Hva er kunstig generell intelligens (AGI) og hvorfor den ikke er her enda: En realitetssjekk for AI-entusiaster

Kunstig intelligens (AI) er overalt. Fra smarte assistenter til selvkjørende biler, omformer AI-systemer våre liv og bedrifter. Men hva hvis det var en AI som kunne gjøre mer enn å utføre spesifikke oppgaver? Hva hvis det var en type AI som kunne lære og tenke som et menneske eller sogar overgå menneskelig intelligens?

Dette er visjonen om kunstig generell intelligens (AGI), en hypotetisk form for AI som har potensialet til å fullføre enhver intellektuell oppgave som mennesker kan. AGI kontrasteres ofte med kunstig smal intelligens (ANI), den nåværende tilstanden for AI som bare kan utmerke seg i ett eller noen få domener, som å spille sjakk eller gjenkjenne ansikter. AGI, på den andre siden, ville ha evnen til å forstå og resonere på tvers av flere domener, som språk, logikk, kreativitet, sunn fornuft og emosjon.

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

Men hvor nærme er vi å oppnå AGI, og har det noen gang mening å prøve? Dette er, i virkeligheten, et viktig spørsmål hvis svar kan gi en realitetssjekk for AI-entusiaster som er ivrige etter å være vitne til æraen av overmenneskelig intelligens.

Hva er AGI og hvordan er det forskjellig fra AI?

AGI skiller seg ut fra nåværende AI med sin evne til å utføre enhver intellektuell oppgave som mennesker kan, hvis ikke overgå dem. Denne forskjellen er i termer av flere nøkkeltilpassninger, inkludert:

• abstrakt tenkning
• evnen til å generalisere fra spesifikke eksempler
• å trekke fra mangfoldig bakgrunnskunnskap
• å bruke sunn fornuft og bevissthet for beslutningstaking
• å forstå årsakssammenheng i stedet for bare korrelasjon
• effektiv kommunikasjon og interaksjon med mennesker og andre agenter.

Mens disse egenskapene er avgjørende for å oppnå menneske-lignende eller overmenneskelig intelligens, forblir de vanskelige å fange for nåværende AI-systemer.

Nåværende AI avhenger hovedsakelig av maskinlæring, en gren av datavitenskap som gjør det mulig for maskiner å lære fra data og erfaringer. Maskinlæring opererer gjennom overvåket, uovervåket og forsterket læring.

Overvåket læring innebærer at maskiner lærer fra merket data for å forutsi eller klassifisere ny data. Uovervåket læring innebærer å finne mønster i umerket data, mens forsterket læring handler om å lære fra handlinger og tilbakemeldinger, optimalisere for belønninger eller minimere kostnader.

Til tross for å ha oppnådd bemerkelsesverdige resultater i områder som datamaskinsyn og naturlig språkbehandling, er nåværende AI-systemer begrenset av kvaliteten og mengden av treningdata, forhåndsdefinerte algoritmer og spesifikke optimaliseringsmål. De trenger ofte hjelp med tilpasning, spesielt i nye situasjoner, og mer gjennomsiktighet i å forklare deres resonnering.

I motsetning til dette er AGI tenkt å være fritt fra disse begrensningene og ville ikke avhenge av forhåndsdefinert data, algoritmer eller mål, men i stedet på sine egne læring- og tenkeevner. Videre kunne AGI tilegne seg og integrere kunnskap fra mangfoldige kilder og domener, og anvende det sammenhengende på nye og varierte oppgaver. Videre ville AGI utmerke seg i resonnering, kommunikasjon, forståelse og manipulering av verden og seg selv.

Hva er utfordringene og tilnærmingene til å oppnå AGI?

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

For eksempel er å definere og måle intelligens, inkludert komponenter som minne, oppmerksomhet, kreativitet og emosjon, en grunnleggende hindring. I tillegg presenterer modellering og simulering av hjernens funksjoner, som persepsjon, kognisjon og emosjon, komplekse utfordringer.

Videre inkluderer kritiske utfordringer design og implementering av skalerbare, generaliserbare læring- og resonneringsalgoritmer og arkitekturer. Å sikre sikkerheten, påliteligheten og ansvarligheten til AGI-systemer i deres interaksjoner med mennesker og andre agenter, og å harmonisere verdiene og målene til AGI-systemer med de til samfunnet, er også av største betydning.

