สิ่งที่เป็น Artificial General Intelligence (AGI) และทำไมมันไม่ได้มาถึงยัง: การตรวจสอบความเป็นจริงสำหรับผู้ที่ชื่นชอบ AI

ปัญญาประดิษฐ์ (AI) มีอยู่ทุกที่ ตั้งแต่ผู้ช่วยอัจฉริยะไปจนถึง รถยนต์ไร้คนขับ ระบบ AI กำลังเปลี่ยนแปลงชีวิตและธุรกิจของเรา แต่สิ่งไหนจะเกิดขึ้นถ้ามี AI ที่สามารถทำมากกว่าทำงานเฉพาะเจาะจงได้ สิ่งไหนจะเกิดขึ้นถ้ามี AI ที่สามารถเรียนรู้และคิดเหมือนมนุษย์หรือแม้แต่เหนือกว่าความฉลาดของมนุษย์

นี่คือวิสัยทัศน์ของ Artificial General Intelligence (AGI) รูปแบบที่เป็นไปได้ของ AI ที่มีศักยภาพในการบรรลุงานอัจฉริยะใดๆ ที่มนุษย์สามารถทำได้ AGI มักถูกเปรียบเทียบกับ Artificial Narrow Intelligence (ANI) สถานะปัจจุบันของ AI ที่สามารถทำได้ดีในโดเมนหนึ่งหรือหลายโดเมน เช่น การเล่นหมากรุกหรือการรู้จำใบหน้า ในทางกลับกัน AGI จะมีความสามารถในการเข้าใจและให้เหตุผลข้ามโดเมนหลายๆ ด้าน เช่น ภาษา ตรรกะ ความคิดสร้างสรรค์ ความรู้สึกและอารมณ์

AGI ไม่ใช่แนวคิดใหม่ มันเป็นแนวคิดที่ชี้นำการวิจัย AI ตั้งแต่สมัยแรกๆ และยังคงเป็นแนวคิดที่มีการถกเถียงที่สุด บางคนเชื่อว่า AGI เป็นเรื่องที่ไม่สามารถหลีกเลี่ยงและใกล้จะเกิดขึ้น และจะนำไปสู่ยุคใหม่ของความก้าวหน้าทางเทคโนโลยีและทางสังคม ในทางกลับกัน บางคนมีความกังวลและให้คำเตือนเกี่ยวกับความเสี่ยงด้านจริยธรรมและความมีชีวิตของการสร้างและควบคุมสิ่งที่มีอำนาจและไม่สามารถคาดเดาได้

แต่เรากำลังใกล้จะบรรลุ AGI หรือไม่ และมันสมควรที่จะพยายามหรือไม่ นี่คือคำถามที่สำคัญที่อาจให้คำตอบที่เป็นความจริงสำหรับผู้ที่ชื่นชอบ AI ที่ต้องการเห็นยุคของความฉลาดเหนือมนุษย์

AGI คืออะไร และมันแตกต่างจาก AI อย่างไร

AGI แตกต่างจาก AI ปัจจุบันโดยความสามารถในการทำงานอัจฉริยะใดๆ ที่มนุษย์สามารถทำได้ หากไม่เหนือกว่าความสามารถของมนุษย์ ความแตกต่างนี้อยู่ในหลายๆ ด้าน เช่น

• การคิดอย่างเป็นนามธรรม
• ความสามารถในการสรุปจากกรณีเฉพาะ
• การดึงความรู้จากแหล่งต่างๆ
• การใช้ความฉลาดและความตระหนักในการตัดสินใจ
• การเข้าใจสาเหตุแทนที่จะเข้าใจเพียงความสัมพันธ์
• การสื่อสารและโต้ตอบกับมนุษย์และตัวแทนอื่นๆ ได้อย่างมีประสิทธิภาพ

แม้ว่าลักษณะเหล่านี้จะสำคัญสำหรับการบรรลุความฉลาดเหมือนมนุษย์หรือเหนือกว่า แต่ก็ยังคงเป็นเรื่องที่ยากที่จะจับได้สำหรับระบบ AI ปัจจุบัน

AI ปัจจุบันส่วนใหญ่ขึ้นอยู่กับการเรียนรู้ของเครื่อง ซึ่งเป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่ทำให้เครื่องสามารถเรียนรู้จากข้อมูลและประสบการณ์ การเรียนรู้ของเครื่องดำเนินผ่าน การเรียนรู้แบบมีคำแนะนำ การเรียนรู้แบบไม่มีคำแนะนำ และ การเรียนรู้แบบเสริมแรง

