Hva er kunstig generell intelligens (AGI) og hvorfor den ikke er her ennå: en virkelighetssjekk for AI-entusiaster

Artificial Intelligence (AI) er overalt. Fra smarte assistenter til selvstyrte biler, AI-systemer forvandler livene våre og virksomhetene våre. Men hva om det fantes en AI som kunne mer enn å utføre spesifikke oppgaver? Hva om det fantes en type AI som kunne lære og tenke som et menneske eller til og med overgå menneskelig intelligens?

Dette er visjonen om Kunstig generell intelligens (AGI), en hypotetisk form for AI som har potensial til å utføre enhver intellektuell oppgave som mennesker kan. AGI blir ofte kontrastert med Kunstig smal intelligens (ANI), den nåværende tilstanden til AI som bare kan utmerke seg på ett eller noen få domener, for eksempel å spille sjakk eller gjenkjenne ansikter. AGI, på den annen side, ville ha evnen til å forstå og resonnere på tvers av flere domener, som språk, logikk, kreativitet, sunn fornuft og følelser.

AGI er ikke et nytt konsept. Det har vært den veiledende visjonen for AI-forskning siden de tidligste dagene og er fortsatt dens mest splittende idé. Noen AI-entusiaster tror at AGI er uunngåelig og nært forestående og vil føre til en ny teknologisk og sosial fremgangstid. Andre er mer skeptiske og forsiktige og advarer mot de etiske og eksistensielle risikoene ved å skape og kontrollere en så mektig og uforutsigbar enhet.

Men hvor nærme er vi å oppnå AGI, og er det i det hele tatt fornuftig å prøve? Dette er faktisk et viktig spørsmål hvis svar kan gi en realitetssjekk for AI-entusiaster som er ivrige etter å være vitne til æraen med overmenneskelig intelligens.

Hva er AGI og hvordan er det forskjellig fra AI?

AGI skiller seg fra dagens AI ved sin kapasitet til å utføre enhver intellektuell oppgave som mennesker kan, om ikke overgå dem. Denne forskjellen er i form av flere nøkkelfunksjoner, inkludert:

• abstrakt tenkning
• evnen til å generalisere fra spesifikke tilfeller
• henter fra mangfoldig bakgrunnskunnskap
• bruke sunn fornuft og bevissthet for å ta beslutninger
• forstå årsakssammenheng i stedet for bare sammenheng
• effektiv kommunikasjon og interaksjon med mennesker og andre agenter.

Selv om disse funksjonene er avgjørende for å oppnå menneskelignende eller overmenneskelig intelligens, er de fortsatt vanskelige å fange opp for nåværende AI-systemer.

Nåværende AI er hovedsakelig avhengig av maskinlæring, en gren av informatikk som gjør det mulig for maskiner å lære av data og erfaringer. Maskinlæring fungerer gjennom overvåket, uten tilsynog forsterkning læring.

Overvåket læring innebærer at maskiner lærer fra merkede data for å forutsi eller klassifisere nye data. Uovervåket læring innebærer å finne mønstre i umerkede data, mens forsterkende læring dreier seg om å lære fra handlinger og tilbakemeldinger, optimalisere for belønninger eller minimere kostnader.

Til tross for å oppnå bemerkelsesverdige resultater på områder som datasyn og naturlig språkbehandling, dagens AI-systemer begrenses av kvaliteten og kvantiteten på treningsdata, forhåndsdefinerte algoritmer og spesifikke optimaliseringsmål. De trenger ofte hjelp med tilpasningsevne, spesielt i nye situasjoner, og mer åpenhet i å forklare resonnementene sine.

I motsetning er AGI tenkt å være fri fra disse begrensningene og vil ikke stole på forhåndsdefinerte data, algoritmer eller mål, men i stedet på sine egne lærings- og tenkeevner. AGI kan dessuten tilegne seg og integrere kunnskap fra ulike kilder og domener, og bruke den sømløst på nye og varierte oppgaver. Videre vil AGI utmerke seg i resonnement, kommunikasjon, forståelse og manipulering av verden og seg selv.

Hva er utfordringene og tilnærmingene for å oppnå AGI?

Å realisere AGI byr på betydelige utfordringer som omfatter tekniske, konseptuelle og etiske dimensjoner.

For eksempel er definering og måling av intelligens, inkludert komponenter som minne, oppmerksomhet, kreativitet og følelser, en grunnleggende hindring. I tillegg byr modellering og simulering av den menneskelige hjernens funksjoner, som persepsjon, kognisjon og følelser, komplekse utfordringer.

Videre inkluderer kritiske utfordringer å designe og implementere skalerbare, generaliserbare lærings- og resonneringsalgoritmer og arkitekturer. Å sikre sikkerheten, påliteligheten og ansvarligheten til AGI-systemer i deres interaksjoner med mennesker og andre agenter og samkjøre verdiene og målene til AGI-systemene med samfunnets er også av største betydning.

