Trí tuệ nhân tạo tổng quát (AGI) là gì và tại sao nó chưa xuất hiện: Kiểm tra thực tế cho những người đam mê AI

Trí tuệ nhân tạo (AI) đang ở khắp mọi nơi. Từ các trợ lý thông minh đến xe tự lái, các hệ thống AI đang biến đổi cuộc sống và kinh doanh của chúng ta. Nhưng nếu có một AI có thể làm được hơn là thực hiện các nhiệm vụ cụ thể? Nếu có một loại AI có thể học và suy nghĩ như con người hoặc thậm chí vượt qua trí thông minh của con người?

Đây là tầm nhìn của Trí tuệ nhân tạo tổng quát (AGI), một hình thức AI假设 có khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm. AGI thường được so sánh với Trí tuệ nhân tạo hẹp (ANI), trạng thái hiện tại của AI chỉ có thể xuất sắc trong một hoặc một vài lĩnh vực, chẳng hạn như chơi cờ vua hoặc nhận dạng khuôn mặt. AGI, mặt khác, sẽ có khả năng hiểu và suy luận trên nhiều lĩnh vực, chẳng hạn như ngôn ngữ, logic, sáng tạo, cảm giác thông thường và cảm xúc.

AGI không phải là một khái niệm mới. Nó đã là tầm nhìn hướng dẫn của nghiên cứu AI từ những ngày đầu tiên và vẫn là ý tưởng gây tranh cãi nhất. Một số người đam mê AI tin rằng AGI là không thể tránh khỏi và sắp tới và sẽ dẫn đến một kỷ nguyên tiến bộ công nghệ và xã hội mới. Những người khác lại hoài nghi và thận trọng hơn và cảnh báo về các rủi ro đạo đức và tồn tại của việc tạo ra và kiểm soát một thực thể mạnh mẽ và không thể đoán trước như vậy.

Nhưng chúng ta đang gần đạt được AGI đến mức nào, và liệu nó có ý nghĩa để thử không? Đây thực sự là một câu hỏi quan trọng mà câu trả lời có thể cung cấp một kiểm tra thực tế cho những người đam mê AI đang mong chờ kỷ nguyên của trí thông minh siêu phàm.

AGI là gì và nó khác với AI như thế nào?

AGI khác với AI hiện tại ở khả năng thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, nếu không vượt qua chúng. Sự khác biệt này là về một số tính năng chính, bao gồm:

• suy nghĩ trừu tượng
• khả năng tổng quát hóa từ các trường hợp cụ thể
• đrawing từ kiến thức nền đa dạng
• sử dụng cảm giác thông thường và ý thức cho việc ra quyết định
• hiểu về nguyên nhân chứ không chỉ là tương quan
• truyền thông và tương tác hiệu quả với con người và các tác nhân khác.

Mặc dù những tính năng này là quan trọng để đạt được trí thông minh giống như con người hoặc siêu phàm, nhưng chúng vẫn còn khó để bắt giữ cho các hệ thống AI hiện tại.

AI hiện tại chủ yếu dựa trên học máy, một nhánh của khoa học máy tính cho phép máy học từ dữ liệu và kinh nghiệm. Học máy hoạt động thông qua học có giám sát, học không có giám sát và học tăng cường.

Học có giám sát liên quan đến máy học từ dữ liệu đã được gắn nhãn để dự đoán hoặc phân loại dữ liệu mới. Học không có giám sát liên quan đến việc tìm kiếm các mẫu trong dữ liệu không có nhãn, trong khi học tăng cường tập trung vào việc học từ các hành động và phản hồi, tối ưu hóa cho phần thưởng hoặc giảm thiểu chi phí.

Mặc dù đạt được kết quả đáng chú ý trong các lĩnh vực như xem máy tính và xử lý ngôn ngữ tự nhiên, các hệ thống AI hiện tại bị hạn chế bởi chất lượng và số lượng dữ liệu đào tạo, các thuật toán và mục tiêu tối ưu hóa cụ thể. Chúng thường cần sự thích nghi, đặc biệt là trong các tình huống mới, và nhiều minh bạch hơn trong việc giải thích lý do của chúng.

