Terwijl veel mensen denken aan abstracte ideeën over kunstmatige algemene intelligentie (AGI), is deze technologie tegenwoordig op een belangrijk kruispunt aangekomen. In feite zijn wetenschappers verbluft door zijn ongelooflijke potentieel het erover eens dat ze het oneens zijn over hoe de toekomst van AGI vorm moet krijgen.

Meningsverschillen over de toekomst van technologieën, vooral degenen die andere technologieën beïnvloeden met convergentie en de digitale transformatielast van de wereld delen, eindigen meestal met het vinden van efficiënte en kosteneffectieve opties. Er zijn veel redenen waarom dit bij kunstmatige intelligentie niet het geval is. In het hart van alles dromen wij mensen hier al heel, heel lang van. Mijn vorige artikel onderzocht de fantastische voorlopers van kunstmatige intelligentie die eeuwen teruggaan en vele prachtige ideeën omvatten, van gigantische slimme robots tot pogingen om eigenzinnige wezens in stolpen te creëren.

Touwtrekken

Al vele eeuwen draait het onderzoek naar kunstmatige intelligentie om de menselijke wens om slimme dingen te creëren die zo slim zijn als het slimste wezen dat ze kennen, je raadt het al, ze bedoelden zichzelf. Het hedendaagse concept van kunstmatige intelligentie is gebaseerd op het idee dat het menselijk denken kan worden gemechaniseerd. Op dit moment denken enkele van de slimste geesten van onze tijd echter dat de ideale route voor kunstmatige intelligentie misschien niet de menselijke geest repliceert. En deze verschillen zijn niet beperkt tot de theoretische ideeën: veel hedendaagse stromingen boeken concrete wetenschappelijke vooruitgang om toekomstige AI te maken wat zij denken dat het meest gunstig is voor de mensheid.

Zelfs vandaag zijn we niet in de buurt gekomen van het doel van “Algemene kunstmatige intelligentie” (AGI), die in theorie alle mogelijkheden van de menselijke geest bezit. Nu zijn er moeilijke maar essentiële vragen over kunstmatige intelligentie, zoals hoeveel meer tijd er nodig is om kunstmatige algemene intelligentie een realiteit te laten worden in het huidige tempo van ontwikkeling? Zullen de AI's van de toekomst op dezelfde manier werken als het menselijk brein, of zullen we tegen die tijd een betere manier vinden om slimme machines te bouwen?

Vanaf de 14e eeuw gingen theoretici ervan uit dat slimme machines ooit op ongeveer dezelfde manier zouden kunnen denken als wij. De belangrijkste reden voor het aannemen van dit idealistische doel is dat we geen grotere cognitieve kracht herkennen dan het menselijk brein. De menselijke geest is een geweldig apparaat om een ​​hoog niveau van cognitieve verwerking te bereiken. Onlangs zijn er echter aanzienlijke discussies en denkrichtingen ontstaan ​​over het bereiken van kunstmatige algemene intelligentie en de beste manier om dit doel te bereiken. Aanzienlijke vorderingen op het gebied van diep leren, met name geïnspireerd door het menselijk brein, maar op een aantal belangrijke punten daarvan afwijken, ondersteunen nieuwe ideeën dat er misschien andere manieren zijn om kunstmatige algemene intelligentie te bereiken en nog veel meer dan dat.

Wat is kunstmatige algemene intelligentie (AGI)?

Het idee van kunstmatige algemene intelligentie stelt machines voor die op dezelfde manier kunnen denken en leren als mensen. Zo'n machine zou situationele contexten kunnen begrijpen en wat het heeft geleerd om een ​​ervaring te voltooien, toepassen op totaal verschillende taken.

Sinds het begin van kunstmatige intelligentie als een positieve onderzoeksdiscipline in de jaren 50, hebben ingenieurs veel intelligente robots ontworpen die elke taak kunnen voltooien en gemakkelijk van de ene naar de andere kunnen overschakelen. Sinds de eerste primitieve voorbeelden van kunstmatige intelligentie die ze bedachten, was het hun droom om ooit machines te ontwikkelen die menselijke taal konden begrijpen, redeneren, plannen, begrijpen en gezond verstand tonen.

Wat hebben we tot nu toe bereikt?

Denk er eens over na, we willen virtuele entiteiten creëren met alle mentale vermogens van een mens, maar op dit moment kan 's werelds slimste kunstmatige intelligentie niet eens het verstand van een 3-jarig kind evenaren. Terwijl een baby bijvoorbeeld instinctief zijn ervaring op andere gebieden kan toepassen zonder een beproeving, moderne kunstmatige-intelligentiemonsters, een van de meest geavanceerde producten van menselijke intelligentie, veranderen vaak in vissen uit het water wanneer ze worden geconfronteerd met een taak waarvoor ze niet exclusief zijn opgeleid in.

Onderzoekers zitten hier bovenop en werken aan uitdagingen die de ontwikkeling van kunstmatige algemene intelligentie ondermijnen. Verschillende benaderingen die gericht zijn op het repliceren van sommige aspecten van menselijke intelligentie, meestal gericht op diep leren, lijken in zwang. De belangrijkste van deze, neurale netwerken worden beschouwd als de meest geavanceerde technologie voor het leren van correlaties in trainingsdatasets.

Reinforcement learning is een krachtig hulpmiddel voor machines om zelfstandig een taak met duidelijke regels te leren voltooien. Tegelijkertijd stellen productieve concurrerende netwerken computers in staat om creatievere benaderingen te gebruiken voor het oplossen van problemen. Maar slechts een paar benaderingen combineren sommige of al deze technieken. Dit zorgt ervoor dat de huidige AI-applicaties alleen beperkte taken kunnen oplossen, en dit is het grootste obstakel voor kunstmatige algemene intelligentie.

