Czym jest sztuczna inteligencja ogólna (AGI) i dlaczego jeszcze jej nie ma: sprawdzenie rzeczywistości dla entuzjastów sztucznej inteligencji

Artificial Intelligence (AI) jest wszędzie. Od inteligentnych asystentów po samodzielne prowadzenie samochodu, systemy sztucznej inteligencji zmieniają nasze życie i przedsiębiorstwa. Ale co by było, gdyby istniała sztuczna inteligencja, która mogłaby zrobić więcej niż tylko wykonywanie określonych zadań? Co by było, gdyby istniał rodzaj sztucznej inteligencji, który mógłby uczyć się i myśleć jak człowiek, a nawet przewyższać ludzką inteligencję?

To jest wizja sztuczna inteligencja ogólna (AGI), hipotetyczna forma sztucznej inteligencji, która może wykonać każde intelektualne zadanie, jakie może wykonać człowiek. Często przeciwstawia się AGI Sztuczna Wąska Inteligencja (ANI), obecny stan sztucznej inteligencji, który może przodować tylko w jednej lub kilku dziedzinach, takich jak gra w szachy lub rozpoznawanie twarzy. Z drugiej strony AGI miałby zdolność rozumienia i rozumowania w wielu dziedzinach, takich jak język, logika, kreatywność, zdrowy rozsądek i emocje.

AGI nie jest nową koncepcją. Była to wiodąca wizja badań nad sztuczną inteligencją od samego początku i pozostaje jej ideą wywołującą największe podziały. Niektórzy entuzjaści sztucznej inteligencji uważają, że AGI jest nieuniknione i nieuchronne oraz doprowadzi do nowej ery postępu technologicznego i społecznego. Inni są bardziej sceptyczni i ostrożni oraz ostrzegają przed etycznym i egzystencjalnym ryzykiem tworzenia i kontrolowania tak potężnej i nieprzewidywalnej jednostki.

Ale jak blisko jesteśmy osiągnięcia AGI i czy w ogóle ma sens próbować? To w istocie ważne pytanie, którego odpowiedź może sprawdzić rzeczywistość entuzjastom sztucznej inteligencji, którzy nie mogą się doczekać ery nadludzkiej inteligencji.

Co to jest AGI i czym różni się od sztucznej inteligencji?

AGI różni się od obecnej sztucznej inteligencji zdolnością do wykonania dowolnego zadania intelektualnego, które człowiek jest w stanie wykonać, jeśli w ogóle go nie przewyższy. To rozróżnienie dotyczy kilku kluczowych cech, w tym:

• myślenie abstrakcyjne
• umiejętność uogólniania na podstawie konkretnych przypadków
• czerpiąc z różnorodnej wiedzy ogólnej
• przy podejmowaniu decyzji należy kierować się zdrowym rozsądkiem i świadomością
• zrozumienia przyczynowości, a nie tylko korelacji
• skuteczna komunikacja i interakcja z ludźmi i innymi agentami.

Chociaż cechy te są niezbędne do osiągnięcia inteligencji na poziomie ludzkim lub nadludzkim, nadal trudno je uchwycić w obecnych systemach sztucznej inteligencji.

Obecna sztuczna inteligencja opiera się głównie na uczeniu maszynowym – gałęzi informatyki, która umożliwia maszynom uczenie się na podstawie danych i doświadczeń. Uczenie maszynowe działa poprzez nadzorowany, bez nadzoru, uczenie się wzmacniania.

Uczenie nadzorowane obejmuje uczenie się maszyn na podstawie oznaczonych etykiet danych w celu przewidywania lub klasyfikowania nowych danych. Uczenie się bez nadzoru polega na znajdowaniu wzorców w nieoznaczonych danych, podczas gdy uczenie się przez wzmacnianie koncentruje się na uczeniu się na podstawie działań i informacji zwrotnych, optymalizacji pod kątem nagród lub minimalizacji kosztów.

Pomimo osiągnięcia niezwykłych wyników w obszarach takich jak wizja komputerowa oraz przetwarzanie języka naturalnego, obecne systemy sztucznej inteligencji są ograniczone jakością i ilością danych szkoleniowych, predefiniowanymi algorytmami i konkretnymi celami optymalizacji. Często potrzebują pomocy w zakresie zdolności adaptacyjnych, zwłaszcza w nowych sytuacjach, oraz większej przejrzystości w wyjaśnianiu swojego rozumowania.

Natomiast AGI ma być wolne od tych ograniczeń i nie opierałoby się na z góry określonych danych, algorytmach czy celach, ale zamiast tego na własnych możliwościach uczenia się i myślenia. Co więcej, AGI mogłoby zdobywać i integrować wiedzę z różnych źródeł i dziedzin, bezproblemowo stosując ją do nowych i różnorodnych zadań. Co więcej, AGI wyróżniałoby się rozumowaniem, komunikacją, rozumieniem i manipulowaniem światem i sobą.

Jakie są wyzwania i podejścia do osiągnięcia AGI?

Realizacja AGI stwarza poważne wyzwania obejmujące wymiar techniczny, koncepcyjny i etyczny.

Na przykład podstawową przeszkodą jest zdefiniowanie i zmierzenie inteligencji, w tym takich elementów, jak pamięć, uwaga, kreatywność i emocje. Ponadto modelowanie i symulowanie funkcji ludzkiego mózgu, takich jak percepcja, funkcje poznawcze i emocje, wiąże się ze złożonymi wyzwaniami.