Ulike forskningsretninger og paradigmer har blitt foreslått og utforsket i jakten på AGI, hver med styrker og begrensninger. Symbolsk AI, en klassisk tilnærming som bruker logikk og symboler for kunnskapsrepresentasjon og manipulasjon, utmerker seg i abstrakte og strukturerte problemer som matematikk og sjakk, men trenger hjelp til å skalere og integrere sensoriske og motoriske data.

Likeledes, Connectionist AI, en moderne tilnærming som bruker nevrale nettverk og dyp læring for å behandle store mengder data, utmerker seg i komplekse og støyende domener som syn og språk, men trenger hjelp til tolkning og generaliseringer.

Hybrid AI kombinerer symbolsk og konneksjonistisk AI for å utnytte sine styrker og overvinne svakheter, med sikte på mer robuste og allsidige systemer. på samme måte, Erevolusjonær AI bruker evolusjonære algoritmer og genetisk programmering for å utvikle AI-systemer gjennom naturlig utvalg, og søker nye og optimale løsninger uten begrensning av menneskelig design.

Til slutt, Nevromorf AI bruker nevromorf maskinvare og programvare for å etterligne biologiske nevrale systemer, med sikte på mer effektive og realistiske hjernemodeller og muliggjør naturlig interaksjon med mennesker og agenter.

Dette er ikke de eneste tilnærmingene til AGI, men noen av de mest fremtredende og lovende. Hver tilnærming har fordeler og ulemper, og de må fortsatt oppnå generaliteten og intelligensen som AGI krever.

AGI Eksempler og applikasjoner

Selv om AGI ikke er oppnådd ennå, viser noen bemerkelsesverdige eksempler på AI-systemer visse aspekter eller funksjoner som minner om AGI, noe som bidrar til visjonen om eventuell AGI-oppnåelse. Disse eksemplene representerer fremskritt mot AGI ved å vise frem spesifikke evner:

alphazero, utviklet av DeepMind, er et forsterkende læringssystem som autonomt lærer å spille sjakk, shogi og Go uten menneskelig kunnskap eller veiledning. AlphaZero demonstrerer overmenneskelig dyktighet og introduserer også innovative strategier som utfordrer konvensjonell visdom.

Tilsvarende OpenAI's GPT-3 genererer sammenhengende og mangfoldige tekster på tvers av ulike emner og oppgaver. GPT-3 er i stand til å svare på spørsmål, komponere essays og etterligne forskjellige skrivestiler, og viser allsidighet, men innenfor visse grenser.

Likeledes, RYDDIG, en evolusjonær algoritme laget av Kenneth Stanley og Risto Miikkulainen, utvikler nevrale nettverk for oppgaver som robotkontroll, spilling og bildegenerering. NEATs evne til å utvikle nettverksstruktur og funksjon produserer nye og komplekse løsninger som ikke er forhåndsdefinert av menneskelige programmerere.

Selv om disse eksemplene illustrerer fremskritt mot AGI, understreker de også eksisterende begrensninger og hull som nødvendiggjør ytterligere utforskning og utvikling for å forfølge ekte AGI.

AGI-implikasjoner og -risikoer

AGI stiller vitenskapelige, teknologiske, sosiale og etiske utfordringer med dype implikasjoner. Økonomisk kan det skape muligheter og forstyrre eksisterende markeder, og potensielt øke ulikheten. Mens AGI forbedrer utdanning og helse, kan det introdusere nye utfordringer og risikoer.

Etisk sett kan det fremme nye normer, samarbeid og empati og introdusere konflikter, konkurranse og grusomhet. AGI kan stille spørsmål ved eksisterende betydninger og formål, utvide kunnskap og omdefinere menneskets natur og skjebne. Derfor må interessenter vurdere og adressere disse implikasjonene og risikoene, inkludert forskere, utviklere, beslutningstakere, lærere og innbyggere.

Bunnlinjen

AGI står i forkant av AI-forskning, og lover et nivå av intellekt som overgår menneskelige evner. Mens visjonen trollbinder entusiaster, fortsetter utfordringene med å realisere dette målet. Nåværende AI, som utmerker seg på spesifikke domener, må møte AGIs ekspansive potensial.

Tallrike tilnærminger, fra symbolsk og konneksjonistisk AI til nevromorfe modeller, streber etter AGI-realisering. Bemerkelsesverdige eksempler som AlphaZero og GPT-3 viser frem fremskritt, men ekte AGI forblir unnvikende. Med økonomiske, etiske og eksistensielle implikasjoner krever reisen til AGI kollektiv oppmerksomhet og ansvarlig utforskning.