Kas yra dirbtinis bendrasis intelektas (AGI) ir kodėl jo dar nėra: AI entuziastų tikrovės patikrinimas

Dirbtinis intelektas (AI) yra visur. Nuo išmaniųjų padėjėjų iki savarankiškai vairuoti automobiliai, AI sistemos keičia mūsų gyvenimą ir verslą. O kas, jei būtų AI, galintis daugiau nei atlikti konkrečias užduotis? O kas, jei būtų AI tipas, galintis mokytis ir mąstyti kaip žmogus ar net pranokti žmogaus intelektą?

Tai yra vizija Dirbtinis bendrasis intelektas (AGI), hipotetinė AI forma, galinti atlikti bet kokią intelektualinę užduotį, kurią gali atlikti žmonės. AGI dažnai kontrastuojamas su Dirbtinis siaurasis intelektas (ANI), dabartinė AI būsena, kuri gali tobulėti tik vienoje ar keliose srityse, pvz., žaisti šachmatais ar atpažinti veidus. Kita vertus, AGI turėtų galimybę suprasti ir mąstyti įvairiose srityse, tokiose kaip kalba, logika, kūrybiškumas, sveikas protas ir emocijos.

AGI nėra nauja koncepcija. Tai buvo pagrindinė AI tyrimų vizija nuo pat pirmųjų dienų ir tebėra labiausiai skaldanti idėja. Kai kurie dirbtinio intelekto entuziastai mano, kad AGI yra neišvengiama ir neišvengiama ir sukels naują technologinės ir socialinės pažangos erą. Kiti yra skeptiškesni ir atsargesni ir įspėja apie etinę ir egzistencinę riziką, kylančią kuriant ir kontroliuojant tokį galingą ir nenuspėjamą subjektą.

Tačiau kaip arti esame AGI pasiekimui ir ar net prasminga bandyti? Tiesą sakant, tai yra svarbus klausimas, kurio atsakymas gali padėti patikrinti dirbtinio intelekto entuziastus, kurie trokšta būti antžmogiško intelekto eros liudininkais.

Kas yra A.GI ir kuo tai skiriasi nuo AI?

AGI išsiskiria iš dabartinio AI savo gebėjimu atlikti bet kokią intelektinę užduotį, kurią žmonės gali, jei ne pranokti. Šis skirtumas yra dėl kelių pagrindinių savybių, įskaitant:

• abstraktus mąstymas
• gebėjimas apibendrinti iš konkrečių atvejų
• remdamiesi įvairiomis foninėmis žiniomis
• priimant sprendimus pasitelkiant sveiką protą ir sąmonę
• suprasti priežastinį ryšį, o ne tik koreliaciją
• efektyvus bendravimas ir sąveika su žmonėmis ir kitais agentais.

Nors šios savybės yra gyvybiškai svarbios norint pasiekti į žmogų panašų ar antžmogišką intelektą, dabartinėms AI sistemoms jas vis dar sunku užfiksuoti.

Dabartinis AI daugiausia remiasi mašininiu mokymusi – kompiuterių mokslo šaka, leidžiančia mašinoms mokytis iš duomenų ir patirties. Mašininis mokymasis veikia per prižiūrimi, neprižiūrimasir stiprinimas.

Prižiūrimas mokymasis apima mašinų mokymąsi iš pažymėtų duomenų, kad galėtų numatyti arba klasifikuoti naujus duomenis. Neprižiūrimas mokymasis apima nepažymėtų duomenų modelių radimą, o sustiprinto mokymosi tikslas – mokytis iš veiksmų ir grįžtamojo ryšio, optimizuoti atlygį arba sumažinti išlaidas.

Nepaisant puikių rezultatų tokiose srityse kaip kompiuterio vizija ir natūralus kalbos apdorojimas, dabartines AI sistemas riboja mokymo duomenų kokybė ir kiekis, iš anksto nustatyti algoritmai ir konkretūs optimizavimo tikslai. Jiems dažnai reikia padėti prisitaikyti, ypač naujose situacijose, ir daugiau skaidrumo aiškinant savo samprotavimus.

Priešingai, AGI turėtų būti be šių apribojimų ir pasikliauti ne iš anksto nustatytais duomenimis, algoritmais ar tikslais, o savo mokymosi ir mąstymo galimybėmis. Be to, AGI galėtų įgyti ir integruoti žinias iš įvairių šaltinių ir sričių, sklandžiai pritaikydama jas naujoms ir įvairioms užduotims. Be to, AGI pasižymėtų samprotavimu, bendravimu, supratimu ir manipuliavimu pasauliu bei savimi.

Kokie yra iššūkiai ir metodai siekiant AGI?

AGI įgyvendinimas kelia didelių iššūkių, apimančių techninius, konceptualius ir etinius aspektus.

Pavyzdžiui, intelekto apibrėžimas ir matavimas, įskaitant tokius komponentus kaip atmintis, dėmesys, kūrybiškumas ir emocijos, yra pagrindinė kliūtis. Be to, modeliuojant ir imituojant žmogaus smegenų funkcijas, tokias kaip suvokimas, pažinimas ir emocijos, kyla sudėtingų iššūkių.

Be to, svarbiausi iššūkiai apima keičiamo dydžio, apibendrinamų mokymosi ir samprotavimo algoritmų ir architektūrų kūrimą ir įgyvendinimą. Taip pat labai svarbu užtikrinti AGI sistemų saugumą, patikimumą ir atskaitomybę sąveikaujant su žmonėmis ir kitais agentais bei suderinti AGI sistemų vertybes ir tikslus su visuomenės vertybėmis ir tikslais.

