Was ist künstliche allgemeine Intelligenz (AGI)? Alles, was Sie wissen müssen

Seit der Erfindung des modernen Computers wurde diskutiert, wie man künstliche allgemeine Intelligenz (AGI) definiert, wie man eine Maschine testet, um festzustellen, ob sie diese Definition erfüllt und welche Vorteile und Nachteile von AGI für menschliche Arbeit, Kreativität und wissenschaftliche Entdeckung sein werden.

In diesem Artikel wird erklärt, was AGI ist, erforscht seine Geschichte, ihre wichtigsten Herausforderungen und ob er bereits existiert oder bleibt ein fernes Ziel.

Inhaltsverzeichnis

Künstliche Intelligenz verstehen (KI)

Was ist künstliche allgemeine Intelligenz (AGI)?

Schlüsselmerkmale der Agi

Geschichte der allgemeinen KI

Wie könnte Agi funktionieren?

Mögliche Anwendungen der allgemeinen KI

Ethische Überlegungen und Herausforderungen

Zukunft der allgemeinen KI

Was sind Agi -FAQs

Künstliche Intelligenz verstehen (KI)

Um Agi zu verstehen, ist es wichtig, es von anderen Formen der künstlichen Intelligenz (AI) zu unterscheiden. KI wird im Allgemeinen dadurch kategorisiert, wie weit sie ihre Intelligenz anwenden kann und wie gut sie im Vergleich zu Menschen funktioniert.

Was ist künstliche Intelligenz?

AI bezieht sich auf Technologie, mit der Maschinen komplexe Probleme lösen können und häufig menschliche Fähigkeiten nachahmen oder übertreffen. Es führt Aufgaben wie Sprachverarbeitung, Sprach- und Bilderkennung, Datenanalyse und Codegenerierung. Die KI variiert jedoch in der Fähigkeit und kann in drei Haupttypen eingeteilt werden:

• Schmale KI (Schwache KI):Spezialisierte Systeme für bestimmte Aufgaben wie Spam-Filterung, Empfehlungsalgorithmen und Schachspielprogramme. Diese Systeme zeichnen sich in ihren festgelegten Funktionen aus, können sich aber nicht über sie anpassen. Die gesamte aktuelle KI fällt in diese Kategorie.
• Künstliche allgemeine Intelligenz (AGI):Eine theoretische KI, die Probleme in einer Vielzahl von Domänen lernen, Vernunft und Lösung von ähnlichem Bereich der menschlichen Intelligenz lernen und lösen kann. Im Gegensatz zur engen KI würde AGI keine Umschulung für neue Herausforderungen erfordern.
• Künstliche Superintelligence (ASI):Eine hypothetische KI, die die menschliche Intelligenz über alle Disziplinen hinweg übertrifft, einschließlich kreativer Problemlösung und strategisches Denken. ASI bleibt spekulativ, wird aber oft in Bezug auf die langfristige Entwicklung der Agi diskutiert.

Während die heutige KI beeindruckend ist, bleibt sie eng und zeichnet sich nur innerhalb vordefinierter Grenzen aus. Das Streben nach Agi ist die Suche nach einer wahren maschinellen Intelligenz - eine, die sich wie ein Mensch denken, lernen und anpassen kann.

Was ist künstliche allgemeine Intelligenz (AGI)?

Es gibt keine allgemein anerkannte Definition von AGI, auch bekannt als allgemeine KI. Viele Definitionen deuten jedoch darauf hin, dass ein System als AGI qualifiziert ist, wenn es Folgendes ausführen kann:

• Lernen Sie adaptiv,ohne menschliche Intervention zu erfordern
• Verallgemeinern Sie das Wissen, um unbekannte Probleme zu lösen
• Vergleichbar mit Menschen über eine breite Palette von Aufgaben vergleichbar sein

Über diese breiten Attribute hinaus variieren die Definitionen der AGI und spiegeln häufig die Ziele derjenigen wider, die versuchen, sie zu entwickeln:

• In ihrem 2007er Buch "Künstliche allgemeine Intelligenzdefinieren Ben Goertzel und Cassio Pennachin AGI als KI-Systeme, die„ ein angemessenes Maß an Selbstverständnis und autonomer Selbstkontrolle besitzen und eine Vielzahl komplexer Probleme in verschiedenen Kontexten lösen können.
• OpenAI definiert Agi als „ein hoch autonomes System, das Menschen höchst wirtschaftlich wertvolle Arbeiten übertrifft“.
• Francois Chollet, ehemaliger Google AI-Forscher und Schöpfer des ARC-Agi-Benchmarks, definiert AGI als ein System, das in der Lage ist, neue Fähigkeiten außerhalb seiner Schulungsdaten effizient zu erwerben. Er betont, dass die Intelligenz eher durch Erwerb und Verallgemeinerung der Fähigkeiten als durch die Fähigkeiten selbst gekennzeichnet ist.

Schlüsselmerkmale der Agi

Während die Definitionen der AGI variieren, unterscheiden sie sie im Allgemeinen von enger KI, indem sie ihre Fähigkeit betonen, über verschiedene Bereiche hinweg zu funktionieren. Unabhängig von der spezifischen Definition müsste eine AGI mehrere Kernmerkmale besitzen, um diese Fähigkeiten zu erreichen:

Autonome Entscheidungsfindung

Eine AGI muss in der Lage sein zu bestimmen, wann neue Informationen einholen, Hilfe anfordern oder unabhängige Maßnahmen ergreifen sollen, um Probleme zu lösen. Wenn beispielsweise die Aufgabe mit der Modellierung eines komplexen Finanzmarktes die Aufgabe haben würde, müsste eine AGI relevante Datenquellen identifizieren, historische Trends analysieren und feststellen, wie die erforderlichen Informationen erfasst werden können - alles ohne menschliche Anleitung.

Problemlösung in unbekannten Bereichen

AGI muss in der Lage sein, das Wissen aus einer Domäne zu verallgemeinern und auf neue, unbekannte Aufgaben anzuwenden. Diese Fähigkeit, das Lernen durch Analogie zu übertragen, ähnelt der Art und Weise, wie ein Musiker, der auf ein oder zwei Instrumenten trainiert, schnell ein Drittel lernen kann. Auf die gleiche Weise muss eine AGI Vorkenntnisse nutzen, um Probleme zu lösen, für die sie nicht ausdrücklich geschult wurde.

Kontinuierliche Selbstverbesserung

Eine AGI muss in der Lage sein, seine eigene Leistung zu bewerten und sich an neue Situationen anzupassen. Ein Ansatz zur rekursiven Selbstverbesserung sind selbst erzeugte Trainingsdaten, wie in DeepMinds Robocat zu sehen ist. Eine weitere potenzielle Fähigkeit besteht darin, ihren eigenen Code und seine eigene Architektur zu ändern. Eine solche Selbstmodifikation könnte jedoch Sicherheitsrisiken einführen, wenn AGI Änderungen vornimmt, die Menschen nicht vollständig verstehen oder kontrollieren können.

Geschichte der allgemeinen KI

Die Geschichte der AGI wird am besten in der breiteren Geschichte der KI verstanden. Die Forschung hat sich durch mehrere unterschiedliche Epochen entwickelt, die jeweils den Weg zu fähigeren und allgemeineren KI -Systemen formen.

Frühe KI: Symbolische AI ​​(1950er bis 1980er Jahre)

Der erste Versuch, die KI in den 1950er und 1960er Jahren aufzubauen, basierte auf der Idee, dass Sie eine Maschine unterrichten können, um durch Programmierregeln und Logik (als Symbole dargestellt) in den Computer zu denken und sie zu bitten, Probleme mit diesen Regeln zu lösen. Dies produzierte Expertensysteme, die Menschen bei Brettspielen schlagen und spezielle Aufgaben ausführen konnten (IBMs Schachmeister Computer Deep Blue ist ein Beispiel), aber sie konnten nichts außerhalb ihres programmierten Wissens lernen.

