หน่วยสืบราชการลับทั่วไป (AGI) เทียมคืออะไร? ทุกสิ่งที่คุณจำเป็นต้องรู้

นับตั้งแต่การประดิษฐ์คอมพิวเตอร์สมัยใหม่มีการถกเถียงกันเกี่ยวกับวิธีการกำหนดข่าวกรองทั่วไป (AGI) วิธีทดสอบเครื่องจักรเพื่อดูว่ามันตรงตามคำจำกัดความนั้นและสิ่งที่ประโยชน์และข้อเสียของ AGI จะเป็นงานของมนุษย์ความคิดสร้างสรรค์และการค้นพบทางวิทยาศาสตร์

บทความนี้อธิบายว่า AGI คืออะไรสำรวจประวัติศาสตร์ความท้าทายที่สำคัญและไม่ว่าจะมีอยู่แล้วหรือยังคงเป็นเป้าหมายที่ห่างไกล

สารบัญ

การทำความเข้าใจปัญญาประดิษฐ์ (AI)

หน่วยสืบราชการลับทั่วไป (AGI) เทียมคืออะไร?

ลักษณะสำคัญของ agi

ประวัติความเป็นมาของ AI ทั่วไป

AGI ทำงานได้อย่างไร?

แอปพลิเคชันที่มีศักยภาพของ AI ทั่วไป

การพิจารณาและความท้าทายทางจริยธรรม

อนาคตของ General AI

คำถามที่พบบ่อยของ Agi คืออะไร

การทำความเข้าใจปัญญาประดิษฐ์ (AI)

เพื่อให้เข้าใจ AGI สิ่งสำคัญคือต้องแยกแยะความแตกต่างจากรูปแบบอื่น ๆ ของปัญญาประดิษฐ์ (AI) โดยทั่วไปแล้ว AI จะถูกจัดหมวดหมู่โดยวิธีการใช้ความฉลาดในวงกว้างและมันทำงานได้ดีเมื่อเทียบกับมนุษย์

ปัญญาประดิษฐ์คืออะไร?

AI หมายถึงเทคโนโลยีที่ช่วยให้เครื่องสามารถแก้ปัญหาที่ซับซ้อนมักจะเลียนแบบหรือเกินความสามารถของมนุษย์ มันให้พลังงานเช่นการประมวลผลภาษาการรับรู้และการจดจำภาพการวิเคราะห์ข้อมูลและการสร้างรหัส อย่างไรก็ตาม AI แตกต่างกันไปตามความสามารถและสามารถแบ่งออกเป็นสามประเภทหลัก:

• แคบ AI (AI อ่อนแอ):ระบบพิเศษที่ออกแบบมาสำหรับงานเฉพาะเช่นการกรองสแปมอัลกอริทึมคำแนะนำและโปรแกรมเล่นหมากรุก ระบบเหล่านี้เก่งในฟังก์ชั่นที่กำหนด แต่ไม่สามารถปรับตัวได้ AI ปัจจุบันทั้งหมดอยู่ภายใต้หมวดหมู่นี้
• หน่วยสืบราชการลับทั่วไป (AGI):AI เชิงทฤษฎีที่สามารถเรียนรู้เหตุผลและแก้ปัญหาในโดเมนที่หลากหลายคล้ายกับความฉลาดของมนุษย์ AGI ไม่จำเป็นต้องมีการฝึกอบรมใหม่สำหรับความท้าทายใหม่ ๆ
• Superintelligence เทียม (ASI):AI สมมุติฐานที่เหนือกว่าความฉลาดของมนุษย์ในทุกสาขารวมถึงการแก้ปัญหาอย่างสร้างสรรค์และการคิดเชิงกลยุทธ์ ASI ยังคงเก็งกำไร แต่มักจะพูดถึงเกี่ยวกับวิวัฒนาการระยะยาวของ AGI

ในขณะที่ AI ของวันนี้น่าประทับใจ แต่ก็ยังคงแคบและยอดเยี่ยมภายในขอบเขตที่กำหนดไว้ล่วงหน้าเท่านั้น การแสวงหา AGI คือการแสวงหาความฉลาดของเครื่องจักรที่แท้จริง - สิ่งหนึ่งที่สามารถคิดเรียนรู้และปรับตัวเหมือนมนุษย์

หน่วยสืบราชการลับทั่วไป (AGI) เทียมคืออะไร?

