Ce este inteligența generală artificială (AGI)? Tot ce trebuie să știi

De la inventarea computerului modern, a existat dezbateri cu privire la modul de definire a inteligenței generale artificiale (AGI), cum să testați o mașină pentru a vedea dacă respectă această definiție și care vor fi beneficiile și dezavantajele AGI pentru munca umană, creativitatea și descoperirea științifică.

Acest articol explică ce este AGI, explorează istoria sa, provocările cheie și dacă există deja sau rămâne un obiectiv îndepărtat.

Cuprins

Înțelegerea inteligenței artificiale (AI)

Ce este inteligența generală artificială (AGI)?

Trăsături cheie ale AGI

Istoria AI -ului general

Cum ar putea funcționa AGI?

Aplicații potențiale ale AI general

Considerente etice și provocări

Viitorul AI general

Ce este întrebările frecvente

Înțelegerea inteligenței artificiale (AI)

Pentru a înțelege AGI, este important să o distingem de alte forme de inteligență artificială (AI). AI este în general clasificat de cât de larg își poate aplica inteligența și cât de bine funcționează în comparație cu oamenii.

Ce este inteligența artificială?

AI se referă la tehnologia care permite mașinilor să rezolve probleme complexe, imitând adesea sau depășind abilitățile umane. Alimentează sarcini precum procesarea limbajului, recunoașterea vorbirii și imaginilor, analiza datelor și generarea de coduri. Cu toate acestea, AI variază în funcție de capacitate și poate fi clasificată în trei tipuri principale:

• AI îngust (AI slab):sisteme specializate concepute pentru sarcini specifice, cum ar fi filtrarea spamului, algoritmi de recomandare și programe de joc de șah. Aceste sisteme excelează în funcțiile lor desemnate, dar nu se pot adapta dincolo de ele. Toată AI -ul actual se încadrează în această categorie.
• Inteligență generală artificială (AGI):o AI teoretică care poate învăța, raționa și rezolva probleme într -o gamă largă de domenii, similar cu inteligența umană. Spre deosebire de AI îngustă, AGI nu ar necesita recalificare pentru noi provocări.
• Superinteligență artificială (ASI):o AI ipotetică care depășește inteligența umană pe toate disciplinele, inclusiv rezolvarea creativă a problemelor și gândirea strategică. ASI rămâne speculativ, dar este adesea discutat în raport cu evoluția pe termen lung a AGI.

În timp ce AI -ul de astăzi este impresionant, rămâne îngust, excelând doar în limitele predefinite. Căutarea AGI este căutarea unei adevărate inteligențe de mașină - una care poate gândi, învăța și se adapta ca un om.

Ce este inteligența generală artificială (AGI)?

Nu există o definiție acceptată universal de AGI, cunoscută și sub numele de AI general. Cu toate acestea, multe definiții sugerează că un sistem se califică ca AGI dacă poate face următoarele:

• Învață adaptivfără a necesita intervenția umană
• Generalizați cunoștințelepentru a rezolva problemele necunoscute
• Efectuați în mod comparabil cu oameniiîntr -o gamă largă de sarcini

Dincolo de aceste atribute largi, definițiile AGI variază, reflectând adesea obiectivele celor care încearcă să -l dezvolte:

• În cartea lor din 2007,Inteligența generală artificială, Ben Goertzel și Cassio Pennachin definesc AGI ca sisteme AI care posedă „un grad rezonabil de înțelegere de sine și autocontrol autonom” și pot rezolva o varietate de probleme complexe în diferite contexte.
• OpenAI definește AGI drept „un sistem extrem de autonom care depășește oamenii la cel mai valoros din punct de vedere economic.”
• Francois Chollet, fost cercetător Google AI și creatorul de referință Arc-AGI, definește AGI ca un sistem capabil să dobândească eficient noi abilități în afara datelor sale de formare. El subliniază că inteligența este marcată de achiziția și generalizarea abilităților, mai degrabă decât de abilitate în sine.

