Co to jest sztuczna inteligencja ogólna (AGI)? Wszystko, co musisz wiedzieć

Od czasu wynalezienia współczesnego komputera toczyła się debata na temat tego, jak zdefiniować sztuczną inteligencję ogólną (AGI), jak przetestować maszynę, aby sprawdzić, czy spełnia tę definicję, a jakie korzyści i wady AGI będą dla ludzkiej pracy, kreatywności i odkrycia naukowego.

W tym artykule wyjaśnia, czym jest AGI, bada swoją historię, kluczowe wyzwania i czy już istnieje, czy pozostaje odległym celem.

Spis treści

Zrozumienie sztucznej inteligencji (AI)

Co to jest sztuczna inteligencja ogólna (AGI)?

Kluczowe cechy AGI

Historia ogólnej AI

Jak może działać AGI?

Potencjalne zastosowania ogólnej sztucznej inteligencji

Rozważania etyczne i wyzwania

Przyszłość ogólnej sztucznej inteligencji

Co to jest AGI FAQ

Zrozumienie sztucznej inteligencji (AI)

Aby zrozumieć AGI, ważne jest, aby odróżnić go od innych form sztucznej inteligencji (AI). AI jest ogólnie klasyfikowane według tego, jak szeroko może zastosować swoją inteligencję i jak dobrze działa w porównaniu z ludźmi.

Co to jest sztuczna inteligencja?

AI odnosi się do technologii, która umożliwia maszynom rozwiązywanie złożonych problemów, często naśladując lub przewyższając ludzkie umiejętności. Zasługa zadania, takie jak przetwarzanie języka, rozpoznawanie mowy i obrazu, analiza danych i generowanie kodu. Jednak AI różni się pod względem zdolności i można ją podzielić na trzy główne typy:

• Wąskie AI (słabe AI):specjalistyczne systemy zaprojektowane do określonych zadań, takie jak filtrowanie spamu, algorytmy rekomendacji i programy do gry szachowej. Systemy te wyróżniają się w wyznaczonych funkcjach, ale nie mogą się dostosować poza nimi. Wszystkie obecne AI należą do tej kategorii.
• Sztuczna inteligencja ogólna (AGI):teoretyczna sztuczna inteligencja, która może się uczyć, rozumować i rozwiązywać problemy w szerokim zakresie domen, podobnych do ludzkiej inteligencji. W przeciwieństwie do wąskiej sztucznej inteligencji, AGI nie wymagałoby przekwalifikowania nowych wyzwań.
• Sztuczna superinteligencja (ASI):hipotetyczna sztuczna inteligencja, która przewyższa ludzką inteligencję we wszystkich dyscyplinach, w tym kreatywne rozwiązywanie problemów i strategiczne myślenie. ASI pozostaje spekulacyjna, ale często jest omawiana w odniesieniu do długoterminowej ewolucji AGI.

Chociaż dzisiejsza sztuczna inteligencja jest imponująca, pozostaje wąska, doskonały tylko w ramach predefiniowanych granic. Pogoń za AGI jest poszukiwanie prawdziwej inteligencji maszynowej - takiego, który może myśleć, uczyć się i dostosowywać jak człowiek.

Co to jest sztuczna inteligencja ogólna (AGI)?

Nie ma powszechnie akceptowanej definicji AGI, znanej również jako generała AI. Jednak wiele definicji sugeruje, że system kwalifikuje się jako AGI, jeśli może zrobić następujące czynności:

• Ucz się adaptacyjnie,nie wymagając interwencji człowieka
• Uogólniaj wiedzę, aby rozwiązać nieznane problemy
• Działać porównywalnie z ludźmiw szerokim zakresie zadań

Oprócz tych szerokich atrybutów definicje AGI różnią się, często odzwierciedlając cele osób próbujących go rozwinąć:

• W swojej książce z 2007 r.,Artificial General Intelligence, Ben Goertzel i Cassio Pennachin definiują AGI jako systemy AI, które mają „rozsądny stopień samodzielnego zrozumienia i autonomicznej samokontroli” i mogą rozwiązać różne złożone problemy w różnych kontekstach.
• Openai definiuje AGI jako „wysoce autonomiczny system, który przewyższa ludzi w najbardziej cennej ekonomicznej pracy”.
• Francois Chollet, były badacz Google AI i twórca ARC-AGI Benchmark, definiuje AGI jako system zdolny do skutecznego zdobywania nowych umiejętności poza danymi szkoleniowymi. Podkreśla, że ​​inteligencja jest naznaczona nabywaniem umiejętności i uogólnienie, a nie sama umiejętności.

