Wat is kunstmatige algemene intelligentie (AGI) en waarom het er nog niet is: een reality-check voor AI-enthousiastelingen

Artificial Intelligence (AI) is overal. Van slimme assistenten tot zelfrijdende auto'sAI-systemen transformeren onze levens en bedrijven. Maar wat als er een AI zou zijn die meer zou kunnen doen dan alleen specifieke taken uitvoeren? Wat als er een soort AI zou zijn die zou kunnen leren en denken als een mens, of zelfs de menselijke intelligentie zou kunnen overtreffen?

Dit is de visie van Kunstmatige algemene intelligentie (AGI), een hypothetische vorm van AI die het potentieel heeft om elke intellectuele taak te volbrengen die mensen ook kunnen. AGI wordt vaak gecontrasteerd met Kunstmatige Narrow Intelligence (ANI), de huidige staat van AI die slechts op één of enkele domeinen kan excelleren, zoals schaken of gezichten herkennen. AGI daarentegen zou het vermogen hebben om meerdere domeinen te begrijpen en te redeneren, zoals taal, logica, creativiteit, gezond verstand en emotie.

AGI is geen nieuw concept. Het is sinds het begin de leidende visie van AI-onderzoek geweest en blijft het meest verdeeldheid zaaiende idee. Sommige AI-enthousiastelingen zijn van mening dat AGI onvermijdelijk en dreigend is en zal leiden tot een nieuw tijdperk van technologische en sociale vooruitgang. Anderen zijn sceptischer en voorzichtiger en waarschuwen voor de ethische en existentiële risico's van het creëren en controleren van zo'n krachtige en onvoorspelbare entiteit.

Maar hoe dicht zijn we bij het bereiken van AGI, en heeft het überhaupt zin om het te proberen? Dit is in feite een belangrijke vraag waarvan het antwoord een reality check kan bieden voor AI-enthousiastelingen die graag getuige willen zijn van het tijdperk van bovenmenselijke intelligentie.

Wat is AGI en hoe verschilt het van AI?

AGI onderscheidt zich van de huidige AI door zijn vermogen om elke intellectuele taak uit te voeren die mensen kunnen, of zelfs te overtreffen. Dit onderscheid heeft betrekking op verschillende belangrijke kenmerken, waaronder:

• abstract denken
• het vermogen om te generaliseren vanuit specifieke gevallen
• puttend uit diverse achtergrondkennis
• het gebruik van gezond verstand en bewustzijn bij het nemen van beslissingen
• het begrijpen van causaliteit in plaats van alleen maar correlatie
• effectieve communicatie en interactie met mensen en andere agenten.

Hoewel deze kenmerken essentieel zijn voor het bereiken van mensachtige of bovenmenselijke intelligentie, blijven ze moeilijk vast te leggen voor de huidige AI-systemen.

De huidige AI is vooral afhankelijk van machine learning, een tak van de informatica die machines in staat stelt te leren van data en ervaringen. Machine learning werkt via toezicht, ongecontroleerd en versterking van leren.

Bij begeleid leren gaat het om machines die leren van gelabelde gegevens om nieuwe gegevens te voorspellen of te classificeren. Bij leren zonder toezicht gaat het om het vinden van patronen in ongelabelde gegevens, terwijl versterkend leren draait om het leren van acties en feedback, het optimaliseren voor beloningen of het minimaliseren van de kosten.

Ondanks het behalen van opmerkelijke resultaten op gebieden als computer visie en natuurlijke taalverwerkingworden de huidige AI-systemen beperkt door de kwaliteit en kwantiteit van trainingsgegevens, vooraf gedefinieerde algoritmen en specifieke optimalisatiedoelstellingen. Ze hebben vaak hulp nodig bij het aanpassingsvermogen, vooral in nieuwe situaties, en meer transparantie bij het uitleggen van hun redeneringen.

Het is daarentegen de bedoeling dat AGI vrij is van deze beperkingen en niet zou vertrouwen op vooraf gedefinieerde gegevens, algoritmen of doelstellingen, maar in plaats daarvan op zijn eigen leer- en denkvermogen. Bovendien zou AGI kennis uit diverse bronnen en domeinen kunnen verwerven en integreren, en deze naadloos kunnen toepassen op nieuwe en gevarieerde taken. Bovendien zou AGI uitblinken in redeneren, communiceren, begrijpen en manipuleren van de wereld en zichzelf.

Wat zijn de uitdagingen en benaderingen voor het bereiken van AGI?

Het realiseren van AGI brengt aanzienlijke uitdagingen met zich mee die technische, conceptuele en ethische dimensies omvatten.

Het definiëren en meten van intelligentie, inclusief componenten als geheugen, aandacht, creativiteit en emotie, is bijvoorbeeld een fundamentele hindernis. Bovendien brengt het modelleren en simuleren van de functies van het menselijk brein, zoals perceptie, cognitie en emotie, complexe uitdagingen met zich mee.

Bovendien omvatten kritische uitdagingen het ontwerpen en implementeren van schaalbare, generaliseerbare algoritmen en architecturen voor leren en redeneren. Het garanderen van de veiligheid, betrouwbaarheid en aansprakelijkheid van AGI-systemen in hun interacties met mensen en andere actoren en het afstemmen van de waarden en doelstellingen van AGI-systemen op die van de samenleving is ook van het allergrootste belang.

