ปัญญาประดิษฐ์ทั่วไป (AGI) คืออะไร และเหตุใดจึงยังไม่เกิดขึ้น: การตรวจสอบความเป็นจริงสำหรับผู้ที่ชื่นชอบ AI

ปัญญาประดิษฐ์ (AI) มีอยู่ทั่วไป จากผู้ช่วยอัจฉริยะสู่ รถตัวเองขับรถ, ระบบ AI กำลังเปลี่ยนแปลงชีวิตและธุรกิจของเรา แต่จะเกิดอะไรขึ้นถ้ามี AI ที่สามารถทำอะไรได้มากกว่างานเฉพาะด้านล่ะ? จะเป็นอย่างไรถ้ามี AI ประเภทหนึ่งที่สามารถเรียนรู้และคิดได้เหมือนมนุษย์หรือแม้แต่เหนือกว่าสติปัญญาของมนุษย์ล่ะ?

นี่คือวิสัยทัศน์ของ ปัญญาประดิษฐ์ทั่วไป (AGI) รูปแบบสมมุติของ AI ที่มีศักยภาพในการทำงานทางปัญญาใดๆ ที่มนุษย์สามารถทำได้สำเร็จ AGI มักจะถูกเปรียบเทียบกับ ปัญญาประดิษฐ์แคบ (ANI)สถานะปัจจุบันของ AI ที่สามารถเก่งได้เพียงโดเมนเดียวหรือไม่กี่โดเมน เช่น การเล่นหมากรุกหรือการจดจำใบหน้า ในทางกลับกัน AGI จะมีความสามารถในการเข้าใจและให้เหตุผลในหลายด้าน เช่น ภาษา ตรรกะ ความคิดสร้างสรรค์ สามัญสำนึก และอารมณ์

AGI ไม่ใช่แนวคิดใหม่ มันเป็นวิสัยทัศน์ที่เป็นแนวทางของการวิจัย AI มาตั้งแต่สมัยแรกๆ และยังคงเป็นแนวคิดที่มีความแตกแยกมากที่สุด ผู้ที่ชื่นชอบ AI บางคนเชื่อว่า AGI เป็นสิ่งที่หลีกเลี่ยงไม่ได้และใกล้เข้ามา และจะนำไปสู่ยุคความก้าวหน้าทางเทคโนโลยีและสังคมใหม่ คนอื่นๆ มีความสงสัยและระมัดระวังมากกว่า และเตือนถึงความเสี่ยงด้านจริยธรรมและการดำรงอยู่ของการสร้างและควบคุมองค์กรที่ทรงพลังและคาดเดาไม่ได้ดังกล่าว

แต่เราเข้าใกล้การบรรลุ AGI แค่ไหน และสมเหตุสมผลไหมที่จะลอง? อันที่จริงนี่เป็นคำถามสำคัญที่คำตอบอาจช่วยตรวจสอบความเป็นจริงสำหรับผู้ที่ชื่นชอบ AI ที่กระตือรือร้นที่จะได้เห็นยุคแห่งความฉลาดเหนือมนุษย์

A. คืออะไรGI และแตกต่างจาก AI อย่างไร?

AGI แตกต่างจาก AI ในปัจจุบันด้วยความสามารถในการทำงานทางปัญญาใดๆ ที่มนุษย์สามารถทำได้ หากไม่สามารถทำได้เหนือกว่าพวกเขา ความแตกต่างนี้ขึ้นอยู่กับคุณสมบัติหลักหลายประการ ได้แก่:

• การคิดเชิงนามธรรม
• ความสามารถในการสรุปจากกรณีเฉพาะ
• ดึงมาจากความรู้พื้นฐานที่หลากหลาย
• โดยใช้สามัญสำนึกและจิตสำนึกในการตัดสินใจ
• เข้าใจสาเหตุมากกว่าแค่ความสัมพันธ์
• การสื่อสารและการมีปฏิสัมพันธ์ที่มีประสิทธิภาพกับมนุษย์และตัวแทนอื่นๆ

แม้ว่าคุณสมบัติเหล่านี้มีความสำคัญต่อการบรรลุความฉลาดเหมือนมนุษย์หรือเหนือมนุษย์ แต่ก็ยังยากที่จะนำมาใช้กับระบบ AI ในปัจจุบัน

AI ในปัจจุบันส่วนใหญ่อาศัยการเรียนรู้ของเครื่อง ซึ่งเป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่ช่วยให้เครื่องจักรสามารถเรียนรู้จากข้อมูลและประสบการณ์ได้ การเรียนรู้ของเครื่องทำงานผ่าน ภายใต้การดูแล, ไม่ได้รับการดูแลและ การเรียนรู้การเสริมแรง.

