هوش مصنوعی عمومی؛ رویایی که هوش انسان را به چالش می‌کشد

AGI یک شاخه نظری از هوش مصنوعی است که هدف آن ایجاد نرم افزاری با توانایی های انسانی مشابه و یادگیری مستقل است. بر خلاف سیستم های فعلی که محدود به کارهای خاص هستند ، AGI قادر به حل انواع مشکلات بدون آموزش قبلی ، یادگیری مهارت های جدید و تصمیم گیری و برنامه ریزی با تفکر انعطاف پذیر است. علیرغم توانایی بالای آن ، توسعه AGI هنوز با بسیاری از چالش های علمی و فلسفی روبرو است و کاملاً تحقق نیافته است.

تفاوت بین هوش مصنوعی و هوش عمومی مصنوعی چیست؟

هوش مصنوعی طی دهه ها پیشرفت چشمگیری داشته است ، و سیستمهایی مانند خلاصه های مبتنی بر یادگیری ماشین قادر به استخراج اسناد کلیدی هستند ، اما سیستم های فعلی برای انجام کارهای خاص به آموزش اولیه نیاز دارند. در مقابل ، AGI یک هوش مصنوعی کامل و نظری است که می تواند موضوعات پیچیده ای مانند انسان را بدون آموزش قبلی و در زمینه های مختلف حل کند.

مکان هوش مصنوعی عمومی در گپ ها

هوش مصنوعی عمومی (AGI) به عنوان یک تمرکز استراتژیک برای شرکت های پیشرو در این زمینه شناخته می شود. به عنوان مثال ، OpenAi ، توسعه دهنده ChatGPT مأموریت خود را برای استفاده از این نوع فناوری “به نفع همه انسانها” تضمین می کند.

این یکی از اصلی ترین تمرکز بحث در جامعه هوش مصنوعی است. برخی آن را یک هدف ارزشمند می دانند ، در حالی که برخی دیگر معتقدند که یک ایده مبهم است و تصور غلط از ماهیت هوش و نحوه شبیه سازی آن در ماشین ها را ارائه می دهد. اصطلاح AGI حدود دو دهه پیش توسط بن گورتزل و شین پا ، یکی از بنیانگذاران یک شرکت اطلاعاتی مصنوعی معرفی شده است.

رویکردهای نظری برای تحقیقات هوش مصنوعی عمومی چیست؟

AGI به طیف گسترده تری از فناوری ها ، داده ها و ارتباطات متقابل نیاز دارد که مدلهای هوش مصنوعی امروز را تقویت می کند. خلاقیت ، ادراک ، یادگیری و حافظه برای ایجاد هوش مصنوعی که از رفتارهای پیچیده انسانی تقلید می کنند ضروری است. کارشناسان هوش مصنوعی روش های مختلفی را برای هدایت تحقیقات AGI پیشنهاد کرده اند.

رویکرد نمادین

رویکرد نمادین فرض می کند که سیستم های رایانه ای می توانند با نمایش تفکر انسانی با شبکه های منطقی گسترده ، هوش مصنوعی عمومی (AGI) را توسعه دهند. شبکه منطقی ، با استفاده از منطق “if-else” ، با پذیرش یک سری از شرایط مراحل دیگر را پردازش می کند ، نمادی از اشیاء فیزیکی است و به سیستم هوش مصنوعی اجازه می دهد تا ایده ها را در سطح بالاتری از تفکر تفسیر کند. با این حال ، نمایشگر نمادین نمی تواند توانایی های شناختی سطح پایین ، مانند ادراک را بازتولید کند.

رویکرد اتصال

رویکرد همبستگی (یا در حال ظهور) بر بازسازی ساختار مغز انسان با معماری شبکه های عصبی متمرکز است. نورونهای مغز می توانند با تعامل با محرکهای خارجی مسیرهای انتقال خود را تغییر دهند. دانشمندان امیدوارند که مدل های هوش مصنوعی که از این رویکرد زیر دریایی استفاده می کنند ، قادر به تولید مثل هوش انسانی مشابه و توانایی های شناختی سطح پایین باشند. مدل های بزرگ زبان نمونه ای از هوش مصنوعی است که از یک روش اتصال برای درک زبانهای طبیعی استفاده می کند.