Die Verlagerung zum maschinellen Lernen (1990er bis 2010s)

In den neunziger Jahren trat eine Hauptverschiebung mit dem Aufstieg des maschinellen Lernens (ML) auf, was sich davon inspirieren ließ, wie biologische Neuronen im Gehirn funktionieren. Anstatt hartcodierte Regeln zu verwenden, verwenden diese verbindungsorientierten Systeme neuronale Netze, die viele Schichten künstlicher Neuronen verwenden, die durch Training auf großen Datensätzen lernen und ihre Ausgaben schrittweise über viele Trainingsläufe verbessern.

Die Deep Learning Revolution (2010s -Present)

Die Modern Deep Learning Revolution begann 2012, als die Forscher begannen, Grafikverarbeitungseinheiten (GPUs) zu verwenden, um neuronale Netzwerke mit Billionen von Parametern zu erstellen. Dies sorgte für einen enormen Anstieg der Rechenleistung, die diesen Modellen für maschinelles Lernen - einschließlich zeitgenössischer Großsprachenmodelle (LLMs) wie ChatGPT - die Fähigkeit gab, mehr zu lernen und einige Wissen auf ähnliche Aufgaben zu verallgemeinern.

Definieren von AGI: Über traditionelle KI -Benchmarks hinaus

Als KI-Systeme anspruchsvoller wurden, schlugen die Forscher neue Benchmarks vor, um zu beurteilen, ob ein KI-System in der Intelligenz auf Menschenebene erreicht wurde. Der berühmteste frühe Benchmark, der Turing -Test, sollte feststellen, ob eine Maschine das menschliche Gespräch überzeugend nachahmen könnte. Da LLMs wie Chatgpt und Claude diesen Test jetzt bestehen können, halten viele Forscher ihn für veraltet.

Neuere Benchmarks wie der ARC-Agi-Test konzentrieren sich auf die Fähigkeit eines KI-Systems, über seine Trainingsdaten hinaus zu verallgemeinern. Während die aktuellen KI -Modelle immer noch hinter dem menschlichen Denken abfallen, haben einige, wie das O3 -Modell von Openai, durch Durchbruchsergebnisse erzielt und Debatten über die Machbarkeit von AGI wieder entfacht.

Wie könnte Agi funktionieren?

Es gibt keinen Konsens unter KI -Forschern, welche Ansatz letztendlich zu AGI führen wird. Sowohl symbolische KI als auch Deep -Lernen haben Einschränkungen, wenn es darum geht, Systeme zu bauen, die das Wissen über verschiedene Bereiche hinweg verallgemeinern können. Die aktuelle Forschung konzentriert sich auf die Entwicklung von Modellen mit metakognitiven Fähigkeiten - die Fähigkeit, ihre eigenen Argumentationsprozesse zu bewerten und zu verbessern.

Einschränkungen der aktuellen Ansätze

Symbolische KI -Systeme stützen sich auf menschliche Programmierer für Wissen und können nicht selbst neue Informationen erhalten, während Deep -Lern -Systeme, einschließlich generativer KI, enorme Datensätze und lange Schulungsperioden erfordern, um neue Aufgaben zu erlernen. Menschen hingegen nehmen leicht neue Informationen auf und können mit sehr wenigen Beispielen schnell neue Dinge tun.

Trotz dieser Herausforderungen untersuchen Forscher viele Möglichkeiten, Maschinen zu schaffen, die in der Lage sind, auf einer menschlichen (oder besseren) Ebene Entscheidungen zu verallgemeinern, zu verallgemeinern und Entscheidungen zu treffen. Einige neuere Ansätze mit Elementen von AGI umfassen die neuro-symbolische KI, die Agenten-KI und die verkörperte KI.

