Es war ein großartiges Jahr für künstliche Intelligenz. Unternehmen sind mehr ausgeben bei großen KI-Projekten, und neue Investitionen in KI-Startups laufen seit a Rekord Jahr. All diese Investitionen und Ausgaben führen zu Ergebnissen, die uns alle näher an den lang ersehnten heiligen Gral heranbringen – künstliche allgemeine Intelligenz (AGI). Nach Laut McKinsey behaupten viele Akademiker und Forscher, dass es zumindest eine Chance gibt, dass im nächsten Jahrzehnt künstliche Intelligenz auf menschlicher Ebene erreicht werden könnte. Und ein Forscher Staaten: „AGI ist keine ferne Fantasie. Es wird schneller bei uns sein, als die meisten Leute denken.“ 

Ein weiterer Schub kommt vom KI-Forschungslabor DeepMind, das kürzlich ein überzeugendes Krepppapier zum Peer-Review Artificial Intelligence Zeitschrift mit dem Titel „Belohnung ist genug.“ Sie postulieren das Verstärkung lernen – eine Form von Deep Learning, die auf Verhaltensbelohnungen basiert – wird eines Tages dazu führen, menschliche kognitive Fähigkeiten zu replizieren und AGI zu erreichen. Dieser Durchbruch würde eine sofortige Berechnung und ein perfektes Gedächtnis ermöglichen, was zu einer künstlichen Intelligenz führen würde, die den Menschen bei fast jeder kognitiven Aufgabe übertreffen würde.

Wir sind nicht bereit für künstliche allgemeine Intelligenz

Trotz Zusicherungen von Standhaften, dass AGI es tun wird der ganzen Menschheit zugute kommen, gibt es bei den heutigen Einzweck-Narrow-KI-Algorithmen bereits echte Probleme, die diese Annahme in Frage stellen. Laut einem Harvard Business Review Story, wenn KI-Beispiele von Predictive Policing bis hin zu automatisierten Kreditbewertungsalgorithmen ungeprüft bleiben, stellen sie eine ernsthafte Bedrohung für unsere Gesellschaft dar. Ein kürzlich erschienenes Umfrage von Pew Research von Technologieinnovatoren, Entwicklern, Führungskräften aus Wirtschaft und Politik, Forschern und Aktivisten zeigt die Skepsis, dass ethische KI-Prinzipien bis 2030 weitgehend umgesetzt werden. Dies ist auf die weit verbreitete Überzeugung zurückzuführen, dass Unternehmen Gewinne priorisieren werden und Regierungen weiterhin überwachen und kontrollieren ihre Bevölkerungen. Wenn es so schwierig ist, Transparenz zu ermöglichen, Voreingenommenheit zu beseitigen und den ethischen Einsatz der heutigen engen KI sicherzustellen, dann erscheint das Potenzial für unbeabsichtigte Folgen von AGI astronomisch.

Und diese Sorge gilt nur dem tatsächlichen Funktionieren der KI. Die politischen und wirtschaftlichen Auswirkungen von KI könnten zu einer Bandbreite möglicher Ergebnisse, von einer Postknappheits-Utopie zu einer feudalen Dystopie. Es ist auch möglich, dass beide Extreme nebeneinander existieren. Wenn zum Beispiel durch KI generierter Reichtum in der Gesellschaft verteilt distributed, könnte dies zur utopischen Vision beitragen. Wir haben jedoch gesehen, dass die KI die Macht mit einem relativ kleine Anzahl von Unternehmen Steuerung der Technik. Die Konzentration der Macht bereitet die Bühne für die feudale Dystopie.

Vielleicht weniger Zeit als gedacht

Das DeepMind-Papier beschreibt, wie AGI erreicht werden könnte. Je nach Schätzung ist es noch ein weiter Weg dorthin, von 20 Jahren bis ewig, obwohl die jüngsten Fortschritte darauf hindeuten, dass die Zeitachse am kürzeren Ende dieses Spektrums und möglicherweise sogar früher liegen wird. Ich habe letztes Jahr argumentiert, dass GPT-3 von OpenAI hat KI in eine Zwielichtzone versetzt, ein Bereich zwischen schmaler und allgemeiner KI. GPT-3 ist in der Lage viele verschiedene Aufgaben ohne zusätzliche Ausbildung, in der Lage zu produzieren überzeugende Erzählungen, generieren Computercode, Bilder automatisch vervollständigen, zwischen Sprachen übersetzen und durchführen mathematische Berechnungen, neben anderen Leistungen, darunter einige seiner Schöpfer nicht geplant. Diese scheinbare Multifunktionalität klingt nicht sehr nach der Definition von schmaler KI. Tatsächlich ist es viel allgemeiner in seiner Funktion.

Trotzdem sind die heutigen Deep-Learning-Algorithmen, einschließlich GPT-3, nicht in der Lage, sich an sich ändernde Umstände anzupassen, ein grundlegender Unterschied, der die heutige KI von der AGI unterscheidet. Ein Schritt in Richtung Anpassungsfähigkeit ist die multimodale KI, die die Sprachverarbeitung von GPT-3 mit anderen Fähigkeiten wie der visuellen Verarbeitung kombiniert. Zum Beispiel basierend auf GPT-3, OpenAI führte DALL-E ein, die Bilder basierend auf den erlernten Konzepten generiert. Mit einer einfachen Texteingabeaufforderung kann DALL-E „ein Gemälde eines Wasserschweins, das bei Sonnenaufgang auf einem Feld sitzt“ erstellen. Obwohl es noch nie ein Bild davon „gesehen“ hat, kann es das, was es über Gemälde, Wasserschweine, Felder und Sonnenaufgänge gelernt hat, kombinieren, um Dutzende von Bildern zu produzieren. Daher ist es multimodal und leistungsfähiger und allgemeiner, wenn auch immer noch nicht AGI.

