Yapay Genel Zeka (AGI) nedir? Bilmeniz gereken her şey

Modern bilgisayarın icadından bu yana, yapay genel zekanın (AGI) nasıl tanımlanacağı, bir makinenin bu tanımı karşılayıp karşılamadığını ve AGI'nın faydalarının ve dezavantajlarının insan çalışması, yaratıcılık ve bilimsel keşif için nasıl olacağını görmek için tartışmalar olmuştur.

Bu makale AGI'nın ne olduğunu açıklıyor, geçmişini, temel zorlukları ve zaten var olup olmadığını veya uzak bir hedef olup olmadığını açıklıyor.

İçindekiler

Yapay Zekayı Anlamak (AI)

Yapay Genel Zeka (AGI) nedir?

AGI'nın temel özellikleri

Genel AI tarihi

AGI nasıl çalışabilir?

Genel AI'nın potansiyel uygulamaları

Etik düşünceler ve zorluklar

General AI'nın Geleceği

AGI SSS nedir

Yapay Zekayı Anlamak (AI)

AGI'yi anlamak için, onu diğer yapay zeka biçimlerinden (AI) ayırt etmek önemlidir. AI genellikle zekasını ne kadar geniş bir şekilde uygulayabileceğine ve insanlara kıyasla ne kadar iyi performans gösterdiğine göre sınıflandırılır.

Yapay zeka nedir?

AI, makinelerin karmaşık problemleri çözmesini sağlayan, genellikle insan yeteneklerini taklit eden veya aşan teknolojiyi ifade eder. Dil işleme, konuşma ve görüntü tanıma, veri analizi ve kod oluşturma gibi görevleri güçlendirir. Bununla birlikte, AI kapasiteye göre değişir ve üç ana tipte sınıflandırılabilir:

• Dar AI (Zayıf AI):Spam filtreleme, öneri algoritmaları ve satranç çalma programları gibi belirli görevler için tasarlanmış özel sistemler. Bu sistemler belirlenen işlevlerinde mükemmeldir, ancak bunların ötesine uyum sağlayamazlar. Tüm mevcut AI bu kategoriye girer.
• Yapay Genel Zeka (AGI):İnsan zekasına benzer şekilde çok çeşitli alanlarda sorunları öğrenebilen, akıl yürütebilen ve çözebilen teorik bir yapay zeka. Dar AI'nın aksine, AGI yeni zorluklar için yeniden eğitilmeyi gerektirmez.
• Yapay Superintelligence (ASI):Yaratıcı problem çözme ve stratejik düşünme de dahil olmak üzere tüm disiplinlerde insan zekasını aşan varsayımsal bir yapay zeka. ASI spekülatif kalır, ancak AGI'nın uzun vadeli evrimi ile ilgili olarak genellikle tartışılır.

Bugünün yapay zekası etkileyici olsa da, sadece önceden tanımlanmış sınırlar içinde mükemmel, dar kalıyor. AGI arayışı, bir insan gibi düşünebilen, öğrenebilen ve uyum sağlayabilen gerçek bir makine zekası arayışıdır.

Yapay Genel Zeka (AGI) nedir?

General AI olarak da bilinen evrensel olarak kabul edilen AGI tanımı yoktur. Bununla birlikte, birçok tanım, bir sistemin aşağıdakileri yapabiliyorsa AGI olarak nitelendirildiğini göstermektedir:

• İnsan müdahalesine gerek kalmadanuyarlanabilir bir şekilde öğrenin
• Bilmediğiniz sorunları çözmek için bilgileri genelleştirin
• Çok çeşitli görevlerde insanlara nispeten performans sergileyin

Bu geniş özelliklerin ötesinde, AGI tanımları değişir, genellikle onu geliştirmeye çalışanların hedeflerini yansıtır:

• 2007 kitabındayapay general zeka, Ben Goertzel ve Cassio Pennachin, AGI'yi “makul derecede kendini anlama ve özerk öz kontrol” alan ve çeşitli bağlamlarda çeşitli karmaşık problemleri çözebilen AI sistemleri olarak tanımlar.
• Openai, AGI'yı “insanlardan en ekonomik olarak değerli çalışmalarda daha iyi performans gösteren son derece özerk bir sistem” olarak tanımlar.
• Eski Google AI araştırmacısı ve ARC-AGI ölçütünün yaratıcısı Francois Chollet, AGI'yi eğitim verilerinin dışında verimli bir şekilde yeni beceriler edinebilen bir sistem olarak tanımlıyor. Zekanın beceri kendisi yerine beceri edinme ve genelleme ile işaretlendiğini vurgular.