Neurosymbolische AI

Einige KI-Forscher, darunter Gary Marcus und Ben Goertzel, argumentieren, dass neurosymbolische Systeme der Weg zur AGI sind. Diese Systeme kombinieren verschiedene Arten von KI -Systemen, um die Mängel eines Ansatzes auszugleichen.

Zum Beispiel veröffentlichten Goertzel und seine Mitarbeiter im Jahr 2023 OpenCog Hyperon, einen Open-Source-AGI-Aufwand, der einen Software-Framework für die Kombination von KI-Systemen aus verschiedenen Disziplinen bietet, einschließlich der Verarbeitung natürlicher Sprache (NLP), formaler Logik und probilistisches Denken. Google DeepMind erzielte kürzlich die Leistung von Silbermedaillen auf der internationalen mathematischen Olympiade mit zwei neurosymbolischen Systemen, Alphapfach und Alphageometrie 2.

Agenten AI

KI -Agenten gelten als möglicher Schritt auf dem Weg nach AGI, da sie ihre Umgebungen bewerten und reagieren können, den Kontext verstehen und Entscheidungen unabhängig von Menschen treffen können, um Ziele zu erreichen. Wie der neuro-symbolische Ansatz bewirken agierische KI-Systeme, indem sie mehrere Arten von KI kombinieren, um unterschiedliche Aufgaben zu erledigen. Die Erforschung der Agenten -KI liegt jedoch noch in den frühen Stadien, und viele der fortgeschritteneren Fähigkeiten, die der agenten -KI zurückzuführen sind, sind immer noch theoretisch.

Verkörperte ai

Die führenden KI-Denker, darunter OpenAI-Mitbegründer Andrej Karpathy und Wissenschaftlerin Melanie Mitchell, haben gesagt, dass eine Form der Verkörperung erforderlich sein könnte, um die AGI zu erreichen. Dies beruht auf der Idee, dass es für eine KI schwierig wäre, grundlegende kognitive Fähigkeiten wie das Verständnis der Kausalität oder Objektdauerung zu erlernen, ohne dass sensorische Eingaben empfangen werden können.

Verkörperte KI ist implizit erforderlich, um einige populäre Definitionen von AGI zu erfüllen. Zum Beispiel hat der Apple-Mitbegründer Steve Wozniak einen Benchmark namens Kaffeetest vorgeschlagen, bei dem eine Maschine als Agi besitzt, wenn sie in die Heimat einer willkürlichen Person eintreten und herausfinden könnte, wie eine Tasse Kaffee brauen kann.

Mögliche Anwendungen der allgemeinen KI

Aufgrund der Art der generalisierten Intelligenz sind die potenziellen Anwendungen für AGI praktisch unbegrenzt. Einige Branchen, die besonders von der Anpassungsfähigkeit und Autonomie profitieren können, die die AGI anbieten wird, umfassen Gesundheitswesen, Bildung, Fertigung und Finanzen.

Gesundheitspflege

AGI hat das Potenzial, viele Bereiche der Gesundheitsversorgung zu beeinflussen, in denen es vorteilhaft wäre, ein intelligentes System mit Zugang zu riesigen Datenmengen, einschließlich Diagnostik und Arzneimittelentdeckung, sowie die Fähigkeit, individuelle Behandlungspläne zu erstellen, die das vollständige Bild der Gesundheitsgeschichte eines Patienten widerspiegeln.

Ausbildung

AGI -Systeme in der Bildung können verwendet werden, um Lernwege zu personalisieren, damit die Schüler ihre spezifischen Bedürfnisse erfüllen, Lehrern bei Verwaltungsaufgaben und Unterrichtsplanung unterstützen können, damit sie mehr Zeit für den Unterricht verbringen können, und den Lehrern bei der Analyse der Schülerleistung bei der Identifizierung von Lücken, in denen die Schüler möglicherweise hinterherfallen, bei der Identifizierung von Lücken bei der Analyse der Schüler bei der Analyse der Schüler unterstützen können.

