Vad är artificiell allmän intelligens (AGI) och varför den inte är här än: en verklighetskontroll för AI-entusiaster

Artificial Intelligence (AI) är överallt. Från smarta assistenter till själv köra bil, AI-system förändrar våra liv och företag. Men vad händer om det fanns en AI som kunde göra mer än att utföra specifika uppgifter? Tänk om det fanns en typ av AI som kunde lära sig och tänka som en människa eller till och med överträffa mänsklig intelligens?

Detta är visionen om Artificiell allmän intelligens (AGI), en hypotetisk form av AI som har potential att utföra vilken intellektuell uppgift som helst som människor kan. AGI kontrasteras ofta mot Artificiell smal intelligens (ANI), det nuvarande tillståndet för AI som bara kan utmärka sig på en eller några få domäner, som att spela schack eller känna igen ansikten. AGI, å andra sidan, skulle ha förmågan att förstå och resonera över flera domäner, såsom språk, logik, kreativitet, sunt förnuft och känslor.

AGI är inget nytt koncept. Det har varit den vägledande visionen för AI-forskning sedan de första dagarna och är fortfarande dess mest splittrade idé. Vissa AI-entusiaster tror att AGI är oundvikligt och nära förestående och kommer att leda till en ny era av tekniska och sociala framsteg. Andra är mer skeptiska och försiktiga och varnar för de etiska och existentiella riskerna med att skapa och kontrollera en så kraftfull och oförutsägbar enhet.

Men hur nära är vi att uppnå AGI, och är det ens vettigt att försöka? Detta är faktiskt en viktig fråga vars svar kan ge en verklighetskontroll för AI-entusiaster som är ivriga att bevittna eran av övermänsklig intelligens.

Vad är AGI och hur skiljer det sig från AI?

AGI skiljer sig från nuvarande AI genom sin förmåga att utföra alla intellektuella uppgifter som människor kan, om inte överträffa dem. Denna distinktion är i termer av flera nyckelfunktioner, inklusive:

• abstrakt tänkande
• förmågan att generalisera från specifika instanser
• utifrån olika bakgrundskunskaper
• använda sunt förnuft och medvetenhet för beslutsfattande
• förstå orsakssamband snarare än bara samband
• effektiv kommunikation och interaktion med människor och andra agenter.

Även om dessa funktioner är avgörande för att uppnå mänsklig eller övermänsklig intelligens, är de fortfarande svåra att fånga för nuvarande AI-system.

Nuvarande AI bygger huvudsakligen på maskininlärning, en gren av datavetenskap som gör det möjligt för maskiner att lära av data och erfarenheter. Maskininlärning fungerar igenom övervakas, oövervakadoch förstärkning lärande.

Övervakad inlärning innebär att maskiner lär sig från märkta data för att förutsäga eller klassificera nya data. Oövervakat lärande innebär att hitta mönster i omärkta data, medan förstärkande lärande handlar om att lära sig av handlingar och feedback, optimera för belöningar eller minimera kostnader.

Trots att man uppnått anmärkningsvärda resultat inom områden som dator vision och naturlig språkbehandling, nuvarande AI-system begränsas av kvaliteten och kvantiteten av träningsdata, fördefinierade algoritmer och specifika optimeringsmål. De behöver ofta hjälp med anpassningsförmåga, särskilt i nya situationer, och mer öppenhet i att förklara sina resonemang.

Däremot är AGI tänkt att vara fri från dessa begränsningar och skulle inte förlita sig på fördefinierade data, algoritmer eller mål utan istället på sin egen inlärnings- och tankeförmåga. Dessutom skulle AGI kunna förvärva och integrera kunskap från olika källor och domäner och sömlöst tillämpa den på nya och varierande uppgifter. Dessutom skulle AGI utmärka sig i att resonera, kommunicera, förstå och manipulera världen och sig själv.

Vilka är utmaningarna och tillvägagångssätten för att uppnå AGI?

Att förverkliga AGI innebär stora utmaningar som omfattar tekniska, konceptuella och etiska dimensioner.

Till exempel är att definiera och mäta intelligens, inklusive komponenter som minne, uppmärksamhet, kreativitet och känslor, ett grundläggande hinder. Dessutom innebär modellering och simulering av den mänskliga hjärnans funktioner, såsom perception, kognition och känslor, komplexa utmaningar.

Dessutom inkluderar kritiska utmaningar att designa och implementera skalbara, generaliserbara inlärnings- och resonemangsalgoritmer och arkitekturer. Att säkerställa säkerheten, tillförlitligheten och ansvarsskyldigheten för AGI-systemen i deras interaktioner med människor och andra agenter och att anpassa AGI-systemens värderingar och mål till samhällets är också av yttersta vikt.