ไม่มีคำจำกัดความที่ได้รับการยอมรับในระดับสากลของ AGI หรือที่เรียกว่า General AI อย่างไรก็ตามคำจำกัดความจำนวนมากชี้ให้เห็นว่าระบบมีคุณสมบัติเป็น AGI หากสามารถทำสิ่งต่อไปนี้ได้:

• เรียนรู้การปรับตัวโดยไม่ต้องมีการแทรกแซงของมนุษย์
• สรุปความรู้เพื่อแก้ปัญหาที่ไม่คุ้นเคย
• ดำเนินการเปรียบเทียบกับมนุษย์ในงานที่หลากหลาย

นอกเหนือจากคุณลักษณะที่กว้างขวางเหล่านี้คำจำกัดความของ AGI นั้นแตกต่างกันไปมักจะสะท้อนเป้าหมายของผู้ที่พยายามพัฒนา:

• ในหนังสือของพวกเขาในปี 2550 Ben Goertzel และ Cassio Pennachin กำหนด AGI เป็นระบบ AI ที่มี“ ระดับที่สมเหตุสมผลของการควบคุมตนเองและการควบคุมตนเองแบบอิสระ” และสามารถแก้ปัญหาที่ซับซ้อนในบริบทต่าง ๆ
• OpenAI กำหนด AGI ว่า“ ระบบอิสระสูงที่มีประสิทธิภาพสูงกว่ามนุษย์ในการทำงานที่มีคุณค่าทางเศรษฐกิจมากที่สุด”
• Francois Chollet อดีตนักวิจัย Google AI และผู้สร้างมาตรฐาน Arc-Agi กำหนด AGI เป็นระบบที่สามารถรับทักษะใหม่ได้อย่างมีประสิทธิภาพนอกข้อมูลการฝึกอบรม เขาเน้นว่าสติปัญญานั้นถูกทำเครื่องหมายด้วยการได้มาซึ่งทักษะและการวางนัยทั่วไปมากกว่าทักษะ

ลักษณะสำคัญของ agi

ในขณะที่คำจำกัดความของ AGI แตกต่างกันไปโดยทั่วไปพวกเขาจะแยกแยะความแตกต่างจาก AI ที่แคบโดยเน้นความสามารถในการทำงานในโดเมนที่หลากหลาย โดยไม่คำนึงถึงคำจำกัดความเฉพาะ AGI จะต้องมีคุณสมบัติหลักหลายประการเพื่อให้บรรลุความสามารถเหล่านี้:

การตัดสินใจอิสระ

AGI จะต้องสามารถกำหนดเวลาที่จะขอข้อมูลใหม่ขอความช่วยเหลือหรือดำเนินการอิสระเพื่อแก้ปัญหา ตัวอย่างเช่นหากได้รับมอบหมายให้สร้างแบบจำลองตลาดการเงินที่ซับซ้อน AGI จะต้องระบุแหล่งข้อมูลที่เกี่ยวข้องวิเคราะห์แนวโน้มในอดีตและกำหนดวิธีการรับข้อมูลที่จำเป็นทั้งหมดโดยไม่มีคำแนะนำของมนุษย์

การแก้ปัญหาในโดเมนที่ไม่คุ้นเคย

AGI จะต้องสามารถสรุปความรู้จากโดเมนหนึ่งและนำไปใช้กับงานใหม่ที่ไม่คุ้นเคย ความสามารถในการถ่ายโอนการเรียนรู้ผ่านการเปรียบเทียบนั้นคล้ายกับที่นักดนตรีที่ได้รับการฝึกฝนเกี่ยวกับเครื่องมือหนึ่งหรือสองเครื่องสามารถเรียนรู้ได้อย่างรวดเร็วหนึ่งในสาม ในทำนองเดียวกัน AGI จะต้องใช้ความรู้ก่อนหน้านี้เพื่อแก้ปัญหาที่ไม่ได้รับการฝึกฝนอย่างชัดเจน