ترتیب رویکرد جهانی گرایی

محققانی که از رویکرد کیهان شناسی پیروی می کنند ، بر حل پیچیدگی های هوش مصنوعی عمومی (AGI) در سطح محاسباتی تمرکز می کنند. آنها در تلاشند تا راه حل های نظری را تدوین کنند که می تواند آنها را به سیستم های عملی هوش مصنوعی عمومی تبدیل کند.

1- رویکرد معماری کل ارگانیسم

رویکرد معماری کل ارگانیسم شامل ادغام مدل های هوش مصنوعی با نمایش فیزیکی بدن انسان است. دانشمندانی که از این تئوری پشتیبانی می کنند ، معتقدند که AGI تنها در صورت دسترسی سیستم تعامل جسمی قابل دسترسی است.

رویکرد ترکیبی

رویکرد ترکیبی روشهای نمادین و زیر دریایی را برای نمایش افکار انسانی برای دستیابی به نتایج فراتر از یک رویکرد واحد نشان می دهد. محققان هوش مصنوعی ممکن است سعی کنند اصول و روشهای مختلف شناخته شده را برای توسعه AGI ترکیب کنند.

شفافیت هوش مصنوعی عمومی توسط DeepMind

Deepmind گفت: این اصطلاح در دنیای هوش مصنوعی به خوبی توسعه یافته است ، که باید فراتر از برنامه های محدود برای ساخت سیستمهایی باشد که می تواند هر کاری را انجام دهد که یک انسان بتواند انجام دهد. از آن زمان ، DeepMind به طور خاص به دنبال تعریف مجدد AGI به گونه ای است که فقط به “وظایف شناختی” مربوط می شود.

در اینجا نکات کلیدی DeepMind در مورد AGI آورده شده است:

هدف AGI بلند مدت:

مأموریت DeepMind “حل اطلاعات” و توسعه AGI است که می تواند هر کاری را که یک انسان می تواند آن را درک کند ، حل کند. آنها AGI را هدف نهایی تحقیقات خود می دانند و بسیاری از کارهای آنها برای پیشرفت به این هدف طراحی شده است.

2- الهام بیولوژیکی:

دیپمید معتقد است که درک و تقلید از هوش انسانی ، به ویژه از طریق دروازه علوم اعصاب ، نقش مهمی در دستیابی به AGI خواهد داشت. بسیاری از پروژه های آنها از نحوه عملکرد مغز انسان الهام گرفته شده است. به عنوان مثال ، سیستم های یادگیری تقویت آنها ، مانند آلفاگو ، با اصولی تهیه شده است که ریشه در یادگیری و تصمیم گیری انسان دارد.

2- عوامل عمومی (به عنوان مثال ، گاتو):

در سال 4 ، این شرکت گاتو را معرفی کرد ، یک عامل “عمومی” که می تواند طیف گسترده ای از کارها را در زمینه های مختلف از جمله بازی های آتاری ، کنترل روبات ها و حتی زیرنویس ها انجام دهد. در حالی که GATO AGI نیست ، این نشانگر حرکت به سمت ایجاد سیستم های هوش مصنوعی عمومی تر است که قادر به انجام کارهای مختلف در جهت AGI هستند.

2- ملاحظات ایمنی و اخلاق:

Dipmind به شدت بر تضمین توسعه ایمن و اخلاقی AGI متمرکز شده است. این شرکت تشخیص می دهد که AGI می تواند تأثیر عمیقی بر جامعه داشته باشد ، چه مثبت و چه منفی ، و بنابراین بر اهمیت توسعه AGI به گونه ای تأکید می کند که به نفع بشریت باشد.

DeepMind تحقیقاتی را در مورد ایمنی هوش مصنوعی منتشر کرده است که بر موضوعاتی مانند عدالت ، قدرت و جلوگیری از عواقب ناخواسته در سیستم های هوش مصنوعی متمرکز است. آنها خطرات احتمالی AGI را تأیید می کنند و بر اهمیت اهداف AGI با ارزش های انسانی تأکید می کنند.

