Wat is Artificial General Intelligence (AGI) en Waarom het Nog Niet Hier is: Een Realiteitcheck voor AI-enthusiasten

Artificiële Intelligentie (AI) is overal. Van slimme assistenten tot zelfrijdende auto’s, AI-systemen veranderen ons leven en onze bedrijven. Maar stel dat er een AI was die meer kon doen dan specifieke taken uitvoeren? Stel dat er een type AI was dat kon leren en denken als een mens of zelfs menselijke intelligentie kon overtreffen?

Dit is de visie van Artificiële Algemene Intelligentie (AGI), een hypothetische vorm van AI die het potentieel heeft om elke intellectuele taak te volbrengen die mensen kunnen. AGI wordt vaak contrasteerd met Artificiële Smalle Intelligentie (ANI), de huidige staat van AI die alleen uitblinkt in één of een paar domeinen, zoals schaken of gezichten herkennen. AGI zou daarentegen de mogelijkheid hebben om te begrijpen en te redeneren over meerdere domeinen, zoals taal, logica, creativiteit, gezond verstand en emotie.

AGI is geen nieuw concept. Het is de leidende visie van AI-onderzoek sinds de vroegste dagen en blijft het meest omstreden idee. Sommige AI-enthusiasten geloven dat AGI onvermijdelijk en imminent is en zal leiden tot een nieuwe technologische en sociale vooruitgang. Anderen zijn meer sceptisch en voorzichtig 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 zelfs zin om het te proberen? Dit is in feite een belangrijke vraag waarvan het antwoord een realiteitcheck kan bieden voor AI-enthusiasten die verlangen naar de era van bovenmenselijke intelligentie.

Wat is AGI en Hoe Verschilt het van AI?

AGI onderscheidt zich van de huidige AI door zijn capaciteit om elke intellectuele taak te volbrengen die mensen kunnen, als het niet overtreft. Dit onderscheid is in termen van een aantal sleutelkenmerken, waaronder:

• abstract denken
• de mogelijkheid om te generaliseren van specifieke voorbeelden
• het putten uit diverse achtergrondkennis
• het gebruik van gezond verstand en bewustzijn voor besluitvorming
• het begrijpen van oorzaak en gevolg in plaats van alleen correlatie
• effectieve communicatie en interactie met mensen en andere agenten.

Terwijl deze kenmerken essentieel zijn voor het bereiken van menselijke of bovenmenselijke intelligentie, blijven ze moeilijk te vangen voor huidige AI-systemen.

Huidige AI is voornamelijk afhankelijk van machine learning, een tak van computerwetenschap die machines in staat stelt om te leren van data en ervaringen. Machine learning werkt via supervised, unsupervised en reinforcement learning.

Supervised learning houdt in dat machines leren van gelabelde data om nieuwe data te voorspellen of te classificeren. Unsupervised learning houdt in dat patronen worden gevonden in ongelabelde data, terwijl reinforcement learning zich richt op het leren van acties en feedback, het optimaliseren van beloningen of het minimaliseren van kosten.

Ondanks de opmerkelijke resultaten in gebieden zoals computer vision en natural language processing, zijn huidige AI-systemen beperkt door de kwaliteit en kwantiteit van trainingsdata, vooraf gedefinieerde algoritmen en specifieke optimalisatie-doelen. Ze hebben vaak moeite met aanpasbaarheid, vooral in nieuwe situaties, en meer transparantie in het uitleggen van hun redenering.

In tegenstelling tot AGI is AGI bedoeld om vrij te zijn van deze beperkingen en zou het niet afhankelijk zijn van vooraf gedefinieerde data, algoritmen of doelen, maar van zijn eigen leer- en denkvermogen. Bovendien zou AGI kennis kunnen verwerven en integreren uit diverse bronnen en domeinen, en deze toe kunnen passen op nieuwe en uiteenlopende taken. Verder zou AGI uitblinken in redeneren, communiceren, begrijpen en manipuleren van de wereld en zichzelf.

Wat zijn de Uitdagingen en Benaderingen om AGI te Bereiken?

Het realiseren van AGI stelt aanzienlijke uitdagingen, die technische, conceptuele en ethische dimensies omvatten.

Bijvoorbeeld, het definiëren en meten van intelligentie, inclusief componenten zoals geheugen, aandacht, creativiteit en emotie, is een fundamentele hindernis. Bovendien stellen het modelleren en simuleren van de functies van de menselijke hersenen, zoals perceptie, cognitie en emotie, complexe uitdagingen.

Verder omvatten kritieke uitdagingen het ontwerpen en implementeren van schaalbare, generaliseerbare leer- en redeneeralgoritmen en -architecturen. Het waarborgen van de veiligheid, betrouwbaarheid en verantwoordelijkheid van AGI-systemen in hun interacties met mensen en andere agenten en het uitlijnen van de waarden en doelen van AGI-systemen met die van de samenleving is van het grootste belang.