การพัฒนาตนเองอย่างต่อเนื่อง

AGI จะต้องมีความสามารถในการประเมินประสิทธิภาพของตัวเองและปรับให้เข้ากับสถานการณ์ใหม่ วิธีหนึ่งในการพัฒนาตนเองแบบเรียกซ้ำคือข้อมูลการฝึกอบรมที่สร้างขึ้นเองตามที่เห็นใน Robocat ของ DeepMind ความสามารถที่เป็นไปได้อีกประการหนึ่งคือการปรับเปลี่ยนรหัสและสถาปัตยกรรมของตัวเอง อย่างไรก็ตามการดัดแปลงตนเองดังกล่าวสามารถแนะนำความเสี่ยงด้านความปลอดภัยได้หาก AGI ทำการเปลี่ยนแปลงที่มนุษย์ไม่สามารถเข้าใจหรือควบคุมได้อย่างเต็มที่

ประวัติความเป็นมาของ AI ทั่วไป

ประวัติความเป็นมาของ AGI เป็นที่เข้าใจกันดีที่สุดในประวัติศาสตร์ที่กว้างขึ้นของ AI การวิจัยได้พัฒนาผ่านยุคสมัยที่แตกต่างกันหลายครั้งแต่ละเส้นทางจะไปสู่ระบบ AI ที่มีความสามารถและทั่วไปมากขึ้น

AI ต้น: AI สัญลักษณ์ (1950s - 1980s)

ความพยายามครั้งแรกในการสร้าง AI ในปี 1950 และ 1960 ขึ้นอยู่กับความคิดที่ว่าคุณสามารถสอนเครื่องให้คิดโดยกฎการเขียนโปรแกรมและตรรกะ (แสดงเป็นสัญลักษณ์) ลงในคอมพิวเตอร์และขอให้แก้ปัญหาโดยใช้กฎเหล่านี้ ระบบผู้เชี่ยวชาญที่ผลิตนี้สามารถเอาชนะมนุษย์ได้ในเกมกระดานและทำงานพิเศษ (แชมป์หมากรุกของ IBM Deep Blue เป็นตัวอย่างหนึ่ง) แต่พวกเขาไม่สามารถเรียนรู้อะไรนอกเหนือจากความรู้ที่ตั้งโปรแกรมไว้

การเปลี่ยนไปสู่การเรียนรู้ของเครื่อง (1990s - 2010s)

การเปลี่ยนแปลงครั้งสำคัญเกิดขึ้นในปี 1990 ด้วยการเพิ่มขึ้นของการเรียนรู้ของเครื่องจักร (ML) ซึ่งได้รับแรงบันดาลใจจากการทำงานของเซลล์ประสาทชีวภาพในสมอง แทนที่จะใช้กฎที่ใช้รหัสยากระบบการเชื่อมต่อเหล่านี้ใช้เครือข่ายประสาทที่ใช้เซลล์ประสาทเทียมหลายชั้นที่เรียนรู้โดยการฝึกอบรมในชุดข้อมูลขนาดใหญ่และปรับปรุงผลลัพธ์ที่เพิ่มขึ้นมากกว่าการฝึกอบรมจำนวนมาก

การปฏิวัติการเรียนรู้อย่างลึกซึ้ง (2010 - ปัจจุบัน)