Ngược lại, AGI được hình dung sẽ miễn nhiễm với những hạn chế này và sẽ không dựa vào dữ liệu, thuật toán hoặc mục tiêu cụ thể đã được định nghĩa trước, mà thay vào đó dựa vào khả năng học và suy nghĩ của chính nó. Hơn nữa, AGI có thể thu được và tích hợp kiến thức từ các nguồn và lĩnh vực đa dạng, áp dụng nó một cách liền mạch vào các nhiệm vụ mới và đa dạng. Ngoài ra, AGI sẽ xuất sắc trong suy luận, truyền thông, hiểu và thao tác thế giới và chính nó.

Thử thách và cách tiếp cận để đạt được AGI?

Việc thực hiện AGI đặt ra những thách thức đáng kể bao gồm các khía cạnh kỹ thuật, khái niệm và đạo đức.

Ví dụ, việc định nghĩa và đo lường trí thông minh, bao gồm các thành phần như bộ nhớ, chú ý, sáng tạo và cảm xúc, là một chướng ngại vật cơ bản. Ngoài ra, việc mô hình hóa và mô phỏng các chức năng của não người, chẳng hạn như nhận thức, suy nghĩ và cảm xúc, đặt ra những thách thức phức tạp.

Hơn nữa, các thách thức quan trọng bao gồm việc thiết kế và thực hiện các thuật toán và kiến trúc học và suy luận có thể mở rộng và tổng quát hóa. Việc đảm bảo an toàn, tin cậy và trách nhiệm của các hệ thống AGI trong tương tác với con người và các tác nhân khác và việc sắp xếp các giá trị và mục tiêu của các hệ thống AGI với những của xã hội là rất quan trọng.

Các hướng nghiên cứu và范式 khác nhau đã được đề xuất và khám phá trong việc theo đuổi AGI, mỗi hướng có điểm mạnh và điểm yếu. Trí tuệ nhân tạo biểu tượng, một cách tiếp cận cổ điển sử dụng logic và biểu tượng cho đại diện và xử lý kiến thức, xuất sắc trong các vấn đề trừu tượng và có cấu trúc như toán học và cờ vua nhưng cần giúp đỡ trong việc mở rộng và tích hợp dữ liệu cảm biến và động cơ.

Tương tự, Trí tuệ nhân tạo kết nối, một cách tiếp cận hiện đại sử dụng mạng nơ-ron và học sâu để xử lý lượng lớn dữ liệu, xuất sắc trong các lĩnh vực phức tạp và ồn ào như tầm nhìn và ngôn ngữ nhưng cần giúp đỡ trong việc giải thích và tổng quát hóa.

Trí tuệ nhân tạo kết hợp kết hợp trí tuệ nhân tạo biểu tượng và kết nối để tận dụng điểm mạnh và vượt qua điểm yếu, nhằm tạo ra các hệ thống mạnh mẽ và đa năng hơn. Tương tự, Trí tuệ nhân tạo tiến hóa sử dụng các thuật toán tiến hóa và lập trình di truyền để tiến hóa các hệ thống AI thông qua chọn lọc tự nhiên, tìm kiếm các giải pháp mới và tối ưu không bị giới hạn bởi thiết kế của con người.

Cuối cùng, Trí tuệ nhân tạo mô phỏng sinh học sử dụng phần cứng và phần mềm mô phỏng sinh học để bắt chước các hệ thống thần kinh sinh học, nhằm tạo ra các mô hình não và tương tác tự nhiên hơn với con người và các tác nhân.

Đây không phải là các cách tiếp cận duy nhất để đạt được AGI, nhưng một số cách tiếp cận nổi bật và đầy hứa hẹn nhất. Mỗi cách tiếp cận có ưu và nhược điểm, và chúng vẫn cần đạt được sự tổng quát và trí thông minh mà AGI yêu cầu.

