Inteligencia Artificial General (AGI) ¿Qué es la AGI (Inteligencia Artificial General) en un artículo?

Definición y conceptos básicos de la inteligencia artificial general

La Inteligencia Artificial General (AGI) es un sistema inteligente que comprende, aprende, razona, se adapta y crea en cualquier tarea cognitiva tan bien o mejor que un ser humano. La AGI no se limita a una única habilidad como jugar al ajedrez, leer mapas o mantener una conversación, sino que tiene una capacidad multidominio, multicontextual y de propósito general: cuando se enfrenta a un problema nuevo y nunca antes experimentado, la AGI puede formar rápidamente una solución factible transfiriendo conocimientos y experiencia a nuevos escenarios, igual que haría un ser humano. El núcleo de la AGI reside en la palabra "universal": sin reprogramar cada tarea ni anotar datos manualmente, las AGI pueden seguir ampliando los límites de sus capacidades mediante el aprendizaje autónomo, la autorreflexión y la interacción con el entorno. . Debería ser capaz de comprender el significado profundo del lenguaje natural, razonar con sentido común y emitir juicios de valor, y ser capaz tanto de realizar tareas cotidianas como de participar en descubrimientos científicos; debería ser capaz tanto de dialogar con niños como de tomar decisiones en sistemas complejos.

Historia y antecedentes de la inteligencia artificial general

• Conferencia de Dartmouth de 1956: El comienzo de la Inteligencia Artificial, 1956, Conferencia de Dartmouth, New Hampshire, EE.UU., está ampliamente considerada como el punto de partida oficial de la Inteligencia Artificial (IA) como disciplina. La conferencia fue iniciada por John McCarthy, Marvin Minsky, Claude Shannon y Noel Newell, quienes propusieron por primera vez el término "inteligencia artificial". Se acuñó por primera vez el término "inteligencia artificial" y se estableció el objetivo de la investigación: capacitar a las máquinas para realizar tareas que requieren inteligencia humana. La conferencia marcó el inicio formal de la investigación en IA y sentó las bases para la investigación posterior en inteligencia artificial general (IAG). Durante este periodo, los investigadores desarrollaron los primeros conceptos de IA, como el razonamiento lógico, los sistemas expertos y las exploraciones preliminares de las redes neuronales.
• Década de 1970-1980: el invierno de la IA y los cuellos de botella tecnológicos, A pesar de los avances iniciales en la investigación de la IA a finales de la década de 1950 y principios de la de 1960 (por ejemplo, la introducción del Test de Turing en 1950), el campo de la IA sufrió su "primer invierno de la IA" a principios de la década de 1970. Invierno de la IA" a principios de la década de 1970. Debido a los cuellos de botella tecnológicos (por ejemplo, las limitaciones del enfoque simbolista o la falta de aplicaciones prácticas) y a la retirada de fondos, el progreso de la investigación fue lento y se produjo una enorme brecha entre las expectativas del público y el gobierno respecto a la IA y los resultados reales. Durante este periodo, los sistemas expertos (por ejemplo, MYCIN) funcionaban bien en ámbitos específicos pero tenían una capacidad de generalización limitada, lo que agravó aún más el invierno de la IA.
• Década de 1990-2000: Renacimiento del aprendizaje estadístico y del aprendizaje profundo El campo de la Inteligencia Artificial experimentó un renacimiento a finales de los años ochenta y noventa. El avance del algoritmo de retropropagación (1986) impulsó el entrenamiento de redes neuronales multicapa, sentando las bases del aprendizaje profundo, y en 1997, Deep Blue de IBM venció al campeón de ajedrez Kasparov, demostrando las ventajas de la IA especializada en tareas específicas. Al mismo tiempo, el auge de Internet y el Big Data proporcionaron la base de datos para el aprendizaje estadístico, impulsando el cambio del aprendizaje simbólico al estadístico (por ejemplo, el aprendizaje automático).
• Explosión del Deep Learning y resurgimiento de la AGI en 2012: En 2012, AlexNet ganó el concurso ImageNet, marcando la explosión del Deep Learning, un periodo en el que la computación GPU y la popularidad de los big data hicieron posible el entrenamiento de modelos a gran escala. Durante este periodo, la mejora de la aritmética de la GPU y la popularidad de los big data proporcionaron la posibilidad de entrenar modelos a gran escala, lo que empujó a la IA a la "edad de oro". En 2022, la aparición de ChatGPT y otros grandes modelos de lenguaje (LLM), que hicieron que el público intuyera la forma embrionaria de la "Inteligencia General", y el renacimiento de la AGI. En 2022, la aparición de grandes modelos de lenguaje (LLM) como ChatGPT permitirá al público sentir intuitivamente el prototipo de "inteligencia general" e impulsará la investigación de la AGI hacia una nueva etapa.
• Perspectivas y retos de la inteligencia artificial después de 2022: razonamiento basado en el sentido común, comprensión causal, cuestiones éticas, etc. Los grandes modelos lingüísticos (por ejemplo, la familia GPT) han avanzado en ámbitos como el procesamiento multimodal y el aprendizaje por refuerzo, pero la implantación de la AGI sigue requiriendo un gran avance entre la ciencia cognitiva, la eficiencia computacional y el equilibrio ético.