Herstellung

Hersteller müssen die Prozesse, die der komplexen Lieferkettenlogistik, Produktionsplänen und Qualitätskontrolle zugrunde liegen, konstant müssen. AGI hat das Potenzial, Entscheidungen darüber zu treffen, wie Prozesse verbessert und automatisiert werden können.

Finanzen

Da die Unternehmen für Finanzsektor mit einer Vielzahl von Daten zu tun haben, kann AGI in der Lage sein, Entscheidungen über diese Informationen zu analysieren und zu treffen, viel schneller als Menschen. Dies hat das Potenzial, datenhörige Aufgaben wie Risikobewertung, Einhaltung und Marktanalyse zu beschleunigen.

Ethische Überlegungen und Herausforderungen

Wenn der Fortschritt in Richtung AGI weiter voranschreitet, gibt es rechtliche Fragen und ethische Bedenken, die sowohl von den Gebäuden als auch von denjenigen, die AGI -Systeme verwenden, berücksichtigt werden müssen.

Voreingenommenheit

Auf die gleiche Weise, wie enge KI -Systeme unter mangelnder Vielfalt in Trainingsproben leiden können, können Agi -Systeme das Potenzial haben, rassistische, geschlechtsspezifische oder andere Arten von Verzerrungen auf der Grundlage verzerrter oder unvollständiger Schulungsdaten aufzubauen. Algorithmen können auch eine Verzerrung einführen, indem bestimmte Variablen gewichtet werden, um eine Gruppe über eine andere zu privilegieren.

Rechtsverantwortung für AGI -Maßnahmen

KI -Systeme waren bereits Gegenstand von Rechtsstreitigkeiten wegen Verstößen gegen Privatsphäre und fairer Wohnungsgesetze. Bestehende rechtliche Rahmenbedingungen definieren jedoch nicht immer klar, wer durch KI Schäden haftet. Die Entstehung fortschrittlicher intelligenter Agenten wird Fragen der Rechenschaftspflicht weiter erschweren, wenn Maschinen auf eine Weise handeln, die das Gesetz verstößt.

Ausrichtung Herausforderungen

AGI -Systeme könnten Zugriff auf große Datenmengen und die Autonomie haben, um wirkungsvolle Entscheidungen zu treffen. Die Gewährleistung dieser Systeme, die auf menschliche Werte und ethische Prinzipien übereinstimmen, ist ein wesentlicher Schwerpunkt der AI -Ausrichtungsforschung. Experten arbeiten daran, Methoden zu entwickeln, die es AGI ermöglichen, gewünschte Ziele und Einschränkungen zu interpretieren und festzuhalten, wodurch unbeabsichtigte oder unerwünschte Ergebnisse minimiert werden.

Zukunft der allgemeinen KI

Mit dem Fortschritt der KI werden sowohl Herausforderungen als auch Chancen vorgestellt. Während Bedenken hinsichtlich Beschäftigung und Sicherheit angegangen werden müssen, hat AGI das Potenzial, in Bereichen wie Datenanalyse, Automatisierung, Optimierung, Gesundheitswesen und Sicherheit erhebliche Vorteile zu bringen.

AGI könnte den Fortschritt in komplexen wissenschaftlichen und sozialen Problemen beschleunigen, indem sie Probleme in einer Skala über die menschliche Fähigkeit lösen. Durch den Umgang mit sich wiederholenden Aufgaben kann AGI auch die Menschen dazu befreien, sich mehr auf sinnvolle Arbeit und persönliche Interessen zu konzentrieren. Letztendlich wird seine Entwicklung nicht nur die Industrien umgestalten, sondern auch, wie Menschen Intelligenz und ihre Rolle in der Welt wahrnehmen.

Agi FAQs

Was ist der Unterschied zwischen AI und AGI?

AGI ist ein Subtyp von AI, der sich von einer schmalen oder schwachen KI unterscheidet, die spezifische Aufgaben innerhalb einer begrenzten Domäne ausführen soll. Im Gegensatz dazu bezieht sich AGI auf ein hypothetisches Stadium der AI -Entwicklung, in dem Systeme menschliche Flexibilität, Anpassungsfähigkeit und Argumentation besitzen und es ihnen ermöglichen, eine breite Palette von Aufgaben über verschiedene Domänen hinweg zu lernen und auszuführen.

