O que é inteligência geral artificial (AGI)? Tudo que você precisa saber

Desde a invenção do computador moderno, houve um debate sobre como definir a inteligência geral artificial (AGI), como testar uma máquina para ver se ela atende a essa definição e quais serão os benefícios e desvantagens da AGI para o trabalho humano, a criatividade e a descoberta científica.

Este artigo explica o que é a AGI, explora sua história, os principais desafios e se já existe ou continua sendo um objetivo distante.

Índice

Entendendo a inteligência artificial (AI)

O que é inteligência geral artificial (AGI)?

Traços -chave de AGI

História do General AI

Como a Agi pode funcionar?

Aplicações potenciais do general IA

Considerações e desafios éticos

Futuro do general AI

O que é FAQS AGI

Entendendo a inteligência artificial (AI)

Para entender a AGI, é importante distingui -lo de outras formas de inteligência artificial (IA). A IA é geralmente categorizada pela ampliação de sua inteligência e quão bem ele funciona em comparação com os seres humanos.

O que é inteligência artificial?

A IA refere -se à tecnologia que permite que as máquinas resolvam problemas complexos, muitas vezes imitando ou superando as habilidades humanas. Ele alimenta tarefas como processamento de idiomas, reconhecimento de fala e imagem, análise de dados e geração de código. No entanto, a IA varia em capacidade e pode ser classificada em três tipos principais:

• AI estreita (IA fraca):sistemas especializados projetados para tarefas específicas, como filtragem de spam, algoritmos de recomendação e programas de jogo de xadrez. Esses sistemas se destacam em suas funções designadas, mas não podem se adaptar além deles. Toda a IA atual se enquadra nesta categoria.
• Inteligência Geral Artificial (AGI):Uma IA teórica que pode aprender, raciocinar e resolver problemas em uma ampla gama de domínios, semelhante à inteligência humana. Ao contrário da IA ​​estreita, a AGI não exigiria reciclagem para novos desafios.
• Superintelligência Artificial (ASI):Uma IA hipotética que supera a inteligência humana em todas as disciplinas, incluindo a solução criativa de problemas e o pensamento estratégico. O ASI permanece especulativo, mas é frequentemente discutido em relação à evolução a longo prazo da AGI.

Embora a IA de hoje seja impressionante, ela permanece estreita, destacando -se apenas dentro dos limites predefinidos. A busca da AGI é a busca por uma verdadeira inteligência de máquinas - uma que possa pensar, aprender e se adaptar como um humano.

O que é inteligência geral artificial (AGI)?

Não existe uma definição universalmente aceita de AGI, também conhecida como general IA. No entanto, muitas definições sugerem que um sistema se qualifica como AGI se puder fazer o seguinte:

• Aprenda adaptativamentesem exigir intervenção humana
• Generalize o conhecimentopara resolver problemas desconhecidos
• Execute comparativamente com os seres humanosem uma ampla gama de tarefas

Além desses atributos amplos, as definições de AGI variam, refletindo muitas vezes os objetivos daqueles que tentam desenvolvê -lo:

• Em seu livro de 2007,a Inteligência Geral Artificial, Ben Goertzel e Cassio Pennachin definem a AGI como sistemas de IA que possuem "um grau razoável de autocontrole autônomo e de auto-entendimento" e pode resolver uma variedade de problemas complexos em vários contextos.
• O Openai define a AGI como "um sistema altamente autônomo que supera os seres humanos no trabalho mais economicamente valioso".
• François Chollet, ex-pesquisador do Google AI e criador da referência Arc-Agi, define a AGI como um sistema capaz de adquirir novas habilidades fora de seus dados de treinamento. Ele enfatiza que a inteligência é marcada pela aquisição e generalização de habilidades, e não pela própria habilidade.

Traços -chave de AGI

Embora as definições de AGI variem, elas geralmente o distinguem da IA ​​estreita, enfatizando sua capacidade de funcionar em diversos domínios. Independentemente da definição específica, uma AGI precisaria possuir várias características principais para alcançar esses recursos:

Tomada de decisão autônoma

Uma AGI deve ser capaz de determinar quando buscar novas informações, solicitar assistência ou tomar ações independentes para resolver problemas. Por exemplo, se encarregado de modelar um mercado financeiro complexo, uma AGI precisaria identificar fontes de dados relevantes, analisar tendências históricas e determinar como adquirir as informações necessárias - tudo sem orientação humana.