Bij het nastreven van AGI zijn verschillende onderzoeksrichtingen en paradigma's voorgesteld en onderzocht, elk met sterke punten en beperkingen. Symbolische AI, een klassieke benadering die logica en symbolen gebruikt voor kennisrepresentatie en -manipulatie, blinkt uit in abstracte en gestructureerde problemen zoals wiskunde en schaken, maar heeft hulp nodig bij het schalen en integreren van sensorische en motorische gegevens.

Evenzo Connectionistische AI, een moderne aanpak die gebruik maakt van neurale netwerken en diepgaand leren om grote hoeveelheden gegevens te verwerken, blinkt uit in complexe en luidruchtige domeinen zoals visie en taal, maar heeft hulp nodig bij de interpretatie en generalisaties.

Hybride AI combineert symbolische en verbindende AI om zijn sterke punten te benutten en zwakke punten te overwinnen, met als doel robuustere en veelzijdigere systemen. Op dezelfde manier, Eevolutionaire AI gebruikt evolutionaire algoritmen en genetische programmering om AI-systemen te ontwikkelen door middel van natuurlijke selectie, op zoek naar nieuwe en optimale oplossingen die niet worden beperkt door menselijk ontwerp.

Tenslotte Neuromorfe AI maakt gebruik van neuromorfe hardware en software om biologische neurale systemen te emuleren, met als doel efficiëntere en realistischere hersenmodellen en natuurlijke interacties met mensen en agenten mogelijk te maken.

Dit zijn niet de enige benaderingen van AGI, maar enkele van de meest prominente en veelbelovende. Elke aanpak heeft voor- en nadelen, en ze moeten nog steeds de algemeenheid en intelligentie bereiken die AGI vereist.

AGI Voorbeelden en toepassingen

Hoewel AGI nog niet is gerealiseerd, vertonen enkele opmerkelijke voorbeelden van AI-systemen bepaalde aspecten of kenmerken die doen denken aan AGI, wat bijdraagt ​​aan de visie op het uiteindelijke bereiken van AGI. Deze voorbeelden vertegenwoordigen stappen in de richting van AGI door specifieke mogelijkheden te demonstreren:

alfanul, ontwikkeld door DeepMind, is een versterkend leersysteem dat autonoom leert schaken, shogi en Go spelen zonder menselijke medeweten of begeleiding. AlphaZero demonstreert bovenmenselijke vaardigheid en introduceert ook innovatieve strategieën die de conventionele wijsheid uitdagen.

Evenzo OpenAI's GPT-3 genereert samenhangende en diverse teksten over verschillende onderwerpen en taken. GPT-3 is in staat om vragen te beantwoorden, essays te schrijven en verschillende schrijfstijlen na te bootsen, en biedt veelzijdigheid, zij het binnen bepaalde grenzen.

Evenzo NETJES, een evolutionair algoritme gemaakt door Kenneth Stanley en Risto Miikkulainen, ontwikkelt neurale netwerken voor taken zoals robotbesturing, het spelen van games en het genereren van afbeeldingen. Het vermogen van NEAT om de netwerkstructuur en -functie te ontwikkelen levert nieuwe en complexe oplossingen op die niet vooraf door menselijke programmeurs zijn gedefinieerd.

Hoewel deze voorbeelden de vooruitgang in de richting van AGI illustreren, onderstrepen ze ook de bestaande beperkingen en lacunes die verdere verkenning en ontwikkeling noodzakelijk maken bij het nastreven van echte AGI.

AGI-implicaties en risico's

AGI brengt wetenschappelijke, technologische, sociale en ethische uitdagingen met diepgaande implicaties met zich mee. Economisch gezien kan het kansen creëren en bestaande markten ontwrichten, waardoor de ongelijkheid mogelijk toeneemt. Terwijl het onderwijs en de gezondheidszorg worden verbeterd, kan AGI nieuwe uitdagingen en risico's met zich meebrengen.

Ethisch gezien zou het nieuwe normen, samenwerking en empathie kunnen bevorderen en conflicten, concurrentie en wreedheid kunnen introduceren. AGI kan bestaande betekenissen en doeleinden in twijfel trekken, kennis uitbreiden en de menselijke natuur en bestemming opnieuw definiëren. Daarom moeten belanghebbenden deze implicaties en risico's overwegen en aanpakken, inclusief onderzoekers, ontwikkelaars, beleidsmakers, docenten en burgers.

The Bottom Line

AGI loopt voorop in AI-onderzoek en belooft een intellectueel niveau dat de menselijke capaciteiten overtreft. Hoewel de visie enthousiastelingen boeit, blijven er uitdagingen bestaan ​​bij het realiseren van dit doel. De huidige AI, die uitblinkt in specifieke domeinen, moet tegemoetkomen aan het uitgebreide potentieel van AGI.

Talrijke benaderingen, van symbolische en connectionistische AI ​​tot neuromorfe modellen, streven naar AGI-realisatie. Bekende voorbeelden zoals AlphaZero en GPT-3 laten vooruitgang zien, maar echte AGI blijft ongrijpbaar. Met economische, ethische en existentiële implicaties vereist de reis naar AGI collectieve aandacht en verantwoord onderzoek.