Общий искусственный интеллект (AGI) Что такое AGI (искусственный общий интеллект) в одной статье?

Определение и основные концепции общего искусственного интеллекта

Общий искусственный интеллект (ОИИ) - это интеллектуальная система, которая понимает, учится, рассуждает, адаптируется и создает любую когнитивную задачу не хуже или даже лучше человека. ОИИ не ограничивается одним навыком, таким как игра в шахматы, чтение карт или разговор, а скорее обладает междоменной, межконтекстной и общецелевой способностью: столкнувшись с новой, никогда ранее не встречавшейся проблемой, ОИИ может быстро найти приемлемое решение, перенося знания и опыт на новые сценарии, так же как это делает человек. Суть AGI заключается в слове "универсальный" - не перепрограммируя каждую задачу и не аннотируя данные вручную, AGI могут продолжать расширять границы своих возможностей за счет автономного обучения, самоанализа и взаимодействия с окружающей средой. . Он должен уметь понимать глубинный смысл естественного языка, иметь здравый смысл и ценностные суждения, выполнять повседневную работу и участвовать в научных открытиях, вести диалог с детьми и принимать решения в сложных системах.

История и предпосылки возникновения общего искусственного интеллекта

• Дартмутская конференция 1956 года: начало искусственного интеллекта, 1956 год, Дартмутская конференция, Нью-Гэмпшир, США, широко рассматривается как официальная точка отсчета искусственного интеллекта (ИИ) как дисциплины. Инициаторами конференции были Джон Маккарти, Марвин Мински, Клод Шеннон и Ноэль Ньюэлл, которые впервые предложили термин "искусственный интеллект". Впервые был предложен термин "искусственный интеллект" и определена цель исследований: дать возможность машинам выполнять задачи, требующие человеческого интеллекта. Конференция ознаменовала официальное начало исследований в области ИИ и заложила основу для последующих исследований в области общего искусственного интеллекта (ОИ). В этот период исследователи разработали ранние концепции ИИ, такие как логические рассуждения, экспертные системы и предварительные исследования нейронных сетей.
• 1970-1980-е годы: зима ИИ и технологические узкие места, Несмотря на первоначальный прогресс в исследованиях ИИ в конце 1950-х и начале 1960-х годов (например, введение теста Тьюринга в 1950 году), область ИИ пережила свою "первую зиму ИИ" в начале 1970-х годов. Зима ИИ" в начале 1970-х годов. Из-за технологических узких мест (например, ограничений символистского подхода, отсутствия практических приложений) и прекращения финансирования прогресс в исследованиях был медленным, и существовал огромный разрыв между ожиданиями общественности и правительства в отношении ИИ и реальными результатами. В этот период экспертные системы (например, MYCIN) хорошо работали в конкретных областях, но обладали ограниченными возможностями обобщения, что еще больше усугубило проблему "зимнего ИИ".
• 1990-е - 2000-е годы: статистическое обучение и ренессанс глубокого обучения В конце 1980-х и в 1990-е годы область искусственного интеллекта пережила ренессанс. Прорыв алгоритма обратного распространения (1986) продвинул обучение многослойных нейронных сетей, заложив основу глубокого обучения, а в 1997 году компьютер Deep Blue компании IBM победил чемпиона по шахматам Каспарова, продемонстрировав преимущества специализированного ИИ в решении конкретных задач. В то же время развитие Интернета и Больших Данных заложило основу для статистического обучения, что привело к переходу от символьного к статистическому обучению (например, машинному).
• Взрыв глубокого обучения и возрождение AGI в 2012 году: В 2012 году AlexNet победил в конкурсе ImageNet, что ознаменовало взрыв глубокого обучения. В этот период совершенствование арифметики GPU и популярность больших данных обеспечили возможность масштабного обучения моделей, что ввело ИИ в "золотой век". 2022 год - появление ChatGPT и других больших языковых моделей (LLM), которые заставили общественность интуитивно почувствовать зачаточную форму "общего интеллекта", и возрождение AGI. В 2022 году появление больших языковых моделей (LLM), таких как ChatGPT, позволит публике интуитивно почувствовать прототип "общего интеллекта" и подтолкнет исследования AGI к новому этапу.
• Перспективы и проблемы AGI после 2022 года: включая рассуждения, понимание причинно-следственных связей, этические вопросы и т. д. Большие языковые модели (например, семейство GPT) достигли прогресса в таких областях, как мультимодальная обработка и обучение с подкреплением, но для реализации AGI все еще требуется прорыв между когнитивной наукой, вычислительной эффективностью и этическим балансом.