การปฏิวัติการเรียนรู้ลึกที่ทันสมัยเริ่มขึ้นในปี 2012 เมื่อนักวิจัยเริ่มใช้หน่วยประมวลผลกราฟิก (GPU) เพื่อสร้างเครือข่ายประสาทด้วยพารามิเตอร์ล้านล้าน สิ่งนี้ให้พลังการคำนวณที่เพิ่มขึ้นอย่างมากซึ่งให้แบบจำลองการเรียนรู้ของเครื่องเหล่านี้รวมถึงแบบจำลองภาษาขนาดใหญ่ร่วมสมัย (LLMs) เช่น CHATGPT - ความสามารถในการเรียนรู้เพิ่มเติมและสรุปความรู้บางอย่างกับงานที่คล้ายกัน

การกำหนด AGI: เกินมาตรฐาน AI แบบดั้งเดิม

เมื่อระบบ AI มีความซับซ้อนมากขึ้นนักวิจัยจึงเสนอมาตรฐานใหม่เพื่อประเมินว่าระบบ AI ได้มาถึงความฉลาดระดับมนุษย์หรือไม่ เกณฑ์มาตรฐานต้นที่มีชื่อเสียงที่สุดคือการทดสอบทัวริงได้รับการออกแบบมาเพื่อพิจารณาว่าเครื่องจักรสามารถเลียนแบบการสนทนาของมนุษย์ได้อย่างน่าเชื่อถือหรือไม่ อย่างไรก็ตามในขณะที่ LLMS เช่น CHATGPT และ Claude สามารถผ่านการทดสอบนี้นักวิจัยหลายคนคิดว่ามันล้าสมัย

เกณฑ์มาตรฐานล่าสุดเช่นการทดสอบ ARC-AGI มุ่งเน้นไปที่ความสามารถของระบบ AI ในการพูดคุยเกินกว่าข้อมูลการฝึกอบรม ในขณะที่โมเดล AI ในปัจจุบันยังคงขาดการใช้เหตุผลที่เป็นมนุษย์บางอย่างเช่นโมเดล O3 ของ Openai ได้รับผลลัพธ์ที่ก้าวหน้าและการอภิปรายเกี่ยวกับความเป็นไปได้ของ AGI

AGI ทำงานได้อย่างไร?

ไม่มีฉันทามติในหมู่นักวิจัย AI ซึ่งวิธีการที่จะนำไปสู่ ​​AGI ในที่สุด ทั้งสัญลักษณ์ AI และการเรียนรู้อย่างลึกซึ้งมีข้อ จำกัด เมื่อพูดถึงระบบการสร้างที่สามารถสรุปความรู้ในโดเมนที่แตกต่างกัน การวิจัยในปัจจุบันมุ่งเน้นไปที่การพัฒนาแบบจำลองที่มีความสามารถในการอภิปัญญา - ความสามารถในการประเมินและปรับปรุงกระบวนการให้เหตุผลของตนเอง

ข้อ จำกัด เกี่ยวกับวิธีการปัจจุบัน

ระบบ AI สัญลักษณ์พึ่งพาโปรแกรมเมอร์ของมนุษย์เพื่อความรู้และไม่สามารถรับข้อมูลใหม่ได้ด้วยตนเองในขณะที่ระบบการเรียนรู้ลึกรวมถึง AI แบบกำเนิดต้องใช้ชุดข้อมูลมากมายและระยะเวลาการฝึกอบรมที่ยาวนานเพื่อเรียนรู้งานใหม่ ในทางกลับกันมนุษย์ดูดซับข้อมูลใหม่ได้อย่างง่ายดายและสามารถเรียนรู้ที่จะทำสิ่งใหม่ ๆ ได้อย่างรวดเร็วด้วยตัวอย่างน้อยมาก

แม้จะมีความท้าทายเหล่านี้ แต่นักวิจัยกำลังสำรวจช่องทางมากมายเพื่อสร้างเครื่องจักรที่สามารถเรียนรู้ทั่วไปและตัดสินใจในระดับมนุษย์ (หรือดีกว่า) วิธีการล่าสุดบางอย่างที่มีองค์ประกอบของ AGI ได้แก่ Neuro-Symbolic AI, Agentic AI และ AI embodied AI