AGI'nın temel özellikleri

AGI tanımları değişse de, genellikle farklı alanlarda işlev görme yeteneğini vurgulayarak onu dar AI'dan ayırırlar. Belirli bir tanımdan bağımsız olarak, bir AGI'nin bu yetenekleri elde etmek için birkaç temel özelliğe sahip olması gerekir:

Özerk karar verme

Bir AGI, ne zaman yeni bilgi arayacağını, yardım isteyeceğini veya sorunları çözmek için bağımsız önlemler alabileceğini belirleyebilmelidir. Örneğin, karmaşık bir finansal piyasanın modellenmesi ile görevlendirilirse, bir AGI'nin ilgili veri kaynaklarını tanımlaması, tarihsel eğilimleri analiz etmesi ve gerekli bilgilerin nasıl elde edileceğini belirlemesi gerekir - hepsi insan rehberliği olmadan.

Tanıdık olmayan alanlarda problem çözme

AGI, bilgiyi bir alandan genelleştirebilmeli ve yeni, tanıdık olmayan görevlere uygulayabilmelidir. Öğrenmeyi benzetme yoluyla aktarma yeteneği, bir veya iki enstrümanda eğitilmiş bir müzisyenin üçte birini hızlı bir şekilde öğrenebileceğine benzer. Aynı şekilde, bir AGI, açıkça eğitilmediği sorunları çözmek için önceden bilgi edinmelidir.

Sürekli kendini geliştirme

Bir AGI, kendi performansını değerlendirebilmeli ve yeni durumlara uyum sağlayabilmelidir. Özyinelemeli kendini geliştirmeye bir yaklaşım, DeepMind'in Robocat'ında görüldüğü gibi kendi kendine üretilen eğitim verileridir. Başka bir potansiyel yetenek kendi kodunu ve mimarisini değiştirmektir. Bununla birlikte, AGI insanların tam olarak anlayamadığı veya kontrol edemediği değişiklikler yaparsa, bu tür kendini değiştirme güvenlik riskleri getirebilir.

Genel AI tarihi

AGI tarihi en iyi AI'nın daha geniş tarihi içinde anlaşılmaktadır. Araştırmalar, her biri daha yetenekli ve genel AI sistemlerine doğru yolu şekillendiren birkaç farklı dönem boyunca gelişmiştir.

Erken AI: Sembolik AI (1950'ler - 1980'ler)

1950'lerde ve 1960'larda AI oluşturmaya yönelik ilk deneme, bir makineye programlama kuralları ve mantık (sembol olarak temsil edilir) ile bilgisayara düşünmeyi öğretebileceğiniz ve bu kuralları kullanarak problemleri çözmesini isteyebileceğiniz fikrine dayanıyordu. Bu, yönetim kurulu oyunlarında insanları yenebilecek ve özel görevler yapabilen uzman sistemler üretti (IBM'nin satranç şampiyonu bilgisayarı Deep Blue bir örnek), ancak programlanmış bilgilerinin dışında hiçbir şey öğrenemediler.

Makine Öğrenmesine Değişme (1990'lar -2010s)

1990'larda, biyolojik nöronların beyindeki nasıl işlediğinden ilham alan makine öğreniminin (ML) yükselişi ile büyük bir değişim meydana geldi. Bu bağlantılı sistemler, sert kodlanmış kuralları kullanmak yerine, büyük veri kümeleri üzerinde eğitim alarak ve çıktılarını birçok eğitim çalışması üzerinde kademeli olarak geliştirerek birçok yapay nöron katmanını kullanan sinir ağları kullanır.

Derin Öğrenme Devrimi (2010'lar -Şirket)

Modern derin öğrenme devrimi, 2012 yılında araştırmacıların trilyonlarca parametreli sinir ağları oluşturmak için grafik işleme birimlerini (GPU) kullanmaya başladığında başladı. Bu, ChatGPT gibi çağdaş büyük dil modelleri (LLM'ler) dahil olmak üzere bu makine öğrenimi modellerini veren hesaplama gücünde büyük bir artış sağladı - daha fazla öğrenme ve bazı bilgileri benzer görevlere genelleştirme kapasitesi.

