Podsumowanie AGI-22: Postępy w rozwoju sztucznej inteligencji ogólnej

Niedawno uczestniczyłem w 15. corocznym konferencji na temat sztucznej inteligencji ogólnej (AGI-22), która odbyła się w Seattle w sierpniu, aby zapoznać się z nowymi rozwojami, które mogą prowadzić do ostatecznego stworzenia sztucznej inteligencji ogólnej (AGI).

Sztuczna inteligencja ogólna jest rodzajem zaawansowanej sztucznej inteligencji, która może generalizować w wielu dziedzinach i nie jest wąska w zakresie. Przykładami wąskiej sztucznej inteligencji są samochód autonomiczny, czatbot, szachowy bot lub jakakolwiek inna sztuczna inteligencja, która jest zaprojektowana do jednego celu. Sztuczna inteligencja ogólna w porównaniu byłaby w stanie elastycznie przełączać się między którymkolwiek z powyższych lub innymi dziedzinami specjalizacji. Składa się z spekulatywnego rodzaju sztucznej inteligencji, który wykorzystywałby nowe algorytmy, takie jak przenoszenie uczenia, i ewolucyjne uczenie, oraz wykorzystywałby algorytmy legacy, takie jak głębokie wzmocnione uczenie.

Podczas sesji otwierającej Ben Goertzel, badacz sztucznej inteligencji, , dyrektor generalny i założyciel SingularityNET, i lider Fundacji OpenCog mówił o stanie branży. Wydawał się entuzjastycznie nastawiony do przyszłego kierunku AGI, stwierdzając, że „Jesteśmy oddaleni o lata, a nie dekady”. To umieściłoby ostateczne wprowadzenie AGI na rok 2029, ten sam rok, w którym Ray Kurzweil, jeden z czołowych wynalazców, myślicieli i futurologów, słynnie przewidział pojawienie się sztucznej inteligencji, która osiągnie poziom inteligencji ludzkiej.

Teoria mówi, że raz osiągnięty ten poziom inteligencji, sztuczna inteligencja natychmiast i ciągle poprawiałaby się, aby szybko przewyższyć inteligencję ludzką w tym, co nazywa się superinteligencją.

Inny prelegent, Charles J. Simon, założyciel i dyrektor generalny Future AI, stwierdził w oddzielnej sesji, że „pojawienie się AGI będzie stopniowe” i „AGI jest nieuniknione i przyjdzie wcześniej, niż większość ludzi myśli, może to być kilka lat”.

Nawet z tym optymistycznym nastawieniem, istnieją znaczące przeszkody. Ben Goertzel również uznał, że aby osiągnąć AGI, „Potrzebujemy napływu nowych pomysłów, a nie tylko skalowania sieci neuronowych”. To jest nastawienie, które zostało podzielone przez Gary’ego Marcusa, który jest znany z twierdzenia, że „głębokie uczenie się uderzyło w ścianę”.

Niektóre z podstawowych wyzwań w tworzeniu AGI obejmują znalezienie systemu nagród, który może skalować inteligencję w maksymalnie poinformowany sposób. Paradoks Moraveca odzwierciedla bieżący problem z osiągnięciem AGI za pomocą naszej bieżącej technologii. Ten paradoks stwierdza, że adaptacje, które są intuicyjne dla rocznego dziecka, takie jak nauka chodzenia i symulowanie rzeczywistości, są o wiele trudniejsze do zaprogramowania w sztucznej inteligencji niż to, co ludzie postrzegają jako trudne.

Dla ludzi jest to przeciwieństwo, opanowanie szachów lub wykonywanie złożonych formuł matematycznych może wymagać całe życie, aby je opanować, a jednak są to dwie dość łatwe zadania dla wąskiej sztucznej inteligencji.

Jednym z rozwiązań tego paradoksu może być ewolucyjne uczenie, znane również jako ewolucyjne algorytmy. To pozwala sztucznej inteligencji na poszukiwanie złożonych rozwiązań, naśladując proces biologicznej ewolucji.

W oddzielnym Q & A Ben Goertzel stwierdził, że „AGI nie jest nieuniknione, ale jest bardzo prawdopodobne”. To jest ten sam wniosek, do którego doszedłem, ale granica między nieuniknionością a prawdopodobieństwem zaciera się.

Podczas konferencji przedstawiono wiele prac, jedną z najbardziej godnych uwagi prac była Polynomial Functors: A General Theory of Interaction Davida Spivaka z Instytutu Topos w Berkeley, CA i Nelsona Niu z Uniwersytetu Waszyngtonu, w Seattle, WA. Ta praca omawia matematyczną kategorię Poly, która może wpłynąć na przyszły kierunek sztucznej inteligencji w odniesieniu do intymnych relacji z dynamicznymi procesami, podejmowaniem decyzji i przechowywaniem oraz transformacją danych. Pozostaje to, aby zobaczyć, jak to wpłynie na badania nad AGI, ale może to być jeden z brakujących składników, które mogą nas doprowadzić do AGI.

Oczywiście były też inne prace, które były bardziej spekulatywne, takie jak Versatility-Efficiency Index (VEI): Towards a Comprehensive Definition of IQ for AGI Agents autorstwa Mohammadreza Alidoust. Pomysł polega na skonstruowaniu alternatywnego sposobu pomiaru poziomu inteligencji systemów inteligentnych, rodzaju testu IQ, aby zmierzyć AGI agentów w sposób obliczeniowy.

Dwie godne uwagi firmy, które mogą dokonać przełomów w tej podstawowej technologii, to OpenAI i DeepMind, obie z których były szczególnie nieobecne. Może to być ze strachu, że AGI nie jest traktowana poważnie przez społeczność sztucznej inteligencji, ale są to dwie firmy, które najprawdopodobniej dokonają pierwszego przełomu w tej dziedzinie. Jest to szczególnie prawdziwe, ponieważ deklarowana misja OpenAI polega na prowadzeniu podstawowych, długoterminowych badań w kierunku stworzenia bezpiecznej AGI.

Chociaż nie było żadnych głównych przełomowych odkryć, które można by ujawnić na konferencji, jest jasne, że AGI zajmuje wiele badaczy i jest czymś, na co społeczność sztucznej inteligencji powinna zwrócić większą uwagę. W końcu AGI może być rozwiązaniem problemu wielu zagrożeń egzystencjalnych dla ludzkości.