Neuro-symbolic AI

นักวิจัย AI บางคนรวมถึง Gary Marcus และ Ben Goertzel ให้เหตุผลว่าระบบ Neuro-Symbolic เป็นหนทางสู่ AGI ระบบเหล่านี้รวมระบบ AI ประเภทต่าง ๆ เพื่อชดเชยข้อบกพร่องของวิธีการใดวิธีหนึ่ง

ตัวอย่างเช่นในปี 2023 Goertzel และผู้ทำงานร่วมกันของเขาได้เปิดตัว OpenCog Hyperon ซึ่งเป็นความพยายามของโอเพนซอร์ซ AGI ที่ให้กรอบซอฟต์แวร์สำหรับการรวมระบบ AI จากสาขาวิชาต่าง ๆ รวมถึงการประมวลผลภาษาธรรมชาติ (NLP) ตรรกะอย่างเป็นทางการและเหตุผลที่น่าจะเป็น เมื่อเร็ว ๆ นี้ Google DeepMind ได้รับผลการดำเนินงานระดับเงิน-ระดับเงินที่ Olympiad ทางคณิตศาสตร์ระหว่างประเทศด้วยระบบ Neuro-Symbolic สองระบบอัลฟาปรูฟและตัวอักษร 2

ATHING AI

ตัวแทน AI ถือเป็นขั้นตอนที่เป็นไปได้บนถนนสู่ AGI เพราะพวกเขาสามารถประเมินและตอบสนองต่อสภาพแวดล้อมเข้าใจบริบทและตัดสินใจอย่างอิสระจากมนุษย์เพื่อให้บรรลุวัตถุประสงค์ เช่นเดียวกับวิธีการทางระบบประสาทระบบ ATHING AITIC AID ทำงานโดยการรวม AI หลายชนิดเข้าด้วยกันเพื่อให้บรรลุงานที่แตกต่างกัน อย่างไรก็ตามการวิจัยเกี่ยวกับ Agentic AI ยังคงอยู่ในช่วงเริ่มต้นและความสามารถขั้นสูงจำนวนมากที่เกิดจาก Agentic AI ยังคงเป็นทฤษฎี

AI เป็นตัวเป็นตน

นักคิด AI ชั้นนำรวมถึง Andrej Karpathy ผู้ร่วมก่อตั้ง Openai และนักวิทยาศาสตร์ Melanie Mitchell ได้กล่าวว่าศูนย์รวมบางรูปแบบอาจจำเป็นต้องไปถึง AGI สิ่งนี้มีรากฐานมาจากความคิดที่ว่ามันเป็นเรื่องยากสำหรับ AI ที่จะเรียนรู้ทักษะการเรียนรู้ขั้นพื้นฐานเช่นการทำความเข้าใจสาเหตุหรือความคงทนของวัตถุโดยไม่สามารถรับข้อมูลทางประสาทสัมผัสได้

AI embodied เป็นสิ่งจำเป็นโดยปริยายเพื่อตอบสนองคำจำกัดความยอดนิยมของ AGI ตัวอย่างเช่น Steve Wozniak ผู้ร่วมก่อตั้งของ Apple ได้เสนอมาตรฐานที่เรียกว่าการทดสอบกาแฟซึ่งเครื่องอาจได้รับการพิจารณาว่ามี AGI หากสามารถเข้าบ้านของบุคคลโดยพลการและหาวิธีชงกาแฟหนึ่งถ้วย

แอปพลิเคชันที่มีศักยภาพของ AI ทั่วไป

เนื่องจากลักษณะของสติปัญญาทั่วไปแอปพลิเคชันที่มีศักยภาพสำหรับ AGI จึงไร้ขีด จำกัด อย่างแท้จริง บางอุตสาหกรรมที่อาจได้รับประโยชน์จากการปรับตัวและความเป็นอิสระที่ AGI จะนำเสนอ ได้แก่ การดูแลสุขภาพการศึกษาการผลิตและการเงิน