Solução de problemas em domínios desconhecidos

A AGI deve ser capaz de generalizar o conhecimento de um domínio e aplicá -lo a tarefas novas e desconhecidas. Essa capacidade de transferir o aprendizado através da analogia é semelhante à maneira como um músico treinado em um ou dois instrumentos pode aprender rapidamente um terceiro. Da mesma forma, uma AGI deve aproveitar o conhecimento prévio para resolver problemas para os quais não foi explicitamente treinado.

Auto-aperfeiçoamento contínuo

Uma AGI deve ser capaz de avaliar seu próprio desempenho e se adaptar a novas situações. Uma abordagem para o auto-aperfeiçoamento recursivo são os dados de treinamento auto-gerados, como visto no Robocat de DeepMind. Outra capacidade potencial é modificar seu próprio código e arquitetura. No entanto, essa auto-modificação pode introduzir riscos de segurança se a AGI fizer alterações que os humanos não conseguem entender ou controlar completamente.

História do General AI

A história da AGI é melhor entendida na história mais ampla da IA. A pesquisa evoluiu através de várias épocas distintas, cada uma moldando o caminho em direção a sistemas de IA mais capazes e gerais.

AI inicial: IA simbólica (1950-1980s)

A primeira tentativa de construir IA nas décadas de 1950 e 1960 foi baseada na idéia de que você poderia ensinar uma máquina a pensar em programação de regras e lógica (representada como símbolos) no computador e solicitando que ele resolva problemas usando essas regras. Isso produziu sistemas especializados que poderiam vencer os seres humanos em jogos de tabuleiro e realizar tarefas especializadas (o computador de xadrez da IBM, Deep Blue, é um exemplo), mas eles não conseguiram aprender nada fora de seu conhecimento programado.

A mudança para o aprendizado de máquina (1990-2010s)

Uma grande mudança ocorreu na década de 1990 com a ascensão do aprendizado de máquina (ML), que se inspirou em como os neurônios biológicos funcionam no cérebro. Em vez de usar regras codificadas, esses sistemas conexionistas usam redes neurais que usam muitas camadas de neurônios artificiais que aprendem treinando em grandes conjuntos de dados e melhorando seus resultados incrementalmente em muitas execuções de treinamento.

The Deep Learning Revolution (2010 - presente)

A moderna revolução de aprendizado profundo começou em 2012, quando os pesquisadores começaram a usar unidades de processamento gráfico (GPUs) para criar redes neurais com trilhões de parâmetros. Isso proporcionou um enorme impulso no poder computacional que deu a esses modelos de aprendizado de máquina - incluindo modelos de grandes idiomas contemporâneos (LLMS) como o ChatGPT - a capacidade de aprender mais e generalizar algum conhecimento para tarefas semelhantes.

Definindo AGI: além dos benchmarks tradicionais de IA

À medida que os sistemas de IA se tornaram mais sofisticados, os pesquisadores propuseram novos parâmetros de referência para avaliar se um sistema de IA havia atingido a inteligência em nível humano. A referência inicial mais famosa, o teste de Turing, foi projetada para determinar se uma máquina poderia imitar a conversa humana de forma convincente. No entanto, como os LLMs como ChatGPT e Claude agora podem passar neste teste, muitos pesquisadores o consideram desatualizado.

Os benchmarks mais recentes, como o teste ARC-AGI, concentram-se na capacidade de um sistema de IA de generalizar além de seus dados de treinamento. Enquanto os modelos atuais de IA ainda ficam aquém do raciocínio humano, alguns, como o modelo O3 do Openai, alcançaram resultados inovadores, reacendendo debates sobre a viabilidade da AGI.

Como a Agi pode funcionar?

Não há consenso entre os pesquisadores de IA sobre a qual a abordagem levará a AGI. Tanto a IA simbólica quanto o aprendizado profundo têm limitações quando se trata de construir sistemas que podem generalizar o conhecimento em diferentes domínios. A pesquisa atual se concentra no desenvolvimento de modelos com habilidades metacognitivas - a capacidade de avaliar e melhorar seus próprios processos de raciocínio.

Limitações nas abordagens atuais

Os sistemas simbólicos de IA dependem de programadores humanos para obter conhecimento e não podem obter novas informações por conta própria, enquanto os sistemas de aprendizado profundo, incluindo IA generativa, exigem vastos conjuntos de dados e longos períodos de treinamento para aprender novas tarefas. Os seres humanos, por outro lado, absorvem prontamente novas informações e podem aprender a fazer coisas novas rapidamente com muito poucos exemplos.

Mesmo com esses desafios, no entanto, os pesquisadores estão explorando muitas avenidas para criar máquinas capazes de aprender, generalizar e tomar decisões em um nível humano (ou melhor). Algumas abordagens recentes que têm elementos da AGI incluem IA neuro-simbólica, IA agêntica e IA incorporada.