การเรียนรู้แบบมีคำแนะนำเกี่ยวข้องกับการเรียนรู้ของเครื่องจากข้อมูลที่มีคำแนะนำเพื่อคาดการณ์หรือจำแนกข้อมูลใหม่ การเรียนรู้แบบไม่มีคำแนะนำเกี่ยวข้องกับการค้นหารูปแบบในข้อมูลที่ไม่มีคำแนะนำ ในขณะที่การเรียนรู้แบบเสริมแรงมุ่งเน้นไปที่การเรียนรู้จากการกระทำและคำติชม โดยการเพิ่มรางวัลหรือลดต้นทุน

แม้ว่า AI จะบรรลุผลลัพธ์ที่น่าประทับใจในด้านต่างๆ เช่น การมองเห็นของเครื่อง และ การประมวลผลภาษา自然 ระบบ AI ปัจจุบันยังคงมีข้อจำกัดด้านคุณภาพและปริมาณของข้อมูลการฝึกอบรม อัลกอริทึมที่กำหนดไว้ล่วงหน้า และวัตถุประสงค์ในการปรับให้เหมาะสมที่เฉพาะเจาะจง พวกมัน частоต้องการความสามารถในการปรับตัว đặc biệtในสถานการณ์ใหม่ๆ และความโปร่งใสในการอธิบายการให้เหตุผลของพวกมัน

ในทางกลับกัน AGI ถูกมองว่าเป็นระบบที่ไม่ขึ้นอยู่กับข้อจำกัดเหล่านี้ แต่จะขึ้นอยู่กับความสามารถในการเรียนรู้และการคิดของตัวเอง มันจะสามารถได้รับและรวมความรู้จากแหล่งต่างๆ และโดเมนต่างๆ และนำไปใช้ได้อย่างราบรื่นในงานและสถานการณ์ต่างๆ นอกจากนี้ AGI จะมีความสามารถในการให้เหตุผล การสื่อสาร ความเข้าใจ และการควบคุมโลกและตัวมันเอง

ความท้าทายและแนวทางในการบรรลุ AGI

การบรรลุ AGI เป็นเรื่องที่ท้าทายซึ่งครอบคลุมมิติทางเทคนิค ความคิด และจริยธรรม

ตัวอย่างเช่น การกำหนดและวัดความฉลาด รวมถึงส่วนประกอบเช่น ความจำ ความสนใจ ความคิดสร้างสรรค์ และอารมณ์ เป็นเรื่องที่ท้าทายพื้นฐาน นอกจากนี้ การสร้างแบบจำลองและจำลองการทำงานของสมองมนุษย์ เช่น การรับรู้ การคิด และอารมณ์ ยังเป็นเรื่องที่ซับซ้อน

ความท้าทายที่สำคัญอื่นๆ รวมถึงการออกแบบและนำไปใช้อัลกอริทึมการเรียนรู้และการให้เหตุผลที่สามารถขยายและนำไปใช้ได้ และการรับรองความปลอดภัย ความน่าเชื่อถือ และความรับผิดชอบของระบบ AGI ในการโต้ตอบกับมนุษย์และตัวแทนอื่นๆ การจัดตำแหน่งค่านิยมและเป้าหมายของระบบ AGI ให้สอดคล้องกับสังคมก็มีความสำคัญ

แนวทางและปรัชญาวิจัยต่างๆ ได้ถูกเสนอและสำรวจในการแสวงหาของ AGI แต่ละแนวทางมีข้อดีและข้อจำกัด Symbolic AI เป็นแนวทางแบบดั้งเดิมที่ใช้ตรรกะและสัญลักษณ์สำหรับการแสดงและจัดการความรู้ มีความสามารถในการแก้ปัญหาเชิงนามธรรมและโครงสร้าง เช่น คณิตศาสตร์และหมากรุก แต่ต้องการความสามารถในการขยายและรวมข้อมูลจากสื่อและข้อมูลอื่นๆ

ในทางกลับกัน Connectionist AI เป็นแนวทางสมัยใหม่ที่ใช้เครือข่ายประสาทและ深度การเรียนรู้เพื่อประมวลผลข้อมูลจำนวนมาก มีความสามารถในการแก้ปัญหาเชิงซับซ้อนและเสียงดัง เช่น การมองเห็นและภาษา แต่ต้องการความสามารถในการตีความและสรุป

Hybrid AI รวมทั้ง Symbolic AI และ Connectionist AI เพื่อนำความสามารถของทั้งสองมาใช้และ克服ข้อจำกัด Evolutionary AI ใช้อัลกอริทึมวิวัฒนาการและโปรแกรมจีโนมเพื่อสร้างระบบ AI ผ่านการคัดเลือกโดยธรรมชาติ เพื่อหาโซลูชันที่ใหม่และเหมาะสมที่สุด

