Що таке штучний загальний інтелект (AGI) і чому він ще не прийшов: реальна перевірка для ентузіастів штучного інтелекту

Штучний інтелект (AI) є всюди. Від розумних помічників до самохідних автомобілів, системи штучного інтелекту перетворюють нашу життя і бізнес. Але що, якщо був би штучний інтелект, який міг би робити більше, ніж виконувати конкретні завдання? Що, якщо був би такий тип штучного інтелекту, який міг би навчатися і думати як людина або навіть перевищувати людський інтелект?

Це є баченням штучного загального інтелекту (AGI), гіпотетичної форми штучного інтелекту, яка має потенціал виконувати будь-яке інтелектуальне завдання, яке можуть люди. AGI часто протиставляється штучному вузькому інтелекту (ANI), сучасному стану штучного інтелекту, який може лише exceling у одному або декількох областях, таких як гра в шахи або розпізнавання облич. AGI, з іншого боку, мав би можливість розуміти і міркувати в декількох областях, таких як мова, логіка, креативність, здоровий глузд і емоція.

AGI не є новою концепцією. Він був керівним баченням досліджень штучного інтелекту з найдавніших днів і залишається його найбільш суперечливою ідеєю. Деякі ентузіасти штучного інтелекту вважають, що AGI є неминучим і близьким і приведе до нової технологічної і соціальної прогресу. Інші є більш скептичними і обережними і попереджають про етичні і екзистенційні ризики створення і контролю такого потужного і непередбачуваного сутності.

Але наскільки ми близькі до досягнення AGI, і чи має сенс намагатися? Це є важливим питанням, на яке відповідь може дати реальну перевірку для ентузіастів штучного інтелекту, які бажають побачити епоху надлюдського інтелекту.

Що таке АГІ і як він відрізняється від AI?

AGI відрізняється від сучасного штучного інтелекту своєю здатністю виконувати будь-яке інтелектуальне завдання, яке можуть люди, якщо не перевищувати їх. Ця відмінність полягає в декількох ключових особливостях, включаючи:

• абстрактне мислення
• здатність узагальнювати з конкретних випадків
• використання різноманітних знань з різних областей
• використання здорового глузду і свідомості для прийняття рішень
• розуміння причинності, а не тільки кореляції
• ефективна комунікація і взаємодія з людьми і іншими агентами.

Хоча ці особливості є важливими для досягнення людського або надлюдського інтелекту, вони залишаються важкими для захоплення сучасними системами штучного інтелекту.

Сучасний штучний інтелект переважно покладається на машинне навчання, гілку комп’ютерної науки, яка дозволяє машинам навчатися з даних і досвіду. Машинне навчання працює через наглядане, ненаглядане і з підкріпленням навчання.

Наглядане навчання включає в себе навчання машин з маркованих даних для передбачення або класифікації нових даних. Ненаглядане навчання включає в себе пошук закономірностей в немаркованих даних, тоді як навчання з підкріпленням центрується навколо навчання з дій і зворотного зв’язку, оптимізуючи для винагород або мінімізації витрат.

Незважаючи на досягнення видатних результатів в областях, таких як комп’ютерне зір і природній мовний процесор, сучасні системи штучного інтелекту обмежені якістю і кількістю тренувальних даних, попередньо визначеними алгоритмами і конкретними оптимізаційними цілями. Вони часто потребують адаптивності, особливо в нових ситуаціях, і більшої прозорості в поясненні свого мислення.

Натомість AGI бачиться вільним від цих обмежень і не буде покладатися на попередньо визначені дані, алгоритми або цілі, а на свої власні можливості навчання і мислення. Крім того, AGI міг би придбати і інтегрувати знання з різних джерел і областей, застосовуючи їх безшовно до нових і різноманітних завдань. Крім того, AGI мав би exceling у міркуванні, комунікації, розумінні і маніпулюванні світом і собою.

Які є виклики і підходи до досягнення AGI?

Реалізація AGI становить суттєві виклики, що охоплюють технічні, концептуальні і етичні виміри.

Наприклад, визначення і вимірювання інтелекту, включаючи компоненти, такі як пам’ять, увага, креативність і емоція, є фундаментальною перешкодою. Крім того, моделювання і симуляція функцій людського мозку, таких як сприйняття, когніція і емоція, представляють складні виклики.