Основные технологии для общего искусственного интеллекта

• Сверхкрупномасштабная мультимодальная модель предварительного обучения: одной из основных технологий современных AGI является сверхкрупномасштабная мультимодальная модель предварительного обучения, которая реализует кросс-модальное понимание и генерацию путем объединения обработки разнородной информации, такой как язык, изображение и звук. Например, архитектура Transformer (например, серия GPT) обеспечивает прорыв в обработке естественного языка и мультимодальных задач за счет сбора контекстной информации с помощью механизма Attention. Эти модели опираются на масштабные данные и арифметическую поддержку, что является ключом к достижению "общего интеллекта" в AGI.
• Reinforcement Learning from Human Feedback (RLHF): RLHF (Reinforcement Learning from Human Feedback) оптимизирует поведение модели с помощью обратной связи с человеком, согласовывая поведение системы с ценностями человека и уменьшая вредные последствия. Например, ChatGPT настраивается с помощью обратной связи с человеком, чтобы улучшить качество и безопасность диалога. Эта техника сочетает обучение с подкреплением и человеческий контроль и является важным инструментом для AGI, позволяющим достичь цели "согласования".
• Мета-обучение и обучение по нескольким снимкам: Мета-обучение и обучение по нескольким снимкам позволяют моделям быстро адаптироваться к новым задачам с небольшим объемом данных, обеспечивая межзадачную миграцию по принципу "посмотри и увидишь". Например, Meta-Learning оптимизирует обобщение модели с помощью Meta-Training, что подходит для сценариев с небольшими выборками.
• Воплощенный интеллект и миграция в симуляцию: Воплощенный ИИ (EAI) позволяет перейти от симуляции к реальности, накапливая опыт в реальном мире с помощью роботов или виртуальных агентов. Например, воплощенный ИИ изучает физические законы и навыки, взаимодействуя с окружающей средой, что облегчает автономное принятие решений AGI в сложных средах.
• Интерпретируемость и причинно-следственные рассуждения: Интерпретируемые структуры (например, причинно-следственные рассуждения) помогают людям понять логику принятия решений в моделях и повышают доверие к AGI. Например, анализ поведения моделей с помощью причинно-следственных графических моделей уменьшает проблему "черного ящика" и повышает доверие пользователей.

Области применения общего искусственного интеллекта

• Научные открытия: автоматическое чтение литературы, формулирование гипотез и постановка экспериментов для ускорения разработки новых лекарств, новых источников энергии и материалов.
• Персонализированное образование: анализ эмоций и "слепых зон" знаний студентов в режиме реального времени, генерирование интерактивных учебных решений для тысяч студентов.
• Интеллектуальное здравоохранение: межведомственная интеграция визуализации, генетики и медицинских карт для обеспечения интерпретируемой диагностики и поддержки терапевтических решений для врачей
• Интеллектуальное управление городом: интеграция больших данных о трафике, энергетике, безопасности, метеорологии, совместная оптимизация всей территории в режиме реального времени
• Цифровые творческие индустрии: создание сценариев, композиций и дизайна с участием людей для продвижения производства персонализированного контента с нулевым порогом

Задачи общего искусственного интеллекта

• Проблема согласования ценностей: обеспечение соответствия целей системы долгосрочным общим интересам человечества в процессе его саморазвития
• Недостаточная интерпретируемость "черного ящика": сложные связи между моделями принятия решений сложны для понимания человеком, что препятствует регулированию и формированию доверия
• Правовые и этические пробелы: нормы, касающиеся ответственности, защиты конфиденциальности и влияния на занятость, значительно отстают от темпов развития технологий