สุดท้าย Neuromorphic AI ใช้ฮาร์ดแวร์และซอฟต์แวร์แบบเนื้อเยื่อประสาทเพื่อจำลองระบบประสาทชีวภาพ เพื่อสร้างแบบจำลองสมองและระบบที่มีประสิทธิภาพและสมจริงยิ่งขึ้น

ตัวอย่างและการใช้งาน AGI

แม้ว่า AGI ยังไม่ได้ถูกบรรลุ แต่ตัวอย่างที่น่าสนใจของระบบ AI แสดงให้เห็นถึงลักษณะหรือคุณสมบัติบางอย่างที่คล้ายกับ AGI ซึ่งนำไปสู่วิสัยทัศน์ของการบรรลุ AGI ในอนาคต ตัวอย่างเหล่านี้แสดงถึงความก้าวหน้าในการบรรลุ AGI โดยการแสดงให้เห็นถึงความสามารถเฉพาะเจาะจง

AlphaZero ที่พัฒนาโดย DeepMind เป็นระบบการเรียนรู้แบบเสริมแรงที่สามารถเรียนรู้การเล่นหมากรุก شги และโกโดยไม่ต้องมีการแนะนำจากมนุษย์ การแสดงให้เห็นถึงความสามารถที่เหนือกว่าของมนุษย์และการแนะนำกลยุทธ์ใหม่ที่ท้าทายความเชื่อเดิม

ในทำนองเดียวกัน OpenAI’s GPT-3 สามารถสร้างข้อความที่สอดคล้องกันและหลากหลายในหัวข้อและงานต่างๆ สามารถตอบคำถาม เขียนเรียงความ และเลียนแบบสไตล์การเขียนที่แตกต่างกัน GPT-3 แสดงให้เห็นถึงความสามารถในการปรับตัว แต่ภายในขอบเขตที่กำหนด

ในทำนองเดียวกัน NEAT อัลกอริทึมวิวัฒนาการที่สร้างโดย Kenneth Stanley และ Risto Miikkulainen สามารถวิวัฒนาการเครือข่ายประสาทสำหรับงานต่างๆ เช่น การควบคุมหุ่นยนต์ การเล่นเกม และการสร้างภาพ NEAT สามารถสร้างโซลูชันที่ใหม่และซับซ้อนซึ่งไม่ได้ถูกกำหนดไว้ล่วงหน้าโดยนักเขียนโปรแกรม

ผลกระทบและความเสี่ยงของ AGI

AGI มีผลกระทบทางวิทยาศาสตร์ เทคโนโลยี สังคม และจริยธรรมที่มีนัยสำคัญทางเศรษฐกิจ มันอาจสร้างโอกาสและรบกวนตลาดที่มีอยู่ ซึ่งอาจเพิ่มความไม่เท่าเทียมกัน ในขณะที่การปรับปรุงการศึกษาและสุขภาพ AGI อาจนำมาซึ่งความท้าทายและความเสี่ยงใหม่ๆ

ในด้านจริยธรรม AGI อาจส่งเสริมบรรทัดฐานใหม่ การร่วมมือ และความเห็นอกเห็นใจ และอาจนำไปสู่ความขัดแย้ง การแข่งขัน และความโหดร้าย AGI อาจตั้งคำถามถึงความหมายและวัตถุประสงค์ที่มีอยู่ และขยายความรู้และกำหนดความเป็นมนุษย์และโชคชะตาใหม่ ดังนั้น ผู้มีส่วนได้ส่วนเสียต้องพิจารณาและจัดการกับผลกระทบและความเสี่ยงเหล่านี้

สรุป

AGI ยังคงอยู่ที่จุดหน้าด้านของการวิจัย AI โดยสัญญาว่าจะมีความฉลาดที่เหนือกว่าความสามารถของมนุษย์ แม้ว่าวิสัยทัศน์จะดึงดูดใจผู้ที่ชื่นชอบ AI แต่ความท้าทายยังคงอยู่ในการบรรลุเป้าหมายนี้ AI ปัจจุบันซึ่งทำได้ดีในโดเมนเฉพาะต้องบรรลุศักยภาพที่กว้างขวางของ AGI

แนวทางต่างๆ ตั้งแต่ Symbolic AI และ Connectionist AI ไปจนถึงแบบจำลอง Neuromorphic มุ่งหวังที่จะบรรลุ AGI ตัวอย่างที่น่าสนใจ เช่น AlphaZero และ GPT-3 แสดงให้เห็นถึงความก้าวหน้า แต่ AGI ที่แท้จริงยังคงไม่เกิดขึ้น ด้วยผลกระทบทางเศรษฐกิจ จริยธรรม และความมีชีวิตของการเดินทางสู่ AGI ต้องการความสนใจร่วมกันและการสำรวจอย่างมีความรับผิดชอบ