การเรียนรู้แบบมีผู้สอนเกี่ยวข้องกับการเรียนรู้ของเครื่องจากข้อมูลที่ติดป้ายกำกับเพื่อทำนายหรือจัดประเภทข้อมูลใหม่ การเรียนรู้แบบไม่มีผู้ดูแลเกี่ยวข้องกับการค้นหารูปแบบในข้อมูลที่ไม่มีป้ายกำกับ ในขณะที่การเรียนรู้แบบเสริมกำลังเน้นการเรียนรู้จากการกระทำและผลตอบรับ การเพิ่มประสิทธิภาพเพื่อให้ได้รางวัล หรือการลดต้นทุนให้เหลือน้อยที่สุด

แม้จะบรรลุผลสำเร็จอย่างน่าทึ่งในด้านต่างๆ เช่น วิสัยทัศน์คอมพิวเตอร์ และ การประมวลผลภาษาธรรมชาติระบบ AI ในปัจจุบันถูกจำกัดด้วยคุณภาพและปริมาณของข้อมูลการฝึกอบรม อัลกอริธึมที่กำหนดไว้ล่วงหน้า และวัตถุประสงค์ในการเพิ่มประสิทธิภาพเฉพาะ พวกเขามักจะต้องการความช่วยเหลือในการปรับตัว โดยเฉพาะอย่างยิ่งในสถานการณ์ใหม่ๆ และความโปร่งใสมากขึ้นในการอธิบายเหตุผลของพวกเขา

ในทางตรงกันข้าม AGI ถูกมองว่าเป็นอิสระจากข้อจำกัดเหล่านี้ และจะไม่พึ่งพาข้อมูล อัลกอริธึม หรือวัตถุประสงค์ที่กำหนดไว้ล่วงหน้า แต่ขึ้นอยู่กับความสามารถในการเรียนรู้และการคิดของตัวเองแทน ยิ่งไปกว่านั้น AGI สามารถรับและบูรณาการความรู้จากแหล่งและโดเมนที่หลากหลาย นำไปประยุกต์ใช้กับงานใหม่ๆ ที่หลากหลายได้อย่างราบรื่น นอกจากนี้ AGI ยังเก่งในด้านการใช้เหตุผล การสื่อสาร การทำความเข้าใจ และการบิดเบือนโลกและตัวมันเอง

อะไรคือความท้าทายและแนวทางในการบรรลุ AGI?

การตระหนักถึง AGI ก่อให้เกิดความท้าทายอย่างมากในมิติทางเทคนิค แนวความคิด และจริยธรรม

ตัวอย่างเช่น การกำหนดและการวัดความฉลาด รวมถึงองค์ประกอบต่างๆ เช่น ความทรงจำ ความสนใจ ความคิดสร้างสรรค์ และอารมณ์ ถือเป็นอุปสรรคพื้นฐาน นอกจากนี้ การสร้างแบบจำลองและจำลองการทำงานของสมองมนุษย์ เช่น การรับรู้ การรับรู้ และอารมณ์ ถือเป็นความท้าทายที่ซับซ้อน

นอกจากนี้ ความท้าทายที่สำคัญยังรวมถึงการออกแบบและการใช้งานอัลกอริธึมและสถาปัตยกรรมการเรียนรู้และการให้เหตุผลแบบขยายขนาดได้ การรับรองความปลอดภัย ความน่าเชื่อถือ และความรับผิดชอบของระบบ AGI ในการมีปฏิสัมพันธ์กับมนุษย์และตัวแทนอื่นๆ และการปรับค่านิยมและเป้าหมายของระบบ AGI ให้สอดคล้องกับค่านิยมของสังคมก็มีความสำคัญสูงสุดเช่นกัน