Tecnologías básicas para la inteligencia artificial general

• Modelo de preentrenamiento multimodal a escala ultramoderna: una de las tecnologías centrales de la actual AGI es el modelo de preentrenamiento multimodal a escala ultramoderna, que hace realidad la comprensión y generación multimodal unificando el procesamiento de información heterogénea como el lenguaje, la imagen y el sonido. Por ejemplo, la arquitectura Transformer (por ejemplo, la serie GPT) impulsa grandes avances en el procesamiento del lenguaje natural y las tareas multimodales mediante la captura de información contextual a través del mecanismo Attention. Estos modelos se basan en datos a gran escala y en el soporte aritmético, que es la clave para lograr la "inteligencia general" en AGI.
• Aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF): RLHF (Reinforcement Learning from Human Feedback) optimiza los comportamientos del modelo a través de la retroalimentación humana, alineando los comportamientos del sistema con los valores humanos y reduciendo los resultados perjudiciales. Por ejemplo, ChatGPT se ajusta gracias a los comentarios humanos para mejorar la calidad y la seguridad del diálogo. Esta técnica combina el aprendizaje por refuerzo y la supervisión humana, y es una herramienta importante para que la AGI alcance el objetivo de la "alineación".
• Metaaprendizaje y aprendizaje de pocos datos: el metaaprendizaje y el aprendizaje de pocos datos permiten que los modelos se adapten rápidamente a nuevas tareas con pequeñas cantidades de datos, lo que posibilita la migración entre tareas "mirar y ver". Por ejemplo, el metaaprendizaje optimiza la generalización de modelos a través del metaentrenamiento, que es adecuado para escenarios con muestras pequeñas.
• Inteligencia incorporada y migración a la simulación: la IA incorporada (EAI) permite migrar de la simulación a la realidad acumulando experiencia en el mundo real a través de robots o agentes virtuales. Por ejemplo, la IA incorporada aprende leyes físicas y habilidades interactuando con el entorno, lo que facilita la toma de decisiones autónoma por parte de la AGI en entornos complejos.
• Interpretabilidad y razonamiento causal: los marcos interpretables (por ejemplo, el razonamiento causal) ayudan a los humanos a entender la lógica de decisión de los modelos y mejoran la fiabilidad de la AGI. Por ejemplo, analizar los comportamientos de los modelos mediante modelos gráficos causales reduce el problema de la "caja negra" y aumenta la confianza de los usuarios.

Ámbitos de aplicación de la inteligencia artificial general

• Descubrimiento científico: lea automáticamente la literatura, formule hipótesis y diseñe experimentos para acelerar el desarrollo de nuevos fármacos, nuevas energías y materiales.
• Educación personalizada: análisis en tiempo real de las emociones y los puntos ciegos de conocimiento de los alumnos, generando soluciones pedagógicas interactivas para miles de estudiantes.
• Asistencia sanitaria inteligente: integración interdisciplinar de imágenes, genética e historiales médicos para ofrecer a los médicos un apoyo interpretable a la toma de decisiones diagnósticas y terapéuticas.
• Gestión inteligente de las ciudades: integración del tráfico, la energía, la seguridad, los macrodatos meteorológicos y la cooptimización en tiempo real de todo el territorio.
• Industrias creativas digitales: guionizar, componer y diseñar con humanos para fomentar la producción de contenidos personalizados de umbral cero.

Retos de la inteligencia artificial general

• El enigma de la alineación de valores: garantizar que los objetivos del sistema sigan alineados con los intereses generales a largo plazo de la humanidad a medida que ésta evoluciona
• Insuficiente interpretabilidad de la caja negra: los complejos vínculos de toma de decisiones del modelo son difíciles de entender por los humanos, lo que dificulta la regulación y la creación de confianza.
• Lagunas jurídicas y éticas: las normas sobre responsabilidad, protección de la intimidad e impacto en el empleo van muy por detrás del ritmo de la iteración tecnológica.