິດທິພາບແລະຈິງຫຼາຍແລະເຮັດໃຫ້ປະຕິສໍາພັນທໍາມະຊາດກັບມະນຸດແລະຕົວແທນ.
ນີ້ບໍ່ແມ່ນວິທີດຽວກັບ AGI ແຕ່ບາງອັນທີ່ໂດດເດັ່ນແລະໂດດເດັ່ນ. ແຕ່ລະວິທີການມີຂໍ້ດີແລະຂໍ້ເສຍ, ແລະພວກເຂົາຍັງຕ້ອງການບັນລຸຄວາມທົ່ວໄປແລະຄວາມສະຫລາດທີ່ AGI ຕ້ອງການ.
AGI ຕົວຢ່າງແລະຄໍາຮ້ອງສະຫມັກ
ໃນຂະນະທີ່ AGI ຍັງບໍ່ທັນບັນລຸໄດ້, ບາງຕົວຢ່າງທີ່ໂດດເດັ່ນຂອງລະບົບ AI ສະແດງໃຫ້ເຫັນບາງລັກສະນະຫຼືລັກສະນະທີ່ລະນຶກເຖິງ AGI, ປະກອບສ່ວນເຂົ້າໃນວິໄສທັດຂອງການບັນລຸ AGI ໃນທີ່ສຸດ. ຕົວຢ່າງເຫຼົ່ານີ້ສະແດງເຖິງຄວາມກ້າວໄປສູ່ AGI ໂດຍການສະແດງຄວາມສາມາດສະເພາະ:
ອັກຂະລະ, ພັດທະນາໂດຍ DeepMind, ເປັນລະບົບການຮຽນຮູ້ເສີມທີ່ຮຽນຮູ້ການຫຼິ້ນຫມາກຮຸກ, shogi ແລະ Go ດ້ວຍຕົນເອງໂດຍບໍ່ມີຄວາມຮູ້ຫຼືຄໍາແນະນໍາຂອງມະນຸດ. ສະແດງໃຫ້ເຫັນຄວາມສາມາດພິເສດຂອງມະນຸດ, AlphaZero ຍັງແນະນໍາຍຸດທະສາດນະວັດກໍາທີ່ທ້າທາຍສະຕິປັນຍາແບບດັ້ງເດີມ.
ເຊັ່ນດຽວກັນ, OpenAI ຂອງ GPT-3 ສ້າງບົດເລື່ອງທີ່ສອດຄ່ອງກັນ ແລະຫຼາກຫຼາຍໃນຫົວຂໍ້ ແລະໜ້າວຽກຕ່າງໆ. ຄວາມສາມາດໃນການຕອບຄໍາຖາມ, ການຂຽນບົດເລື່ອງ, ແລະ mimicing ຮູບແບບການຂຽນທີ່ແຕກຕ່າງກັນ, GPT-3 ສະແດງໃຫ້ເຫັນ versatility, ເຖິງແມ່ນວ່າຢູ່ໃນຂອບເຂດຈໍາກັດສະເພາະໃດຫນຶ່ງ.
ເຊັ່ນດຽວກັນ, ບໍ່ສະອາດ, ເປັນລະບົບວິວັດທະນາການທີ່ສ້າງຂຶ້ນໂດຍ Kenneth Stanley ແລະ Risto Miikkulainen, ພັດທະນາເຄືອຂ່າຍ neural ສໍາລັບວຽກງານເຊັ່ນ: ການຄວບຄຸມຫຸ່ນຍົນ, ການຫຼິ້ນເກມ, ແລະການສ້າງຮູບພາບ. ຄວາມສາມາດຂອງ NEAT ທີ່ຈະພັດທະນາໂຄງສ້າງ ແລະໜ້າທີ່ຂອງເຄືອຂ່າຍເຮັດໃຫ້ການແກ້ໄຂບັນຫາໃໝ່ໆ ແລະສັບສົນທີ່ບໍ່ໄດ້ກຳນົດໄວ້ລ່ວງໜ້າໂດຍນັກຂຽນໂປຣແກຣມຂອງມະນຸດ.
ໃນຂະນະທີ່ຕົວຢ່າງເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນເຖິງຄວາມກ້າວຫນ້າຕໍ່ AGI, ພວກເຂົາຍັງເນັ້ນຫນັກເຖິງຂໍ້ຈໍາກັດທີ່ມີຢູ່ແລະຊ່ອງຫວ່າງທີ່ຈໍາເປັນຕ້ອງມີການສໍາຫຼວດແລະການພັດທະນາຕື່ມອີກໃນການຕິດຕາມ AGI ທີ່ແທ້ຈິງ.