Trăsături cheie ale AGI

În timp ce definițiile AGI variază, în general o disting de AI restrânsă, subliniind capacitatea sa de a funcționa pe diverse domenii. Indiferent de definiția specifică, un AGI ar trebui să dețină mai multe trăsături de bază pentru a atinge aceste capacități:

Luarea deciziilor autonomă

Un AGI trebuie să poată determina când să caute informații noi, să solicite asistență sau să ia măsuri independente pentru a rezolva problemele. De exemplu, dacă este însărcinat cu modelarea unei piețe financiare complexe, un AGI ar trebui să identifice surse de date relevante, să analizeze tendințele istorice și să determine cum să dobândească informațiile necesare - toate fără îndrumare umană.

Rezolvarea problemelor în domenii necunoscute

AGI trebuie să poată generaliza cunoștințele dintr -un singur domeniu și să o aplice la noi sarcini necunoscute. Această abilitate de a transfera învățarea prin analogie este similară cu modul în care un muzician instruit pe unul sau două instrumente poate învăța rapid o treime. În același mod, un AGI trebuie să folosească cunoștințele anterioare pentru a rezolva problemele pentru care nu a fost instruit în mod explicit.

Auto-îmbunătățire continuă

Un AGI trebuie să fie capabil să evalueze propria performanță și să se adapteze la noi situații. O abordare a auto-îmbunătățirii recursive este datele de instruire auto-generate, așa cum se vede în Robocatul Deepmind. O altă capacitate potențială este modificarea propriului cod și arhitectură. Cu toate acestea, o astfel de auto-modificare ar putea introduce riscuri de siguranță dacă AGI face schimbări pe care oamenii nu le pot înțelege sau controla pe deplin.

Istoria AI -ului general

Istoria AGI este cel mai bine înțeleasă în istoria mai largă a AI. Cercetările au evoluat prin mai multe epoci distincte, fiecare modelând calea către sisteme AI mai capabile și generale.

AI timpurie: AI simbolic (anii ’50-1980)

Prima încercare de a construi AI în anii 1950 și 1960 s -a bazat pe ideea că puteți învăța o mașină să se gândească prin reguli de programare și logică (reprezentate ca simboluri) în computer și prin care i -a cerut să rezolve problemele folosind aceste reguli. Acest lucru a produs sisteme de experți care ar putea învinge oamenii la jocurile de masă și să facă sarcini specializate (IBM’s Chess Champion Computer Deep Blue este un exemplu), dar nu au putut să învețe nimic în afara cunoștințelor lor programate.

Trecerea la învățarea automată (anii 1990-2010)

O schimbare majoră a avut loc în anii 90 odată cu creșterea învățării automate (ML), care s -a inspirat din modul în care funcționează neuronii biologici în creier. În loc să folosească reguli codate cu greu, aceste sisteme conexioniste folosesc rețele neuronale care folosesc multe straturi de neuroni artificiali care învață prin instruire pe seturi de date mari și îmbunătățindu-și treptat rezultatele pe multe runde de antrenament.

Revoluția de învățare profundă (2010 -Present)

Revoluția modernă de învățare profundă a început în 2012, când cercetătorii au început să folosească unități de procesare grafică (GPU) pentru a crea rețele neuronale cu trilioane de parametri. Acest lucru a oferit un impuls uriaș în puterea de calcul care a oferit acestor modele de învățare automată - inclusiv modele de limbaj mare contemporane (LLM) precum ChatGPT - capacitatea de a învăța mai multe și de a generaliza unele cunoștințe cu sarcini similare.

Definirea AGI: dincolo de referințe tradiționale AI

Pe măsură ce sistemele AI au devenit mai sofisticate, cercetătorii au propus noi repere pentru a evalua dacă un sistem AI a atins inteligența la nivel uman. Cel mai cunoscut referință timpurie, testul Turing, a fost conceput pentru a determina dacă o mașină ar putea imita conversația convingătoare a conversației umane. Cu toate acestea, întrucât LLM -uri precum ChatGPT și Claude pot trece acum acest test, mulți cercetători consideră învechit.

