Что такое искусственный общий интеллект (AGI)? Все, что вам нужно знать

Со времени изобретения современного компьютера проводились дебаты о том, как определить искусственный общий интеллект (AGI), как проверить машину, чтобы увидеть, соответствует ли она этому определению, и каковы преимущества и недостатки AGI будут для человеческой работы, творчества и научного открытия.

В этой статье объясняется, что такое AGI, исследует свою историю, ключевые проблемы и независимо от того, существует ли она или остается далекой целью.

Оглавление

Понимание искусственного интеллекта (ИИ)

Что такое искусственный общий интеллект (AGI)?

Ключевые черты Agi

История генерала ИИ

Как может работать AGI?

Потенциальные применения общего ИИ

Этические соображения и проблемы

Будущее генерала ИИ

Что такое часто задаваемые вопросы

Понимание искусственного интеллекта (ИИ)

Чтобы понять AGI, важно отличить его от других форм искусственного интеллекта (ИИ). ИИ, как правило, классифицируется по категории того, насколько широко он может применять свой интеллект и насколько хорошо он работает по сравнению с людьми.

Что такое искусственный интеллект?

ИИ относится к технологии, которая позволяет машинам решать сложные проблемы, часто имитируя или превосходя человеческие способности. Он поддерживает такие задачи, как языковая обработка, распознавание речи и изображений, анализ данных и генерация кода. Тем не менее, ИИ варьируется по возможности и может быть классифицирован на три основных типа:

• Узкий ИИ (слабый ИИ):специализированные системы, разработанные для конкретных задач, таких как фильтрация спама, алгоритмы рекомендаций и программы для игре в шахматы. Эти системы преуспевают в их назначенных функциях, но не могут адаптироваться за пределы их. Все текущие ИИ подпадают под эту категорию.
• Искусственный общий интеллект (AGI):теоретический ИИ, который может выучить, разум и решать проблемы в широком спектре областей, аналогично человеческому интеллекту. В отличие от узкого ИИ, AGI не потребует переподготовки для новых задач.
• Искусственная суперинтеллигенность (ASI):гипотетический ИИ, который превосходит человеческий интеллект во всех дисциплинах, включая творческое решение проблем и стратегическое мышление. ASI остается спекулятивным, но часто обсуждается в связи с долгосрочной эволюцией Аги.

В то время как сегодняшний ИИ впечатляет, он остается узким, превосходным только в предварительно определенных границах. Погоня за AGI - это поиск истинного машинного интеллекта, который может думать, учиться и адаптироваться как человек.

Что такое искусственный общий интеллект (AGI)?

Не существует общепринятого определения AGI, также известного как General AI. Однако многие определения предполагают, что система квалифицируется как Agi, если она может сделать следующее:

• Учиться адаптивно, не требуя вмешательства человека
• Обобщение знанийдля решения незнакомых проблем
• Выполнять сравнительно с людьмив широком спектре задач

Помимо этих широких атрибутов, определения Agi различаются, часто отражая цели тех, кто пытается его разработать:

• В своей книге 2007 годаискусственный общий интеллектБен Герцель и Кассио Пеннахин определяют AGI как системы ИИ, которые обладают «разумной степенью самопонимания и автономного самоконтроля» и могут решать различные сложные проблемы в различных контекстах.
• OpenAI определяет AGI как «очень автономную систему, которая превосходит людей в наиболее экономически ценной работе».
• Франсуа Чолле, бывший исследователь Google AI и создатель эталона Arc-Agi, определяет AGI как систему, способную эффективно приобретать новые навыки за пределами своих учебных данных. Он подчеркивает, что интеллект отмечен приобретением и обобщением навыков, а не на самом умении.

Ключевые черты Agi

В то время как определения AGI различаются, они обычно отличают его от узкого ИИ, подчеркивая его способность функционировать в разных областях. Независимо от конкретного определения, AGI должна иметь несколько основных признаков для достижения этих возможностей:

Автономное принятие решений

AGI должен быть в состоянии определить, когда искать новую информацию, запросить помощь или предпринять независимые действия для решения проблем. Например, если поручено моделировать сложный финансовый рынок, AGI необходимо будет выявить соответствующие источники данных, анализировать исторические тенденции и определить, как получить необходимую информацию - все без руководства человека.