Ví dụ và ứng dụng của AGI

Mặc dù AGI chưa được đạt được, một số ví dụ đáng chú ý của các hệ thống AI thể hiện một số khía cạnh hoặc tính năng gợi nhớ đến AGI, góp phần vào tầm nhìn của việc đạt được AGI cuối cùng. Những ví dụ này đại diện cho các bước tiến tới AGI bằng cách展示 các khả năng cụ thể:

AlphaZero, được phát triển bởi DeepMind, là một hệ thống học tăng cường tự động học cách chơi cờ vua, shogi và Go mà không cần kiến thức hoặc hướng dẫn của con người. Thể hiện sự thông minh siêu phàm, AlphaZero cũng giới thiệu các chiến lược sáng tạo thách thức sự khôn ngoan thông thường.

Tương tự, OpenAI’s GPT-3 tạo ra văn bản mạch lạc và đa dạng trên nhiều chủ đề và nhiệm vụ. Có khả năng trả lời câu hỏi, viết bài luận và bắt chước các phong cách viết khác nhau, GPT-3 thể hiện sự đa năng, mặc dù trong một số giới hạn nhất định.

Tương tự, NEAT, một thuật toán tiến hóa được tạo bởi Kenneth Stanley và Risto Miikkulainen, tiến hóa mạng nơ-ron cho các nhiệm vụ như điều khiển robot, chơi game và tạo hình ảnh. Khả năng của NEAT trong việc tiến hóa cấu trúc và chức năng mạng nơ-ron tạo ra các giải pháp mới và phức tạp không được định nghĩa trước bởi các lập trình viên.

Mặc dù những ví dụ này minh họa tiến bộ hướng tới AGI, chúng cũng nhấn mạnh các hạn chế và khoảng trống hiện có mà cần được khám phá và phát triển thêm trong việc theo đuổi AGI thực sự.

Hệ quả và rủi ro của AGI

AGI đặt ra các thách thức khoa học, công nghệ, xã hội và đạo đức với các hệ quả sâu sắc. Về mặt kinh tế, nó có thể tạo ra cơ hội và phá vỡ các thị trường hiện có, có khả năng tăng bất bình đẳng. Trong khi cải thiện giáo dục và sức khỏe, AGI có thể giới thiệu các thách thức và rủi ro mới.

Về mặt đạo đức, nó có thể thúc đẩy các chuẩn mực mới, hợp tác và đồng cảm và giới thiệu các xung đột, cạnh tranh và tàn ác. AGI có thể đặt câu hỏi về các ý nghĩa và mục đích hiện có, mở rộng kiến thức và định nghĩa lại bản chất và số phận của con người. Do đó, các bên liên quan phải xem xét và giải quyết các hệ quả và rủi ro này, bao gồm các nhà nghiên cứu, nhà phát triển, nhà hoạch định chính sách, giáo viên và công dân.

Kết luận

AGI đứng ở tiền phong của nghiên cứu AI, hứa hẹn một mức độ trí tuệ vượt qua khả năng của con người. Mặc dù tầm nhìn này thu hút những người đam mê, nhưng các thách thức vẫn còn trong việc thực hiện mục tiêu này. AI hiện tại, xuất sắc trong các lĩnh vực cụ thể, phải đáp ứng tiềm năng mở rộng của AGI.

Nhiều cách tiếp cận, từ trí tuệ nhân tạo biểu tượng và kết nối đến các mô hình mô phỏng sinh học, đang nỗ lực để đạt được AGI. Những ví dụ đáng chú ý như AlphaZero và GPT-3 thể hiện sự tiến bộ, nhưng AGI thực sự vẫn còn khó nắm bắt. Với các hệ quả kinh tế, đạo đức và tồn tại, hành trình đến AGI đòi hỏi sự chú ý tập thể và khám phá có trách nhiệm.