Repere mai recente, cum ar fi testul ARC-AGI, se concentrează pe capacitatea unui sistem AI de a se generaliza dincolo de datele sale de instruire. În timp ce modelele AI actuale încă mai au raționament uman, unele, precum modelul O3 al lui OpenAI, au obținut rezultate avansate, domniind dezbateri despre fezabilitatea AGI.

Cum ar putea funcționa AGI?

Nu există un consens în rândul cercetătorilor AI cu privire la care abordarea va duce în cele din urmă la AGI. Atât AI -ul simbolic, cât și învățarea profundă au limitări atunci când vine vorba de sisteme de construcții care pot generaliza cunoștințele pe diferite domenii. Cercetările actuale se concentrează pe dezvoltarea modelelor cu abilități metacognitive - capacitatea de a evalua și îmbunătăți propriile lor procese de raționament.

Limitări ale abordărilor curente

Sistemele AI simbolice se bazează pe programatori umani pentru cunoștințe și nu pot obține noi informații pe cont propriu, în timp ce sistemele de învățare profundă, inclusiv AI generativă, necesită seturi de date vaste și perioade lungi de antrenament pentru a învăța noi sarcini. Oamenii, pe de altă parte, absorb cu ușurință informații noi și pot învăța să facă lucruri noi rapid cu foarte puține exemple.

Chiar și cu aceste provocări, cu toate acestea, cercetătorii explorează multe căi pentru a crea mașini capabile să învețe, să generalizeze și să ia decizii la un nivel uman (sau mai bun). Unele abordări recente care au elemente de AGI includ AI neuro-simbolic, AI agentic și AI întruchipată.

AI neuro-simbolic

Unii cercetători AI, inclusiv Gary Marcus și Ben Goertzel, susțin că sistemele neuro-simbolice sunt calea către AGI. Aceste sisteme combină diferite tipuri de sisteme AI pentru a compensa deficiențele oricărei abordări.

De exemplu, în 2023, Goertzel și colaboratorii săi au lansat OpenCOG Hyperon, un efort AGI open-source care oferă un cadru software pentru combinarea sistemelor AI din diverse discipline, inclusiv procesarea limbajului natural (NLP), logica formală și raționamentul probabilistic. Google DeepMind a obținut recent performanța la nivel de argint-nivel la olimpiada matematică internațională cu două sisteme neuro-simbolice, alfaproof și alfageometrie 2.

AI agent

Agenții AI sunt considerați un posibil pas pe drumul către AGI, deoarece pot evalua și răspunde la mediile lor, pot înțelege contextul și pot lua decizii independente de oameni pentru a îndeplini obiective. Ca și abordarea neuro-simbolică, sistemele AI agentice funcționează prin combinarea mai multor tipuri de AI pentru a îndeplini diferite sarcini. Cu toate acestea, cercetarea AI agentică este încă în stadiile sale incipiente, iar multe dintre capacitățile mai avansate atribuite AI agentic sunt încă teoretice.

A întruchipat AI

Gândi de conducere AI, inclusiv co-fondatorul Openai, Andrej Karpathy și savantul Melanie Mitchell, au spus că o formă de întruchipare ar putea fi necesară pentru a ajunge la AGI. Acest lucru este înrădăcinat în ideea că ar fi dificil pentru o AI să învețe abilități cognitive de bază, cum ar fi înțelegerea cauzalității sau permanența obiectului, fără capacitatea de a primi intrări senzoriale.

AI -ul întruchipat este implicit necesar pentru a satisface unele definiții populare ale AGI. De exemplu, cofondatorul Apple, Steve Wozniak, a propus un referință numit Testul de cafea, în care o mașină ar putea fi considerată a deține AGI dacă ar putea să intre în casa unei persoane arbitrare și să-și dea seama cum să prepară o ceașcă de cafea.

