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

Artificial Intelligence (AI) ở khắp mọi nơi. Từ trợ lý thông minh đến xe tự lái, Hệ thống AI đang thay đổi cuộc sống và hoạt động kinh doanh của chúng ta. Nhưng điều gì sẽ xảy ra nếu có một AI có thể làm được nhiều việc hơn ngoài việc thực hiện các nhiệm vụ cụ thể? Điều gì sẽ xảy ra nếu có một loại AI có thể học và suy nghĩ giống con người hoặc thậm chí vượt qua trí thông minh của con người?

Đây là tầm nhìn của Trí tuệ tổng hợp nhân tạo (AGI), một dạng AI giả định có khả năng hoàn thành bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm được. AGI thường tương phản với Trí tuệ nhân tạo hẹp (ANI), tình trạng hiện tại của AI chỉ có thể vượt trội ở một hoặc một vài lĩnh vực, chẳng hạn như chơi cờ hay nhận diện khuôn mặt. Mặt khác, AGI sẽ có khả năng hiểu và suy luận trên nhiều lĩnh vực, chẳng hạn như ngôn ngữ, logic, tính sáng tạo, lẽ thường và cảm xúc.

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

Nhưng chúng ta đã tiến gần đến việc đạt được AGI đến mức nào và liệu việc thử có hợp lý không? Trên thực tế, đây là một câu hỏi quan trọng mà câu trả lời có thể mang lại sự kiểm tra thực tế cho những người đam mê AI, những người đang mong muốn chứng kiến ​​kỷ nguyên của trí thông minh siêu phàm.

A là gìGI và nó khác với AI như thế nào?

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

• tư duy trừu tượng
• khả năng khái quát hóa từ các trường hợp cụ thể
• rút ra từ kiến ​​thức nền tảng đa dạng
• sử dụng ý thức chung và ý thức để ra quyết định
• hiểu mối quan hệ nhân quả thay vì chỉ tương quan
• giao tiếp và tương tác hiệu quả với con người và các tác nhân khác.

Mặc dù những tính năng này rất quan trọng để đạt được trí thông minh giống con người hoặc siêu phàm nhưng chúng vẫn khó nắm bắt được đối với các hệ thống AI hiện tại.

AI hiện tại chủ yếu dựa vào 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 giám sát, không giám sátvà học tăng cường.

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

Mặc dù đã đạt được những kết quả đáng ghi nhận trong các lĩnh vực như thị giác 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 được xác định trước và các mục tiêu tối ưu hóa cụ thể. Họ thường cần sự trợ giúp về khả năng thích ứng, đặc biệt là trong những tình huống mới lạ và sự minh bạch hơn trong việc giải thích lý do của họ.

Ngược lại, AGI được hình dung là không có những hạn chế này và sẽ không dựa vào dữ liệu, thuật toán hoặc mục tiêu được xác định trước mà thay vào đó dựa vào khả năng học tập và tư duy của chính nó. Hơn nữa, AGI có thể tiếp thu và tích hợp kiến ​​thức từ nhiều nguồn và lĩnh vực khác nhau, áp dụng nó một cách liền mạch vào các nhiệm vụ mới và đa dạng. Hơn nữa, AGI sẽ vượt trội trong khả năng lý luận, giao tiếp, hiểu biết và thao túng thế giới và chính nó.

Những thách thức và phương pháp tiếp cận để đạt được AGI là gì?

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

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

Hơn nữa, những thách thức quan trọng bao gồm việc thiết kế và triển khai các thuật toán và kiến ​​trúc lý luận và học tập có thể mở rộng, có khả năng khái quát hóa. Đảm bảo sự an toàn, độ tin cậy và trách nhiệm giải trình của hệ thống AGI trong tương tác với con người và các tác nhân khác, đồng thời điều chỉnh các giá trị và mục tiêu của hệ thống AGI với xã hội cũng là điều vô cùng quan trọng.

Nhiều hướng nghiên cứu và mô hình khác nhau đã được đề xuất và khám phá trong quá trình theo đuổi AGI, mỗi hướng đều có điểm mạnh và hạn chế. AI tượng trưng, một cách tiếp cận cổ điển sử dụng logic và ký hiệu để biểu diễn và vận dụng kiến ​​thức, vượt trội trong các vấn đề trừu tượng và có cấu trúc như toán học và cờ vua nhưng cần trợ giúp mở rộng và tích hợp dữ liệu cảm giác và vận động.