มีการเสนอและสำรวจแนวทางและกระบวนทัศน์การวิจัยต่างๆ เพื่อแสวงหา AGI ซึ่งแต่ละข้อมีจุดแข็งและข้อจำกัด AI สัญลักษณ์ซึ่งเป็นแนวทางคลาสสิกที่ใช้ตรรกะและสัญลักษณ์สำหรับการนำเสนอและการจัดการความรู้ มีความโดดเด่นในปัญหาเชิงนามธรรมและเชิงโครงสร้าง เช่น คณิตศาสตร์และหมากรุก แต่ต้องการความช่วยเหลือในการปรับขนาดและการบูรณาการข้อมูลทางประสาทสัมผัสและการเคลื่อนไหว

ในทำนองเดียวกัน AI การเชื่อมต่อซึ่งเป็นแนวทางสมัยใหม่ที่ใช้โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึกเพื่อประมวลผลข้อมูลจำนวนมาก มีความเป็นเลิศในด้านที่ซับซ้อนและรบกวนสมาธิ เช่น การมองเห็นและภาษา แต่ต้องการความช่วยเหลือในการตีความและลักษณะทั่วไป

ไฮบริดเอไอ ผสมผสาน AI สัญลักษณ์และการเชื่อมต่อเข้าด้วยกันเพื่อยกระดับจุดแข็งและเอาชนะจุดอ่อน โดยมุ่งเป้าไปที่ระบบที่แข็งแกร่งและหลากหลายยิ่งขึ้น ในทำนองเดียวกัน, EAI เชิงสมัครใจ ใช้อัลกอริธึมวิวัฒนาการและการเขียนโปรแกรมทางพันธุกรรมเพื่อพัฒนาระบบ AI ผ่านการคัดเลือกโดยธรรมชาติ ค้นหาโซลูชันใหม่และเหมาะสมที่สุดโดยไม่มีข้อจำกัดจากการออกแบบของมนุษย์

สุดท้าย นิวโรมอร์ฟิค เอไอ ใช้ฮาร์ดแวร์และซอฟต์แวร์ neuromorphic เพื่อจำลองระบบประสาททางชีวภาพ โดยมีเป้าหมายเพื่อสร้างแบบจำลองสมองที่มีประสิทธิภาพและสมจริงยิ่งขึ้น และเปิดใช้งานปฏิสัมพันธ์ตามธรรมชาติกับมนุษย์และตัวแทน

แนวทางเหล่านี้ไม่ใช่แนวทางเดียวสำหรับ AGI แต่ยังเป็นแนวทางที่โดดเด่นและมีแนวโน้มมากที่สุดบางแนวทาง แต่ละแนวทางมีข้อดีและข้อเสีย และยังต้องบรรลุความครอบคลุมและความชาญฉลาดที่ AGI ต้องการ

AGI ตัวอย่างและการใช้งาน

แม้ว่า AGI จะยังไม่บรรลุผลสำเร็จ แต่ตัวอย่างที่โดดเด่นบางประการของระบบ AI ก็แสดงให้เห็นแง่มุมหรือคุณลักษณะบางอย่างที่ชวนให้นึกถึง AGI ซึ่งมีส่วนช่วยให้วิสัยทัศน์ของการบรรลุ AGI ในที่สุด ตัวอย่างเหล่านี้แสดงถึงความก้าวหน้าสู่ AGI โดยการแสดงความสามารถเฉพาะ:

อัลฟาซีโรพัฒนาโดย DeepMind คือระบบการเรียนรู้แบบเสริมกำลังที่เรียนรู้การเล่นหมากรุก โชกิ และโกะโดยอัตโนมัติโดยไม่ต้องมีความรู้หรือคำแนะนำจากมนุษย์ เพื่อแสดงให้เห็นถึงความสามารถเหนือมนุษย์ AlphaZero ยังแนะนำกลยุทธ์เชิงนวัตกรรมที่ท้าทายภูมิปัญญาดั้งเดิม