Aplicații potențiale ale AI general

Datorită naturii inteligenței generalizate, aplicațiile potențiale pentru AGI sunt practic nelimitate. Unele industrii care pot beneficia în special de adaptivitatea și autonomia pe care AGI o va oferi includ asistență medicală, educație, fabricație și finanțe.

Sănătate

AGI are potențialul de a afecta multe domenii de asistență medicală în care ar fi avantajos să ai un sistem inteligent, cu acces la cantități mari de date, inclusiv diagnostic și descoperire de medicamente și capacitatea de a crea planuri de tratament individualizate care reflectă imaginea completă a istoricului de sănătate al unui pacient.

Educaţie

Sistemele AGI în educație pot fi utilizate pentru a ajuta la personalizarea căilor de învățare pentru studenți pentru a -și satisface nevoile specifice, pentru a ajuta profesorii cu sarcini administrative și planificarea lecțiilor, astfel încât să poată petrece mai mult timp la predare și să ajute profesorii să analizeze performanța elevilor pentru a identifica lacunele în care elevii pot rămâne în urmă.

Fabricație

Producătorii au o nevoie constantă de a optimiza procesele care stau la baza logisticii complexe a lanțului de aprovizionare, a programelor de producție și a controlului calității. AGI are potențialul de a ajuta la luarea deciziilor cu privire la modul de îmbunătățire a proceselor și de automatizare a acestora.

Finanţa

Deoarece companiile din sectorul financiar se ocupă de o cantitate mare de date, AGI va putea analiza și lua decizii cu privire la această scară de informații mult mai repede decât pot oamenii. Acest lucru are potențialul de a accelera sarcinile grele de date, cum ar fi evaluarea riscurilor, conformitatea și analiza pieței.

Considerente etice și provocări

Pe măsură ce progresul către AGI continuă să avanseze, există probleme legale și probleme etice care vor trebui luate în considerare atât de cei care construiesc, cât și de cei care folosesc sisteme AGI.

Părtinire

În același mod în care sistemele AI restrânse pot suferi de o lipsă de diversitate în eșantioanele de instruire, sistemele AGI au potențialul de a prezenta rasial, de gen sau alte tipuri de prejudecăți bazate pe date de instruire înclinate sau incomplete. Algoritmii pot introduce, de asemenea, prejudecăți prin ponderarea anumitor variabile pentru a privilegi un grup peste altul.

Responsabilitatea legală pentru acțiunile AGI

Sistemele AI au făcut deja obiectul unor litigii legale privind încălcările privind confidențialitatea și legile privind locuințele corecte. Cu toate acestea, cadrele legale existente nu definesc întotdeauna în mod clar cine este responsabil pentru vătămarea cauzată de AI. Apariția agenților inteligenți avansați va complica și mai mult întrebările de răspundere atunci când mașinile acționează în moduri care încalcă legea.

Provocări de aliniere

Sistemele AGI ar putea avea acces la cantități mari de date și autonomie pentru a lua decizii de impact. Asigurarea faptului că aceste sisteme se aliniază valorilor umane și principiilor etice este un obiectiv esențial al cercetării de aliniere AI. Experții lucrează pentru a dezvolta metode care permit AGI să interpreteze și să respecte obiectivele și constrângerile dorite, minimizând rezultatele nedorite sau nedorite.

Viitorul AI general

Pe măsură ce AI avansează, prezintă atât provocări, cât și oportunități. În timp ce trebuie abordate îngrijorări legate de ocuparea forței de muncă și siguranță, AGI are potențialul de a aduce beneficii semnificative în domenii precum analiza datelor, automatizarea, optimizarea, asistența medicală și securitatea.

