Wat is Artificial General Intelligence (AGI) en waarom is het nog niet hier: een realiteitcheck voor AI-enthusiasten

Kunstmatige intelligentie (AI) is overal. Van slimme assistenten tot zelfrijdende auto’s, AI-systemen veranderen onze levens en bedrijven. Maar wat als er een AI zou zijn die meer kon doen dan specifieke taken uitvoeren? Wat als er een type AI zou zijn dat kon leren en denken als een mens of zelfs de menselijke intelligentie kon overtreffen?

Dit is de visie van Artificial General Intelligence (AGI), een hypothetische vorm van AI die het potentieel heeft om elke intellectuele taak te voltooien die mensen kunnen. AGI wordt vaak gecontrasteerd met Artificial Narrow Intelligence (ANI), de huidige staat van AI die alleen uitblinkt in één of een paar domeinen, zoals schaken of gezichtsherkenning. AGI, aan de andere kant, zou 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 nabij 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 dichtbij zijn we om AGI te bereiken, en heeft het zin om het te proberen? Dit is in feite een belangrijke vraag waarvan het antwoord een realiteitcheck kan bieden voor AI-enthusiasten die verlangen om de era van bovenmenselijke intelligentie te zien.

Wat is AGI en hoe verschilt het van AI?

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

• abstract denken
• de mogelijkheid om te generaliseren van specifieke instanties
• het trekken van diverse achtergrondkennis
• het gebruik van gezond verstand en bewustzijn voor besluitvorming
• het begrijpen van oorzakelijkheid 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 de 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 het behalen van opmerkelijke resultaten in gebieden zoals computer vision en natural language processing, zijn huidige AI-systemen beperkt door de kwaliteit en kwantiteit van de trainingsdata, vooraf gedefinieerde algoritmen en specifieke optimalisatiedoelen. Ze hebben vaak hulp nodig bij adaptatie, vooral in nieuwe situaties, en meer transparantie in het uitleggen van hun redenering.

In tegenstelling tot AGI, dat vrij zou zijn van deze beperkingen en niet zou vertrouwen op vooraf gedefinieerde data, algoritmen of doelen, maar op zijn eigen leer- en denkvermogen. Bovendien zou AGI in staat zijn om kennis te verwerven en te integreren vanuit diverse bronnen en domeinen, en deze toe te passen op nieuwe en gevarieerde 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.

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

Verder zijn kritische 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 afstemmen van de waarden en doelen van AGI-systemen op die van de samenleving is van het grootste belang.

Er zijn verschillende onderzoeksrichtingen en paradigma’s voorgesteld en onderzocht in de zoektocht naar AGI, elk met sterke en zwakke punten. Symbolic 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 hun 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 door middel van natuurlijke selectie, met als doel nieuwe en optimale oplossingen te vinden die niet zijn beperkt door menselijke ontwerp.

Tenslotte, Neuromorfische AI maakt gebruik van neuromorfische hardware en software om biologische neurale systemen na te bootsen, met als doel meer efficiënte en realistische hersenmodellen te creëren en natuurlijke interacties met mensen en agenten mogelijk te maken.

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

AGI-voorbeelden en -toepassingen

Hoewel AGI nog niet is bereikt, zijn er enkele opmerkelijke voorbeelden van AI-systemen die bepaalde aspecten of kenmerken van AGI vertonen, waardoor ze bijdragen aan de visie van het uiteindelijke bereiken van AGI. Deze voorbeelden vertegenwoordigen stappen in de richting van 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. AlphaZero toont bovenmenselijke vaardigheid en introduceert innovatieve strategieën die de conventionele wijsheid uitdagen.

Evenzo, OpenAI’s GPT-3 genereert coherente en gevarieerde 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 gemaakt door Kenneth Stanley en Risto Miikkulainen, evolueert neurale netwerken voor taken zoals robotbesturing, spelletjes en beeldgeneratie. NEAT’s vermogen om netwerkstructuur en -functie te evolueren produceert nieuwe en complexe oplossingen die niet zijn vooraf gedefinieerd door menselijke programmeurs.

Hoewel deze voorbeelden vooruitgang in de richting van AGI demonstreren, benadrukken ze ook bestaande beperkingen en lacunes die verdere exploratie en ontwikkeling vereisen om ware AGI te bereiken.

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 ongelijkheid verhogend. 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, waaronder onderzoekers, ontwikkelaars, beleidsmakers, onderwijsinstellingen en burgers.

De bottom line

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

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