Apa itu Kecerdasan Umum Buatan (AGI)? Semua yang perlu Anda ketahui

Sejak penemuan komputer modern, ada perdebatan tentang bagaimana mendefinisikan kecerdasan umum buatan (AGI), bagaimana menguji mesin untuk melihat apakah itu memenuhi definisi itu, dan apa manfaat dan kelemahan AGI untuk pekerjaan manusia, kreativitas, dan penemuan ilmiah.

Artikel ini menjelaskan apa itu AGI, mengeksplorasi sejarahnya, tantangan utama, dan apakah sudah ada atau tetap menjadi tujuan yang jauh.

Daftar isi

Memahami Kecerdasan Buatan (AI)

Apa itu Kecerdasan Umum Buatan (AGI)?

Ciri -ciri utama AGI

Sejarah AI Jenderal

Bagaimana cara kerja AGI?

Aplikasi potensial AI umum

Pertimbangan dan tantangan etis

Masa Depan AI Jenderal

Apa itu FAQ AGI

Memahami Kecerdasan Buatan (AI)

Untuk memahami AGI, penting untuk membedakannya dari bentuk kecerdasan buatan lain (AI). AI umumnya dikategorikan oleh seberapa luas itu dapat menerapkan kecerdasannya dan seberapa baik kinerjanya dibandingkan dengan manusia.

Apa itu Kecerdasan Buatan?

AI mengacu pada teknologi yang memungkinkan mesin untuk memecahkan masalah yang kompleks, seringkali meniru atau melampaui kemampuan manusia. Ini mendukung tugas -tugas seperti pemrosesan bahasa, pengenalan bicara dan gambar, analisis data, dan pembuatan kode. Namun, AI bervariasi dalam kemampuan dan dapat diklasifikasikan menjadi tiga jenis utama:

• AI sempit (AI lemah):Sistem khusus yang dirancang untuk tugas-tugas tertentu, seperti penyaringan spam, algoritma rekomendasi, dan program bermain catur. Sistem ini unggul dalam fungsinya yang ditunjuk tetapi tidak dapat beradaptasi di luar mereka. Semua AI saat ini termasuk dalam kategori ini.
• Kecerdasan Umum Buatan (AGI):AI teoretis yang dapat belajar, alasan, dan memecahkan masalah di berbagai domain, mirip dengan kecerdasan manusia. Tidak seperti AI sempit, AGI tidak akan memerlukan pelatihan ulang untuk tantangan baru.
• Superintelligence buatan (ASI):AI hipotetis yang melampaui kecerdasan manusia di semua disiplin ilmu, termasuk pemecahan masalah kreatif dan pemikiran strategis. ASI tetap spekulatif tetapi sering dibahas dalam kaitannya dengan evolusi jangka panjang AGI.

Sementara AI saat ini mengesankan, tetap sempit, hanya unggul dalam batas -batas yang telah ditentukan. Pengejaran AGI adalah pencarian kecerdasan mesin sejati - yang dapat berpikir, belajar, dan beradaptasi seperti manusia.

Apa itu Kecerdasan Umum Buatan (AGI)?

Tidak ada definisi AGI yang diterima secara universal, juga dikenal sebagai AI Jenderal. Namun, banyak definisi menunjukkan bahwa suatu sistem memenuhi syarat sebagai AGI jika dapat melakukan hal berikut:

• Belajar secara adaptiftanpa memerlukan intervensi manusia
• Generalisasi pengetahuanuntuk menyelesaikan masalah yang tidak dikenal
• Lakukan sebanding dengan manusiadi berbagai tugas

Di luar atribut luas ini, definisi AGI bervariasi, sering mencerminkan tujuan dari mereka yang berusaha mengembangkannya:

• Dalam buku mereka tahun 2007,Kecerdasan Umum Buatan, Ben Goertzel dan Cassio Pennachin mendefinisikan AGI sebagai sistem AI yang memiliki “tingkat pemahaman diri yang masuk akal dan kontrol diri yang otonom” dan dapat memecahkan berbagai masalah kompleks dalam berbagai konteks.
• Openai mendefinisikan AGI sebagai "sistem yang sangat otonom yang mengungguli manusia pada pekerjaan paling berharga secara ekonomi."
• Francois Chollet, mantan peneliti Google AI dan pencipta tolok ukur ARC-AGI, mendefinisikan AGI sebagai sistem yang mampu memperoleh keterampilan baru secara efisien di luar data pelatihannya. Dia menekankan bahwa kecerdasan ditandai oleh perolehan dan generalisasi keterampilan, bukan keterampilan itu sendiri.