IA neuro-simbólica

Alguns pesquisadores de IA, incluindo Gary Marcus e Ben Goertzel, argumentam que os sistemas neuro-simbólicos são o caminho para a AGI. Esses sistemas combinam diferentes tipos de sistemas de IA para compensar as deficiências de qualquer abordagem.

Por exemplo, em 2023, Goertzel e seus colaboradores lançaram OpenCog Hyperon, um esforço de código aberto que fornece uma estrutura de software para combinar sistemas de IA de várias disciplinas, incluindo processamento de linguagem natural (PNL), lógica formal e raciocínio probabilístico. O Google DeepMind alcançou recentemente o desempenho no nível da medalha de prata na Olimpíada Matemática Internacional com dois sistemas neuro-simbólicos, Alphaproof e alfagometria 2.

Ai agêntico

Os agentes da IA ​​são considerados um possível passo no caminho para a AGI porque podem avaliar e responder a seus ambientes, entender o contexto e tomar decisões independentes dos seres humanos para atingir os objetivos. Como a abordagem neuro-simbólica, os sistemas de IA agênticos funcionam combinando vários tipos de IA para realizar diferentes tarefas. No entanto, a pesquisa sobre IA agêntica ainda está em seus estágios iniciais, e muitas das capacidades mais avançadas atribuídas à IA agêntica ainda são teóricas.

Incorporado ai

Os principais pensadores da IA, incluindo o co-fundador do Openai, Andrej Karpathy e a cientista Melanie Mitchell, disseram que alguma forma de personificação pode ser necessária para chegar a Agi. Isso está enraizado na idéia de que seria difícil para uma IA aprender habilidades cognitivas básicas, como entender a causalidade ou a permanência do objeto sem a capacidade de receber entradas sensoriais.

A IA incorporada é implicitamente necessária para atender a algumas definições populares de AGI. Por exemplo, o co-fundador da Apple, Steve Wozniak, propôs uma referência chamada Teste de Coffee, na qual uma máquina poderia ser considerada como AGI se pudesse entrar na casa de uma pessoa arbitrária e descobrir como preparar uma xícara de café.

Aplicações potenciais do general IA

Devido à natureza da inteligência generalizada, os aplicativos em potencial para AGI são praticamente ilimitados. Algumas indústrias que podem se beneficiar particularmente da adaptividade e autonomia que a AGI oferecerá incluem saúde, educação, fabricação e finanças.

Assistência médica

A AGI tem o potencial de afetar muitas áreas de assistência médica, onde seria vantajoso ter um sistema inteligente com acesso a vastas quantidades de dados, incluindo diagnóstico e descoberta de medicamentos e a capacidade de criar planos de tratamento individualizados que refletem a imagem completa do histórico de saúde de um paciente.

Educação

Os sistemas AGI em educação podem ser usados ​​para ajudar a personalizar os caminhos de aprendizagem para os alunos atenderem às suas necessidades específicas, ajudar os professores com tarefas administrativas e planejamento de lições para que possam gastar mais tempo no ensino e ajudar os professores a analisar o desempenho dos alunos para identificar lacunas onde os alunos podem estar ficando para trás.

Fabricação

Os fabricantes têm uma necessidade constante de otimizar os processos subjacentes à logística complexa da cadeia de suprimentos, cronogramas de produção e controle de qualidade. A AGI tem o potencial de ajudar a tomar decisões sobre como melhorar os processos e automatizá -los.

Financiar

Como as empresas do setor financeiro lidam com uma grande quantidade de dados, a AGI poderá analisar e tomar decisões sobre essa escala de informações muito mais rápidas do que os humanos. Isso tem o potencial de acelerar tarefas pesadas de dados, como avaliação de riscos, conformidade e análise de mercado.

Considerações e desafios éticos

À medida que o progresso em direção à AGI continua a avançar, há questões legais e preocupações éticas que deverão ser consideradas por aqueles que estão construindo e que usam sistemas AGI.

Viés

Da mesma maneira que os sistemas estreitos de IA podem sofrer com a falta de diversidade nas amostras de treinamento, os sistemas AGI têm o potencial de exibir dados raciais, de gênero ou outros tipos de viés com base em dados de treinamento distorcidos ou incompletos. Os algoritmos também podem introduzir preconceitos, ponderando certas variáveis ​​para privilegiar um grupo sobre outro.

Responsabilidade legal por ações da AGI

Os sistemas de IA já foram objeto de disputas legais por violações de privacidade e leis justas de habitação. No entanto, as estruturas legais existentes nem sempre definem claramente quem é responsável por danos causados ​​pela IA. O surgimento de agentes inteligentes avançados complicará ainda mais questões de responsabilidade quando as máquinas agem de maneira a violar a lei.

