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

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

Це є бачення 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 тільки excelling у одному або декількох доменах, таких як гра в шахи або розпізнавання облич. AGI, з іншого боку, мав би можливість зрозуміти і висловити думку через декілька доменів, таких як мова, логіка, креативність, здоровий глузд і емоція.

AGI не є новою концепцією. Він був провідним баченням досліджень штучного інтелекту з найперших 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 прогресії. Інші є більш скептичними і обережними і попереджають про етичні і екзистенційні ризики створення і контролювання такої потужної і непередбачуваної 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 AGI і як він відрізняється від AI?

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

• абстрактне мислення
• здатність узагальнювати з конкретних випадків
• використання різноманітних фонових знань
• 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 діє через наглядане, ненаглядане і заручене навчання.

Наглядане навчання включає в себе навчання машин з позначених даних для передбачення або класифікації нових даних. Ненаглядане навчання включає в себе пошук закономірностей в непозначених даних, тоді як заручене навчання центрується навколо навчання з дій і зворотного зв’язку, оптимізуючи за винагородами або мінімізуючи витрати.

Незважаючи на досягнення визначних результатів у таких областях, як комп’ютерне бачення і обробка природної мови, сучасні системи штучного інтелекту обмежені якістю і кількістю тренувальних даних, попередньо визначеними алгоритмами і конкретними цілями оптимізації. Вони часто потребують допомоги з адаптивністю, особливо в нових ситуаціях, і більшої прозорості в поясненні своєї логіки.

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 набувати і інтегрувати знання з різних джерел і доменів, застосовуючи їх безшовно до нових і різноманітних завдань. Крім того, AGI мав би excelling у логіці, комунікації, розумінні і маніпулюванні світом і собою.

Які є виклики і підходи до досягнення AGI?

Реалізація AGI ставить суттєві виклики, які 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 розробку і реалізацію масштабованих, узагальнених алгоритмів і архітектур навчання і логіки. Забезпечення безпеки, надійності і підзвітності систем AGI у взаємодії з людьми і іншими агентами і вирівнювання цінностей і цілей систем AGI з цінностями і цілями суспільства є також найважливішим.

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

Аналогічно, Зв’язковий штучний інтелект, сучасний підхід, який використовує нейронні мережі і глибоке навчання для обробки великих обсягів даних, excelling у складних і шумових доменах, таких як зір і мова, але потребує допомоги у інтерпретації і узагальненні.

Гібридний штучний інтелект поєднує символічний і зв’язковий штучний інтелект, щоб використати їхні сильні сторони і подолати слабкі сторони, прагнучи більш надійних і універсальних систем. Аналогічно, Еволюційний штучний інтелект використовує еволюційні алгоритми і генетичне програмування для еволюції систем штучного інтелекту через природний відбір, шукаючи нові і оптимальні рішення, не обмежені людським дизайном.

Нарешті, Нейроморфний штучний інтелект використовує нейроморфне апаратне і програмне забезпечення для емуляції біологічних нейронних систем, прагнучи більш ефективних і реалістичних моделей мозку і дозволяючи природну взаємодію з людьми і агентами.

Ці підходи не є єдиними шляхами до AGI, але деякими з найбільш перспективних і обіцяючих. Кожен підхід має свої переваги і недоліки, і вони ще не досягли рівня загальності і інтелекту, який вимагається AGI.

Приклади і застосування AGI

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

AlphaZero, розроблений компанією DeepMind, є системою зарученого навчання, яка самостійно вчиться грати в шахи, шогі і ґо без людської допомоги або керівництва. Демонструючи надлюдську майстерність, AlphaZero також вводить інноваційні стратегії, які викликають традиційну мудрість.

Аналогічно, OpenAI’s GPT-3 генерує узгоджені і різноманітні тексти по різних темах і завданнях. Здатний відповідати на питання, складати статті і імітуючи різні стилі письма, GPT-3 демонструє універсальність, хоча і в межах певних обмежень.

Аналогічно, NEAT, еволюційний алгоритм, створений Кеннетом Стенлі і Рісто Мііккулаїненом, еволюціонує нейронні мережі для завдань, таких як контроль роботів, гра в ігри і генерація зображень. Здатність NEAT еволюціонувати структуру і функцію мережі призводить до нових і складних рішень, не визначених людським програмуванням.

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 ставить науково-технічні, 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 ввезти нові виклики і ризики.

Етично, він міг би сприяти новим нормам, співробітництву і емпатії і ввезти конфлікти, конкуренцію і жорстокість. AGI міг би поставити під сумнів існуючі значення і цілі, розширити знання і переозначити людську природу і долю. Тому, зацікавлені сторони повинні розглянути і вирішити ці наслідки і ризики, включаючи дослідників, розробників, політиків, педагогів і громадян.

Резюме

AGI стоїть на передовому краї досліджень штучного інтелекту, обіцяючи рівень інтелекту, який перевершує людські можливості. Хоча бачення захоплює ентузіастів, виклики залишаються у реалізації цієї мети. Сучасний штучний інтелект, який excelling у конкретних доменах, повинен зустріти розширений потенціал AGI.

Багатьох підходів, від символічного і зв’язкового штучного інтелекту до нейроморфних моделей, прагнуть реалізації AGI. Приклади, такі як AlphaZero і GPT-3, демонструють досягнення, проте справжній AGI залишається недосяжним. З економічними, етичними і екзистенційними наслідками, шлях до AGI вимагає колективної уваги і відповідальної експлуатації.