Крім того, критичні виклики включають проектування і реалізацію масштабованих, узагальнених алгоритмів навчання і міркування, а також архітектуру. Забезпечення безпеки, надійності і підзвітності систем AGI у їх взаємодії з людьми і іншими агентами, а також вирівнювання цінностей і цілей систем AGI з тими, що мають суспільство, є також найважливішим.

Різні напрямки досліджень і парадигми були запропоновані і досліджені у прагненні AGI, кожна з яких має свої сильні і слабкі сторони. Символічний AI, класичний підхід, який використовує логіку і символи для представлення і маніпулювання знаннями, exceling у абстрактних і структурованих проблемах, таких як математика і шахи, але потребує допомоги у масштабуванні і інтеграції сенсорних і моторних даних.

Аналогічно, Конекціоністський AI, сучасний підхід, який використовує нейронні мережі і глибоке навчання для обробки великих обсягів даних, exceling у складних і шумових областях, таких як зір і мова, але потребує допомоги у інтерпретації і узагальненні.

Гібридний AI поєднує символічний і конекціоністський AI, щоб використати їх сильні сторони і подолати слабкості, спрямовані на більш надійні і універсальні системи. Аналогічно, Еволюційний AI використовує еволюційні алгоритми і генетичне програмування для еволюції систем AI через природний відбір, шукаючи нові і оптимальні рішення, не обмежені людським проектуванням.

Останнім часом, Нейроморфний AI використовує нейроморфне апаратне і програмне забезпечення для імітування біологічних нейронних систем, спрямованих на більш ефективні і реалістичні моделі мозку і природну взаємодію з людьми і агентами.

Це не єдині підходи до AGI, але деякі з найбільш перспективних. Кожен підхід має свої переваги і недоліки, і вони ще не досягли загальності і інтелекту, який вимагає AGI.

Приклади і застосування AGI

Хоча AGI ще не досягнуто, деякі примітні приклади систем AI демонструють певні аспекти або особливості, нагадують AGI, сприяючи баченню майбутнього досягнення AGI. Ці приклади представляють кроки до AGI, демонструючи конкретні можливості:

AlphaZero, розроблений DeepMind, є системою навчання з підкріпленням, яка самостійно навчається грати в шахи, шогі і го без людських знань або керівництва. Демонструючи надлюдську майстерність, AlphaZero також вводить інноваційні стратегії, які викликують традиційну мудрість.

Аналогічно, OpenAI’s GPT-3 генерує узгоджений і різноманітний текст по різних темах і завданням. Здатний відповідати на питання, складати есе і імітуючи різні стилі письма, GPT-3 демонструє універсальність, хоча і в певних межах.

Аналогічно, NEAT, еволюційний алгоритм, створений Кеннетом Стенлі і Рісто Мііккулаїненом, еволюціонує нейронні мережі для завдань, таких як контроль роботів, гра і генерація зображень. Здатність NEAT еволюціонувати структуру і функцію мережі виробляє нові і складні рішення, не визначені людськими програмістами.

Хоча ці приклади демонструють прогрес до AGI, вони також підкреслюють існуючі обмеження і прогалини, які вимагають подальшого дослідження і розвитку у прагненні справжнього AGI.

Вплив і ризики AGI

AGI становить наукові, технологічні, соціальні і етичні виклики з глибокими наслідками. Економічно, він може створити можливості і порушити існуючі ринки, потенційно збільшуючи нерівність. Покращуючи освіту і охорону здоров’я, AGI може введення нових викликів і ризиків.

Етично, він міг би сприяти новим нормам, співробітництву і емпатії і введення конфліктів, конкуренції і жорстокості. AGI міг би поставити під сумнів існуючі значення і цілі, розширити знання і переозначити людську природу і долю. Тому, учасники повинні розглянути і вирішити ці наслідки і ризики, включаючи дослідників, розробників, політиків, педагогів і громадян.

Резюме

AGI стоїть на передовій досліджень штучного інтелекту, обіцяючи рівень інтелекту, який перевищує людські можливості. Хоча бачення захоплює ентузіастів, виклики залишаються у реалізації цієї мети. Сучасний штучний інтелект, який exceling у конкретних областях, повинен зустріти розширений потенціал AGI.

Багато підходів, від символічного і конекціоністського AI до нейроморфних моделей, прагнуть реалізації AGI. Примітні приклади, такі як AlphaZero і GPT-3, демонструють досягнення, проте справжній AGI залишається утечним. З економічними, етичними і екзистенційними наслідками, шлях до AGI вимагає колективної уваги і відповідальної експлуатації.