일반 인공 지능(AGI) AGI(인공 일반 지능)란 무엇인가요?

8.9K 00

일반 인공 지능의 정의 및 핵심 개념

일반 인공 지능(AGI)은 모든 인지 작업을 인간만큼, 또는 인간보다 더 잘 이해하고, 학습하고, 추론하고, 적응하고, 창조하는 지능형 시스템입니다. AGI는 체스, 지도 읽기, 대화하기와 같은 단일 기술에 국한되지 않고 도메인 간, 상황 간, 범용적인 능력을 갖추고 있어 이전에 경험하지 못한 새로운 문제에 직면하면 인간처럼 지식과 경험을 새로운 시나리오에 적용하여 실현 가능한 솔루션을 빠르게 만들어 낼 수 있습니다. AGI는 각 작업을 다시 프로그래밍하거나 데이터를 수동으로 주석을 달지 않고도 자율 학습, 자기 성찰, 환경과의 상호작용을 통해 그 능력의 경계를 계속 확장할 수 있습니다. . 자연어의 더 깊은 의미를 이해하고, 상식적인 추론과 가치 판단을 할 수 있어야 하며, 일상적인 집안일을 수행하고 과학적 발견에 참여할 수 있어야 하고, 아이들과 대화를 나누고 복잡한 시스템에서 의사결정을 내릴 수 있어야 합니다.

通用人工智能 AGI（Artificial General Intelligence）是什么，一文看懂

일반 인공 지능의 역사와 배경

1956년 미국 뉴햄프셔주 다트머스 컨퍼런스에서 열린 '다트머스 컨퍼런스 1956: 인공지능의 시작'은 학문으로서의 인공지능(AI)의 공식적인 출발점으로 널리 알려져 있습니다. 이 회의는 존 매카시, 마빈 민스키, 클로드 섀넌, 노엘 뉴웰이 '인공 지능'이라는 용어를 처음 제안하면서 시작되었습니다. '인공 지능'이라는 용어가 처음 만들어지고, 인간의 지능이 필요한 작업을 기계가 수행할 수 있도록 한다는 연구 목표가 설정되었습니다. 이 컨퍼런스는 인공지능 연구의 공식적인 시작을 알렸고, 이후 일반 인공지능(AGI) 연구의 토대를 마련했습니다. 이 기간 동안 연구자들은 논리적 추론, 전문가 시스템, 신경망에 대한 예비 탐색과 같은 초기 AI 개념을 개발했습니다.
1970~1980년대: AI 겨울과 기술적 병목 현상 1950년대 후반과 1960년대 초반의 AI 연구 초기 진전에도 불구하고(예: 1950년 튜링 테스트 도입), AI 분야는 1970년대 초에 '첫 번째 AI 겨울'을 겪었습니다. 1970년대 초의 'AI 겨울'. 기술적 병목 현상(예: 상징주의적 접근 방식의 한계, 실용적 응용의 부족)과 자금 지원 중단으로 인해 연구 진행이 더뎠고, AI에 대한 대중과 정부의 기대와 실제 결과 사이에 큰 격차가 발생했습니다. 이 기간 동안 전문가 시스템(예: 마이신)은 특정 영역에서는 우수한 성과를 보였지만 일반화 능력에는 한계가 있어 AI 겨울을 더욱 악화시켰습니다.
1990년대-2000년대: 통계 학습과 딥 러닝의 르네상스 인공 지능 분야는 1980년대 후반과 1990년대에 르네상스를 경험했습니다. 1986년 역전파 알고리즘의 획기적인 발전으로 다층 신경망의 학습이 추진되어 딥러닝의 토대가 마련되었고, 1997년에는 IBM의 딥블루가 체스 챔피언 카스파로프를 꺾으며 특정 작업에 특화된 AI의 이점을 입증했습니다. 동시에 인터넷과 빅 데이터의 부상은 통계적 학습을 위한 데이터 기반을 제공하여 기호 학습에서 통계적 학습(예: 머신 러닝)으로의 전환을 이끌었습니다.
2012년 딥 러닝의 폭발과 AGI의 부흥: 2012년, AlexNet이 이미지넷 대회에서 우승하며 딥 러닝의 폭발적인 성장을 알렸습니다. 이 기간 동안 GPU 연산 능력의 향상과 빅데이터의 인기는 대규모 모델 학습의 가능성을 제공했고, 이는 AI를 '황금기'로 이끌었습니다. 2022년, 대중이 '일반 지능'의 초기 형태를 직관적으로 느끼게 한 ChatGPT 및 기타 대규모 언어 모델(LLM)의 출현과 AGI의 부흥이 시작되었습니다. 2022년에는 ChatGPT와 같은 대형 언어 모델(LLM)의 등장으로 대중이 '일반 지능'의 원형을 직관적으로 느낄 수 있게 되고 AGI 연구가 새로운 단계로 나아갈 것입니다.
2022년 이후 AGI의 전망과 과제: 상식적 추론, 인과 관계 이해, 윤리적 문제 등 대규모 언어 모델(예: GPT 제품군)은 다중 모드 처리 및 강화 학습과 같은 분야에서 진전을 이루었지만, AGI를 구현하려면 여전히 인지 과학, 계산 효율성, 윤리적 균형 사이에서 돌파구를 찾아야 합니다.