Tương tự như vậy, AI theo chủ nghĩa kết nối, một cách tiếp cận hiện đại sử dụng mạng lưới thần kinh và học sâu để xử lý lượng lớn dữ liệu, vượt trội trong các lĩnh vực phức tạp và ồn ào như thị giác và ngôn ngữ nhưng cần trợ giúp để diễn giải và khái quát hóa.

AI lai kết hợp AI mang tính biểu tượng và kết nối để tận dụng điểm mạnh và khắc phục điểm yếu, hướng tới các hệ thống mạnh mẽ và linh hoạt hơn. Tương tự, EAI mang tính cách mạng sử dụng các thuật toán tiến hóa và lập trình di truyền để phát triển hệ thống AI thông qua chọn lọc tự nhiên, tìm kiếm các giải pháp mới và tối ưu không bị ràng buộc bởi thiết kế của con người.

Cuối cùng, AI thần kinh sử dụng phần cứng và phần mềm mô phỏng thần kinh để mô phỏng các hệ thống thần kinh sinh học, nhằm tạo ra các mô hình não thực tế và hiệu quả hơn, đồng thời cho phép tương tác tự nhiên với con người và các tác nhân.

Đây không phải là những cách tiếp cận duy nhất đối với AGI mà là một trong những cách nổi bật và hứa hẹn nhất. Mỗi cách tiếp cận đều có ưu và nhược điểm nhưng vẫn cần đạt được tính tổng quát, thông minh mà AGI yêu cầu.

AGI Ví dụ và ứng dụng

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

alphazero, được phát triển bởi DeepMind, là một hệ thống học tập tăng cường có thể tự học chơi cờ, shogi và cờ vây mà không cần kiến ​​thức hoặc sự hướng dẫn của con người. Thể hiện trình độ siêu phàm, AlphaZero cũng giới thiệu các chiến lược sáng tạo thách thức trí tuệ thông thường.

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

Tương tự như vậy, KHÉO LÉO, một thuật toán tiến hóa do Kenneth Stanley và Risto Miikkulainen tạo ra, phát triển mạng lưới thần kinh cho các nhiệm vụ như điều khiển robot, chơi trò chơi và tạo hình ảnh. Khả năng phát triển cấu trúc và chức năng mạng của NEAT tạo ra các giải pháp mới và phức tạp mà các lập trình viên con người không xác định trước.

Mặc dù những ví dụ này minh họa sự tiến bộ hướng tới AGI, nhưng chúng cũng nhấn mạnh những hạn chế và khoảng trống hiện có đòi hỏi phải thăm dò và phát triển hơn nữa trong việc theo đuổi AGI thực sự.

Ý nghĩa và rủi ro của AGI

AGI đặt ra những thách thức về khoa học, công nghệ, xã hội và đạo đức với những ý nghĩa sâu sắc. Về mặt kinh tế, nó có thể tạo ra cơ hội và phá vỡ các thị trường hiện tại, có khả năng làm tăng bất bình đẳng. Trong khi cải thiện giáo dục và y tế, AGI có thể tạo ra những thách thức và rủi ro mới.

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

The Bottom Line

AGI đi đầu trong nghiên cứu AI, hứa hẹn một trình độ trí tuệ vượt xa khả năng của con người. Trong khi tầm nhìn thu hút những người đam mê thì những thách thức vẫn tồn tại trong việc hiện thực hóa mục tiêu này. AI hiện tại, xuất sắc trong các lĩnh vực cụ thể, phải đáp ứng được tiềm năng mở rộng của AGI.

Nhiều cách tiếp cận, từ AI mang tính biểu tượng và kết nối đến các mô hình thần kinh, cố gắng hiện thực hóa AGI. Các ví dụ đáng chú ý như AlphaZero và GPT-3 cho thấy những tiến bộ, tuy nhiên AGI thực sự vẫn khó nắm bắt. Với những tác động về kinh tế, đạo đức và sự tồn tại, hành trình đến AGI đòi hỏi sự chú ý của tập thể và sự khám phá có trách nhiệm.