Kluczowe cechy AGI

Podczas gdy definicje AGI różnią się, ogólnie odróżniają go od wąskiej AI, podkreślając jego zdolność do funkcjonowania w różnych domenach. Niezależnie od konkretnej definicji AGI musiałby posiadać kilka podstawowych cech, aby osiągnąć te możliwości:

Autonomiczne podejmowanie decyzji

AGI musi być w stanie ustalić, kiedy szukać nowych informacji, poprosić o pomoc lub podjąć niezależne działania w celu rozwiązania problemów. Na przykład, jeśli zadaniem jest modelowanie złożonego rynku finansowego, AGI musiałaby zidentyfikować odpowiednie źródła danych, analizować trendy historyczne i ustalić, jak uzyskać niezbędne informacje - wszystkie bez prowadzenia człowieka.

Rozwiązywanie problemów w nieznanych domenach

AGI musi być w stanie uogólniać wiedzę z jednej domeny i zastosować ją do nowych, nieznanych zadań. Ta zdolność do przenoszenia uczenia się poprzez analogię jest podobna do tego, jak muzyk przeszkolony na jednym lub dwóch instrumentach może szybko nauczyć się trzeciej. W ten sam sposób AGI musi wykorzystać wcześniejszą wiedzę, aby rozwiązać problemy, dla których nie został wyraźnie przeszkolony.

Ciągłe samodoskonalenie

AGI musi być w stanie ocenić własną wydajność i dostosowywać się do nowych sytuacji. Jednym podejściem do rekurencyjnego samodoskonalenia są dane treningowe generowane przez siebie, jak widać w Robocat Deepmind. Kolejną potencjalną zdolnością jest modyfikowanie własnego kodu i architektury. Jednak taka samokresowa może wprowadzić zagrożenia bezpieczeństwa, jeśli AGI wprowadzi zmiany, których ludzie nie mogą w pełni zrozumieć ani kontrolować.

Historia ogólnej AI

Historia AGI najlepiej zrozumieć w szerszej historii sztucznej inteligencji. Badania ewoluowały przez kilka odrębnych epok, z których każda kształtuje ścieżkę w kierunku bardziej zdolnych i ogólnych systemów AI.

Early AI: Symbolic AI (1950–1980)

Pierwsza próba zbudowania sztucznej inteligencji w latach 50. i 60. XX wieku była oparta na pomyśle, że możesz nauczyć maszynę myślenia poprzez reguły programowania i logiki (przedstawione jako symbole) na komputerze i prosząc o rozwiązanie problemów za pomocą tych zasad. To wyprodukowane systemy eksperckie, które mogłyby pokonać ludzi w grach planszowych i wykonywać specjalistyczne zadania (komputer IBM Champi Champion Deep Blue jest jednym z przykładów), ale nie byli w stanie nauczyć się czegokolwiek poza ich zaprogramowaną wiedzą.

Przejście na uczenie maszynowe (90.–2010s)

Znacząca zmiana nastąpiła w latach 90. wraz z rozwojem uczenia maszynowego (ML), która inspiruje się od działania neuronów biologicznych w mózgu. Zamiast stosować zasady kodowane, te podłączające systemy wykorzystują sieci neuronowe, które wykorzystują wiele warstw sztucznych neuronów, które uczą się poprzez szkolenie na dużych zestawach danych i zwiększając swoje wyniki w ciągu wielu przebiegów szkoleniowych.

Rewolucja głębokiego uczenia się (2010s - Present)

Nowoczesna rewolucja głębokiego uczenia się rozpoczęła w 2012 r., Kiedy naukowcy zaczęli wykorzystywać jednostki przetwarzania graficzne (GPU) do tworzenia sieci neuronowych o trylionach parametrów. Zapewniło to ogromny wzrost siły obliczeniowej, która dała te modele uczenia maszynowego - w tym współczesne modele dużych języków (LLM), takie jak Chatgpt - zdolność do nauki więcej i uogólniania wiedzy na podobne zadania.

