Cos'è Artificial General Intelligence (AGI)? Tutto quello che devi sapere

Dall'invenzione del computer moderno, c'è stato un discussione su come definire l'intelligenza generale artificiale (AGI), come testare una macchina per vedere se soddisfa quella definizione e quali benefici e svantaggi di AGI saranno per il lavoro umano, la creatività e la scoperta scientifica.

Questo articolo spiega cosa è AGI, esplora la sua storia, le sfide chiave e se esiste già o rimane un obiettivo lontano.

Sommario

Comprensione dell'intelligenza artificiale (AI)

Cos'è Artificial General Intelligence (AGI)?

Tratti chiave di AGI

Storia dell'IA generale

Come potrebbe funzionare l'AGI?

Potenziali applicazioni di AI generale

Considerazioni etiche e sfide

Futuro dell'IA generale

Cosa sono le domande frequenti AGI

Comprensione dell'intelligenza artificiale (AI)

Per comprendere l'AGI, è importante distinguerlo da altre forme di intelligenza artificiale (AI). L'intelligenza artificiale è generalmente classificata per quanto ampiamente può applicare la sua intelligenza e quanto bene si comporta rispetto agli umani.

Cos'è l'intelligenza artificiale?

L'intelligenza artificiale si riferisce alla tecnologia che consente alle macchine di risolvere problemi complessi, spesso imitando o superando le capacità umane. Alleva compiti come l'elaborazione del linguaggio, il riconoscimento del parlato e delle immagini, l'analisi dei dati e la generazione di codice. Tuttavia, l'intelligenza artificiale varia in capacità e può essere classificata in tre tipi principali:

• AI stretta (AI debole):sistemi specializzati progettati per compiti specifici, come filtraggio di spam, algoritmi di raccomandazione e programmi di scatto. Questi sistemi eccellono nelle loro funzioni designate ma non possono adattarsi oltre loro. Tutta l'IA attuale rientra in questa categoria.
• Intelligenza generale artificiale (AGI):un'intelligenza artificiale teorica che può imparare, ragionare e risolvere problemi in una vasta gamma di domini, simile all'intelligenza umana. A differenza dell'intelligenza artificiale stretta, AGI non richiederebbe la riqualificazione per nuove sfide.
• Superintelligenza artificiale (ASI):un'intelligenza artificiale ipotetica che supera l'intelligenza umana in tutte le discipline, tra cui la risoluzione creativa dei problemi e il pensiero strategico. ASI rimane speculativo ma viene spesso discusso in relazione all'evoluzione a lungo termine di AGI.

Mentre l'intelligenza artificiale di oggi è impressionante, rimane stretta, eccellendo solo all'interno dei confini predefiniti. La ricerca di AGI è la ricerca di una vera intelligenza meccanica, che può pensare, imparare e adattarsi come un essere umano.

Cos'è Artificial General Intelligence (AGI)?

Non esiste una definizione universalmente accettata di AGI, nota anche come AI generale. Tuttavia, molte definizioni suggeriscono che un sistema si qualifica come AGI se può fare quanto segue:

• Impara in modo adattivosenza richiedere l'intervento umano
• Generalizzare la conoscenzaper risolvere problemi non familiari
• Esegui comparatamente agli umaniin una vasta gamma di compiti

Oltre a questi ampi attributi, le definizioni di AGI variano, spesso riflettendo gli obiettivi di coloro che tentano di svilupparlo:

• Nel loro libro del 2007,l'intelligence generale artificiale, Ben Goertzel e Cassio Pennachin definiscono AGI come sistemi di intelligenza artificiale che possiedono "un ragionevole grado di autocontrollo e autocontrollo autonomo" e possono risolvere una varietà di problemi complessi in vari contesti.
• Openi definisce l'AGI come "un sistema altamente autonomo che supera gli umani nel maggior numero di lavori economicamente preziosi".
• Francois Chollet, ex ricercatore di AI di AI e creatore del benchmark ARC-AGI, definisce l'AGI come un sistema in grado di acquisire efficiente nuove competenze al di fuori dei suoi dati di formazione. Sottolinea che l'intelligenza è contrassegnata dall'acquisizione e dalla generalizzazione delle competenze, piuttosto che dall'abilità stessa.