การดูแลสุขภาพ

AGI มีศักยภาพที่จะส่งผลกระทบต่อการดูแลสุขภาพหลายด้านซึ่งจะเป็นประโยชน์ในการมีระบบอัจฉริยะที่มีการเข้าถึงข้อมูลจำนวนมากรวมถึงการวินิจฉัยและการค้นพบยาและความสามารถในการสร้างแผนการรักษารายบุคคลที่สะท้อนภาพเต็มของประวัติสุขภาพของผู้ป่วย

การศึกษา

ระบบการศึกษา AGI สามารถใช้เพื่อช่วยปรับเส้นทางการเรียนรู้ให้กับนักเรียนเพื่อตอบสนองความต้องการเฉพาะของพวกเขาช่วยเหลือครูในการบริหารงานและการวางแผนบทเรียนเพื่อให้พวกเขาสามารถใช้เวลาในการสอนมากขึ้นและช่วยครูวิเคราะห์ประสิทธิภาพของนักเรียนเพื่อระบุช่องว่างที่นักเรียนอาจตกอยู่ข้างหลัง

การผลิต

ผู้ผลิตมีความต้องการอย่างต่อเนื่องในการเพิ่มประสิทธิภาพกระบวนการที่รองรับโลจิสติกส์ซัพพลายเชนที่ซับซ้อนตารางการผลิตและการควบคุมคุณภาพ AGI มีศักยภาพที่จะช่วยในการตัดสินใจเกี่ยวกับวิธีการปรับปรุงกระบวนการและทำให้เป็นไปโดยอัตโนมัติ

การเงิน

เนื่องจาก บริษัท ภาคการเงินจัดการกับข้อมูลจำนวนมาก AGI จะสามารถวิเคราะห์และตัดสินใจเกี่ยวกับขนาดของข้อมูลที่เร็วกว่าที่มนุษย์สามารถทำได้ สิ่งนี้มีศักยภาพในการเร่งงานข้อมูลที่มีข้อมูลหนักเช่นการประเมินความเสี่ยงการปฏิบัติตามและการวิเคราะห์ตลาด

การพิจารณาและความท้าทายทางจริยธรรม

ในขณะที่ความคืบหน้าของ AGI ยังคงดำเนินต่อไปมีปัญหาทางกฎหมายและข้อกังวลทางจริยธรรมที่จะต้องได้รับการพิจารณาโดยทั้งอาคารและผู้ที่ใช้ระบบ AGI

อคติ

ในทำนองเดียวกับที่ระบบ AI แคบอาจประสบกับการขาดความหลากหลายในตัวอย่างการฝึกอบรมระบบ AGI มีศักยภาพในการแสดงเชื้อชาติเพศหรืออคติประเภทอื่น ๆ ตามข้อมูลการฝึกอบรมที่เบ้หรือไม่สมบูรณ์ อัลกอริทึมยังสามารถแนะนำอคติได้โดยการถ่วงน้ำหนักตัวแปรบางอย่างเพื่อให้ได้รับสิทธิพิเศษกลุ่มหนึ่งเหนืออีกกลุ่มหนึ่ง

ความรับผิดชอบทางกฎหมายสำหรับการกระทำของ AGI

ระบบ AI เป็นเรื่องของข้อพิพาททางกฎหมายเกี่ยวกับการละเมิดกฎหมายความเป็นส่วนตัวและกฎหมายที่อยู่อาศัยที่เป็นธรรม อย่างไรก็ตามกรอบกฎหมายที่มีอยู่ไม่ได้กำหนดไว้อย่างชัดเจนว่าใครจะรับผิดชอบต่ออันตรายที่เกิดจาก AI การเกิดขึ้นของตัวแทนอัจฉริยะขั้นสูงจะทำให้คำถามเกี่ยวกับความรับผิดชอบมีความซับซ้อนมากขึ้นเมื่อเครื่องจักรดำเนินการในรูปแบบที่ผิดกฎหมาย