Ciri -ciri utama AGI

Sementara definisi AGI bervariasi, mereka umumnya membedakannya dari AI sempit dengan menekankan kemampuannya untuk berfungsi di berbagai domain. Terlepas dari definisi spesifik, AGI perlu memiliki beberapa sifat inti untuk mencapai kemampuan ini:

Pengambilan keputusan otonom

AGI harus dapat menentukan kapan harus mencari informasi baru, meminta bantuan, atau mengambil tindakan independen untuk menyelesaikan masalah. Misalnya, jika ditugaskan untuk memodelkan pasar keuangan yang kompleks, AGI perlu mengidentifikasi sumber data yang relevan, menganalisis tren historis, dan menentukan bagaimana memperoleh informasi yang diperlukan - semua tanpa bimbingan manusia.

Pemecahan masalah dalam domain yang tidak dikenal

AGI harus dapat menggeneralisasi pengetahuan dari satu domain dan menerapkannya pada tugas baru yang tidak dikenal. Kemampuan untuk mentransfer pembelajaran melalui analogi ini mirip dengan bagaimana seorang musisi yang dilatih pada satu atau dua instrumen dapat dengan cepat belajar yang ketiga. Dengan cara yang sama, A AGI harus memanfaatkan pengetahuan sebelumnya untuk menyelesaikan masalah yang tidak dilatih secara eksplisit.

Perluasan diri yang berkelanjutan

A AGI harus mampu mengevaluasi kinerjanya sendiri dan beradaptasi dengan situasi baru. Salah satu pendekatan untuk peningkatan diri yang rekursif adalah data pelatihan yang dihasilkan sendiri, seperti yang terlihat di DeepMind's Robocat. Kemampuan potensial lainnya adalah memodifikasi kode dan arsitekturnya sendiri. Namun, modifikasi diri seperti itu dapat memperkenalkan risiko keselamatan jika AGI membuat perubahan yang dapat dipahami atau dikendalikan manusia sepenuhnya.

Sejarah AI Jenderal

Sejarah AGI paling dipahami dalam sejarah AI yang lebih luas. Penelitian telah berkembang melalui beberapa era yang berbeda, masing -masing membentuk jalan menuju sistem AI yang lebih mampu dan umum.

AI awal: Symbolic AI (1950 -an - 1980 -an)

Upaya pertama untuk membangun AI pada 1950 -an dan 1960 -an didasarkan pada gagasan bahwa Anda dapat mengajarkan mesin untuk berpikir dengan aturan pemrograman dan logika (diwakili sebagai simbol) ke dalam komputer dan memintanya untuk menyelesaikan masalah menggunakan aturan ini. Sistem ahli yang diproduksi ini dapat mengalahkan manusia di permainan papan dan melakukan tugas -tugas khusus (komputer juara catur IBM Deep Blue adalah salah satu contoh), tetapi mereka tidak dapat mempelajari apa pun di luar pengetahuan terprogram mereka.

Pergeseran ke Pembelajaran Mesin (1990 -an - 2010 -an)

Pergeseran besar terjadi pada 1990 -an dengan munculnya pembelajaran mesin (ML), yang mengambil inspirasi dari bagaimana neuron biologis berfungsi di otak. Daripada menggunakan aturan yang dikodekan, sistem koneksionis ini menggunakan jaringan saraf yang menggunakan banyak lapisan neuron buatan yang belajar dengan melatih kumpulan data besar dan meningkatkan output mereka secara bertahap selama banyak pelatihan.

The Deep Learning Revolution (2010 -sekarang)

Revolusi pembelajaran mendalam modern dimulai pada 2012 ketika para peneliti mulai menggunakan unit pemrosesan grafis (GPU) untuk membuat jaringan saraf dengan triliunan parameter. Ini memberikan dorongan besar dalam kekuatan komputasi yang memberikan model pembelajaran mesin ini - termasuk model bahasa besar kontemporer (LLM) seperti chatgpt - kapasitas untuk belajar lebih banyak dan menggeneralisasi beberapa pengetahuan untuk tugas yang sama.