Co więcej, najważniejsze wyzwania obejmują projektowanie i wdrażanie skalowalnych, dających się uogólnić algorytmów i architektur uczenia się i wnioskowania. Niezwykle ważne jest także zapewnienie bezpieczeństwa, niezawodności i odpowiedzialności systemów AGI w ich interakcjach z ludźmi i innymi czynnikami oraz dostosowanie wartości i celów systemów AGI do wartości i celów społeczeństwa.

W dążeniu do AGI zaproponowano i zbadano różne kierunki badań i paradygmaty, każdy z nich ma mocne i ograniczone strony. Symboliczna sztuczna inteligencja, klasyczne podejście wykorzystujące logikę i symbole do reprezentacji i manipulacji wiedzą, sprawdza się w przypadku abstrakcyjnych i ustrukturyzowanych problemów, takich jak matematyka i szachy, ale wymaga pomocy w skalowaniu i integrowaniu danych sensorycznych i motorycznych.

Podobnie, Koneksjonistyczna sztuczna inteligencja, nowoczesne podejście wykorzystujące sieci neuronowe i głębokie uczenie się do przetwarzania dużych ilości danych, sprawdza się w złożonych i hałaśliwych dziedzinach, takich jak wzrok i język, ale wymaga pomocy w interpretacji i uogólnieniach.

Hybrydowa sztuczna inteligencja łączy symboliczną i koneksjonistyczną sztuczną inteligencję, aby wykorzystać swoje mocne strony i pokonać słabości, dążąc do stworzenia solidniejszych i wszechstronnych systemów. podobnie, Erewolucyjna sztuczna inteligencja wykorzystuje algorytmy ewolucyjne i programowanie genetyczne do ewolucji systemów sztucznej inteligencji w drodze doboru naturalnego, poszukując nowatorskich i optymalnych rozwiązań nieograniczonych ludzkim projektem.

Wreszcie Neuromorficzna sztuczna inteligencja wykorzystuje sprzęt i oprogramowanie neuromorficzne do emulacji biologicznych systemów neuronowych, mając na celu stworzenie bardziej wydajnych i realistycznych modeli mózgu oraz umożliwienie naturalnych interakcji z ludźmi i agentami.

Nie są to jedyne podejścia do AGI, ale niektóre z najbardziej znanych i obiecujących. Każde podejście ma zalety i wady, ale nadal musi osiągnąć ogólność i inteligencję wymaganą przez AGI.

AGI Przykłady i zastosowania

Chociaż AGI nie zostało jeszcze osiągnięte, niektóre godne uwagi przykłady systemów AI wykazują pewne aspekty lub cechy przypominające AGI, przyczyniając się do wizji ostatecznego osiągnięcia AGI. Poniższe przykłady stanowią postęp w kierunku AGI poprzez pokazanie konkretnych możliwości:

AlfaZero, opracowany przez DeepMind, to system uczenia się przez wzmacnianie, który samodzielnie uczy się grać w szachy, shogi i go, bez wiedzy i wskazówek człowieka. Wykazując nadludzką biegłość, AlphaZero wprowadza także innowacyjne strategie, które rzucają wyzwanie konwencjonalnej mądrości.

Podobnie, OpenAI's GPT-3 generuje spójne i różnorodne teksty dotyczące różnych tematów i zadań. Potrafi odpowiadać na pytania, pisać eseje i naśladować różne style pisania, GPT-3 wykazuje wszechstronność, choć w pewnych granicach.

Podobnie, SCHLUDNY, algorytm ewolucyjny stworzony przez Kennetha Stanleya i Risto Miikkulainena, rozwija sieci neuronowe do zadań takich jak sterowanie robotami, granie w gry i generowanie obrazu. Zdolność NEAT do rozwijania struktury i funkcji sieci prowadzi do powstania nowych i złożonych rozwiązań, które nie są z góry zdefiniowane przez programistów.

Chociaż przykłady te ilustrują postęp w kierunku AGI, podkreślają one również istniejące ograniczenia i luki, które wymagają dalszych badań i rozwoju w dążeniu do prawdziwej AGI.

Implikacje i ryzyko AGI

AGI stwarza wyzwania naukowe, technologiczne, społeczne i etyczne o głębokich implikacjach. Z ekonomicznego punktu widzenia może stworzyć możliwości i zakłócić istniejące rynki, potencjalnie zwiększając nierówności. Poprawiając edukację i zdrowie, AGI może wprowadzić nowe wyzwania i ryzyko.

Z etycznego punktu widzenia mogłoby promować nowe normy, współpracę i empatię oraz wprowadzać konflikty, konkurencję i okrucieństwo. AGI może kwestionować istniejące znaczenia i cele, poszerzać wiedzę i na nowo definiować ludzką naturę i przeznaczenie. Dlatego zainteresowane strony, w tym badacze, programiści, decydenci, edukatorzy i obywatele, muszą rozważyć i zająć się tymi konsekwencjami i zagrożeniami.

Bottom Line

AGI stoi na czele badań nad sztuczną inteligencją, obiecując poziom intelektu przewyższający możliwości ludzkie. Chociaż wizja urzeka entuzjastów, realizacja tego celu wciąż wiąże się z wyzwaniami. Obecna sztuczna inteligencja, wyróżniająca się w określonych dziedzinach, musi odpowiadać ekspansywnemu potencjałowi AGI.

Do realizacji AGI dąży wiele podejść, od symbolicznej i koneksjonistycznej sztucznej inteligencji po modele neuromorficzne. Godne uwagi przykłady, takie jak AlphaZero i GPT-3, pokazują postęp, ale prawdziwy AGI pozostaje nieuchwytny. Podróż do AGI, mająca implikacje ekonomiczne, etyczne i egzystencjalne, wymaga zbiorowej uwagi i odpowiedzialnych eksploracji.