AGI tanımlamak: geleneksel AI ölçütlerinin ötesinde

AI sistemleri daha sofistike hale geldikçe, araştırmacılar bir AI sisteminin insan düzeyinde zekaya ulaşıp ulaşmadığını değerlendirmek için yeni kriterler önerdiler. En ünlü erken ölçüt olan Turing testi, bir makinenin insan konuşmasını ikna edici bir şekilde taklit edip edemeyeceğini belirlemek için tasarlanmıştır. Bununla birlikte, Chatgpt ve Claude gibi LLM'ler artık bu testi geçebildiğinden, birçok araştırmacı bunu modası geçmiş düşünüyor.

ARC-AGI testi gibi daha yeni ölçütler, bir AI sisteminin eğitim verilerinin ötesinde genelleme yeteneğine odaklanır. Mevcut AI modelleri hala insan benzeri akıl yürütmenin altında kalırken, bazıları Openai'nin O3 modeli gibi, AGI'nin fizibilitesine ilişkin tartışmaları yeniden canlandırarak çığır açan sonuçlar elde etti.

AGI nasıl çalışabilir?

Yapay zeka araştırmacıları arasında yaklaşımın nihayetinde AGI'ya yol açacağı konusunda bir fikir birliği yoktur. Hem sembolik yapay zeka hem de derin öğrenmenin, bilgiyi farklı alanlarda genelleştirebilen bina sistemleri söz konusu olduğunda sınırlamaları vardır. Mevcut araştırmalar, üstbilişsel yeteneklere sahip modeller geliştirmeye odaklanmaktadır - kendi akıl yürütme süreçlerini değerlendirme ve geliştirme kapasitesi.

Mevcut yaklaşımlarda sınırlamalar

Sembolik yapay zeka sistemleri bilgi için insan programcılarına güvenir ve kendi başlarına yeni bilgiler elde edemezken, üretken yapay zeka da dahil olmak üzere derin öğrenme sistemleri, yeni görevleri öğrenmek için geniş veri kümeleri ve uzun eğitim süreleri gerektirir. İnsanlar ise yeni bilgileri kolayca emer ve çok az örnekle yeni şeyler yapmayı öğrenebilirler.

Bununla birlikte, bu zorluklarla bile, araştırmacılar insan (veya daha iyi) düzeyde öğrenme, genelleştirme ve karar verebilen makineler oluşturmak için birçok yol araştırıyorlar. AGI unsurlarına sahip bazı yeni yaklaşımlar arasında nöro-sembolik AI, ajanik yapay zeka ve somutlaştırılmış AI bulunmaktadır.

Nöro-sembolik yapay zeka

Gary Marcus ve Ben Goertzel de dahil olmak üzere bazı AI araştırmacıları, nöro sembolik sistemlerin AGI'nın yolu olduğunu savunuyor. Bu sistemler, herhangi bir yaklaşımın eksikliklerini telafi etmek için farklı AI sistemlerini birleştirir.

Örneğin, 2023'te Goertzel ve işbirlikçileri, doğal dil işleme (NLP), resmi mantık ve olasılıklı akıl yürütme dahil olmak üzere çeşitli disiplinlerden AI sistemlerini birleştirmek için bir yazılım çerçevesi sağlayan açık kaynaklı bir AGI çabası olan OpenCog Hyperon'u yayınladı. Google DeepMind kısa süre önce iki nöro-sembolik sistem olan uluslararası matematiksel Olimpiyat'ta, alfaproof ve alfajometri 2 ile gümüş madalya düzeyinde performans elde etti.

Ajanik yapay zeka

AI ajanları, AGI yolunda olası bir adım olarak kabul edilir, çünkü çevrelerini değerlendirebilir ve bunlara cevap verebilir, bağlamı anlayabilir ve hedeflere ulaşmak için insanlardan bağımsız kararlar verebilirler. Nöro-sembolik yaklaşım gibi, ajanik AI sistemleri farklı görevleri yerine getirmek için birden fazla AI türünü birleştirerek çalışır. Bununla birlikte, ajan AI ile ilgili araştırmalar hala erken aşamalardadır ve ajanik AI'ya atfedilen daha gelişmiş yeteneklerin çoğu hala teoriktir.

Somutlaşmış yapay zeka

Openai kurucu ortağı Andrej Karpathy ve bilim adamı Melanie Mitchell de dahil olmak üzere önde gelen AI düşünürleri, AGI'ye ulaşmak için bir tür düzenlemenin gerekli olabileceğini söyledi. Bu, bir AI'nın duyusal girdiler alma yeteneği olmadan nedenselliği veya nesne kalıcılığını anlamak gibi temel bilişsel becerileri öğrenmesinin zor olacağı fikrinden kaynaklanmaktadır.

