인공 일반 정보 (AGI) 란 무엇입니까? 당신이 알아야 할 모든 것

게시 됨: 2025-03-25

현대 컴퓨터의 발명 이후, 인공 일반 지능 (AGI)을 정의하는 방법, 기계를 테스트하여 해당 정의를 충족하는지 확인하는 방법, AGI의 이점과 단점이 인간의 작업, 창의성 및 과학적 발견에 어떤 영향을 미치는지에 대한 논쟁이있었습니다.

이 기사는 AGI가 무엇인지, 역사, 주요 도전을 탐구하며, 이미 존재하는지 또는 먼 목표로 남아 있는지 설명합니다.

목차

인공 지능 이해 (AI)

인공 일반 정보 (AGI) 란 무엇입니까?

AGI의 주요 특성

일반 AI의 역사

AGI는 어떻게 작동할까요?

일반 AI의 잠재적 응용

윤리적 고려와 도전

AI 장군의 미래

Agi FAQ는 무엇입니까?

인공 지능 이해 (AI)

AGI를 이해하려면 다른 형태의 인공 지능 (AI)과 구별하는 것이 중요합니다. AI는 일반적으로 지능을 얼마나 광범위하게 적용 할 수 있는지, 인간에 비해 얼마나 잘 수행되는지에 따라 분류됩니다.

문법으로 더 똑똑하게 일하십시오
작업 할 일이있는 사람을위한 AI 작문 파트너

인공 지능이란 무엇입니까?

AI는 기계가 복잡한 문제를 해결하고 종종 인간 능력을 모방하거나 능가하는 기술을 말합니다. 언어 처리, 음성 및 이미지 인식, 데이터 분석 및 코드 생성과 같은 작업에 전력을 공급합니다. 그러나 AI는 기능이 다양하며 세 가지 주요 유형으로 분류 될 수 있습니다.

  • 좁은 AI (약한 AI) :스팸 필터링, 권장 알고리즘 및 체스 플레이 프로그램과 같은 특정 작업을 위해 설계된 특수 시스템. 이러한 시스템은 지정된 기능에서 탁월하지만 그 이상으로 적응할 수는 없습니다. 모든 현재 AI는이 범주에 속합니다.
  • 인공 일반 지능 (AGI) :인간 지능과 유사한 광범위한 영역에서 문제를 배우고, 이유를 배우고, 해결할 수있는 이론적 AI. 좁은 AI와 달리 AGI는 새로운 도전에 대한 재교육을 필요로하지 않습니다.
  • 인공 수퍼 인텔리전스 (ASI) :창의적 문제 해결 및 전략적 사고를 포함하여 모든 분야의 인간 지능을 능가하는 가상의 AI. ASI는 여전히 투기 적이지만 종종 AGI의 장기 진화와 관련하여 논의됩니다.

오늘날의 AI는 인상적이지만, 사전 정의 된 경계 내에서만 우수합니다. AGI를 추구하는 것은 진정한 기계 지능을 찾는 것입니다. 하나는 인간처럼 생각하고 배우고 적응할 수 있습니다.

인공 일반 정보 (AGI) 란 무엇입니까?

일반 AI라고도 알려진 AGI의 보편적으로 인정 된 정의는 없습니다. 그러나 많은 정의는 시스템이 다음을 수행 할 수 있다면 AGI로 자격이 있음을 시사합니다.

  • 인간의 개입이 필요하지 않고적응 적으로 학습하십시오
  • 익숙하지 않은 문제를 해결하기 위해 지식을 일반화하십시오
  • 광범위한 작업에 걸쳐 인간과 비교할 수 있습니다.

이러한 광범위한 속성 외에도 AGI의 정의는 다양하며 종종 그것을 개발하려는 사람들의 목표를 반영합니다.

  • 2007 년 책인인공 일반 정보 인Ben Goertzel과 Cassio Pennachin은 AGI를 AGI를“합리적인 자기 이해 및 자율적 자제력”을 보유한 AI 시스템으로 정의하고 다양한 맥락에서 다양한 복잡한 문제를 해결할 수 있습니다.
  • Openai는 AGI를 "경제적으로 귀중한 작업에서 인간보다 성능이 우수한 자율적 인 시스템"으로 정의합니다.
  • 전 Google AI 연구원이자 ARC-AGI 벤치 마크의 제작자 인 Francois Chollet은 AGI를 교육 데이터를 벗어난 새로운 기술을 효율적으로 획득 할 수있는 시스템으로 정의합니다. 그는 지능이 기술 자체보다는 기술 습득 및 일반화로 표시되어 있다고 강조합니다.