Įvairios tyrimų kryptys ir paradigmos buvo pasiūlytos ir ištirtos siekiant AGI, kurių kiekviena turi stipriąsias ir ribotas puses. Simbolinis AI, klasikinis metodas, naudojant logiką ir simbolius žinioms pateikti ir manipuliuoti, puikiai tinka abstrakčioms ir struktūrinėms problemoms, tokioms kaip matematika ir šachmatai, tačiau reikia pagalbos keičiant ir integruojant jutimo ir motorinius duomenis.

Be to, Connectionist AI, modernus požiūris, kuriame naudojami neuroniniai tinklai ir gilus mokymasis apdoroti didelius duomenų kiekius, puikiai tinka sudėtingose ​​ir triukšmingose ​​srityse, tokiose kaip regėjimas ir kalba, tačiau reikia pagalbos interpretuojant ir apibendrinant.

Hibridinis AI Sujungia simbolinį ir jungtinį AI, kad išnaudotų savo stipriąsias puses ir įveiktų silpnybes, siekdama tvirtesnių ir universalesnių sistemų. Panašiai, Esavanoriškas AI naudoja evoliucinius algoritmus ir genetinį programavimą, kad sukurtų dirbtinio intelekto sistemas natūralios atrankos būdu, ieškodamas naujų ir optimalių sprendimų, nevaržomų žmogaus dizaino.

Galiausiai, Neuromorfinis AI naudoja neuromorfinę aparatinę ir programinę įrangą, kad imituotų biologines nervų sistemas, siekdama efektyvesnių ir tikroviškesnių smegenų modelių ir sudaryti sąlygas natūraliai sąveikai su žmonėmis ir agentais.

Tai ne vieninteliai požiūriai į AGI, bet kai kurie ryškiausi ir perspektyviausi. Kiekvienas metodas turi privalumų ir trūkumų, ir jie vis tiek turi pasiekti AGI reikalingo bendrumo ir intelekto.

Agi Pavyzdžiai ir programos

Nors AGI dar nepasiekta, kai kurie žymūs AI sistemų pavyzdžiai pasižymi tam tikrais aspektais arba ypatumais, primenančiais AGI ir prisideda prie galimo AGI pasiekimo vizijos. Šie pavyzdžiai rodo žingsnius AGI link, parodant konkrečias galimybes:

„AlfaZero“, sukurta DeepMind, yra sustiprinimo mokymosi sistema, kuri savarankiškai mokosi žaisti šachmatais, shogi ir go be žmogaus žinios ar vadovavimo. Parodydamas antžmogiškus įgūdžius, AlphaZero taip pat pristato novatoriškas strategijas, kurios meta iššūkį įprastai išminčiai.

Be to, OpenAI GPT-3 generuoja nuoseklius ir įvairius tekstus įvairiomis temomis ir užduotimis. Galintis atsakyti į klausimus, rašyti esė ir imituoti skirtingus rašymo stilius, GPT-3 pasižymi įvairiapusiškumu, nors ir tam tikrose ribose.

Be to, ŠVARIUSKenneth Stanley ir Risto Miikkulainen sukurtas evoliucinis algoritmas plėtoja neuroninius tinklus tokioms užduotims kaip roboto valdymas, žaidimų žaidimas ir vaizdų generavimas. NEAT gebėjimas tobulinti tinklo struktūrą ir funkcijas sukuria naujus ir sudėtingus sprendimus, kurių programuotojai iš anksto nenustatė.

Nors šie pavyzdžiai iliustruoja pažangą siekiant AGI, jie taip pat pabrėžia esamus apribojimus ir spragas, dėl kurių reikia toliau tyrinėti ir tobulinti siekiant tikrojo AGI.

AGI pasekmės ir rizika

AGI kelia mokslinius, technologinius, socialinius ir etinius iššūkius, turinčius didelių pasekmių. Ekonominiu požiūriu tai gali sukurti galimybių ir sutrikdyti esamas rinkas, o tai gali padidinti nelygybę. Gerinant švietimą ir sveikatą, AGI gali sukelti naujų iššūkių ir pavojų.

Etiškai tai galėtų skatinti naujas normas, bendradarbiavimą ir empatiją bei įvesti konfliktus, konkurenciją ir žiaurumą. AGI gali kvestionuoti esamas reikšmes ir tikslus, plėsti žinias ir iš naujo apibrėžti žmogaus prigimtį bei likimą. Todėl suinteresuotosios šalys, įskaitant mokslininkus, kūrėjus, politikos formuotojus, pedagogus ir piliečius, turi atsižvelgti į šias pasekmes ir riziką ir jas spręsti.

Bottom Line

AGI yra AI tyrimų priešakyje, žadėdamas intelekto lygį, viršijantį žmogaus galimybes. Nors vizija žavi entuziastus, norint įgyvendinti šį tikslą, iššūkiai išlieka. Dabartinis AI, pasižymintis tam tikrose srityse, turi atitikti AGI platų potencialą.

Daugybė požiūrių, nuo simbolinio ir jungiamojo AI iki neuromorfinių modelių, siekia AGI realizavimo. Žymūs pavyzdžiai, tokie kaip AlphaZero ir GPT-3, demonstruoja pažangą, tačiau tikroji AGI lieka sunkiai suprantama. Dėl ekonominių, etinių ir egzistencinių padarinių, kelionė į AGI reikalauja kolektyvinio dėmesio ir atsakingo tyrinėjimo.