Tratti chiave di AGI

Mentre le definizioni di AGI variano, generalmente lo distinguono dall'intelligenza artificiale ristretta sottolineando la sua capacità di funzionare in diversi settori. Indipendentemente dalla definizione specifica, un AGI dovrebbe possedere diversi tratti fondamentali per raggiungere queste capacità:

Processo decisionale autonomo

Un AGI deve essere in grado di determinare quando cercare nuove informazioni, richiedere assistenza o intraprendere azioni indipendenti per risolvere i problemi. Ad esempio, se incaricato di modellare un mercato finanziario complesso, un AGI dovrebbe identificare fonti di dati pertinenti, analizzare le tendenze storiche e determinare come acquisire le informazioni necessarie, tutte senza guida umana.

Risoluzione dei problemi in domini sconosciuti

AGI deve essere in grado di generalizzare le conoscenze da un dominio e applicarla a nuovi compiti non familiari. Questa capacità di trasferire l'apprendimento attraverso l'analogia è simile a come un musicista addestrato su uno o due strumenti può imparare rapidamente un terzo. Allo stesso modo, un AGI deve sfruttare le conoscenze precedenti per risolvere i problemi per cui non è stato esplicitamente addestrato.

Continuo miglioramento di sé

Un AGI deve essere in grado di valutare le proprie prestazioni e adattarsi a nuove situazioni. Un approccio all'auto-miglioramento ricorsivo sono i dati di allenamento autogenerati, come si vede nel Robocat di DeepMind. Un'altra potenziale capacità è la modifica del proprio codice e dell'architettura. Tuttavia, tale auto-modificazione potrebbe introdurre rischi per la sicurezza se l'AGI apporta modifiche che gli umani non possono comprendere o controllare appieno.

Storia dell'IA generale

La storia dell'AGI è meglio compresa nella storia più ampia dell'IA. La ricerca si è evoluta attraverso diverse epoche distinte, ognuna modellando il percorso verso sistemi AI più capaci e generali.

Early AI: Symbolic AI (anni '50-1980)

Il primo tentativo di costruire AI negli anni '50 e '60 si basava sull'idea che si potesse insegnare a una macchina a pensare mediante regole di programmazione e logica (rappresentata come simboli) nel computer e chiedendole di risolvere i problemi usando queste regole. Ciò ha prodotto sistemi esperti che potrebbero battere gli umani ai giochi da tavolo e svolgere compiti specializzati (il campione di scacchi di IBM Deep Blue è un esempio), ma non sono stati in grado di imparare nulla al di fuori delle loro conoscenze programmate.

Il passaggio all'apprendimento automatico (1990-2010)

Un grande cambiamento si è verificato negli anni '90 con l'ascesa dell'apprendimento automatico (ML), che ha tratto ispirazione dal modo in cui i neuroni biologici funzionano nel cervello. Piuttosto che utilizzare regole codificate, questi sistemi connessisti utilizzano reti neurali che utilizzano molti livelli di neuroni artificiali che apprendono la formazione su set di dati di grandi dimensioni e migliorando le loro uscite in modo incrementale su molte corse di allenamento.

The Deep Learning Revolution (2010s -Present)

La moderna rivoluzione del Deep Learning è iniziata nel 2012 quando i ricercatori hanno iniziato a utilizzare unità di elaborazione grafica (GPU) per creare reti neurali con trilioni di parametri. Ciò ha fornito un enorme impulso nel potere computazionale che ha dato a questi modelli di apprendimento automatico, incluso i modelli di lingue di grandi dimensioni contemporanee (LLM) come Chatgpt, la capacità di imparare di più e generalizzare alcune conoscenze a compiti simili.

Definizione AGI: oltre i tradizionali benchmark dell'IA

Man mano che i sistemi di intelligenza artificiale sono diventati più sofisticati, i ricercatori hanno proposto nuovi parametri di riferimento per valutare se un sistema di intelligenza artificiale avesse raggiunto l'intelligenza a livello umano. Il benchmark precoce più famoso, il test di Turing, è stato progettato per determinare se una macchina potesse imitare in modo convincente la conversazione umana. Tuttavia, poiché LLM come Chatgpt e Claude possono ora superare questo test, molti ricercatori lo considerano obsoleto.