AGI의 주요 특성

AGI의 정의는 다양하지만 일반적으로 다양한 도메인에서 기능하는 능력을 강조함으로써 좁은 AI와 구별됩니다. 특정 정의에 관계없이 AGI는 이러한 기능을 달성하기 위해 몇 가지 핵심 특성을 가지고 있어야합니다.

자율적 의사 결정

AGI는 새로운 정보를 찾거나 지원을 요청하거나 문제를 해결하기 위해 독립적 인 조치를 취할시기를 결정할 수 있어야합니다. 예를 들어, 복잡한 금융 시장을 모델링하는 경우 AGI는 관련 데이터 소스를 식별하고, 역사적 추세를 분석하며, 필요한 정보를 얻는 방법을 모두 인적 지침없이 결정해야합니다.

익숙하지 않은 영역에서 문제 해결

AGI는 하나의 도메인에서 지식을 일반화하여 새로운 익숙하지 않은 작업에 적용 할 수 있어야합니다. 유추를 통해 학습을 전송하는이 능력은 하나 또는 두 개의 악기에서 훈련 된 음악가가 3 분의 1을 빠르게 배울 수있는 방식과 유사합니다. 같은 방식으로, AGI는 사전 지식을 활용하여 명시 적으로 훈련되지 않은 문제를 해결해야합니다.

지속적인 자기 개선

AGI는 자체 성능을 평가하고 새로운 상황에 적응할 수 있어야합니다. 재귀 적 자기 개선에 대한 한 가지 방법은 Deepmind의 Robocat에서 볼 수 있듯이 자체 생성 훈련 데이터입니다. 또 다른 잠재적 기능은 자체 코드 및 아키텍처를 수정하는 것입니다. 그러나 AGI가 인간이 완전히 이해하거나 통제 할 수없는 변화를 일으키는 경우 이러한 자기 변형이 안전 위험을 초래할 수 있습니다.

일반 AI의 역사

AGI의 역사는 AI의 더 넓은 역사에서 가장 잘 이해됩니다. 연구는 몇 가지 뚜렷한 시대를 통해 발전했으며, 각각의 유능하고 일반적인 AI 시스템을 향한 경로를 형성합니다.

초기 AI : Symbolic AI (1950 년대 ~ 1980 년대)

1950 년대와 1960 년대에 AI를 구축하려는 첫 번째 시도는 컴퓨터에 규칙을 프로그래밍하고 논리 (기호로 표시)를 통해 기계가 생각하도록 가르치고이 규칙을 사용하여 문제를 해결하도록 요청할 수 있다는 아이디어를 기반으로했습니다. 이것은 보드 게임에서 인간을 이길 수있는 전문가 시스템을 제작하고 전문화 된 작업을 수행했지만 (IBM의 체스 챔피언 컴퓨터 인 Deep Blue는 한 예입니다), 프로그래밍 된 지식 이외의 것을 배울 수는 없었습니다.

기계 학습으로의 전환 (1990 년대 ~ 2010 년)

1990 년대에 기계 학습 (ML)의 상승으로 주요 변화가 발생했으며, 이는 생물학적 뉴런이 뇌에서 어떻게 기능하는지에서 영감을 얻었습니다. 이 연결주의 시스템은 하드 코딩 된 규칙을 사용하는 대신 큰 데이터 세트에 대한 교육을 통해 학습하고 많은 훈련 실행에 대해 점차적으로 출력을 개선하는 많은 인공 뉴런 계층을 사용하는 신경망을 사용합니다.

딥 러닝 혁명 (2010 년대 - 프레젠트)

현대의 딥 러닝 혁명은 2012 년에 연구원들이 그래픽 처리 장치 (GPU)를 사용하여 수조 개의 매개 변수가있는 신경망을 만들기 시작했을 때 시작되었습니다. 이는 ChatGpt와 같은 현대적인 대형 언어 모델 (LLM)을 포함하여 이러한 기계 학습 모델을 제공하는 컴퓨터 능력을 크게 향상 시켰습니다.