ຜົນກະທົບຕໍ່ AGI ແລະຄວາມສ່ຽງ
AGI ສ້າງຄວາມທ້າທາຍທາງດ້ານວິທະຍາສາດ, ເຕັກໂນໂລຢີ, ສັງຄົມ, ແລະຈັນຍາບັນທີ່ມີຜົນກະທົບອັນເລິກເຊິ່ງ. ທາງດ້ານເສດຖະກິດ, ມັນອາດຈະສ້າງໂອກາດແລະຂັດຂວາງຕະຫຼາດທີ່ມີຢູ່ແລ້ວ, ອາດຈະເຮັດໃຫ້ຄວາມບໍ່ສະເຫມີພາບເພີ່ມຂຶ້ນ. ໃນຂະນະທີ່ການປັບປຸງການສຶກສາແລະສຸຂະພາບ, AGI ອາດຈະນໍາສະເຫນີສິ່ງທ້າທາຍແລະຄວາມສ່ຽງໃຫມ່.
ທາງດ້ານຈັນຍາບັນ, ມັນສາມາດສົ່ງເສີມມາດຕະຖານໃຫມ່, ການຮ່ວມມື, ແລະຄວາມເຫັນອົກເຫັນໃຈແລະແນະນໍາການຂັດແຍ້ງ, ການແຂ່ງຂັນ, ແລະຄວາມໂຫດຮ້າຍ. AGI ອາດຈະຕັ້ງຄໍາຖາມກ່ຽວກັບຄວາມຫມາຍແລະຈຸດປະສົງທີ່ມີຢູ່ແລ້ວ, ຂະຫຍາຍຄວາມຮູ້, ແລະກໍານົດໃຫມ່ຂອງມະນຸດແລະຈຸດຫມາຍປາຍທາງ. ສະນັ້ນ, ພາກສ່ວນກ່ຽວຂ້ອງຕ້ອງພິຈາລະນາ ແລະ ແກ້ໄຂຜົນສະທ້ອນ ແລະ ຄວາມສ່ຽງດັ່ງກ່າວ ລວມທັງນັກຄົ້ນຄວ້າ, ຜູ້ພັດທະນາ, ຜູ້ວາງນະໂຍບາຍ, ການສຶກສາ ແລະ ພົນລະເມືອງ.
ສາຍທາງລຸ່ມ
AGI ຢືນຢູ່ໃນແຖວຫນ້າຂອງການຄົ້ນຄວ້າ AI, ສັນຍາວ່າມີລະດັບສະຕິປັນຍາເກີນຄວາມສາມາດຂອງມະນຸດ. ໃນຂະນະທີ່ວິໄສທັດເຮັດໃຫ້ຜູ້ກະຕືລືລົ້ນ, ສິ່ງທ້າທາຍຍັງຄົງຢູ່ໃນການບັນລຸເປົ້າຫມາຍນີ້. AI ໃນປະຈຸບັນ, ທີ່ດີເລີດໃນໂດເມນສະເພາະ, ຕ້ອງຕອບສະຫນອງທ່າແຮງການຂະຫຍາຍຕົວຂອງ AGI.
ວິທີການຈໍານວນຫລາຍ, ຈາກສັນຍາລັກແລະການເຊື່ອມຕໍ່ AI ກັບຕົວແບບ neuromorphic, ພະຍາຍາມສໍາລັບ AGI realization. ຕົວຢ່າງທີ່ໂດດເດັ່ນເຊັ່ນ AlphaZero ແລະ GPT-3 ສະແດງໃຫ້ເຫັນຄວາມກ້າວຫນ້າ, ແຕ່ AGI ທີ່ແທ້ຈິງຍັງຄົງເປັນເລື່ອງທີ່ຫຍຸ້ງຍາກ. ດ້ວຍຜົນກະທົບທາງດ້ານເສດຖະກິດ, ຈັນຍາບັນ, ແລະທີ່ມີຢູ່ແລ້ວ, ການເດີນທາງໄປສູ່ AGI ຮຽກຮ້ອງໃຫ້ມີຄວາມສົນໃຈລວມແລະການຂຸດຄົ້ນທີ່ມີຄວາມຮັບຜິດຊອບ.