Was ist der Unterschied zwischen generativer KI und allgemeiner KI?

Generative AI ist eine Art von KI, die große Datensätze analysiert, um Vorhersagen, Inhalte oder Antworten basierend auf gelernten Mustern zu generieren. Allgemeine KI oder AGI bezieht sich auf KI, das in mehreren Domänen in der Lage ist, Intelligenz und Argumentation auf menschlicher Ebene zu überlegen, sodass es eine Vielzahl von Aufgaben erlernen und ausführen kann, ohne auf eine bestimmte Funktion beschränkt zu sein.

Wird Chatgpt als AGI angesehen?

Einige Experten schlagen vor, dass LLMs wie Chatgpt und Claude bereits als AGI angesehen werden könnten. Diese Ansicht ist jedoch bei AI -Forschern nicht weit verbreitet. Chatgpt fehlt ein echtes Verständnis des von ihm erzeugten Textes, kämpft mit Argumentation und kann sein Wissen nicht über verschiedene Bereiche hinweg verallgemeinern, z. B. die Kontrolle eines physischen Systems wie ein selbstfahrendes Auto. Diese Einschränkungen bedeuten, dass sie nicht die Kriterien für AGI erfüllt.

Wird O3 als Agi angesehen?

Während das O3-Argumentationsmodell von OpenAI am 20. Dezember 2024 eine beeindruckende Punktzahl von 87,5% auf der ARC-Agi-Benchmark erzielte, betrachtet der Schöpfer des Benchmarks, Francois Chollet, es nicht als AGI erreicht.

Beobachter weisen darauf hin, dass O3 auf umfangreiche Voraussetzungen mit öffentlichen Testproben stützte und massive Rechenressourcen benötigte, um seine Punktzahl zu erreichen. Chollet merkte auch an, dass einige Modelle mit niedrigeren Bereichen bis zu 81%bewertet wurden, was darauf hindeutet, dass der Erfolg von O3 durch die Brute-Force-Berechnung als durch echte allgemeine Intelligenz stärker angetrieben wurde.

Was sind die Hauptherausforderungen beim Aufbau allgemeiner KI?

• Vertrauenswürdigkeit:AGI -Systeme müssen konstant genau und zuverlässig sein, damit Benutzer in kritischen Anwendungen auf ihre Ausgaben abhängen.
• Das Long-Tail-Problem:Unabhängig davon, wie viel Trainingsdaten ein KI-System hat, wird es unweigerlich auf seltene oder unvorhergesehene Szenarien stoßen. Zum Beispiel werden selbstfahrende Autos Situationen ausgesetzt sein, die nicht in ihrem Training behandelt werden und sie verallgemeinern müssen.
• Energieverbrauch:Fortgeschrittene KI -Modelle erfordern bereits große Mengen an Energie und Wasser für die Berechnung. AGI könnte noch größere Ressourcen erfordern, wenn keine effizienteren Verarbeitungsmethoden entwickelt werden.
• Gesunder Menschenverstand:Im Gegensatz zu Menschen fehlt der KI die Erfahrung in der realen Welt und das intuitive Verständnis von Physik, sozialen Interaktionen und alltäglichen Argumentation-wissen Sie, dass Menschen aus der Kindheit natürlich erwerben.

Existiert Agi schon?

Da der BegriffAGIauf unterschiedliche Weise definiert wurde, gibt es möglicherweise bereits für sie, was der Definition einer Person (oder einer Firma) der AGI entspricht, aber nicht nach jemand anderem. Verwenden Sie die Definition von Google DeepMinds Papier, dass „ein KI -System, das bei den meisten Aufgaben mindestens so fähig ist wie ein Mensch“, zu sagen, dass AGI noch nicht existiert.