AGI'nın bazı popüler tanımlarını karşılamak için somutlaşmış yapay zeka dolaylı olarak gereklidir. Örneğin, Apple'ın kurucu ortağı Steve Wozniak, kahve testi adı verilen bir ölçüt önerdi, burada bir makinenin keyfi bir insanın evine girip bir fincan kahvenin nasıl demleneceğini anlayabiliyor.

Genel AI'nın potansiyel uygulamaları

Genelleştirilmiş zekanın doğası nedeniyle, AGI için potansiyel uygulamalar neredeyse sınırsızdır. AGI'nin sunacağı uyarlılık ve özerklikten özellikle yararlanabilecek bazı endüstriler arasında sağlık, eğitim, üretim ve finans bulunmaktadır.

Sağlık hizmeti

AGI, teşhis ve ilaç keşfi de dahil olmak üzere çok miktarda veriye erişimi olan akıllı bir sisteme sahip olmanın avantajlı olacağı birçok sağlık alanını etkileme potansiyeline sahiptir.

Eğitim

Eğitimdeki AGI sistemleri, öğrencilerin özel ihtiyaçlarını karşılamaları için öğrenme yollarının kişiselleştirilmesine yardımcı olmak için kullanılabilir, öğretmenlere idari görevler ve ders planlaması konusunda yardımcı olurlar, böylece öğretim için daha fazla zaman harcayabilirler ve öğretmenlerin öğrencilerin geride kalabileceği boşlukları belirlemek için öğrenci performansını analiz etmelerine yardımcı olurlar.

Üretme

Üreticilerin, karmaşık tedarik zinciri lojistik, üretim programları ve kalite kontrolünün altında yatan süreçleri optimize etmek için sürekli bir ihtiyacı vardır. AGI, süreçlerin nasıl iyileştirileceği ve bunları otomatikleştirme konusunda karar vermeye yardımcı olma potansiyeline sahiptir.

Finans

Finansal sektör şirketleri çok miktarda veri ile uğraştığından, AGI bu bilgi ölçeği hakkında insanlardan çok daha hızlı analiz edebilecek ve karar verebilecektir. Bu, risk değerlendirmesi, uyumluluk ve piyasa analizi gibi veri ağır görevleri hızlandırma potansiyeline sahiptir.

Etik düşünceler ve zorluklar

AGI'ye doğru ilerleme ilerlemeye devam ettikçe, hem bina hem de AGI sistemlerini kullananlar tarafından dikkate alınması gereken yasal konular ve etik kaygılar vardır.

Ön yargı

Dar AI sistemlerinin eğitim örneklerinde çeşitlilik eksikliğinden muzdarip olabileceği gibi, AGI sistemleri çarpık veya eksik eğitim verilerine dayalı ırksal, cinsiyet veya diğer önyargı türleri sergileme potansiyeline sahiptir. Algoritmalar ayrıca bir grubu diğerine ayrıcalıklamak için belirli değişkenleri ağırlıklandırarak önyargılar getirebilir.

AGI eylemleri için yasal sorumluluk

AI sistemleri zaten gizlilik ihlalleri ve adil konut yasaları konusunda yasal anlaşmazlıkların konusu olmuştur. Bununla birlikte, mevcut yasal çerçeveler, yapay zekanın neden olduğu zararlardan kimin sorumlu olduğunu her zaman açıkça tanımlamaktadır. Gelişmiş akıllı ajanların ortaya çıkması, makineler yasayı bozacak şekilde hareket ettiğinde hesap verebilirlik sorularını daha da karmaşıklaştıracaktır.

Hizalama zorlukları

AGI sistemleri, etkili kararlar almak için çok miktarda veriye ve özerkliğe erişebilir. Bu sistemlerin insan değerleri ve etik ilkelerle uyumlu olmasını sağlamak, AI hizalama araştırmalarının temel odağıdır. Uzmanlar, AGI'nin istenen hedefleri ve kısıtlamaları yorumlamasını ve bunlara uymasını sağlayan, istenmeyen veya istenmeyen sonuçları en aza indirmesini sağlayan yöntemler geliştirmek için çalışıyorlar.

General AI'nın Geleceği

AI ilerledikçe, hem zorluklar hem de fırsatlar sunar. İstihdam ve güvenlik konusundaki endişeler giderilmeli olsa da, AGI veri analizi, otomasyon, optimizasyon, sağlık hizmetleri ve güvenlik gibi alanlarda önemli faydalar sağlama potansiyeline sahiptir.