Verschillende onderzoeksrichtingen en paradigma’s zijn voorgesteld en onderzocht in de zoektocht naar AGI, elk met sterke en zwakke punten. Symbolische AI, een klassieke benadering die gebruik maakt van logica en symbolen voor kennisrepresentatie en -manipulatie, blinkt uit in abstracte en gestructureerde problemen zoals wiskunde en schaken, maar heeft moeite met het schalen en integreren van sensorische en motorische data.

Evenzo Connectionist AI, een moderne benadering die gebruik maakt van neurale netwerken en diepe leer om grote hoeveelheden data te verwerken, blinkt uit in complexe en lawaaierige domeinen zoals visie en taal, maar heeft moeite met interpretatie en generalisatie.

Hybride AI combineert symbolische en connectionistische AI om hun sterke punten te benutten en zwakke punten te overwinnen, met als doel meer robuuste en veelzijdige systemen te creëren. Evenzo Evolutionaire AI gebruikt evolutionaire algoritmen en genetische programmering om AI-systemen te evolueren via natuurlijke selectie, op zoek naar nieuwe en optimale oplossingen die niet worden beperkt door menselijke ontwerp.

Ten slotte Neuromorfe AI gebruikt neuromorfe hardware en software om biologische neurale systemen te emuleren, met als doel meer efficiënte en realistische hersenmodellen te creëren en natuurlijke interacties met mensen en agenten mogelijk te maken.

Deze zijn niet de enige benaderingen van AGI, maar enkele van de meest prominente en veelbelovende. Elk heeft voordelen en nadelen, en ze moeten nog steeds de generaliteit en intelligentie bereiken die AGI vereist.

AGI Voorbeelden en Toepassingen

Terwijl AGI nog niet is bereikt, zijn er enkele opvallende voorbeelden van AI-systemen die bepaalde aspecten of kenmerken van AGI vertonen, die bijdragen aan de visie van het uiteindelijke bereiken van AGI. Deze voorbeelden vertegenwoordigen stappen naar AGI door specifieke capaciteiten te demonstreren:

AlphaZero, ontwikkeld door DeepMind, is een reinforcement learning-systeem dat autonoom leert om schaken, shogi en Go te spelen zonder menselijke kennis of leiding. Door supermenselijke vaardigheid te demonstreren, introduceert AlphaZero ook innovatieve strategieën die conventionele wijsheid uitdagen.

Evenzo OpenAI’s GPT-3 genereert coherente en diverse teksten over verschillende onderwerpen en taken. In staat om vragen te beantwoorden, essays te schrijven en verschillende schrijfstijlen na te bootsen, toont GPT-3 veelzijdigheid, hoewel binnen bepaalde grenzen.

Evenzo NEAT, een evolutionair algoritme gecreëerd door Kenneth Stanley en Risto Miikkulainen, evolueert neurale netwerken voor taken zoals robotbesturing, spelletjes en beeldgeneratie. De mogelijkheid van NEAT om netwerkstructuur en -functie te evolueren produceert nieuwe en complexe oplossingen die niet zijn vooraf gedefinieerd door menselijke programmeurs.

Terwijl deze voorbeelden vooruitgang naar AGI demonstreren, benadrukken ze ook bestaande beperkingen en lacunes die verdere exploratie en ontwikkeling vereisen bij het nastreven van echte AGI.

AGI Implicaties en Risico’s

AGI stelt wetenschappelijke, technologische, sociale en ethische uitdagingen met diepgaande implicaties. Economisch kan het kansen creëren en bestaande markten verstoren, mogelijk de ongelijkheid vergrotend. Terwijl het onderwijs en de gezondheid verbetert, kan AGI nieuwe uitdagingen en risico’s introduceren.

Ethisch kan het nieuwe normen, samenwerking en empathie bevorderen en conflicten, concurrentie en wreedheid introduceren. AGI kan bestaande betekenissen en doelen in twijfel trekken, kennis uitbreiden en de menselijke aard en bestemming herdefiniëren. Daarom moeten belanghebbenden deze implicaties en risico’s overwegen en aanpakken, inclusief onderzoekers, ontwikkelaars, beleidsmakers, onderwijsinstellingen en burgers.

De Bottom Line

AGI staat aan de voorzijde van AI-onderzoek, belovend een niveau van intelligentie dat de menselijke capaciteiten overtreft. Terwijl de visie enthousiasten fascineert, blijven uitdagingen bestaan bij het realiseren van dit doel. Huidige AI, die uitblinkt in specifieke domeinen, moet de uitgebreide potentie van AGI bereiken.

Talrijke benaderingen, van symbolische en connectionistische AI tot neuromorfe modellen, streven naar AGI-realiseren. Opvallende voorbeelden zoals AlphaZero en GPT-3 demonstreren vooruitgang, maar echte AGI blijft ontbreken. Met economische, ethische en existentiële implicaties vereist de reis naar AGI collectieve aandacht en verantwoorde exploratie.