Forscher aus der Pekinger Akademie für Künstliche Intelligenz (BAAI) in China hat kürzlich Wu Dao 2.0 eingeführt, ein multimodales KI-System mit 1.75 Billionen Parametern. Dies ist etwas mehr als ein Jahr nach der Einführung von GPT-3 und ist eine Größenordnung größer. Wie GPT-3 kann das multimodale Wu Dao – was „Erleuchtung“ bedeutet – natürliche Sprachverarbeitung, Texterzeugung, Bilderkennung und Bilderzeugungsaufgaben ausführen. Aber es kann dies schneller, wohl besser und sogar singen.

Konventionell Weisheit ist der Ansicht, dass das Erreichen von AGI nicht unbedingt eine Frage der Erhöhung der Rechenleistung und der Anzahl der Parameter eines Deep-Learning-Systems ist. Es gibt jedoch eine Ansicht, die Komplexität schafft Intelligenz. Letztes Jahr hat Geoffrey Hinton, Professor an der University of Toronto, ein Pionier des Deep Learning und ein Turing-Preis Gewinner, bekannt: „In einem Kubikzentimeter des Gehirns gibt es eine Billion Synapsen. Wenn es so etwas wie eine allgemeine KI gibt, würde [das System] wahrscheinlich eine Billion Synapsen benötigen.“ Synapsen sind die biologisches Äquivalent von Deep-Learning-Modellparametern.

Wu Dao 2.0 hat diese Zahl offenbar erreicht. BAAI-Vorsitzender Dr. Zhang Hongjiang sagte zur Version 2.0: „Der Weg zur künstlichen allgemeinen Intelligenz sind große Modelle und [ein] großer Computer.“ Nur wenige Wochen nach der Veröffentlichung von Wu Dao 2.0 Google Brain kündigte eine Deep-Learning-Computer Vision an Modell mit zwei Milliarden Parametern. Obwohl es keine Selbstverständlichkeit ist, dass sich der Trend der jüngsten Fortschritte in diesen Bereichen fortsetzen wird, gibt es Modelle, die darauf hindeuten, dass Computer bis 2025 so viel Leistung wie das menschliche Gehirn haben könnten.

Quelle: Mutter Jones

Ausbau der Rechenleistung und reifende Modelle ebnen den Weg zu AGI

Verstärkung lernen Algorithmen versuchen, Menschen nachzuahmen, indem sie lernen, wie man ein Ziel am besten erreicht, indem man Belohnungen sucht. Da KI-Modelle wie Wu Dao 2.0 und die Rechenleistung exponentiell wachsen, könnte Reinforcement Learning – maschinelles Lernen durch Versuch und Irrtum – die Technologie sein, die laut DeepMind zu AGI führt?

Die Technik ist bereits weit verbreitet und wird immer mehr angenommen. Zum Beispiel selbstfahrende Autofirmen wie Weg und Waymo verwenden Verstärkungslernen, um die Steuerungssysteme für ihre Autos zu entwickeln. Das Militär nutzt Verstärkungslernen aktiv, um kollaborative Multiagentensysteme zu entwickeln, wie z Roboterteams das könnte Seite an Seite mit zukünftigen Soldaten arbeiten. McKinsey half kürzlich dem Emirates Team New Zealand bei der Vorbereitung auf den Americas Cup 2021, indem er ein Verstärkungslernsystem aufbaute, das Testen Sie jede Art von Bootsdesign unter digital simulierten, realen Segelbedingungen. Damit erzielte das Team einen Leistungsvorsprung, der ihm zum vierten Pokalsieg verhalf.

Google hat kürzlich Reinforcement Learning an einem Datensatz von 10,000 Computerchipdesigns verwendet, um seine TPU der nächsten Generation zu entwickeln, einen Chip, der speziell zur Beschleunigung der Leistung von KI-Anwendungen entwickelt wurde. Arbeit, für die ein Team menschlicher Konstrukteure viele Monate gebraucht hat, kann jetzt von KI in weniger als sechs Stunden erledigt werden. Daher verwendet Google KI, um Chips zu entwickeln, die verwendet werden können, um erstellen noch ausgefeiltere KI-Systeme, die die bereits exponentiellen Leistungssteigerungen durch einen positiven Innovationszyklus weiter beschleunigen.

Obwohl diese Beispiele überzeugend sind, sind sie immer noch enge KI-Anwendungsfälle. Wo ist die AGI? In dem DeepMind-Papier heißt es: „Belohnung ist genug, um ein Verhalten zu fördern, das Fähigkeiten aufweist, die in natürlicher und künstlicher Intelligenz untersucht wurden, einschließlich Wissen, Lernen, Wahrnehmung, soziale Intelligenz, Sprache, Verallgemeinerung und Nachahmung.“ Das bedeutet, dass AGI natürlich aus dem Reinforcement Learning entstehen wird, wenn die Komplexität der Modelle reift und die Rechenleistung wächst.

Nicht jeder kauft die DeepMind-Ansicht, und einige sind es bereits entlassen die Zeitung als PR-Gag sollte das Labor in den Nachrichten halten, mehr als die Wissenschaft voranbringen. Dennoch, wenn DeepMind Recht hat, ist es umso wichtiger, ethische und verantwortungsvolle KI-Praktiken und -Normen in Industrie und Regierung zu verbreiten. Bei der rasanten Beschleunigung und Weiterentwicklung der KI können wir es uns eindeutig nicht leisten, das Risiko einzugehen, dass DeepMind falsch liegt.

Gary Grossman ist Senior VP of Technology Practice bei Edelman und Global Lead des Edelman AI Center of Excellence.