Definiowanie AGI: poza tradycyjnymi testami porównawczymi AI

Ponieważ systemy AI stały się bardziej wyrafinowane, naukowcy zaproponowali nowe punkty odniesienia w celu oceny, czy system AI osiągnął inteligencję na poziomie człowieka. Najsłynniejszy wczesny punkt odniesienia, The Turinga Test, został zaprojektowany w celu ustalenia, czy maszyna może przekonująco naśladować ludzką rozmowę. Ponieważ jednak LLM, takie jak Chatgpt i Claude, mogą teraz zdać ten test, wielu badaczy uważa go za przestarzały.

Nowsze testy porównawcze, takie jak test ARC-AGI, koncentrują się na zdolności systemu AI do uogólnienia poza jego danymi szkoleniowymi. Podczas gdy obecne modele AI wciąż nie mają ludzkiego rozumowania, niektóre, takie jak model O3 Openai, osiągnęły przełomowe wyniki, zniszcząc debaty na temat wykonalności AGI.

Jak może działać AGI?

Nie ma konsensusu wśród badaczy AI, w którym podejście ostatecznie doprowadzi do AGI. Zarówno symboliczna sztuczna inteligencja, jak i głębokie uczenie się mają ograniczenia, jeśli chodzi o systemy budowlane, które mogą uogólniać wiedzę w różnych dziedzinach. Obecne badania koncentrują się na opracowywaniu modeli o zdolnościach metapoznawczych - zdolności do oceny i ulepszania własnych procesów rozumowania.

Ograniczenia obecnych podejść

Symboliczne systemy AI opierają się na ludzkich programistach wiedzy i nie mogą uzyskać nowych informacji samodzielnie, podczas gdy systemy głębokiego uczenia się, w tym generatywne AI, wymagają ogromnych zestawów danych i długich okresów szkolenia, aby nauczyć się nowych zadań. Z drugiej strony ludzie chętnie pochłaniają nowe informacje i mogą nauczyć się robić nowe rzeczy szybko z bardzo nielicznymi przykładami.

Jednak nawet przy tych wyzwaniach badacze badają wiele możliwości tworzenia maszyn zdolnych do uczenia się, uogólnienia i podejmowania decyzji na poziomie ludzkim (lub lepszym). Niektóre ostatnie podejścia, które mają elementy AGI, obejmują neuro-symboliczne AI, Agentic AI i ucieleśnione AI.

Neuro-symboliczne AI

Niektórzy badacze AI, w tym Gary Marcus i Ben Goertzel, twierdzą, że układy neuro-symboliczne są sposobem na AGI. Systemy te łączą różne typy systemów AI, aby zrekompensować niedociągnięcia jednego podejścia.

Na przykład w 2023 r. Goertzel i jego współpracownicy wydali OpenCog Hyperon, wysiłek AGI z otwartym poziomem, który zapewnia ramy oprogramowania do łączenia systemów AI z różnych dyscyplin, w tym przetwarzania języka naturalnego (NLP), logiki formalnej i probabilistycznej. Google Deepmind niedawno osiągnął wydajność na poziomie srebrnym medalem na międzynarodowej olimpiadzie matematycznym z dwoma układami neuro-symbolicznymi, alfaproofem i alfageometrią 2.

Agentic AI

Agenci AI są uważani za możliwy krok na drodze do AGI, ponieważ mogą oceniać i reagować na swoje środowiska, rozumieć kontekst i podejmować decyzje niezależne od ludzi w celu osiągnięcia celów. Podobnie jak podejście neuro-symboliczne, agresywne systemy AI działają, łącząc wiele rodzajów AI w celu wykonania różnych zadań. Jednak badania nad Agentic AI są nadal na wczesnym etapie, a wiele bardziej zaawansowanych możliwości przypisywanych Agentic AI jest nadal teoretyczne.

Wcielony AI

Wiodący myśliciele AI, w tym współzałożyciel Openai, Andrej Karpathy i naukowiec Melanie Mitchell, powiedzieli, że konieczna może być jakaś forma ucieleśnienia. Jest to zakorzenione w idei, że sztucznej inteligencji trudno byłoby nauczyć się podstawowych umiejętności poznawczych, takich jak zrozumienie przyczynowości lub trwałości obiektu bez możliwości otrzymywania danych sensorycznych.