AGI 정의 : 전통적인 AI 벤치 마크 너머

AI 시스템이 더욱 정교 해짐에 따라 연구원들은 AI 시스템이 인간 수준의 지능에 도달했는지 여부를 평가하기 위해 새로운 벤치 마크를 제안했습니다. 가장 유명한 초기 벤치 마크 인 Turing Test는 기계가 인간 대화를 설득력있게 모방 할 수 있는지 확인하도록 설계되었습니다. 그러나 Chatgpt 및 Claude와 같은 LLM이 이제이 테스트를 통과 할 수 있으므로 많은 연구자들이 구식이라고 생각합니다.

ARC-AGI 테스트와 같은보다 최근의 벤치 마크는 AI 시스템의 교육 데이터를 넘어 일반화하는 능력에 중점을 둡니다. 현재의 AI 모델은 여전히 ​​인간과 같은 추론에 미치지 못하지만 OpenAi의 O3 모델과 같은 일부는 AGI의 타당성에 대한 논쟁을 통치하여 획기적인 결과를 얻었습니다.

AGI는 어떻게 작동할까요?

AI 연구원들 사이에는 접근 방식이 궁극적으로 AGI로 이어질 수있는 합의가 없습니다. 상징적 인 AI와 딥 러닝은 서로 다른 영역에서 지식을 일반화 할 수있는 시스템을 구축 할 때 제한 사항이 있습니다. 현재의 연구는 메타인지 능력을 갖춘 모델 개발, 즉 자체 추론 프로세스를 평가하고 개선하는 능력에 중점을 둡니다.

현재 접근법에 대한 제한

기호 AI 시스템은 지식을 위해 인간 프로그래머에 의존하며 자체적으로 새로운 정보를 얻을 수 없으며 생성 AI를 포함한 딥 러닝 시스템에는 새로운 작업을 배우기 위해 방대한 데이터 세트와 긴 교육 기간이 필요합니다. 반면에 인간은 새로운 정보를 쉽게 흡수하고 몇 가지 사례로 새로운 일을 신속하게하는 법을 배울 수 있습니다.

그러나 이러한 과제에도 불구하고 연구자들은 많은 수단을 탐색하여 학습, 일반화 및 인간 수준에서 결정을 내릴 수있는 기계를 만들고 있습니다. AGI의 요소가있는 최근의 일부 접근법에는 신경-상징적 AI, 에이전트 AI 및 구체화 된 AI가 포함됩니다.

신경-상징적 인 AI

Gary Marcus와 Ben Goertzel을 포함한 일부 AI 연구원들은 신경 상징적 시스템이 AGI의 방법이라고 주장합니다. 이 시스템은 다양한 유형의 AI 시스템을 결합하여 하나의 접근 방식의 단점을 보상합니다.

예를 들어, 2023 년에 Goertzel과 그의 협력자들은 자연 언어 처리 (NLP), 공식 논리 및 확률 적 추론을 포함한 다양한 분야의 AI 시스템을 결합하기위한 소프트웨어 프레임 워크를 제공하는 오픈 소스 AGI 노력 인 OpenCog Hyperon을 발표했습니다. Google Deepmind는 최근 국제 수학 올림피아드에서 두 가지 신경 상징적 시스템 인 알파이프 및 알파 지오 메 트리 (Alphageometry)로 은메달 수준 성능을 달성했습니다.

에이전트 AI

AI 요원은 환경을 평가하고 대응하고 상황을 이해하며 목표를 달성하기위한 인간과 독립적 인 결정을 내릴 수 있기 때문에 AGI로가는 단계로 간주됩니다. 신경-상징적 접근 방식과 마찬가지로, 에이전트 AI 시스템은 여러 종류의 AI를 결합하여 다른 작업을 수행함으로써 작동합니다. 그러나, 에이전트 AI에 대한 연구는 여전히 초기 단계에 있으며, 에이전트 AI에 기인 한 많은 고급 기능은 여전히 ​​이론적입니다.

구체화 된 ai

Openai 공동 창립자 인 Andrej Karpathy와 과학자 Melanie Mitchell을 포함한 주요 AI 사상가들은 AGI에 도달하기 위해 어떤 형태의 구체화가 필요할 수 있다고 말했다. 이것은 AI가 감각 입력을받을 수있는 능력없이 인과 관계 또는 대상 영속성을 이해하는 것과 같은 기본적인인지 기술을 배우는 것이 어렵다는 생각에 뿌리를두고 있습니다.