AGI ar putea accelera progresul pe probleme științifice și sociale complexe prin rezolvarea problemelor la o scară dincolo de capacitatea umană. Prin gestionarea sarcinilor repetitive, AGI poate elibera, de asemenea, oamenii să se concentreze mai mult pe munca semnificativă și interesele personale. În cele din urmă, dezvoltarea sa va modela nu numai industriile, ci și modul în care oamenii percep inteligența și rolul lor în lume.

Întrebări frecvente AGI

Care este diferența dintre AI și AGI?

AGI este un subtip de AI care diferă de AI îngust sau slab, care este conceput pentru a efectua sarcini specifice într -un domeniu limitat. În schimb, AGI se referă la o etapă ipotetică a dezvoltării AI în care sistemele posedă flexibilitate umană, adaptabilitate și raționament, permițându -le să învețe și să îndeplinească o gamă largă de sarcini pe diferite domenii.

Care este diferența dintre AI -ul generativ și AI -ul general?

AI generativ este un tip de AI care analizează seturi de date mari pentru a genera predicții, conținut sau răspunsuri bazate pe modele învățate. AI general, sau AGI, se referă la AI capabile de inteligență la nivel uman și de raționament pe mai multe domenii, permițându-i să învețe și să îndeplinească o mare varietate de sarcini, fără a fi limitat la o funcție specifică.

Chatgpt este considerat AGI?

Unii experți sugerează că LLM -uri precum ChatGPT și Claude ar putea fi deja considerate AGI. Cu toate acestea, această părere nu este acceptată pe scară largă în rândul cercetătorilor AI. Chatgpt îi lipsește o înțelegere adevărată a textului pe care îl generează, se luptă cu raționamentul și nu își poate generaliza cunoștințele pe diferite domenii, cum ar fi controlul unui sistem fizic precum o mașină cu autovehicul. Aceste limitări înseamnă că nu îndeplinește criteriile pentru AGI.

O3 este considerat AGI?

În timp ce modelul de raționament O3 al lui OpenAI a obținut un scor impresionant de 87,5% pe punctul de referință ARC-AGI la 20 decembrie 2024, creatorul de referință, Francois Chollet, nu consideră că a ajuns la AGI.

Observatorii subliniază că O3 s-a bazat pe pre-instruire extinsă cu eșantioane de testare publică și a necesitat resurse de calcul masive pentru a-și obține scorul. Chollet a menționat, de asemenea, că unele modele de computere inferioare au marcat până la 81%, ceea ce sugerează că succesul O3 a fost determinat mai mult de calculul forței brute decât de adevărata inteligență generală.

Care sunt principalele provocări în construirea AI -ului general?

• Încredere:Sistemele AGI trebuie să fie în mod constant exacte și fiabile pentru ca utilizatorii să depindă de rezultatele lor în aplicațiile critice.
• Problema cu coada lungă:Oricât de multe date de instruire are un sistem AI, acesta va întâmpina inevitabil scenarii rare sau neprevăzute. De exemplu, mașinile cu autovehicul se vor confrunta cu situații care nu sunt acoperite în pregătirea lor, necesitându-le să se generalizeze eficient.
• Consumul de energie:modelele avansate de AI necesită deja cantități mari de energie și apă pentru calcul. AGI ar putea cere resurse și mai mari, cu excepția cazului în care se dezvoltă metode de procesare mai eficiente.
• Bunul simț:Spre deosebire de oameni, AI nu are experiență din lumea reală și înțelegerea intuitivă a fizicii, interacțiunilor sociale și a raționamentului cotidian-cunoașterea pe care oamenii o dobândesc în mod natural din copilărie.

Există încă AGI?

Deoarece termenulAGIa fost definit în moduri diferite, ceea ce respectă definiția AGI a unei persoane (sau companiei) a AGI poate exista deja pentru ei, dar nu în funcție de altcineva. Folosind definiția din hârtia Google DeepMind că „un sistem AI care este cel puțin la fel de capabil ca un om la majoritatea sarcinilor”, are sens să spunem că AGI nu există încă.