Wcielona AI jest domyślnie wymagana do spełnienia niektórych popularnych definicji AGI. Na przykład, współzałożyciel Apple, Steve Woźniak, zaproponował punkt odniesienia o nazwie The Coffee Test, w którym maszyna można uznać za posiadania AGI, jeśli był w stanie wejść do domu arbitralnej osoby i wymyślić, jak zaparzyć filiżankę kawy.

Potencjalne zastosowania ogólnej sztucznej inteligencji

Ze względu na charakter uogólnionej inteligencji potencjalne zastosowania AGI są praktycznie nieograniczone. Niektóre branże, które mogą szczególnie skorzystać z adaptacyjności i autonomii, jaką będzie oferować AGI, obejmują opiekę zdrowotną, edukację, produkcję i finanse.

Opieka zdrowotna

AGI może wpływać na wiele obszarów opieki zdrowotnej, w których korzystne byłoby posiadanie inteligentnego systemu z dostępem do ogromnych ilości danych, w tym diagnostyki i odkrywania leków oraz możliwości tworzenia zindywidualizowanych planów leczenia, które odzwierciedlają pełny obraz historii zdrowia pacjenta.

Edukacja

Systemy AGI w edukacji mogą być wykorzystane do personalizacji ścieżek uczenia się dla uczniów w celu zaspokojenia ich konkretnych potrzeb, pomocy nauczycielom w zadaniach administracyjnych i planowaniu lekcji, aby mogli spędzać więcej czasu na nauczaniu i pomóc nauczycielom w analizie wyników uczniów w celu zidentyfikowania luk, w których uczniowie mogą pozostać w tyle.

Produkcja

Producenci mają stałą potrzebę optymalizacji procesów leżących u podstaw złożonej logistyki łańcucha dostaw, harmonogramów produkcji i kontroli jakości. AGI może pomóc w podejmowaniu decyzji dotyczących ulepszenia procesów i ich zautomatyzowania.

Finanse

Ponieważ firmy sektora finansowego zajmują się ogromną ilością danych, AGI będzie mogło analizować i podejmować decyzje o tej skali informacji znacznie szybciej niż ludzie. Ma to potencjał do przyspieszenia zadań ciężkich danych, takich jak ocena ryzyka, zgodność i analiza rynku.

Rozważania etyczne i wyzwania

Ponieważ postęp w kierunku AGI nadal rozwija się, istnieją kwestie prawne i obawy etyczne, które będą musiały być rozważane zarówno przez tych budynków, jak i osób korzystających z systemów AGI.

Stronniczość

W ten sam sposób, w jaki wąskie systemy AI mogą cierpieć z powodu braku różnorodności w próbkach szkoleniowych, systemy AGI mogą potencjalnie wykazywać rasowe, płciowe lub inne rodzaje stronniczości w oparciu o wypaczone lub niepełne dane szkoleniowe. Algorytmy mogą również wprowadzać stronniczość, ważąc niektóre zmienne, aby uprzywilejować jedną grupę nad drugą.

Odpowiedzialność prawna za działania AGI

Systemy AI były już przedmiotem sporów prawnych o naruszenie prywatności i uczciwych przepisów mieszkaniowych. Jednak istniejące ramy prawne nie zawsze wyraźnie określają, kto jest odpowiedzialny za szkody spowodowane przez sztuczną inteligencję. Pojawienie się zaawansowanych inteligentnych agentów będzie dodatkowo komplikować pytania dotyczące odpowiedzialności, gdy maszyny działają w sposób, który przełamuje prawo.

Wyzwania wyrównania

Systemy AGI mogą mieć dostęp do ogromnych ilości danych i autonomii w celu podejmowania wpływowych decyzji. Zapewnienie, że systemy te są zgodne z ludzkimi wartościami i zasadami etycznymi, jest kluczowym celem badań wyrównania AI. Eksperci pracują nad opracowaniem metod, które pozwalają AGI interpretować i przestrzegać pożądanych celów i ograniczeń, minimalizując niezamierzone lub niepożądane wyniki.

Przyszłość ogólnej sztucznej inteligencji

W miarę postępu AI stanowi zarówno wyzwania, jak i możliwości. Chociaż należy rozwiązać obawy dotyczące zatrudnienia i bezpieczeństwa, AGI może potencjalnie przynieść znaczące korzyści w dziedzinach, takich jak analiza danych, automatyzacja, optymalizacja, opieka zdrowotna i bezpieczeństwo.

