هوش عمومی مصنوعی (AGI) چیست؟

هوش عمومی مصنوعی (AGI) به حوزه‌ای از تحقیقات نظری در زمینه هوش مصنوعی اشاره دارد که تلاش می‌کند نرم‌افزاری با هوش مشابه انسان و قابلیت یادگیری خودآموز ایجاد کند. هدف این است که نرم‌افزار بتواند وظایفی را انجام دهد که لزوماً برای آن آموزش یا توسعه داده نشده است.

تکنولوژی‌های فعلی هوش مصنوعی (AI) همگی در چارچوب مجموعه‌ای از پارامترهای از پیش تعیین شده عمل می‌کنند. به عنوان مثال، مدل‌های هوش مصنوعی که در شناسایی و تولید تصاویر آموزش دیده‌اند، نمی‌توانند وب‌سایت بسازند. AGI یک تلاش نظری برای توسعه سیستم‌های هوش مصنوعی است که دارای کنترل خودکار، درجه‌ای معقول از خودآگاهی و توانایی یادگیری مهارت‌های جدید هستند. این سیستم‌ها می‌توانند مسائل پیچیده را در محیط‌ها و زمینه‌هایی حل کنند که در زمان ایجاد آن‌ها آموزش ندیده‌اند. AGI با قابلیت‌های انسانی همچنان یک مفهوم نظری و هدف تحقیقاتی باقی مانده است.

تفاوت بین هوش مصنوعی و هوش عمومی مصنوعی چیست؟

در طول دهه‌ها، محققان هوش مصنوعی چندین نقطه عطف را شناسایی کرده‌اند که به طور قابل توجهی هوش ماشین را پیش برده است، حتی به درجاتی که هوش انسانی را در وظایف خاصی تقلید می‌کند. به عنوان مثال، خلاصه‌سازهای هوش مصنوعی از مدل‌های یادگیری ماشین (ML) برای استخراج نکات مهم از اسناد و تولید خلاصه‌ای قابل فهم استفاده می‌کنند. بنابراین، هوش مصنوعی یک رشته از علوم کامپیوتر است که به نرم‌افزار امکان می‌دهد تا وظایف جدید و دشوار را با عملکردی در سطح انسانی حل کند.

در مقابل، یک سیستم AGI می‌تواند مشکلات را در زمینه‌های مختلف مانند یک انسان بدون مداخله دستی حل کند. به جای محدود بودن به یک حوزه خاص، AGI می‌تواند به صورت خودآموز عمل کرده و مسائل را که هرگز برای آن آموزش ندیده است، حل کند. AGI به این ترتیب نمایشی نظری از یک هوش مصنوعی کامل است که وظایف پیچیده را با قابلیت‌های شناختی عمومی انسانی حل می‌کند.

برخی از دانشمندان کامپیوتر معتقدند که AGI یک برنامه کامپیوتری فرضی با درک و قابلیت‌های شناختی انسانی است. سیستم‌های هوش مصنوعی می‌توانند یاد بگیرند که چگونه به وظایف ناآشنا بدون آموزش اضافی رسیدگی کنند. در مقابل، سیستم‌های هوش مصنوعی که امروزه استفاده می‌کنیم، نیاز به آموزش قابل توجهی دارند تا بتوانند وظایف مرتبط را در همان حوزه انجام دهند. به عنوان مثال، شما باید یک مدل زبانی بزرگ (LLM) از پیش‌آموزش دیده را با داده‌های پزشکی بهینه‌سازی کنید تا بتواند به طور مداوم به عنوان یک چت‌بات پزشکی عمل کند.

هوش مصنوعی قوی در مقایسه با هوش مصنوعی ضعیف

هوش مصنوعی قوی به معنای هوش مصنوعی کامل یا AGI است که قادر به انجام وظایف با سطوح شناختی انسانی است، حتی اگر دانش زمینه‌ای کمی داشته باشد. داستان‌های علمی تخیلی معمولاً هوش مصنوعی قوی را به عنوان یک ماشین تفکر با درک انسانی که محدود به حوزه خاصی نیست، به تصویر می‌کشند.

در مقابل، هوش مصنوعی ضعیف یا هوش مصنوعی محدود، سیستم‌های هوش مصنوعی هستند که به مشخصات محاسباتی، الگوریتم‌ها و وظایف خاصی که برای آن‌ها طراحی شده‌اند، محدود می‌شوند. به عنوان مثال، مدل‌های قبلی هوش مصنوعی دارای حافظه‌های محدودی هستند و تنها به داده‌های زمان واقعی برای اتخاذ تصمیمات تکیه می‌کنند. حتی برنامه‌های جدید هوش مصنوعی تولیدی که دارای حفظ حافظه بهتری هستند، به عنوان هوش مصنوعی ضعیف در نظر گرفته می‌شوند زیرا نمی‌توانند برای حوزه‌های دیگر دوباره مورد استفاده قرار گیرند.