Wetenschappelijk kruispunt: mensachtig of niet, dat is de vraag

Vandaag diepgaand leren algoritmen kunnen informatie niet contextualiseren en generaliseren, wat een van de grootste vereisten is
voor menselijk denken. Degenen die betwijfelen dat diepgaande leermogelijkheden de mensheid tot kunstmatige algemene intelligentie kunnen leiden, betogen dat machines niet strikt moeten proberen het neuronensysteem van het menselijk brein te kopiëren. Deze denkrichting gelooft dat het belangrijk en haalbaar is om alleen bepaalde aspecten van de menselijke geest aan machines over te dragen, zoals het gebruik van de symbolische representatie van informatie om voorspellingen te doen door kennis over een bredere reeks problemen te verspreiden.

De grootste belemmeringen voor deep learning-technieken om kunstmatige algemene intelligentie te bereiken, zijn hun onvermogen om redeneringen en geavanceerde taalverwerkingsmogelijkheden aan machines toe te voegen. Hoewel deep learning het mogelijk maakt om algoritmen te trainen met gelabelde gegevens, kan het niet de diepgaande kennis die nodig is voor kunstmatige algemene intelligentie naar machines halen.

Deep learning heeft moeite met redeneren of generaliseren van informatie omdat algoritmen alleen weten wat wordt getoond. Er zijn duizenden of zelfs miljoenen getagde foto's nodig om een beeldherkenningsmodel. Maar zelfs na het invoeren van al deze trainingsgegevens, kan het AI-model geen verschillende taken uitvoeren, zoals het begrijpen van natuurlijke taal.

Deze stroming pleit er niet voor om, ondanks de beperkingen, afstand te doen van deep learning. In plaats daarvan vinden ze dat uitvinders moeten zoeken naar manieren om deep learning te combineren met klassieke benaderingen van kunstmatige intelligentie. Deze omvatten het gebruik van meer symbolische interpretaties van gegevens, zoals kennisgrafieken. Kennis grafieken gebruik deep learning-modellen om te begrijpen hoe mensen omgaan met informatie en in de loop van de tijd te verbeteren, terwijl gegevens worden gecontextualiseerd die semantisch gerelateerde stukjes gegevens met elkaar verbinden.

Het idee van kunstmatige algemene intelligentie gaat ervan uit dat technologie uiteindelijk mensen ten goede zal komen en een verschil zal maken in de wereld. Deze stroming pleit ervoor dat de huidige productontwikkeling van kunstmatige intelligentie verre van bijdraagt ​​aan het geweldige idee van kunstmatige algemene intelligentie. Volgens hen is het noodzakelijk om te focussen op het bouwen van systemen met diepgaande kennis, niet op deep learning om kunstmatige algemene intelligentie te bereiken.

Waarom niet goddelijk?

Het idee dat diep leren machines bovenmenselijke vermogens kan geven, staat haaks op het idee van de denkrichting die we hebben onderzocht. Volgens de school van de tegenstander kunnen pogingen om mensachtig denken te repliceren onbedoeld de toekomstige mogelijkheden van machines beperken. Deep learning-modellen werken op andere sporen dan het menselijk brein; gegeven genoeg data en rekenkracht, is het onmogelijk om te zeggen hoe ver ze kunnen gaan.

Sommige wetenschappers beweren dat het vermogen van deep learning-technieken om kunstmatige intelligentiemodellen bovenmenselijke vermogens te geven, niet over het hoofd mag worden gezien. Ze wijzen erop dat machines abstracties kunnen leren die mensen niet kunnen interpreteren als ze met voldoende gegevens worden gevoed.

Reinforcement learning, een discipline van diep leren, zou een veelbelovende weg kunnen zijn om de algemene intelligentie te verbeteren. Deze algoritmen werken op dezelfde manier als de menselijke geest bij het leren van nieuwe taken. Opwindend genoeg suggereren de bevindingen dat machines het vermogen kunnen aantonen om te generaliseren wat ze van de ene taak naar de andere hebben geleerd in experimenten in synthetische omgevingen.

Volgens deze stroming is het grootste obstakel voor kunstmatige algemene intelligentie de snelheid van de trainingsprocessen van deep learning-modellen. Toch wordt aangenomen dat innovators dit probleem kunnen oplossen. Deze school denkt dat het van cruciaal belang zal zijn bij het optimaliseren van de datasets waaraan de modellen werken, zodat algoritmen niet miljoenen instanties hoeven te zien om erachter te komen wat er aan de hand is. We hebben tegenwoordig echter beperkte data- en verwerkingskracht, en deep learning heeft zijn volwassenheidsstadium nog niet bereikt.

Zoals je kunt zien, is de toekomst van kunstmatige intelligentie zo rooskleurig; de mensheid die ooit probeerde mensen in een pot groot te brengen, gelooft nu dat het mogelijk is om intelligentere en geavanceerdere wezens te creëren dan wijzelf. Ik wil dit idee geloven omdat ik er sterk aan twijfel dat meer menselijk denken de wereld een betere plek zal maken.

Hoewel de denkrichtingen die we vandaag hebben onderzocht enkele hypothesen bieden over de toekomst van kunstmatige intelligentie, zal de feitelijke beslisser zijn wat op dat moment als nuttiger en nodig zal worden beschouwd door besluitvormers. En dat zal worden bepaald door het niveau van vooruitgang van onze niet zo geweldige beschaving.