I parametri di riferimento più recenti, come il test ARC-AGI, si concentrano sulla capacità di un sistema di intelligenza artificiale di generalizzare oltre i suoi dati di addestramento. Mentre i modelli di intelligenza artificiale attuali sono ancora all'altezza del ragionamento umano, alcuni, come il modello O3 di Openi, hanno ottenuto risultati rivoluzionari, riaccendendo i dibattiti sulla fattibilità di AGI.

Come potrebbe funzionare l'AGI?

Non vi è alcun consenso tra i ricercatori di intelligenza artificiale su quale approccio alla fine porterà all'AGI. Sia l'intelligenza artificiale simbolica che l'apprendimento profondo hanno limiti quando si tratta di costruire sistemi in grado di generalizzare la conoscenza in diversi settori. La ricerca attuale si concentra sullo sviluppo di modelli con capacità metacognitive: la capacità di valutare e migliorare i propri processi di ragionamento.

Limitazioni sugli approcci attuali

I sistemi di intelligenza artificiale simbolici si basano sui programmatori umani per la conoscenza e non possono ottenere nuove informazioni da soli, mentre i sistemi di apprendimento profondo, compresa l'intelligenza artificiale generativa, richiedono vasti set di dati e lunghi periodi di formazione per apprendere nuove attività. Gli umani, d'altra parte, assorbono prontamente nuove informazioni e possono imparare a fare nuove cose rapidamente con pochissimi esempi.

Anche con queste sfide, tuttavia, i ricercatori stanno esplorando molte strade per creare macchine in grado di apprendere, generalizzare e prendere decisioni a livello umano (o meglio). Alcuni approcci recenti che hanno elementi di AGI includono AI neuro-simbolico, AI agente e incorporate.

AI neuro-simbolico

Alcuni ricercatori di intelligenza artificiale, tra cui Gary Marcus e Ben Goertzel, sostengono che i sistemi neuro-simbolici sono la strada per AGI. Questi sistemi combinano diversi tipi di sistemi di intelligenza artificiale per compensare le carenze di qualsiasi approccio.

Ad esempio, nel 2023, Goertzel e i suoi collaboratori hanno rilasciato OpenCog Hyperon, uno sforzo AGI open source che fornisce un framework software per la combinazione di sistemi di intelligenza artificiale da varie discipline, tra cui l'elaborazione del linguaggio naturale (NLP), la logica formale e il ragionamento probabilistico. Google DeepMind ha recentemente ottenuto prestazioni di medaglia d'argento presso l'olimpiade matematica internazionale con due sistemi neuro-simbolici, alfaproof e alfageometria 2.

AI agente

Gli agenti di intelligenza artificiale sono considerati un possibile passo sulla strada per AGI perché possono valutare e rispondere ai loro ambienti, comprendere il contesto e prendere decisioni indipendenti dagli umani per raggiungere gli obiettivi. Come l'approccio neuro-simbolico, i sistemi di intelligenza artificiale agente funzionano combinando più tipi di intelligenza artificiale per svolgere compiti diversi. Tuttavia, la ricerca sull'intelligenza artificiale agente è ancora nelle sue prime fasi e molte delle capacità più avanzate attribuite all'IA agente sono ancora teoriche.

AI incarnato

I principali pensatori di AI, tra cui la co-fondatore di Openi Andrej Karpathy e la scienziata Melanie Mitchell, hanno affermato che potrebbero essere necessarie una qualche forma di forma di realizzazione per raggiungere l'AGI. Ciò è radicato nell'idea che sarebbe difficile per un'intelligenza artificiale apprendere abilità cognitive di base come la comprensione della causalità o della permanenza degli oggetti senza la capacità di ricevere input sensoriali.