ความท้าทายในการจัดตำแหน่ง

ระบบ AGI สามารถเข้าถึงข้อมูลจำนวนมหาศาลและความเป็นอิสระเพื่อทำการตัดสินใจที่มีผลกระทบ การสร้างความมั่นใจว่าระบบเหล่านี้สอดคล้องกับคุณค่าของมนุษย์และหลักการทางจริยธรรมเป็นจุดสนใจหลักของการวิจัยการจัดตำแหน่ง AI ผู้เชี่ยวชาญกำลังทำงานเพื่อพัฒนาวิธีการที่ช่วยให้ AGI สามารถตีความและปฏิบัติตามเป้าหมายและข้อ จำกัด ที่ต้องการลดผลลัพธ์ที่ไม่ได้ตั้งใจหรือไม่พึงประสงค์

อนาคตของ General AI

เมื่อ AI ก้าวหน้ามันนำเสนอทั้งความท้าทายและโอกาส ในขณะที่ความกังวลเกี่ยวกับการจ้างงานและความปลอดภัยจะต้องได้รับการแก้ไข AGI มีศักยภาพที่จะนำประโยชน์ที่สำคัญในสาขาต่าง ๆ เช่นการวิเคราะห์ข้อมูลระบบอัตโนมัติการเพิ่มประสิทธิภาพการดูแลสุขภาพและความปลอดภัย

AGI สามารถเร่งความคืบหน้าในประเด็นทางวิทยาศาสตร์และสังคมที่ซับซ้อนโดยการแก้ปัญหาในระดับที่เกินความสามารถของมนุษย์ โดยการจัดการงานซ้ำ ๆ AGI อาจปลดปล่อยผู้คนให้มุ่งเน้นไปที่การทำงานที่มีความหมายและความสนใจส่วนบุคคลมากขึ้น ในที่สุดการพัฒนาจะเปลี่ยนรูปร่างไม่เพียง แต่อุตสาหกรรมเท่านั้น แต่ยังรวมถึงวิธีที่มนุษย์รับรู้ถึงความฉลาดและบทบาทของพวกเขาในโลก

คำถามที่พบบ่อย agi

AI และ AGI แตกต่างกันอย่างไร?

AGI เป็นชนิดย่อยของ AI ที่แตกต่างจาก AI ที่แคบหรืออ่อนแอซึ่งออกแบบมาเพื่อทำงานเฉพาะภายในโดเมนที่ จำกัด ในทางตรงกันข้าม AGI หมายถึงขั้นตอนสมมุติของการพัฒนา AI ซึ่งระบบมีความยืดหยุ่นของมนุษย์การปรับตัวและการใช้เหตุผลทำให้พวกเขาสามารถเรียนรู้และดำเนินงานได้หลากหลายในโดเมนที่แตกต่างกัน

ความแตกต่างระหว่าง AI Generative และ General AI คืออะไร?

Generative AI เป็นประเภทของ AI ที่วิเคราะห์ชุดข้อมูลขนาดใหญ่เพื่อสร้างการคาดการณ์เนื้อหาหรือการตอบสนองตามรูปแบบที่เรียนรู้ General AI หรือ AGI หมายถึง AI ที่มีความสามารถในการรับรู้ระดับมนุษย์และการให้เหตุผลในหลายโดเมนทำให้สามารถเรียนรู้และทำงานได้หลากหลายงานโดยไม่ จำกัด เฉพาะฟังก์ชั่นเฉพาะ

CHATGPT ถือว่าเป็น AGI หรือไม่?

ผู้เชี่ยวชาญบางคนแนะนำว่า LLMS เช่น CHATGPT และ Claude อาจถูกพิจารณาว่าเป็น AGI แล้ว อย่างไรก็ตามมุมมองนี้ไม่ได้รับการยอมรับอย่างกว้างขวางในหมู่นักวิจัย AI Chatgpt ขาดความเข้าใจที่แท้จริงเกี่ยวกับข้อความที่สร้างขึ้นต่อสู้กับการใช้เหตุผลและไม่สามารถสรุปความรู้ในโดเมนที่แตกต่างกันเช่นการควบคุมระบบทางกายภาพเช่นรถขับด้วยตนเอง ข้อ จำกัด เหล่านี้หมายความว่ามันไม่เป็นไปตามเกณฑ์สำหรับ AGI

O3 ถือว่าเป็น agi หรือไม่?