AGI może przyspieszyć postęp w złożonych problemach naukowych i społecznych poprzez rozwiązywanie problemów w skali poza ludzkimi zdolnościami. Obsługując powtarzające się zadania, AGI może również uwolnić ludzi, aby bardziej skupić się na znaczącej pracy i osobistych interesach. Ostatecznie jego rozwój zmieni nie tylko branże, ale także to, jak ludzie postrzegają inteligencję i ich rolę na świecie.

AGI FAQ

Jaka jest różnica między AI i AGI?

AGI jest podtypem AI, która różni się od wąskiej lub słabej AI, która została zaprojektowana do wykonywania określonych zadań w ograniczonej dziedzinie. Natomiast AGI odnosi się do hipotetycznego etapu rozwoju sztucznej inteligencji, w którym systemy mają ludzką elastyczność, zdolność adaptacyjną i rozumowanie, pozwalając im uczyć się i wykonywać szeroki zakres zadań w różnych domenach.

Jaka jest różnica między generatywną sztuczną inteligencją a ogólną AI?

Generative AI jest rodzajem sztucznej inteligencji, która analizuje duże zestawy danych w celu generowania prognoz, treści lub odpowiedzi opartych na wyuczonych wzorcach. Ogólna AI lub AGI odnosi się do AI zdolnej do inteligencji na poziomie człowieka i rozumowania w wielu domenach, pozwalając jej uczyć się i wykonywać szeroką gamę zadań, nie ograniczając się do określonej funkcji.

Czy Chatgpt jest uważany za AGI?

Niektórzy eksperci sugerują, że LLM, takie jak Chatgpt i Claude, można już uznać za AGI. Jednak ten pogląd nie jest powszechnie akceptowany wśród badaczy AI. Chatgpt nie ma prawdziwego zrozumienia generowanego przez niego tekstu, zmaga się z rozumowaniem i nie może uogólniać swojej wiedzy w różnych domenach, takich jak kontrolowanie systemu fizycznego, takiego jak samochód samobieżny. Ograniczenia te oznaczają, że nie spełnia kryteriów AGI.

Czy O3 jest uważane za AGI?

Podczas gdy model rozumowania O3 Openai osiągnął imponujący wynik 87,5% w odniesieniu ARC-AGI w dniu 20 grudnia 2024 r., Twórca Benchmark, Francois Chollet, nie uważa go za osiągnięcia AGI.

Obserwatorzy wskazują, że O3 polegał na szerokim szkoleniu wstępnym z publicznymi próbkami testowymi i wymagał masowych zasobów obliczeniowych, aby osiągnąć swój wynik. Chollet zauważył również, że niektóre modele o niższym komputerze oceniały nawet 81%, co sugeruje, że sukces O3 był większy przez obliczenia brutalnej siły niż przez prawdziwą inteligencję ogólną.

Jakie są główne wyzwania w budowaniu ogólnej sztucznej inteligencji?

• Wręczliwość:Systemy AGI muszą być konsekwentnie dokładne i niezawodne, aby użytkownicy polegają na swoich wyjściach w krytycznych aplikacjach.
• Problem z długimi ogonami:bez względu na to, ile danych treningowych ma system AI, nieuchronnie napotka rzadkie lub nieprzewidziane scenariusze. Na przykład samochody samobieżne będą musieli stawić czoła sytuacjom, które nie są objęte ich szkoleniem, wymagając od nich skutecznego uogólnienia.
• Zużycie energii:Zaawansowane modele AI wymagają już ogromnych ilości energii i wody do obliczenia. AGI może wymagać jeszcze większych zasobów, chyba że opracowane zostaną bardziej wydajne metody przetwarzania.
• Zdrowy rozsądek:W przeciwieństwie do ludzi, AI nie ma rzeczywistego doświadczenia i intuicyjnego zrozumienia fizyki, interakcji społecznych i codziennego rozumowania-wiedzą, że ludzie nabywają naturalnie z dzieciństwa.

Czy AGI już istnieje?

Ponieważ terminAGIzostał zdefiniowany na różne sposoby, to, co spełnia definicję AGI jednej osoby (lub firmy), może już istnieć dla nich, ale nie według kogoś innego. Korzystając z definicji artykułu Google Deepmind, że „system AI, który jest co najmniej tak samo zdolny jak człowiek w większości zadań”, warto powiedzieć, że AGI nie istnieje jeszcze.