Desafios de alinhamento

Os sistemas AGI podem ter acesso a grandes quantidades de dados e autonomia para tomar decisões impactantes. Garantir que esses sistemas alinhem com os valores humanos e os princípios éticos é um foco essencial da pesquisa de alinhamento da IA. Os especialistas estão trabalhando para desenvolver métodos que permitam que a AGI interprete e siga as metas e restrições desejadas, minimizando resultados não intencionais ou indesejáveis.

Futuro do general AI

À medida que a IA avança, apresenta desafios e oportunidades. Embora as preocupações sobre o emprego e a segurança sejam abordadas, a AGI tem o potencial de trazer benefícios significativos em áreas como análise de dados, automação, otimização, saúde e segurança.

A AGI poderia acelerar o progresso em questões científicas e sociais complexas, resolvendo problemas em uma escala além da capacidade humana. Ao lidar com tarefas repetitivas, a AGI também pode libertar as pessoas para se concentrar mais em interesses de trabalho e pessoal significativos. Por fim, seu desenvolvimento reformulará não apenas as indústrias, mas também como os humanos percebem a inteligência e seu papel no mundo.

AGI FAQS

Qual é a diferença entre AI e AGI?

A AGI é um subtipo de IA que difere da IA ​​estreita ou fraca, projetada para executar tarefas específicas dentro de um domínio limitado. Por outro lado, a AGI refere -se a um estágio hipotético do desenvolvimento de IA, no qual os sistemas possuem flexibilidade, adaptabilidade e raciocínio semelhantes a humanos, permitindo que eles aprendam e realizem uma ampla gama de tarefas em diferentes domínios.

Qual é a diferença entre a IA generativa e a IA geral?

A IA generativa é um tipo de IA que analisa grandes conjuntos de dados para gerar previsões, conteúdo ou respostas com base nos padrões aprendidos. A IA geral, ou AGI, refere-se à IA capaz de inteligência e raciocínio em nível humano em vários domínios, permitindo que ele aprenda e execute uma ampla variedade de tarefas sem ser limitada a uma função específica.

O chatgpt é considerado AGI?

Alguns especialistas sugerem que LLMs como ChatGPT e Claude já poderiam ser considerados AGI. No entanto, essa visão não é amplamente aceita entre os pesquisadores da IA. O ChatGpt não possui um verdadeiro entendimento do texto que gera, luta com o raciocínio e não pode generalizar seu conhecimento em diferentes domínios, como controlar um sistema físico como um carro autônomo. Essas limitações significam que não atende aos critérios da AGI.

O3 é considerado AGI?

Embora o modelo de raciocínio da OpenAI tenha atingido uma impressionante pontuação de 87,5% no benchmark ARC-AGI em 20 de dezembro de 2024, o criador do benchmark, François Chollet, não considera que ele tenha chegado à AGI.

Os observadores apontam que a O3 se baseou em extensos pré-treinamento com amostras de testes públicos e exigiu recursos computacionais maciços para alcançar sua pontuação. Chollet também observou que alguns modelos de computação mais baixa pontuaram até 81%, sugerindo que o sucesso da O3 foi impulsionado mais pela computação de força bruta do que pela verdadeira inteligência geral.

Quais são os principais desafios na construção do general IA?

• Confiabilidade:os sistemas AGI devem ser consistentemente precisos e confiáveis ​​para que os usuários dependam de suas saídas em aplicativos críticos.
• O problema de cauda longa:não importa quantos dados de treinamento um sistema de IA tenha, ele inevitavelmente encontrará cenários raros ou imprevistos. Por exemplo, os carros autônomos enfrentarão situações não abordadas em seu treinamento, exigindo que eles generalizem efetivamente.
• Consumo de energia:Os modelos avançados de IA já requerem grandes quantidades de energia e água para computação. A AGI poderia exigir recursos ainda maiores, a menos que métodos de processamento mais eficientes sejam desenvolvidos.
• Sentido comum:Ao contrário dos humanos, a IA não tem experiência no mundo real e entendimento intuitivo da física, interações sociais e raciocínio diário-conhecimento de que as pessoas adquirem naturalmente desde a infância.

AGI já existe?

Como o termoAGIfoi definido de maneiras diferentes, o que atende à definição de AGI de uma pessoa (ou da empresa) já pode existir para ela, mas não de acordo com outra pessoa. Usando a definição do artigo do Google DeepMind de que “um sistema de IA que é pelo menos tão capaz quanto um humano na maioria das tarefas”, faz sentido dizer que a AGI ainda não existe.