L'intelligenza artificiale incarnata è implicitamente richiesta per soddisfare alcune definizioni popolari di AGI. Ad esempio, il co-fondatore di Apple Steve Wozniak ha proposto un punto di riferimento chiamato Test del caffè, in cui una macchina potrebbe essere considerata possedere AGI se fosse in grado di entrare nella casa di una persona arbitraria e capire come preparare una tazza di caffè.

Potenziali applicazioni di AI generale

A causa della natura dell'intelligenza generalizzata, le potenziali applicazioni per AGI sono praticamente illimitate. Alcune industrie che possono beneficiare in particolare dell'adattamento e dell'autonomia che AGI offrirà includono assistenza sanitaria, istruzione, produzione e finanza.

Assistenza sanitaria

AGI ha il potenziale per influenzare molte aree di assistenza sanitaria in cui sarebbe vantaggioso avere un sistema intelligente con accesso a grandi quantità di dati, tra cui diagnostica e scoperta di farmaci e la capacità di creare piani di trattamento individualizzati che riflettono il quadro completo della storia di salute di un paziente.

Istruzione

I sistemi AGI nell'istruzione possono essere utilizzati per aiutare a personalizzare i percorsi di apprendimento per gli studenti per soddisfare le loro esigenze specifiche, aiutare gli insegnanti con attività amministrative e la pianificazione delle lezioni in modo che possano trascorrere più tempo a insegnare e aiutare gli insegnanti ad analizzare le prestazioni degli studenti per identificare le lacune in cui gli studenti possono rimanere indietro.

Produzione

I produttori hanno una costante necessità di ottimizzare i processi che sono alla base della complessa logistica della catena di approvvigionamento, programmi di produzione e controllo di qualità. AGI ha il potenziale per aiutare a prendere decisioni su come migliorare i processi e automatizzarli.

Finanza

Poiché le società del settore finanziario si occupano di una grande quantità di dati, AGI sarà in grado di analizzare e prendere decisioni su quella scala di informazioni molto più velocemente di quanto non possa fare. Ciò ha il potenziale per accelerare le attività pesanti come la valutazione del rischio, la conformità e l'analisi del mercato.

Considerazioni etiche e sfide

Man mano che i progressi verso l'AGI continuano ad avanzare, ci sono questioni legali e preoccupazioni etiche che dovranno essere considerate sia da coloro che utilizzano i sistemi AGI.

Pregiudizio

Allo stesso modo in cui i sistemi di intelligenza artificiale ristretti possono soffrire di una mancanza di diversità nei campioni di addestramento, i sistemi AGI hanno il potenziale per esibire dati razziali, di genere o di altri tipi basati su dati di formazione distorti o incompleti. Gli algoritmi possono anche introdurre distorsioni ponderando alcune variabili per privilegiare un gruppo su un altro.

Responsabilità legale per le azioni AGI

I sistemi di intelligenza artificiale sono già stati oggetto di controversie legali per violazioni della privacy e delle leggi sull'edilizia abitativa. Tuttavia, i quadri legali esistenti non definiscono sempre chiaramente chi è responsabile per danni causati dall'intelligenza artificiale. L'emergere di agenti intelligenti avanzati complicherà ulteriormente le questioni di responsabilità quando le macchine agiscono in modi che infrangono la legge.

Sfide di allineamento

I sistemi AGI potrebbero avere accesso a grandi quantità di dati e all'autonomia per prendere decisioni di impatto. Garantire che questi sistemi si allineino con i valori umani e i principi etici è un obiettivo chiave della ricerca di allineamento dell'IA. Gli esperti stanno lavorando per sviluppare metodi che consentono ad AGI di interpretare e aderire agli obiettivi e ai vincoli desiderati, minimizzando i risultati non intenzionali o indesiderati.

Futuro dell'IA generale

Con l'avanzamento dell'intelligenza artificiale, presenta sia sfide che opportunità. Mentre le preoccupazioni relative all'occupazione e alla sicurezza devono essere affrontate, AGI ha il potenziale per offrire benefici significativi in ​​settori quali analisi dei dati, automazione, ottimizzazione, assistenza sanitaria e sicurezza.