일반 인공 지능을 위한 핵심 기술

초대형 멀티모달 사전 학습 모델: 현재 AGI의 핵심 기술 중 하나는 언어, 이미지, 사운드 등 이질적인 정보의 처리를 통합하여 크로스 모달 이해 및 생성을 실현하는 초대형 멀티모달 사전 학습 모델입니다. 예를 들어 Transformer 아키텍처(예: GPT 시리즈)는 주의 메커니즘을 통해 문맥 정보를 캡처함으로써 자연어 처리 및 멀티모달 작업에서 획기적인 발전을 이룩했습니다. 이러한 모델은 대규모 데이터와 연산 지원에 의존하며, 이는 AGI에서 '일반 지능'을 달성하는 데 핵심적인 역할을 합니다.
인간 피드백을 통한 강화 학습(RLHF): 인간의 피드백을 통해 모델 동작을 최적화하여 시스템 동작을 인간의 가치에 맞추고 유해한 결과물을 줄여주는 RLHF(Reinforcement Learning from Human Feedback)가 있습니다. 예를 들어, ChatGPT는 사람의 피드백을 통해 미세 조정되어 대화의 품질과 안전성을 개선합니다. 이 기술은 강화 학습과 사람의 감독을 결합한 것으로, AGI가 '정렬'이라는 목표를 달성하는 데 중요한 도구입니다.
메타 학습 및 소수 학습: 메타 학습 및 소수 학습을 사용하면 모델이 소량의 데이터로 새로운 작업에 빠르게 적응할 수 있으므로 '보고' 작업 간 마이그레이션이 가능합니다. 예를 들어 메타 학습은 메타 트레이닝을 통해 모델 일반화를 최적화하며, 이는 소규모 샘플 시나리오에 적합합니다.
구현형 지능 및 시뮬레이션 마이그레이션: 구현형 AI(EAI)는 로봇이나 가상 에이전트를 통해 실제 세계에서 경험을 축적함으로써 시뮬레이션에서 현실로 마이그레이션할 수 있게 해줍니다. 예를 들어, 구현형 AI는 환경과 상호 작용하여 물리적 법칙과 기술을 학습하여 복잡한 환경에서 AGI가 자율적으로 의사 결정을 내릴 수 있도록 지원합니다.
해석 가능성 및 인과적 추론: 해석 가능한 프레임워크(예: 인과적 추론)는 인간이 모델의 의사 결정 로직을 이해하고 AGI의 신뢰성을 높이는 데 도움이 됩니다. 예를 들어, 인과적 그래픽 모델을 통해 모델 동작을 분석하면 '블랙박스' 문제를 줄이고 사용자의 신뢰를 높일 수 있습니다.