2- یادگیری تقویت شده و AGI:

دیپماند معتقد است که یادگیری تقویت (RL) یک رویکرد کلیدی برای دستیابی به AGI است. کار آنها در یادگیری تقویت ، مانند Alphago Alphazero و Muzero ، نشان می دهد که چگونه هوش مصنوعی می تواند کارهای پیچیده ای را با حداقل ورودی انسانی بیاموزد. آنها استدلال می کنند که این توانایی یادگیری در مورد تعامل با محیط زیست برای AGI بسیار مهم است ، زیرا از یادگیری انسان از تجربه تقلید می کند.

Alphaago و Alphazero به عنوان پله ها:

در حالی که Alphaago و Alphazero سیستم های اطلاعاتی مصنوعی باریک هستند که در کارهای خاص (مانند بازی GO یا شطرنج) بسیار عالی هستند ، DIP Mission من را به عنوان مراحل مهم در مسیر AGI می بیند. پیشرفت در یادگیری تقویت کننده ، شبکه های عصبی و شخصی در این سیستم ها توانایی هوش مصنوعی را برای یادگیری کارهای پیچیده بدون نیاز به برنامه نویسی صریح برای هر سناریو نشان می دهد.

آموزش چند منظوره و انتقال:

DeepMind ابراز علاقه به یادگیری چند جانبه (جایی که هوش مصنوعی اطلاعاتی را از انواع مختلف داده ها مانند تصاویر ، متن و صدا) و انتقال یادگیری آموزش می دهد (در جایی که فارغ التحصیل در یک زمینه می تواند برای دیگری اعمال شود). هر دو مؤلفه های حیاتی AGI هستند زیرا به سیستم ها اجازه می دهند دانش را در کل زمینه ها تعمیم دهند و از هوش مصنوعی به قابلیت های هوش مصنوعی عمومی تر منتقل شوند.

ادغام و تحقیقات AGI:

DeepMind در دیدگاه وسیع خود قصد دارد یک تئوری یکپارچه اطلاعاتی ایجاد کند که می تواند برای دستگاه ها و انسان ها اعمال شود. آنها معتقدند که با حل هوش در دستگاه ها ، ممکن است منجر به بینش بیشتر در شناخت ، یادگیری و عملکرد مغز انسان شود.

همکاری با انجمن هوش مصنوعی:

DiPmid برای دستیابی به AGI به نیاز به همکاری در سراسر جامعه بین المللی بسیار باز بوده است. آنها بسیاری از تحقیقات خود را از طریق نشریات ، منبع باز برخی از ابزارها و مجموعه داده های خود به اشتراک می گذارند. Deepmind اذعان می کند که توسعه AGI نیاز به ورود و حاکمیت طیف گسترده ای از متخصصان ، از جمله اخلاق ، فلسفه ، اقتصاد و سایر مناطق فراتر از تحقیقات هوش مصنوعی دارد.

1- در فروتنی در انتظارات:

DeepMind Dipmind معتقد است که AGI هنوز یک هدف بلند مدت است که نیاز به پیشرفت های اساسی در الگوریتم ها ، عملکرد محاسباتی ، ایمنی و تعامل انسانی و ماشین دارد. این شرکت با تمرکز بر الهام بخشیدن به فرآیندهای بیولوژیکی ، تقویت و یادگیری چند جانبه ضمن پایبندی به اخلاق و ایمنی ، این شرکت در تلاش است تا در راه تحقق این فناوری اقدامات مهمی انجام دهد.

هوش مصنوعی عمومی: چند بعدی ، مرموز و هنوز هم شکل می گیرد

هوش عمومی مصنوعی (AGI) یک مفهوم چند بعدی است که با مفاهیمی مانند آگاهی و درک همپوشانی دارد و اندازه گیری آن آسان نیست. تحقیقات به بررسی ابعاد مختلف آن برای تعیین اینکه چه زمانی یک سیستم می تواند AGI باشد ، اما هنوز مشخص نیست که آیا قابلیت های هوش انسانی در هوش مصنوعی تجزیه و بازتولید شده است یا خیر. و این یک سؤال باز و پیچیده است که نیاز به تحقیقات بیشتر دارد.

منبع: پیوست