Forskjellige forskningsretninger og paradigmer er blitt foreslått og utforsket i jakten på AGI, hver med styrker og begrensninger. Symbolisk AI, en klassisk tilnærming som bruker logikk og symboler for kunnskapsrepresentasjon og -manipulering, utmerker seg i abstrakte og strukturerte problemer som matematikk og sjakk, men trenger hjelp med å skalerer og integrere sanse- og motordata.

Liksom Connectionist AI, en moderne tilnærming som bruker neurale nettverk og dyp læring for å prosessere store mengder data, utmerker seg i komplekse og støyende domener som syn og språk, men trenger hjelp med å tolke og generalisere.

Hybrid AI kombinerer symbolisk og connectionist AI for å utnytte styrkene og overvinne svakheter, med mål om mer robuste og mangfoldige systemer. Liksom Evolusjonær AI bruker evolusjonære algoritmer og genetisk programmering for å utvikle AI-systemer gjennom naturlig seleksjon, og søker etter nye og optimale løsninger utenfor menneskelig design.

Til slutt Neuromorf AI bruker neuromorfe hardware og software for å etterligne biologiske neurale systemer, med mål om mer effektive og realistiske hjernemodeller og å muliggjøre naturlige interaksjoner med mennesker og agenter.

Disse er ikke de eneste tilnærmingene til AGI, men noen av de mest prominente og lovende. Hver tilnærming har fordeler og ulemper, og de må fortsatt oppnå den generalitet og intelligensen som AGI krever.

AGI-eksempler og -applikasjoner

Selv om AGI ikke er oppnådd enda, viser noen bemerkelsesverdige eksempler på AI-systemer visse aspekter eller egenskaper som minner om AGI, og bidrar til visjonen om til slutt å oppnå AGI. Disse eksemplene representerer skritt mot AGI ved å vise spesifikke evner:

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

Liksom OpenAI’s GPT-3 genererer sammenhengende og varierte tekster over ulike emner og oppgaver. I stand til å svare på spørsmål, komponere essayer og etterligne ulike skrivestiler, viser GPT-3 mangfold, selv om innenfor visse begrensninger.

Liksom NEAT, en evolusjonær algoritme skapt av Kenneth Stanley og Risto Miikkulainen, utvikler neurale nettverk for oppgaver som robotkontroll, spill og bildegenerering. NEATs evne til å utvikle nettverksstruktur og funksjon produserer nye og komplekse løsninger som ikke er forhåndsdefinert av menneskelige programmere.

Selv om disse eksemplene viser fremgang mot AGI, understreker de også eksisterende begrensninger og hull som nødvendiggjør videre utforskning og utvikling i jakten på sant AGI.

AGI-konsekvenser og -risiko

AGI stiller vitenskapelige, tekniske, sosiale og etiske utfordringer med dyptgående konsekvenser. Økonomisk kan det skape muligheter og forstyrre eksisterende markeder, potensielt øke ulikhet. Mens det kan forbedre utdanning og helse, kan AGI også introdusere nye utfordringer og risiko.

Etisk kan det fremme nye normer, samarbeid og empati og introdusere konflikter, konkurranse og grusomhet. AGI kan utfordre eksisterende betydninger og formål, utvide kunnskap og redefinere menneskets natur og skjebne. Derfor må interessenter vurdere og håndtere disse konsekvensene og risiko, inkludert forskere, utviklere, politiske beslutningstakere, utdannere og borgere.

Bunnen av saken

AGI står i forkant av AI-forskning, lovet en intellektuell nivå som overgår menneskelige evner. Mens visjonen fanger entusiaster, består utfordringer i å realisere dette målet. Nåværende AI, som utmerker seg i spesifikke domener, må møte AGIs omfattende potensiale.

Mange tilnærminger, fra symbolisk og connectionist AI til neuromorfe modeller, streber etter å realisere AGI. Bemerkelsesverdige eksempler som AlphaZero og GPT-3 viser fremgang, men sant AGI forblir et uvirkelig mål. Med økonomiske, etiske og eksistensielle konsekvenser, krever reisen mot AGI kollektiv oppmerksomhet og ansvarlig utforskning.