Mendefinisikan AGI: Di luar tolok ukur AI tradisional

Ketika sistem AI menjadi lebih canggih, para peneliti mengusulkan tolok ukur baru untuk menilai apakah sistem AI telah mencapai kecerdasan tingkat manusia. Benchmark awal yang paling terkenal, Turing Test, dirancang untuk menentukan apakah mesin dapat meniru percakapan manusia dengan meyakinkan. Namun, karena LLMS seperti Chatgpt dan Claude sekarang dapat lulus tes ini, banyak peneliti menganggapnya sudah ketinggalan zaman.

Tolok ukur yang lebih baru, seperti tes ARC-AGI, fokus pada kemampuan sistem AI untuk menggeneralisasi di luar data pelatihannya. Sementara model AI saat ini masih jauh dari penalaran seperti manusia, beberapa, seperti model O3 Openai, telah mencapai hasil terobosan, menyalakan kembali debat tentang kelayakan AGI.

Bagaimana cara kerja AGI?

Tidak ada konsensus di antara peneliti AI tentang pendekatan mana yang pada akhirnya akan mengarah ke AGI. Baik AI simbolik dan pembelajaran mendalam memiliki keterbatasan dalam hal membangun sistem yang dapat menggeneralisasi pengetahuan di berbagai domain. Penelitian saat ini berfokus pada pengembangan model dengan kemampuan metakognitif - kapasitas untuk mengevaluasi dan meningkatkan proses penalaran mereka sendiri.

Keterbatasan pendekatan saat ini

Sistem AI simbolik bergantung pada pemrogram manusia untuk pengetahuan dan tidak dapat memperoleh informasi baru sendiri, sementara sistem pembelajaran yang mendalam, termasuk AI generatif, membutuhkan kumpulan data yang luas dan periode pelatihan yang panjang untuk mempelajari tugas -tugas baru. Manusia, di sisi lain, dengan mudah menyerap informasi baru dan dapat belajar melakukan hal -hal baru dengan cepat dengan sangat sedikit contoh.

Bahkan dengan tantangan ini, bagaimanapun, para peneliti sedang mengeksplorasi banyak jalan untuk membuat mesin yang mampu belajar, menggeneralisasi, dan membuat keputusan pada tingkat manusia (atau lebih baik). Beberapa pendekatan baru-baru ini yang memiliki elemen AGI termasuk AI neuro-simbolik, AI agen, dan AI yang diwujudkan.

AI neuro-simbolik

Beberapa peneliti AI, termasuk Gary Marcus dan Ben Goertzel, berpendapat bahwa sistem simbolik neuro adalah cara menuju AGI. Sistem ini menggabungkan berbagai jenis sistem AI untuk mengkompensasi kekurangan dari satu pendekatan.

Sebagai contoh, pada tahun 2023, Goertzel dan kolaboratornya merilis OpenCog Hyperon, upaya AGI open-source yang menyediakan kerangka kerja perangkat lunak untuk menggabungkan sistem AI dari berbagai disiplin ilmu, termasuk Natural Language Processing (NLP), logika formal, dan penalaran probabilistik. Google Deepmind baru-baru ini mencapai kinerja tingkat medali perak di Olimpiade Matematika Internasional dengan dua sistem simbolik neuro, Alphaproof dan Alphageometry 2.

AI Agen

Agen AI dianggap sebagai langkah yang mungkin pada jalan menuju AGI karena mereka dapat mengevaluasi dan menanggapi lingkungan mereka, memahami konteks, dan membuat keputusan terlepas dari manusia untuk mencapai tujuan. Seperti pendekatan simbolik neuro, sistem AI agen bekerja dengan menggabungkan beberapa jenis AI untuk menyelesaikan tugas yang berbeda. Namun, penelitian tentang AI agen masih dalam tahap awal, dan banyak kemampuan yang lebih maju yang dikaitkan dengan AI agen masih teoretis.

AI yang diwujudkan

Pemikir AI terkemuka, termasuk co-founder Openai Andrej Karpathy dan ilmuwan Melanie Mitchell, mengatakan beberapa bentuk perwujudan mungkin diperlukan untuk mencapai AGI. Ini berakar pada gagasan bahwa akan sulit bagi AI untuk mempelajari keterampilan kognitif dasar seperti memahami kausalitas atau keabadian objek tanpa kemampuan untuk menerima input sensorik.