Решение проблем в незнакомых областях

AGI должен быть в состоянии обобщать знания из одного домена и применить их к новым, незнакомым задачам. Эта способность передавать обучение с помощью аналогии аналогична тому, как музыкант, обученный одним или двум инструментам, может быстро изучить треть. Точно так же AGI должен использовать предыдущие знания для решения проблем, для которых он не был явно обучен.

Непрерывное самосовершенствование

AGI должен быть способен оценить свои собственные результаты и адаптироваться к новым ситуациям. Одним из подходов к рекурсивному самосовершенствованию являются самоопланированные данные обучения, как видно из Robocat's DeepMind. Другая потенциальная возможность - это изменение собственного кода и архитектуры. Тем не менее, такое самомодификация может ввести риски безопасности, если AGI внесет изменения, которые люди не могут полностью понять или контролировать.

История генерала ИИ

История AGI лучше всего понимается в более широкой истории ИИ. Исследования развивались в течение нескольких различных эпох, каждый из которых формировал путь к более способным и общим системам ИИ.

Ранний ИИ: Символический ИИ (1950 -х - 1980 -е годы)

Первая попытка построить ИИ в 1950 -х и 1960 -х годах была основана на идее, что вы могли бы научить машину думать по правилам программирования и логике (представленной как символы) в компьютер и попросить ее решить проблемы с использованием этих правил. Это произвело экспертные системы, которые могли бы победить людей на настольных играх и выполнять специализированные задачи (один из примеров IBM Champion Champion Computer Deep Blue), но они не смогли научиться чему -либо вне своих запрограммированных знаний.

Переход к машинному обучению (1990–2010 гг.)

Основной сдвиг произошел в 1990 -х годах с ростом машинного обучения (ML), который черпал вдохновение в том, как биологические нейроны функционируют в мозге. Вместо того, чтобы использовать жесткие правила, эти системы соединений используют нейронные сети, которые используют множество слоев искусственных нейронов, которые учатся путем обучения на крупных наборах данных и постепенно улучшая свои результаты в течение многих тренировочных прогонов.

Революция глубокого обучения (2010 -е годы - Present)

Современная революция глубокого обучения началась в 2012 году, когда исследователи начали использовать графические единицы (графические процессоры) для создания нейронных сетей с триллионами параметров. Это обеспечило огромное повышение вычислительной мощности, которая дала эти модели машинного обучения, включая современные крупные языковые модели (LLMS), такие как CHATGPT, - способность узнать больше и обобщать некоторые знания для аналогичных задач.

Определение AGI: за пределами традиционных тестов ИИ

По мере того, как системы ИИ стали более сложными, исследователи предложили новые ориентиры, чтобы оценить, достигла ли система ИИ, достигла разведки на уровне человека. Самый известный ранний эталон, тест Тьюринга, был разработан, чтобы определить, может ли машина убедительно имитировать человеческий разговор. Однако, поскольку LLM, такие как Chatgpt и Claude, теперь могут пройти этот тест, многие исследователи считают его устаревшим.

Более поздние тесты, такие как тест Arc-Agi, сосредоточены на способности системы ИИ обобщить за пределы своих учебных данных. В то время как современные модели ИИ по -прежнему не соответствуют человеческим рассуждениям, некоторые, такие как модель O3 Operai, достигли результатов прорыва, что возрождает дебаты о выполнимости AGI.

Как может работать AGI?

У исследователей ИИ нет консенсуса, в котором подход в конечном итоге приведет к AGI. Как символическое ИИ, так и глубокое обучение имеют ограничения, когда речь идет о строительных системах, которые могут обобщать знания в разных областях. Текущие исследования фокусируются на разработке моделей с метакогнитивными способностями - способностью оценивать и улучшать свои собственные процессы рассуждений.

Ограничения на текущие подходы

Символические системы ИИ полагаются на человеческих программистов за знаниями и не могут получить новую информацию самостоятельно, в то время как системы глубокого обучения, включая генеративный ИИ, требуют обширных наборов данных и длительных периодов обучения для изучения новых задач. Люди, с другой стороны, легко усваивают новую информацию и могут быстро научиться делать новые вещи с очень небольшим количеством примеров.

Однако даже с этими проблемами исследователи изучают множество возможностей для создания машин, способных изучать, обобщать и принимать решения на человеческом (или лучшем) уровне. Некоторые недавние подходы, в которых есть элементы AGI, включают нейро-символический ИИ, агент АИ и воплощенный ИИ.