رویکردهای نظری در تحقیقات هوش عمومی مصنوعی چیست؟

دستیابی به AGI به طیف وسیع‌تری از تکنولوژی‌ها، داده‌ها و ارتباطات نسبت به آنچه که امروز هوش مصنوعی را تأمین می‌کند، نیاز دارد. خلاقیت، ادراک، یادگیری و حافظه برای ایجاد هوش مصنوعی که رفتارهای پیچیده انسانی را تقلید کند، ضروری هستند. کارشناسان هوش مصنوعی چندین روش را برای پیشبرد تحقیقات AGI پیشنهاد کرده‌اند.

رویکرد نمادین

رویکرد نمادین فرض می‌کند که سیستم‌های کامپیوتری می‌توانند AGI را با نمایندگی افکار انسانی از طریق شبکه‌های منطقی گسترش‌یافته توسعه دهند. شبکه‌های منطقی اشیای فیزیکی را با منطق «اگر-آنگاه» نمادگذاری می‌کنند و به سیستم هوش مصنوعی اجازه می‌دهند تا ایده‌ها را در سطح تفکر بالاتر تفسیر کند. با این حال، نمایندگی نمادین نمی‌تواند توانایی‌های شناختی ظریف در سطح پایین، مانند ادراک را تقلید کند.

رویکرد ارتباطی

رویکرد ارتباطی یا ظهورگرا بر روی تقلید ساختار مغز انسان با معماری شبکه‌های عصبی تمرکز دارد. نورون‌های مغز می‌توانند مسیرهای انتقال خود را تغییر دهند در حالی که انسان‌ها با محرک‌های خارجی تعامل می‌کنند. دانشمندان امیدوارند مدل‌های هوش مصنوعی که از این رویکرد زیرنمادین (sub-symbolic) استفاده می‌کنند، بتوانند هوش مشابه انسان را تقلید کرده و قابلیت‌های شناختی سطح پایین را نشان دهند. مدل‌های زبانی بزرگ نمونه‌ای از هوش مصنوعی هستند که از روش ارتباطی برای درک زبان‌های طبیعی استفاده می‌کنند.

رویکرد جهانی

محققانی که رویکرد جهانی را اتخاذ می‌کنند، بر روی پرداختن به پیچیدگی‌های AGI در سطح محاسبات تمرکز می‌کنند. آن‌ها سعی می‌کنند راه‌حل‌های نظری را فرموله کنند که بتوانند به سیستم‌های AGI عملی تبدیل شوند.

معماری ارگانیسم کلی

رویکرد معماری ارگانیسم کل شامل ادغام مدل‌های هوش مصنوعی با نمایندگی فیزیکی از بدن انسان است. دانشمندان حامی این نظریه معتقدند که AGI تنها زمانی قابل دستیابی است که سیستم از تعاملات فیزیکی یاد بگیرد.

رویکرد ترکیبی

رویکرد ترکیبی به مطالعه روش‌های نمادین و زیرنمادین نمایندگی افکار انسانی می‌پردازد تا به نتایجی فراتر از یک رویکرد واحد دست یابد. محققان هوش مصنوعی ممکن است سعی کنند اصول و روش‌های مختلف شناخته شده را برای توسعه AGI ادغام کنند.

تکنولوژی‌های پیشرو در تحقیقات هوش عمومی مصنوعی چیست؟

AGI همچنان هدفی دور از دسترس برای محققان باقی مانده است. تلاش‌ها برای ساخت سیستم‌های AGI ادامه دارد و از پیشرفت‌های نوظهور حمایت می‌شود. بخش‌های زیر به توصیف تکنولوژی‌های نوظهور می‌پردازند.

یادگیری عمیق

یادگیری عمیق یک رشته هوش مصنوعی است که بر روی آموزش شبکه‌های عصبی با چندین لایه پنهان برای استخراج و درک روابط پیچیده از داده‌های خام تمرکز دارد. کارشناسان هوش مصنوعی از یادگیری عمیق برای ساخت سیستم‌هایی استفاده می‌کنند که قادر به درک متن، صدا، تصاویر، ویدئو و سایر انواع اطلاعات هستند. به عنوان مثال، توسعه‌دهندگان از Amazon SageMaker برای ساخت مدل‌های یادگیری عمیق سبک برای اینترنت اشیا (IoT) و دستگاه‌های موبایل استفاده می‌کنند.

هوش مصنوعی تولیدی

هوش مصنوعی مولد (Generative AI) زیرمجموعه‌ای از یادگیری عمیق است که در آن یک سیستم هوش مصنوعی می‌تواند محتوای منحصر به فرد و واقع‌گرایانه‌ای از دانش آموخته شده تولید کند. مدل‌های هوش مصنوعی مولد با مجموعه داده‌های عظیم آموزش می‌بینند که به آن‌ها امکان می‌دهد به پرسش‌های انسانی با متنی، صدا یا تصاویری که به طور طبیعی به خلقیات انسانی شباهت دارد، پاسخ دهند. برای مثال، مدل‌های زبانی بزرگ از AI21 Labs، Anthropic، Cohere و Meta الگوریتم‌های هوش مصنوعی مولد هستند که سازمان‌ها می‌توانند از آن‌ها برای حل وظایف پیچیده استفاده کنند. تیم‌های نرم‌افزاری از Amazon Bedrock برای استقرار سریع این مدل‌ها در فضای ابری بدون نیاز به تأمین سرورها استفاده می‌کنند.