구체화 된 AI는 AGI의 인기있는 정의를 충족시키기 위해 암시 적으로 필요합니다. 예를 들어, Apple의 공동 설립자 인 Steve Wozniak은 커피 테스트라는 벤치 마크를 제안했습니다. 커피 테스트 (Coffee Test)라는 벤치 마크를 제안했습니다.이 벤치 마크는 기계가 임의의 사람의 집에 들어가서 커피 한 잔을 양조하는 방법을 알아낼 수 있다면 AGI를 소유하는 것으로 간주 될 수 있습니다.

일반 AI의 잠재적 응용

일반화 된 지능의 특성으로 인해 AGI에 대한 잠재적 인 응용은 사실상 무한합니다. AGI가 제공 할 적응성과 자율성으로부터 특히 혜택을 볼 수있는 일부 산업에는 의료, 교육, 제조 및 금융이 포함됩니다.

의료

AGI는 진단 및 약물 발견을 포함하여 방대한 양의 데이터에 액세스 할 수있는 지능형 시스템과 환자의 건강 기록의 전체 그림을 반영하는 개별 치료 계획을 만들 수있는 능력을 갖춘 지능형 시스템을 갖춘 많은 의료 영역에 영향을 줄 수있는 잠재력을 가지고 있습니다.

교육

교육 분야의 AGI 시스템은 학생들이 특정 요구를 충족시키고 교사에게 행정 업무 및 수업 계획을 지원하여 교육에 더 많은 시간을 보내고 교사가 학생의 성과를 분석하여 학생들이 뒤쳐질 수있는 차이를 식별하도록 도와주는 데 도움이 될 수 있습니다.

조작

제조업체는 복잡한 공급망 물류, 생산 일정 및 품질 관리의 기초가되는 프로세스를 최적화해야합니다. AGI는 프로세스를 개선하고 자동화하는 방법에 대한 결정을 내릴 수있는 잠재력을 가지고 있습니다.

재원

금융 부문 회사는 방대한 양의 데이터를 처리하기 때문에 AGI는 인간보다 훨씬 빠르게 해당 정보 규모의 정보를 분석하고 결정할 수 있습니다. 이는 위험 평가, 규정 준수 및 시장 분석과 같은 데이터가 많은 작업 속도를 높일 수 있습니다.

윤리적 고려와 도전

AGI에 대한 진보가 계속 발전함에 따라, 건물과 AGI 시스템을 사용하는 사람들이 고려해야 할 법적 문제와 윤리적 우려가 있습니다.

편견

좁은 AI 시스템이 훈련 샘플의 다양성 부족으로 어려움을 겪을 수있는 것과 마찬가지로, AGI 시스템은 비뚤어 지거나 불완전한 훈련 데이터를 기반으로 인종, 성별 또는 기타 유형의 편견을 나타낼 가능성이 있습니다. 알고리즘은 또한 특정 변수에 가중하여 한 그룹을 다른 그룹에 특권을 부여하여 바이어스를 도입 할 수 있습니다.

AGI 행동에 대한 법적 책임

AI 시스템은 이미 프라이버시 및 공정 주택법 위반에 대한 법적 분쟁의 대상이되었습니다. 그러나 기존의 법적 프레임 워크가 AI에 의한 피해에 대한 책임이있는 사람을 항상 명확하게 정의하지는 않습니다. 고급 지능형 에이전트의 출현은 기계가 법을 어기는 방식으로 행동 할 때 책임에 대한 의문을 더욱 복잡하게 할 것입니다.

정렬 문제

AGI 시스템은 방대한 양의 데이터와 자율성에 영향을 미치는 결정을 내릴 수 있습니다. 이러한 시스템이 인간의 가치 및 윤리적 원칙과 일치하도록 보장하는 것은 AI 정렬 연구의 주요 초점입니다. 전문가들은 AGI가 원하는 목표와 제약을 해석하고 준수하여 의도하지 않은 또는 바람직하지 않은 결과를 최소화 할 수있는 방법을 개발하기 위해 노력하고 있습니다.

AI 장군의 미래

AI가 발전함에 따라 도전과 기회를 모두 제시합니다. 고용 및 안전에 대한 우려를 해결해야하지만 AGI는 데이터 분석, 자동화, 최적화, 건강 관리 및 보안과 같은 분야에서 상당한 이점을 가져올 가능성이 있습니다.