Нейро-символический ИИ

Некоторые исследователи ИИ, в том числе Гэри Маркус и Бен Герцель, утверждают, что нейро-символические системы-это путь к AGI. Эти системы объединяют различные типы систем ИИ, чтобы компенсировать недостатки любого подхода.

Например, в 2023 году Герцель и его сотрудники выпустили Opencog Hyperon, усилие AGI с открытым исходным кодом, которая обеспечивает программную структуру для сочетания систем ИИ из различных дисциплин, включая обработку естественного языка (NLP), формальную логику и вероятностные мышления. Google Deepmind недавно достиг показателей серебряной медаль и уровня на Международной математической олимпиаде с двумя нейро-символическими системами, альфагуфу и альфаггеометрией 2.

Агент ИИ

Агенты ИИ считаются возможным шагом на пути к AGI, потому что они могут оценивать и реагировать на свою среду, понимать контекст и делать решения независимыми от людей для достижения целей. Как и нейро-символический подход, агентские системы ИИ работают, объединяя несколько видов ИИ для выполнения различных задач. Тем не менее, исследования в области агентского ИИ все еще находятся на ранних стадиях, и многие из наиболее продвинутых возможностей, приписываемых агентским ИИ, все еще теоретические.

Воплощенный ай

Ведущие мыслители ИИ, в том числе соучредитель OpenaI Андрее Карпати и ученый Мелани Митчелл, сказали, что некоторая форма воплощения может быть необходима для достижения AGI. Это основано на идее, что ИИ было бы трудно изучить базовые когнитивные навыки, такие как понимание причинности или постоянства объекта без способности получать сенсорные входы.

Воплощенный ИИ неявно требуется для выполнения некоторых популярных определений AGI. Например, соучредитель Apple Стив Возняк предложил тест под названием «Тест кофе», в котором можно считать, что машина обладает AGI, если она смогла войти в дом произвольного человека и выяснить, как варить чашку кофе.

Потенциальные применения общего ИИ

Из -за характера обобщенного интеллекта потенциальные приложения для AGI практически безграничны. Некоторые отрасли, которые могут особенно извлечь выгоду из адаптивности и автономии, которые будет предлагать AGI, включают здравоохранение, образование, производство и финансы.

Здравоохранение

AGI может повлиять на многие области здравоохранения, где было бы полезно иметь интеллектуальную систему с доступом к огромным количеству данных, включая диагностику и обнаружение лекарств, а также способность создавать индивидуальные планы лечения, которые отражают полную картину истории здоровья пациента.

Образование

Systems in Education Systems в образовании может помочь персонализировать пути обучения для учащихся для удовлетворения их конкретных потребностей, помочь учителям с административными задачами и планированием уроков, чтобы они могли тратить больше времени на преподавание и помочь учителям анализировать успеваемость учащихся, чтобы определить пробелы, где могут отставать учащиеся.

Производство

Производители имеют постоянную потребность в оптимизации процессов, которые лежат в основе сложной логистики цепочки поставок, графиков производства и контроля качества. AGI может помочь в принятии решений о том, как улучшить процессы и автоматизировать их.

Финансы

Поскольку компании финансового сектора справляются с огромным объемом данных, AGI сможет анализировать и принимать решения об этом масштабе информации намного быстрее, чем люди. Это имеет потенциал для ускорения задач с тяжелыми данными, такими как оценка риска, соответствие и анализ рынка.

Этические соображения и проблемы

Поскольку прогресс в направлении AGI продолжает продвигаться, существуют юридические проблемы и этические проблемы, которые должны быть рассмотрены как теми зданиями, так и теми, кто использует системы AGI.

Предвзятость

Точно так же, как узкие системы ИИ могут страдать от отсутствия разнообразия в обучающих выборках, системы AGI могут демонстрировать расовые, гендерные или другие виды предвзятости, основанные на искаженных или неполных данных обучения. Алгоритмы также могут вводить смещение, взвешивая определенные переменные, чтобы привилегировать одну группу над другой.

Юридическая ответственность за действия AGI

Системы ИИ уже были предметом юридических споров по поводу нарушений конфиденциальности и справедливых законов о жилье. Однако существующие правовые рамки не всегда четко определяют, кто несет ответственность за вред, причиненный ИИ. Появление передовых интеллектуальных агентов еще больше усложнит вопросы подотчетности, когда машины действуют так, чтобы нарушать закон.