ในขณะที่รูปแบบการใช้เหตุผล O3 ของ Openai ได้คะแนน 87.5% ที่น่าประทับใจสำหรับเกณฑ์มาตรฐาน ARC-AGI เมื่อวันที่ 20 ธันวาคม 2567 ผู้สร้างมาตรฐาน Francois Chollet ไม่ได้พิจารณาว่าจะถึง AGI

ผู้สังเกตการณ์ชี้ให้เห็นว่า O3 อาศัยการฝึกอบรมก่อนการทดสอบสาธารณะอย่างกว้างขวางและต้องการทรัพยากรการคำนวณขนาดใหญ่เพื่อให้ได้คะแนน Chollet ยังตั้งข้อสังเกตอีกว่ารุ่นที่ต่ำกว่าที่มีคะแนนสูงถึง 81%แสดงให้เห็นว่าความสำเร็จของ O3 นั้นได้รับแรงผลักดันจากการคำนวณกำลังเดรัจฉานมากกว่าโดยหน่วยสืบราชการลับทั่วไปที่แท้จริง

อะไรคือความท้าทายหลักในการสร้าง AI ทั่วไป?

• ความน่าเชื่อถือ:ระบบ AGI จะต้องแม่นยำและเชื่อถือได้อย่างต่อเนื่องสำหรับผู้ใช้ในการพึ่งพาผลลัพธ์ของพวกเขาในแอปพลิเคชันที่สำคัญ
• ปัญหาหางยาว:ไม่ว่าระบบ AI จะมีข้อมูลการฝึกอบรมเท่าใดมันจะต้องเผชิญกับสถานการณ์ที่หายากหรือไม่คาดฝันอย่างหลีกเลี่ยงไม่ได้ ตัวอย่างเช่นรถยนต์ที่ขับเคลื่อนด้วยตนเองจะต้องเผชิญกับสถานการณ์ที่ไม่ได้กล่าวถึงในการฝึกอบรมโดยกำหนดให้พวกเขาต้องพูดคุยอย่างมีประสิทธิภาพ
• การใช้พลังงาน:โมเดล AI ขั้นสูงต้องใช้พลังงานและน้ำจำนวนมากสำหรับการคำนวณ AGI สามารถเรียกร้องทรัพยากรที่มากขึ้นเว้นแต่จะมีการพัฒนาวิธีการประมวลผลที่มีประสิทธิภาพมากขึ้น
• สามัญสำนึก:แตกต่างจากมนุษย์ AI ขาดประสบการณ์ในโลกแห่งความเป็นจริงและความเข้าใจที่เข้าใจง่ายเกี่ยวกับฟิสิกส์ปฏิสัมพันธ์ทางสังคมและการใช้เหตุผลในชีวิตประจำวัน-รู้ว่าผู้คนได้รับธรรมชาติจากวัยเด็ก

Agi อยู่หรือยัง?

เนื่องจากคำว่าAGIได้รับการกำหนดในรูปแบบที่แตกต่างกันสิ่งที่ตรงตามคำจำกัดความของบุคคลหนึ่ง (หรือ บริษัท ) ของ AGI อาจมีอยู่แล้วสำหรับพวกเขา แต่ไม่ใช่ตามคนอื่น การใช้คำจำกัดความจากกระดาษของ Google Deepmind ว่า“ ระบบ AI ที่อย่างน้อยก็มีความสามารถในฐานะมนุษย์ในงานส่วนใหญ่” มันสมเหตุสมผลที่จะบอกว่า AGI ยังไม่มีอยู่จริง