AGI는 인간 능력을 넘어서서 문제를 해결함으로써 복잡한 과학 및 사회 문제의 진보를 가속화 할 수 있습니다. 반복적 인 작업을 처리함으로써 AGI는 사람들이 의미있는 일과 개인적인 이익에 더 집중할 수 있도록 자유롭게 할 수 있습니다. 궁극적으로, 그 개발은 산업뿐만 아니라 인간이 지능과 세계에서 그들의 역할을 어떻게 인식하는지를 재구성 할 것입니다.

Agi FAQ

AI와 AGI의 차이점은 무엇입니까?

AGI는 좁거나 약한 AI와는 다른 AI의 하위 유형으로 제한된 도메인 내에서 특정 작업을 수행하도록 설계되었습니다. 대조적으로, AGI는 시스템이 인간과 같은 유연성, 적응성 및 추론을 보유하는 AI 개발의 가상의 단계를 말해서 다양한 영역에서 광범위한 작업을 배우고 수행 할 수있게한다.

생성 AI와 일반 AI의 차이점은 무엇입니까?

생성 AI는 학습 된 패턴에 따라 예측, 내용 또는 응답을 생성하기 위해 큰 데이터 세트를 분석하는 AI 유형입니다. 일반 AI 또는 AGI는 여러 영역에서 인간 수준의 지능과 추론이 가능한 AI를 말해서 특정 기능에 제한되지 않고 다양한 작업을 배우고 수행 할 수 있습니다.

Chatgpt는 AGI로 간주됩니까?

일부 전문가들은 Chatgpt 및 Claude와 같은 LLM이 이미 AGI로 간주 될 수 있다고 제안합니다. 그러나이 견해는 AI 연구원들 사이에서 널리 받아 들여지지 않습니다. Chatgpt는 그것이 생성하는 텍스트에 대한 진정한 이해가 부족하고, 추론으로 어려움을 겪고 있으며, 자율 주행 자동차와 같은 물리적 시스템을 제어하는 ​​등 다양한 영역에서 지식을 일반화 할 수 없습니다. 이러한 제한은 AGI 기준을 충족하지 않음을 의미합니다.

O3는 AGI로 간주됩니까?

OpenAi의 O3 추론 모델은 2024 년 12 월 20 일 ARC-AGI 벤치 마크에서 인상적인 87.5% 점수를 얻었지만 벤치 마크의 제작자 인 Francois Chollet은 AGI에 도달 한 것으로 간주하지 않습니다.

Observers는 O3가 공개 테스트 샘플로 광범위한 사전 훈련에 의존하고 점수를 달성하기 위해 대규모 계산 자원이 필요하다고 지적합니다. Chollet은 또한 일부 저축 모델은 81%로 높은 점수를 받았으며, O3의 성공은 진정한 일반 정보보다 무차별적인 계산에 의해 더 많이 유도되었음을 시사합니다.

AI 장군을 구축하는 데있어 주요 과제는 무엇입니까?

  • 신뢰성 :AGI 시스템은 사용자가 중요한 응용 프로그램의 출력에 의존 할 수 있도록 일관되게 정확하고 신뢰할 수 있어야합니다.
  • 긴 테일 문제 :AI 시스템이 얼마나 많은 교육 데이터를 가지고 있더라도 필연적으로 드물거나 예상치 못한 시나리오를 만날 것입니다. 예를 들어, 자율 주행 자동차는 훈련에 적용되지 않는 상황에 직면하여 효과적으로 일반화해야합니다.
  • 에너지 소비 :고급 AI 모델에는 이미 계산을 위해서는 방대한 양의 에너지와 물이 필요합니다. 보다 효율적인 처리 방법이 개발되지 않는 한 AGI는 더 큰 자원을 요구할 수 있습니다.
  • 상식 :AI는 인간과 달리 실제 경험과 물리학, 사회적 상호 작용 및 일상적인 추론에 대한 직관적 인 이해가 부족합니다. 사람들이 어린 시절부터 자연스럽게 습득한다는 것을 알고 있습니다.

AGI는 아직 존재합니까?

AGI라는 용어는 다른 방식으로 정의 되었기 때문에 AGI에 대한 한 사람 (또는 회사의) 정의를 충족하는 것은 이미 존재하지만 다른 사람에 따르면 존재하지 않을 수 있습니다. Google DeepMind의 논문의 정의를 사용하여“대부분의 작업에서 적어도 인간만큼 능력이있는 AI 시스템”은 AGI가 아직 존재하지 않는다고 말하는 것이 합리적입니다.