Проблемы выравнивания

Системы AGI могут иметь доступ к огромным объемам данных и автономии для принятия эффективных решений. Обеспечение того, чтобы эти системы соответствовали человеческим ценностям и этическим принципам, является ключевым направлением исследований выравнивания ИИ. Эксперты работают над разработкой методов, которые позволяют AGI интерпретировать и придерживаться желаемых целей и ограничений, сводя к минимуму непреднамеренные или нежелательные результаты.

Будущее генерала ИИ

По мере продвижения ИИ он представляет как проблемы, так и возможности. Несмотря на то, что озабоченность в отношении занятости и безопасности необходимо решать, AGI может принести значительные преимущества в таких областях, как анализ данных, автоматизация, оптимизация, здравоохранение и безопасность.

AGI может ускорить прогресс по сложным научным и социальным вопросам, решая проблемы в масштабе за пределы человеческих возможностей. Обращаясь за повторяющимися задачами, AGI может также освободить людей, чтобы больше сосредоточиться на значимой работе и личных интересах. В конечном счете, его развитие изменит не только отрасли, но и то, как люди воспринимают интеллект и их роль в мире.

AGI FAQS

В чем разница между ИИ и Аги?

AGI - это подтип ИИ, который отличается от узкого или слабого ИИ, который предназначен для выполнения определенных задач в пределах ограниченного домена. Напротив, AGI относится к гипотетической стадии развития ИИ, в которой системы обладают человеческой гибкостью, адаптивностью и рассуждениями, позволяя им учиться и выполнять широкий спектр задач в разных областях.

В чем разница между генеративным ИИ и общим ИИ?

Генеративный ИИ - это тип ИИ, который анализирует большие наборы данных для генерации прогнозов, контента или ответов, основанных на учебных закономерниках. Общий ИИ, или AGI, относится к ИИ, способному к интеллекту и рассуждениям на уровне человека в разных доменах, позволяя ему учиться и выполнять широкий спектр задач, не ограничиваясь определенной функцией.

CHATGPT считается Agi?

Некоторые эксперты предполагают, что LLM, такие как Chatgpt и Claude, уже можно считать Agi. Однако эта точка зрения не принимается среди исследователей ИИ. Chatgpt не имеет истинного понимания текста, которое он генерирует, борется с рассуждением и не может обобщать свои знания в разных областях, таких как управление физической системой, как автомобиль с самостоятельным вождением. Эти ограничения означают, что это не соответствует критериям для AGI.

O3 считается Agi?

В то время как модель рассуждений O3 O3 достигла впечатляющего 87,5% баллов по эталону Arc-Agi 20 декабря 2024 года, создатель теста Франсуа Чолле не считает, что он достиг Agi.

Наблюдатели отмечают, что O3 полагался на обширную предварительную тренировку с помощью общедоступных испытательных образцов и требовал массовых вычислительных ресурсов для достижения его оценки. Чолле также отметил, что некоторые модели с более низким компонентом набрали 81%, что предполагает, что успех O3 был обусловлен большим количеством вычислений на грубых усилиях, чем в результате истинного общего интеллекта.

Каковы основные проблемы в создании общего искусственного интеллекта?

• Достоверность:системы AGI должны быть неизменно точными и надежными для пользователей, чтобы зависеть от своих выходов в критических приложениях.
• Проблема с длинным хвостом:независимо от того, сколько учебных данных имеет система ИИ, она неизбежно столкнется с редкими или непредвиденными сценариями. Например, автомобили с самостоятельным вождением столкнутся с ситуациями, не охватывающими их обучение, требуя их эффективного обобщения.
• Потребление энергии:передовые модели ИИ уже требуют огромного количества энергии и воды для вычислений. AGI может требовать еще больших ресурсов, если не будут разработаны более эффективные методы обработки.
• Здравый смысл:в отличие от людей, ИИ не хватает реального опыта и интуитивного понимания физики, социальных взаимодействий и повседневных рассуждений-знают, что люди приобретают естественно с детства.

Аги еще существует?

Поскольку терминAGIбыл определен по -разному, то, что соответствует определению AGI одного человека (или компании), может уже существовать для них, но не в соответствии с кем -то еще. Используя определение из статьи Google DeepMind, что «система ИИ, которая, по крайней мере, такая же способность, как человек, в большинстве задач» имеет смысл сказать, что AGI еще не существует.