پردازش زبان طبیعی (NLP)

پردازش زبان طبیعی شاخه‌ای از هوش مصنوعی است که به سیستم‌های کامپیوتری اجازه می‌دهد زبان انسانی را درک و تولید کنند. سیستم‌های NLP از زبان‌شناسی محاسباتی و فناوری‌های یادگیری ماشین برای تبدیل داده‌های زبانی به نمایندگی‌های ساده‌ای به نام توکن‌ها و درک روابط زمینه‌ای آن‌ها استفاده می‌کنند. به عنوان مثال، Amazon Lex یک موتور NLP است که به سازمان‌ها امکان می‌دهد چت‌بات‌های هوش مصنوعی گفتگومحور بسازند.

بینایی کامپیوتری

بینایی کامپیوتری فناوری‌ای است که به سیستم‌ها اجازه می‌دهد اطلاعات فضایی را از داده‌های بصری استخراج، تحلیل و درک کنند. خودروهای خودران از مدل‌های بینایی کامپیوتری برای تحلیل داده‌های زمان واقعی از دوربین‌ها و ناوبری ایمن وسیله نقلیه دور از موانع استفاده می‌کنند. فناوری‌های یادگیری عمیق به سیستم‌های بینایی کامپیوتری اجازه می‌دهند تا شناسایی، طبقه‌بندی، نظارت و سایر وظایف پردازش تصویر را به صورت خودکار انجام دهند. به عنوان مثال، مهندسان از Amazon Rekognition برای اتوماسیون تحلیل تصویر در برنامه‌های مختلف بینایی کامپیوتری استفاده می‌کنند.

روباتیک

روباتیک یک رشته مهندسی است که در آن سازمان‌ها می‌توانند سیستم‌های مکانیکی بسازند که به طور خودکار حرکات فیزیکی را انجام دهند. در AGI، سیستم‌های روباتیک اجازه می‌دهند هوش ماشین به صورت فیزیکی تجلی یابد. این امر برای معرفی قابلیت‌های ادراک حسی و دستکاری فیزیکی که سیستم‌های AGI نیاز دارند، حیاتی است. به عنوان نمونه، قرار دادن یک بازوی روباتیک با AGI ممکن است به این بازو اجازه دهد تا مانند انسان‌ها پرتقال‌ها را حس کند، در دست بگیرد و پوست بکند. هنگام تحقیق در مورد AGI، تیم‌های مهندسی از AWS RoboMaker برای شبیه‌سازی سیستم‌های روباتیک به صورت مجازی قبل از مونتاژ آن‌ها استفاده می‌کنند.

چالش‌ها در تحقیقات هوش عمومی مصنوعی چیست؟

دانشمندان کامپیوتر با برخی از چالش‌های زیر در توسعه AGI مواجه هستند.

ایجاد ارتباطات

مدل‌های فعلی هوش مصنوعی به حوزه خاص خود محدود هستند و نمی‌توانند بین حوزه‌ها ارتباط برقرار کنند. با این حال، انسان‌ها می‌توانند دانش و تجربه خود را از یک حوزه به حوزه دیگر منتقل کنند. به عنوان مثال، نظریه‌های آموزشی در طراحی بازی برای ایجاد تجربه‌های یادگیری جذاب به کار می‌روند. انسان‌ها همچنین می‌توانند آنچه را که از آموزش نظری یاد گرفته‌اند، به موقعیت‌های واقعی تطبیق دهند. با این حال، مدل‌های یادگیری عمیق نیاز به آموزش قابل توجهی با مجموعه داده‌های خاص دارند تا بتوانند با داده‌های ناآشنا به طور قابل اعتمادی کار کنند.

هوش هیجانی

مدل‌های یادگیری عمیق به احتمال AGI اشاره دارند، اما هنوز نتوانسته‌اند خلاقیت واقعی که انسان‌ها دارند را نشان دهند. خلاقیت نیاز به تفکر هیجانی دارد که معماری شبکه‌های عصبی هنوز نمی‌تواند آن را تقلید کند. به عنوان مثال، انسان‌ها به یک مکالمه بر اساس آنچه که به صورت هیجانی حس می‌کنند، پاسخ می‌دهند، اما مدل‌های NLP خروجی متنی را بر اساس مجموعه داده‌های زبانی و الگوهایی که آموزش دیده‌اند، تولید می‌کنند.

ادراک حسی

AGI نیاز دارد که سیستم‌های هوش مصنوعی به صورت فیزیکی با محیط خارجی تعامل داشته باشند. علاوه بر قابلیت‌های روباتیک، سیستم باید جهان را مانند انسان‌ها درک کند. فناوری‌های کامپیوتری موجود نیاز به پیشرفت بیشتری دارند تا بتوانند اشکال، رنگ‌ها، طعم، بو و صدا را به دقت مانند انسان‌ها تشخیص دهند.