ในทำนองเดียวกัน OpenAI ของ GPT-3 สร้างข้อความที่สอดคล้องกันและหลากหลายในหัวข้อและงานต่างๆ GPT-3 สามารถตอบคำถาม เขียนเรียงความ และเลียนแบบสไตล์การเขียนได้หลากหลาย แม้ว่าจะอยู่ในขอบเขตจำกัดก็ตาม

ในทำนองเดียวกัน เรียบร้อยซึ่งเป็นอัลกอริธึมเชิงวิวัฒนาการที่สร้างโดย Kenneth Stanley และ Risto Miikkulainen พัฒนาโครงข่ายประสาทเทียมสำหรับงานต่างๆ เช่น การควบคุมหุ่นยนต์ การเล่นเกม และการสร้างภาพ ความสามารถของ NEAT ในการพัฒนาโครงสร้างและฟังก์ชันเครือข่ายทำให้เกิดโซลูชันใหม่และซับซ้อนที่ไม่ได้กำหนดไว้ล่วงหน้าโดยโปรแกรมเมอร์ของมนุษย์

แม้ว่าตัวอย่างเหล่านี้จะแสดงให้เห็นถึงความก้าวหน้าไปสู่ ​​AGI แต่ยังเน้นย้ำถึงข้อจำกัดและช่องว่างที่มีอยู่ ซึ่งจำเป็นต้องมีการสำรวจและพัฒนาเพิ่มเติมเพื่อดำเนินการตาม AGI ที่แท้จริง

ผลกระทบและความเสี่ยงของ AGI

AGI ก่อให้เกิดความท้าทายทางวิทยาศาสตร์ เทคโนโลยี สังคม และจริยธรรมโดยมีผลกระทบอย่างลึกซึ้ง ในเชิงเศรษฐกิจ อาจสร้างโอกาสและขัดขวางตลาดที่มีอยู่ ซึ่งอาจเพิ่มความเหลื่อมล้ำได้ ในขณะที่ปรับปรุงการศึกษาและสุขภาพ AGI อาจนำเสนอความท้าทายและความเสี่ยงใหม่ๆ

ตามหลักจริยธรรม มันสามารถส่งเสริมบรรทัดฐานใหม่ ความร่วมมือ และความเห็นอกเห็นใจ และก่อให้เกิดความขัดแย้ง การแข่งขัน และความโหดร้าย AGI อาจตั้งคำถามกับความหมายและวัตถุประสงค์ที่มีอยู่ เพิ่มพูนความรู้ และกำหนดธรรมชาติและชะตากรรมของมนุษย์ใหม่ ดังนั้นผู้มีส่วนได้ส่วนเสียจะต้องพิจารณาและจัดการกับผลกระทบและความเสี่ยงเหล่านี้ รวมถึงนักวิจัย นักพัฒนา ผู้กำหนดนโยบาย นักการศึกษา และพลเมือง

บรรทัดด้านล่าง

AGI ยืนอยู่แถวหน้าของการวิจัย AI โดยสัญญาว่าจะมีระดับสติปัญญาที่เหนือกว่าความสามารถของมนุษย์ แม้ว่าวิสัยทัศน์จะดึงดูดผู้ที่ชื่นชอบ แต่ความท้าทายยังคงมีอยู่ในการบรรลุเป้าหมายนี้ AI ในปัจจุบันที่มีความเป็นเลิศในโดเมนเฉพาะจะต้องตอบสนองศักยภาพที่กว้างขวางของ AGI

แนวทางต่างๆ มากมาย ตั้งแต่ AI แบบสัญลักษณ์และแบบเชื่อมโยงไปจนถึงโมเดลนิวโรมอร์ฟิก มุ่งมั่นในการทำให้ AGI เป็นจริง ตัวอย่างที่โดดเด่น เช่น AlphaZero และ GPT-3 แสดงให้เห็นถึงความก้าวหน้า แต่ AGI ที่แท้จริงยังคงเข้าใจยาก ด้วยผลกระทบทางเศรษฐกิจ จริยธรรม และการดำรงอยู่ การเดินทางสู่ AGI เรียกร้องความสนใจร่วมกันและการสำรวจอย่างมีความรับผิดชอบ