Hva er kunstig generell intelligens (AGI) og hvorfor er det ikke her ennå: 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 for 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 flere domener, som å spille sjakk eller gjenkjenne ansikter. AGI, på den andre siden, ville ha evnen til å forstå og resonere over 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 nært 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 ved å skape og kontrollere en så kraftig og uforutsigbar enhet.

Men hvor nærme er vi å oppnå AGI, og gjør det overhode noen mening å prøve? Dette er faktisk et viktig spørsmål hvis svaret kan gi en realitetssjekk for AI-entusiaster som er ivrige etter å være vitne til en æra med overmenneskelig intelligens.

Hva er AGI og hvordan er det forskjellig fra AI?

AGI skiller seg fra nåværende AI ved sin evne til å utføre enhver intellektuell oppgave som mennesker kan, hvis ikke overgå dem. Denne forskjellen ligger i flere nøkkeltilpasninger, 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.

Disse tilpasningene er avgjørende for å oppnå menneske-lignende eller overmenneskelig intelligens, men de forblir 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. Uovervåtet 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 datavisjon og naturleg språkbehandling, er nåværende AI-systemer begrenset av kvaliteten og mengden av treningsdata, 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. Dessuten kunne AGI tilegne seg og integrere kunnskap fra mangfoldige kilder og domener, og anvende det sammenhengende til 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. Dessuten presenterer modellering og simulering av hjernens funksjoner, som persepsjon, kognisjon og emosjon, komplekse utfordringer.

Dessuten 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.

Flere 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.

Likewise, 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 visjon 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 fleksible systemer. Liksom Evolutionær AI bruker evolusjonsalgoritmer og genetisk programmering for å utvikle AI-systemer gjennom naturlig seleksjon, og søker etter nye og optimale løsninger uten begrensninger av 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 lovende og fremtredende. Hver tilnærming har fordeler og ulemper, og de må fortsatt oppnå generalitet og intelligens som AGI krever.

AGI Eksempler og Anvendelser

Selv om AGI ennå ikke er oppnådd, finnes det noen bemerkelsesverdige eksempler på AI-systemer som viser bestemte aspekter eller trekk 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 selvstendig 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 koherente og varierte tekster over ulike emner og oppgaver. I stand til å svare på spørsmål, komponere essayer og etterligne ulike skrivestiler, viser GPT-3 fleksibilitet, om enn innenfor visse begrensninger.

Liksom NEAT, en evolusjonsalgoritme 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.

Disse eksemplene illustrerer fremgang mot AGI, men de understreker også eksisterende begrensninger og hull som krever videre utforskning og utvikling i jakten på sant AGI.

AGI Implikasjoner og Risiko

AGI stiller vitenskapelige, tekniske, sosiale og etiske utfordringer med dyptgående implikasjoner. 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 ifrågasette eksisterende betydninger og formål, utvide kunnskap og redefinere menneskelig natur og skjebne. Derfor må alle interessenter vurdere og håndtere disse implikasjonene og risiko, inkludert forskere, utviklere, politiske beslutningstakere, utdannere og borgere.

Bunnen av saken

AGI står i forkant av AI-forskning, og lover et nivå av intellekt som overgår menneskelig kapasitet. Mens visjonen fanger entusiaster, består utfordringer i å realisere dette målet. Nåværende AI, som utmerker seg i spesifikke domener, må møte AGIs omfattende potensial.

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 implikasjoner, krever reisen mot AGI kollektiv oppmerksomhet og ansvarlig utforskning.