Olika forskningsriktningar och paradigm har föreslagits och utforskats i jakten på AGI, var och en med styrkor och begränsningar. Symbolisk AI, ett klassiskt tillvägagångssätt som använder logik och symboler för kunskapsrepresentation och manipulation, utmärker sig i abstrakta och strukturerade problem som matematik och schack men behöver hjälp med att skala och integrera sensoriska och motoriska data.

På samma sätt Connectionist AI, ett modernt tillvägagångssätt som använder neurala nätverk och djupinlärning för att bearbeta stora mängder data, utmärker sig i komplexa och bullriga domäner som syn och språk men behöver hjälp med tolkning och generaliseringar.

Hybrid AI kombinerar symbolisk och kopplingsorienterad AI för att utnyttja sina styrkor och övervinna svagheter, med sikte på mer robusta och mångsidiga system. Liknande, Evolutionär AI använder evolutionära algoritmer och genetisk programmering för att utveckla AI-system genom naturligt urval, och söker nya och optimala lösningar utan begränsningar av mänsklig design.

Slutligen, Neuromorf AI använder neuromorf hårdvara och mjukvara för att efterlikna biologiska neurala system, som syftar till mer effektiva och realistiska hjärnmodeller och möjliggör naturliga interaktioner med människor och agenter.

Dessa är inte de enda tillvägagångssätten till AGI utan några av de mest framträdande och lovande. Varje tillvägagångssätt har fördelar och nackdelar, och de behöver fortfarande uppnå den allmänhet och intelligens som AGI kräver.

AGI Exempel och tillämpningar

Även om AGI inte har uppnåtts ännu, uppvisar några anmärkningsvärda exempel på AI-system vissa aspekter eller funktioner som påminner om AGI, vilket bidrar till visionen om att eventuellt uppnå AGI. Dessa exempel representerar framsteg mot AGI genom att visa upp specifika egenskaper:

Alpha Zero, utvecklat av DeepMind, är ett förstärkningsinlärningssystem som självständigt lär sig att spela schack, shogi och Go utan mänsklig kunskap eller vägledning. AlphaZero demonstrerar övermänsklig skicklighet och introducerar också innovativa strategier som utmanar konventionell visdom.

På liknande sätt OpenAI's GPT-3 genererar sammanhängande och mångsidiga texter över olika ämnen och uppgifter. GPT-3 kan besvara frågor, skriva uppsatser och efterlikna olika skrivstilar och uppvisar mångsidighet, även om det är inom vissa gränser.

På samma sätt PROPERT, en evolutionär algoritm skapad av Kenneth Stanley och Risto Miikkulainen, utvecklar neurala nätverk för uppgifter som robotkontroll, spel och bildgenerering. NEAT:s förmåga att utveckla nätverksstruktur och funktion producerar nya och komplexa lösningar som inte är fördefinierade av mänskliga programmerare.

Även om dessa exempel illustrerar framstegen mot AGI, understryker de också befintliga begränsningar och luckor som kräver ytterligare utforskning och utveckling för att eftersträva sann AGI.

AGI Implikationer och risker

AGI ställer vetenskapliga, tekniska, sociala och etiska utmaningar med djupgående implikationer. Ekonomiskt kan det skapa möjligheter och störa befintliga marknader, vilket potentiellt ökar ojämlikheten. Samtidigt som utbildning och hälsa förbättras kan AGI introducera nya utmaningar och risker.

Etiskt sett skulle det kunna främja nya normer, samarbete och empati och introducera konflikter, konkurrens och grymhet. AGI kan ifrågasätta existerande betydelser och syften, utöka kunskapen och omdefiniera människans natur och öde. Därför måste intressenter överväga och ta itu med dessa konsekvenser och risker, inklusive forskare, utvecklare, beslutsfattare, utbildare och medborgare.

The Bottom Line

AGI ligger i framkant av AI-forskningen och lovar en nivå av intellekt som överträffar mänskliga förmågor. Medan visionen fängslar entusiaster, kvarstår utmaningar för att förverkliga detta mål. Nuvarande AI, som utmärker sig inom specifika domäner, måste möta AGI:s expansiva potential.

Många tillvägagångssätt, från symbolisk och konnektionistisk AI till neuromorfa modeller, strävar efter AGI-förverkligande. Anmärkningsvärda exempel som AlphaZero och GPT-3 visar framsteg, men sann AGI förblir svårfångad. Med ekonomiska, etiska och existentiella implikationer kräver resan till AGI kollektiv uppmärksamhet och ansvarsfull utforskning.