AGI, insan kabiliyetinin ötesinde bir ölçekte problemleri çözerek karmaşık bilimsel ve sosyal konulardaki ilerlemeyi hızlandırabilir. Tekrarlayan görevleri ele alarak AGI, insanları anlamlı işlere ve kişisel çıkarlara daha fazla odaklamaya özgür edebilir. Nihayetinde, gelişimi sadece endüstrileri değil, aynı zamanda insanların zekayı ve dünyadaki rollerini nasıl algıladıklarını da yeniden şekillendirecektir.

AGI SSS

AI ve AGI arasındaki fark nedir?

AGI, sınırlı bir alanda belirli görevleri gerçekleştirmek için tasarlanmış dar veya zayıf AI'dan farklı olan bir AI alt tipidir. Aksine, AGI, sistemlerin insani esneklik, uyarlanabilirlik ve muhakemeye sahip olduğu, farklı alanlarda çok çeşitli görevleri öğrenmelerine ve gerçekleştirmelerine izin veren AI gelişiminin varsayımsal bir aşamasını ifade eder.

Üretici AI ve General AI arasındaki fark nedir?

Üretici AI, öğrenilmiş kalıplara dayalı olarak tahminler, içerik veya yanıtlar oluşturmak için büyük veri kümelerini analiz eden bir yapay zeka türüdür. General AI veya AGI, çoklu alanlarda insan düzeyinde zeka ve akıl yürütme yeteneğine atıfta bulunarak, belirli bir işlevle sınırlı olmadan çok çeşitli görevleri öğrenmesine ve gerçekleştirmesine izin verir.

Chatgpt AGI olarak kabul ediliyor mu?

Bazı uzmanlar Chatgpt ve Claude gibi LLM'lerin zaten AGI olarak kabul edilebileceğini öne sürüyor. Ancak, bu görüş AI araştırmacıları arasında yaygın olarak kabul edilmemektedir. Chatgpt, ürettiği metin hakkında gerçek bir anlayıştan yoksundur, akıl yürütme ile mücadele eder ve bilgisini kendi kendine giden bir araba gibi fiziksel bir sistemi kontrol etmek gibi farklı alanlarda genelleştiremez. Bu sınırlamalar, AGI kriterlerini karşılamadığı anlamına gelir.

O3 AGI olarak kabul ediliyor mu?

Openai'nin O3 akıl yürütme modeli, 20 Aralık 2024'te ARC-AGI ölçütünde% 87,5'lik etkileyici bir puan elde ederken, kıyaslamanın yaratıcısı Francois Chollet, bunu AGI'ya ulaştığını düşünmüyor.

Gözlemciler, O3'ün kamu test örnekleri ile kapsamlı ön eğitime dayandığını ve puanını elde etmek için büyük hesaplama kaynakları gerektirdiğini belirtiyor. Chollet ayrıca, bazı düşük hesaplı modellerin%81'e kadar puan aldığını ve O3'ün başarısının gerçek genel istihbarattan daha fazla kaba kuvvet hesaplamasıyla yönlendirildiğini düşündürdü.

General AI inşa etmede ana zorluklar nelerdir?

• Güvenilirlik:AGI sistemleri, kullanıcıların kritik uygulamalardaki çıktılarına bağlı olmaları için sürekli olarak doğru ve güvenilir olmalıdır.
• Uzun kuyruk sorunu:Bir AI sisteminin ne kadar eğitim verisi olursa olsun, kaçınılmaz olarak nadir veya öngörülemeyen senaryolarla karşılaşacaktır. Örneğin, kendi kendini süren otomobiller, eğitimlerinde kapalı olmayan durumlarla karşılaşacak ve etkili bir şekilde genelleştirmelerini gerektirecektir.
• Enerji Tüketimi:Gelişmiş AI modelleri zaten hesaplama için çok miktarda enerji ve su gerektirir. Daha verimli işleme yöntemleri geliştirilmedikçe AGI daha da fazla kaynak talep edebilir.
• Sağduyu:İnsanların aksine, AI gerçek dünya deneyiminden ve fizik, sosyal etkileşimler ve günlük akıl yürütme hakkında sezgisel anlayıştan yoksundur-insanların çocukluktan doğal olarak edindiklerini bilerek.

AGI henüz var mı?

AGIterimi farklı şekillerde tanımlandığından, bir kişinin (veya şirketin) AGI tanımını karşılayan şey onlar için zaten var olabilir, ancak başka birine göre olmayabilir. Google DeepMind'in “en azından en fazla görevde bir insan kadar yetenekli bir AI sisteminin” yazısını kullanarak AGI'nın henüz var olmadığını söylemek mantıklı.