L'AGI potrebbe accelerare i progressi su complesse questioni scientifiche e sociali risolvendo problemi su una scala oltre la capacità umana. Gestione di compiti ripetitivi, AGI può anche liberare le persone a concentrarsi maggiormente su lavori significativi e interessi personali. Alla fine, il suo sviluppo rimodellerà non solo le industrie ma anche il modo in cui gli umani percepiscono l'intelligenza e il loro ruolo nel mondo.

FAQ AGI

Qual è la differenza tra AI e AGI?

L'AGI è un sottotipo di AI che differisce dall'intelligenza artificiale stretta o debole, progettata per eseguire compiti specifici all'interno di un dominio limitato. Al contrario, AGI si riferisce a una fase ipotetica dello sviluppo dell'intelligenza artificiale in cui i sistemi possiedono flessibilità, adattabilità e ragionamento umani, consentendo loro di apprendere ed eseguire una vasta gamma di compiti in diversi settori.

Qual è la differenza tra AI generativo e AI generale?

L'intelligenza artificiale generativa è un tipo di intelligenza artificiale che analizza set di dati di grandi dimensioni per generare previsioni, contenuti o risposte basate su modelli appresi. L'intelligenza artificiale generale, o AGI, si riferisce all'intelligenza artificiale in grado di intelligenza e ragionamento a livello umano in più domini, permettendogli di apprendere ed eseguire un'ampia varietà di compiti senza essere limitato a una funzione specifica.

CHATGPT è considerato AGI?

Alcuni esperti suggeriscono che LLM come Chatgpt e Claude potrebbero già essere considerati AGI. Tuttavia, questa opinione non è ampiamente accettata tra i ricercatori dell'IA. CHATGPT manca di una vera comprensione del testo che genera, lotta con il ragionamento e non può generalizzare le sue conoscenze in diversi settori, come il controllo di un sistema fisico come un'auto a guida autonoma. Queste limitazioni significano che non soddisfa i criteri per AGI.

O3 è considerato AGI?

Mentre il modello di ragionamento O3 di Openi ha ottenuto un impressionante punteggio dell'87,5% sul punto di riferimento ARC-AGI il 20 dicembre 2024, il creatore del benchmark, Francois Chollet, non considera che abbia raggiunto AGI.

Gli osservatori sottolineano che O3 si basava su un ampio pre-allenamento con campioni di test pubblici e richiedeva enormi risorse computazionali per raggiungere il suo punteggio. CHOLLET ha anche osservato che alcuni modelli a basso composto hanno ottenuto un punteggio fino all'81%, suggerendo che il successo di O3 è stato guidato più dal calcolo della forza bruta che dalla vera intelligenza generale.

Quali sono le principali sfide nella costruzione di un'intelligenza artificiale generale?

• Affidabilità:i sistemi AGI devono essere costantemente accurati e affidabili per gli utenti per dipendere dai loro risultati in applicazioni critiche.
• Il problema della coda lunga:non importa quanti dati di allenamento hanno un sistema di intelligenza artificiale, incontrerà inevitabilmente scenari rari o imprevisti. Ad esempio, le auto a guida autonoma dovranno affrontare situazioni non coperte dalla loro formazione, richiedendo loro di generalizzare efficacemente.
• Consumo di energia:i modelli AI avanzati richiedono già grandi quantità di energia e acqua per il calcolo. L'AGI potrebbe richiedere risorse ancora maggiori a meno che non vengano sviluppati metodi di elaborazione più efficienti.
• Senso comune:a differenza degli umani, l'IA manca di esperienza nel mondo reale e comprensione intuitiva della fisica, delle interazioni sociali e del ragionamento quotidiano, la conoscenza che le persone acquisiscono naturalmente dall'infanzia.

Agi esiste ancora?

Poiché il termineAGIè stato definito in diversi modi, ciò che soddisfa la definizione di AGI (o dell'azienda) può già esistere per loro ma non secondo qualcun altro. Utilizzando la definizione del documento di Google DeepMind secondo cui "un sistema di intelligenza artificiale che è capace almeno quanto un essere umano nella maggior parte dei compiti", ha senso dire che Agi non esiste ancora.