AI yang diwujudkan secara implisit diperlukan untuk memenuhi beberapa definisi populer AGI. Sebagai contoh, salah satu pendiri Apple Steve Wozniak telah mengusulkan tolok ukur yang disebut Tes Kopi, di mana mesin dapat dianggap memiliki AGI jika mampu memasuki rumah orang yang sewenang-wenang dan mencari cara untuk menyeduh secangkir kopi.

Aplikasi potensial AI umum

Karena sifat kecerdasan umum, aplikasi potensial untuk AGI hampir tidak terbatas. Beberapa industri yang secara khusus dapat diuntungkan dari adaptasi dan otonomi yang akan ditawarkan AGI termasuk perawatan kesehatan, pendidikan, manufaktur, dan keuangan.

Perawatan kesehatan

AGI memiliki potensi untuk mempengaruhi banyak bidang perawatan kesehatan di mana akan menguntungkan untuk memiliki sistem cerdas dengan akses ke sejumlah besar data, termasuk diagnostik dan penemuan obat, dan kemampuan untuk membuat rencana perawatan individual yang mencerminkan gambaran lengkap riwayat kesehatan pasien.

Pendidikan

AGI Systems in Education dapat digunakan untuk membantu mempersonalisasikan jalur pembelajaran bagi siswa untuk memenuhi kebutuhan spesifik mereka, membantu guru dengan tugas administrasi dan perencanaan pelajaran sehingga mereka dapat menghabiskan lebih banyak waktu untuk mengajar, dan membantu guru menganalisis kinerja siswa untuk mengidentifikasi kesenjangan di mana siswa mungkin tertinggal.

Manufaktur

Produsen memiliki kebutuhan konstan untuk mengoptimalkan proses yang mendasari logistik rantai pasokan yang kompleks, jadwal produksi, dan kontrol kualitas. AGI memiliki potensi untuk membantu dalam membuat keputusan tentang cara meningkatkan proses dan mengotomatisasi mereka.

Keuangan

Karena perusahaan sektor keuangan menangani sejumlah besar data, AGI akan dapat menganalisis dan membuat keputusan tentang skala informasi itu jauh lebih cepat daripada manusia. Ini memiliki potensi untuk mempercepat tugas data-berat seperti penilaian risiko, kepatuhan, dan analisis pasar.

Pertimbangan dan tantangan etis

Ketika kemajuan menuju AGI terus maju, ada masalah hukum dan masalah etika yang harus dipertimbangkan oleh mereka yang membangun dan mereka yang menggunakan sistem AGI.

Bias

Dengan cara yang sama bahwa sistem AI sempit dapat menderita karena kurangnya keragaman dalam sampel pelatihan, sistem AGI memiliki potensi untuk menunjukkan rasial, jenis kelamin, atau jenis bias lain berdasarkan data pelatihan yang miring atau tidak lengkap. Algoritma juga dapat memperkenalkan bias dengan menimbang variabel -variabel tertentu untuk mengistimewakan satu kelompok di atas yang lain.

Tanggung jawab hukum atas tindakan AGI

Sistem AI telah menjadi subjek perselisihan hukum atas pelanggaran privasi dan undang -undang perumahan yang adil. Namun, kerangka hukum yang ada tidak selalu jelas mendefinisikan siapa yang bertanggung jawab atas bahaya yang disebabkan oleh AI. Munculnya agen cerdas canggih akan lebih memperumit pertanyaan akuntabilitas ketika mesin bertindak dengan cara yang melanggar hukum.

Tantangan Penyelarasan

Sistem AGI dapat memiliki akses ke sejumlah besar data dan otonomi untuk membuat keputusan yang berdampak. Memastikan bahwa sistem ini selaras dengan nilai -nilai manusia dan prinsip -prinsip etika adalah fokus utama dari penelitian penyelarasan AI. Para ahli bekerja untuk mengembangkan metode yang memungkinkan AGI untuk menafsirkan dan mematuhi tujuan dan kendala yang diinginkan, meminimalkan hasil yang tidak diinginkan atau tidak diinginkan.

Masa Depan AI Jenderal

Seiring kemajuan AI, ia menghadirkan tantangan dan peluang. Sementara kekhawatiran seputar pekerjaan dan keselamatan harus ditangani, AGI memiliki potensi untuk membawa manfaat yang signifikan dalam bidang seperti analisis data, otomatisasi, optimasi, perawatan kesehatan, dan keamanan.

AGI dapat mempercepat kemajuan pada masalah ilmiah dan sosial yang kompleks dengan memecahkan masalah pada skala di luar kemampuan manusia. Dengan menangani tugas yang berulang, AGI juga dapat membebaskan orang untuk lebih fokus pada pekerjaan yang bermakna dan minat pribadi. Pada akhirnya, perkembangannya tidak hanya akan membentuk kembali industri tetapi juga bagaimana manusia memandang kecerdasan dan peran mereka di dunia.

FAQ AGI

Apa perbedaan antara AI dan AGI?

AGI adalah subtipe AI yang berbeda dari AI sempit atau lemah, yang dirancang untuk melakukan tugas -tugas spesifik dalam domain terbatas. Sebaliknya, AGI mengacu pada tahap hipotetis perkembangan AI di mana sistem memiliki fleksibilitas, kemampuan beradaptasi, dan penalaran seperti manusia, memungkinkan mereka untuk belajar dan melakukan berbagai tugas di berbagai domain.

Apa perbedaan antara AI generatif dan AI umum?

AI generatif adalah jenis AI yang menganalisis kumpulan data besar untuk menghasilkan prediksi, konten, atau respons berdasarkan pola yang dipelajari. AI Umum, atau AGI, mengacu pada AI yang mampu melakukan kecerdasan tingkat manusia dan penalaran di berbagai domain, memungkinkannya untuk belajar dan melakukan berbagai tugas tanpa terbatas pada fungsi tertentu.

Apakah chatgpt dianggap AGI?

Beberapa ahli menyarankan agar LLMS seperti Chatgpt dan Claude sudah dapat dianggap AGI. Namun, pandangan ini tidak diterima secara luas di antara para peneliti AI. ChatGPT tidak memiliki pemahaman yang benar tentang teks yang dihasilkannya, berjuang dengan penalaran, dan tidak dapat menggeneralisasi pengetahuannya di berbagai domain, seperti mengendalikan sistem fisik seperti mobil self-driving. Keterbatasan ini berarti tidak memenuhi kriteria untuk AGI.

Apakah O3 dianggap AGI?

Sementara model penalaran O3 Openai mencapai skor 87,5% yang mengesankan pada tolok ukur ARC-AGI pada 20 Desember 2024, pencipta benchmark, Francois Chollet, tidak menganggapnya telah mencapai AGI.

Pengamat menunjukkan bahwa O3 mengandalkan pra-pelatihan yang luas dengan sampel uji publik dan membutuhkan sumber daya komputasi besar-besaran untuk mencapai skornya. Chollet juga mencatat bahwa beberapa model komputasi lebih rendah mencetak setinggi 81%, menunjukkan bahwa keberhasilan O3 lebih didorong oleh perhitungan brute-force daripada oleh kecerdasan umum sejati.

Apa tantangan utama dalam membangun AI umum?

• Kepercayaan:Sistem AGI harus secara konsisten akurat dan dapat diandalkan bagi pengguna untuk bergantung pada output mereka dalam aplikasi kritis.
• Masalah ekor panjang:Tidak peduli berapa banyak data pelatihan yang dimiliki sistem AI, itu pasti akan mengalami skenario langka atau tidak terduga. Misalnya, mobil self-driving akan menghadapi situasi yang tidak tercakup dalam pelatihan mereka, mengharuskan mereka untuk menggeneralisasi secara efektif.
• Konsumsi energi:Model AI canggih sudah membutuhkan energi dan air dalam jumlah besar. AGI dapat menuntut sumber daya yang lebih besar kecuali jika metode pemrosesan yang lebih efisien dikembangkan.
• Akal sehat:Tidak seperti manusia, AI tidak memiliki pengalaman dunia nyata dan pemahaman intuitif fisika, interaksi sosial, dan penalaran sehari-hari-pengetahuan bahwa orang memperoleh secara alami sejak kecil.

Apakah AGI sudah ada?

Karena istilahAGItelah didefinisikan dengan cara yang berbeda, apa yang memenuhi definisi AGI satu orang (atau perusahaan) mungkin sudah ada untuk mereka tetapi tidak menurut orang lain. Menggunakan definisi dari makalah Google DeepMind bahwa "sistem AI yang setidaknya mampu seperti manusia di sebagian besar tugas," masuk akal untuk mengatakan AGI belum ada.