Τεχνητή Νοημοσύνη: Η Τέταρτη Βιομηχανική Επανάσταση

By Peter Skalfist, Daniel Mikelsten and Vasil Teigens

Η Τέταρτη Βιομηχανική Επανάσταση αντιπροσωπεύει μια θεμελιώδη αλλαγή στον τρόπο με τον οποίο ζούμε, εργαζόμαστε και έχουμε σχέση μεταξύ τους. Πρόκειται για ένα νέο κεφάλαιο στην ανθρώπινη ανάπτυξη, το οποίο επιτρέπει εξαιρετικές τεχνολογικές προόδους ανάλογες με εκείνες της πρώτης, δεύτερης και τρίτης βιομηχανικής επανάστασης. Αυτές οι πρόοδοι είναι η συγχώνευση του φυσικού, του ψηφιακού και του βιολογικού κόσμου με τρόπους που δημιουργούν τόσο τεράστια υπόσχεση όσο και δυνητικό κίνδυνο. Η ταχύτητα, το εύρος και το βάθος αυτής της επανάστασης μας υποχρεώνουννα ξανασκεφτούμε τον τρόπο με τον οποίο αναπτύσσονται οι χώρες, τον τρόπο με τον οποίο οι οργανώσεις δημιουργούν αξία και ακόμη και τι σημαίνει να είσαι ανθρώπινος. Η τεχνητή νοημοσύνη σήμερα είναι σωστά γνωστή ως στενή AI (ή ασθενής AI), δεδομένου ότι έχει σχεδιαστεί για να εκτελέσει ένα στενό έργο (π.χ.μόνο αναγνώριση προσώπου ή μόνο αναζητήσεις στο διαδίκτυο ή οδήγηση μόνο αυτοκινήτου). Ωστόσο, ο μακροπρόθεσμος στόχος πολλών ερευνητών είναι η δημιουργία γενικής AI (AGI ή ισχυρής AI). Ενώ το στενό AI μπορεί να ξεπεράσει τους ανθρώπους σε οποιοδήποτε συγκεκριμένο καθήκον του, όπως το να παίζει σκάκι ή να εξισώνει τις εξισώσεις, ο AGI θα υπερέβαινε τον άνθρωπο σχεδόν σε κάθε γνωστικό έργο.
Authors: Peter Skalfist, Daniel Mikelsten, Vasil Teigens

• Language: Ελληνικά
• Publisher: Cambridge Stanford Books
• Release date: Sep 15, 2020
• ISBN: 9781005270056

Peter Skalfist

Peter Skalfist, is the pen name of a history and science author that aims to organize and collect technical, historical and scientific information.The student or the scientist, will be able to satisfy his needs of consultation and of study, by means of a work supported by abundant number of sources and bibliographical references.

Book preview

εισαγωγή

η Τέταρτη Βιομηχανική Επανάσταση αντιπροσωπεύει μια θεμελιώδη αλλαγή στον τρόπο με τον οποίο ζούμε, εργαζόμαστε και έχουμε σχέση μεταξύ τους. Πρόκειται για ένα νέο κεφάλαιο στην ανθρώπινη ανάπτυξη, το οποίο επιτρέπει εξαιρετικές τεχνολογικές προόδους ανάλογες με εκείνες της πρώτης, δεύτερης και τρίτης βιομηχανικής επανάστασης. Αυτές οι πρόοδοι είναι η συγχώνευση του φυσικού, του ψηφιακού και του βιολογικού κόσμου με τρόπους που δημιουργούν τόσο τεράστια υπόσχεση όσο και δυνητικό κίνδυνο. Η ταχύτητα, το εύρος και το βάθος αυτής της επανάστασης μας υποχρεώνουν να ξανασκεφτούμε τον τρόπο με τον οποίο αναπτύσσονται οι χώρες, τον τρόπο με τον οποίο οι οργανώσεις δημιουργούν αξία και ακόμη και τι σημαίνει να είσαι ανθρώπινος.

από το SIRI σε αυτοκατευθυνόμενα αυτοκίνητα, η τεχνητή νοημοσύνη (AI) προχωρά γρήγορα. Ενώ η επιστημονική φαντασία συχνά απεικονίζει το AI ως ρομπότ με ανθρώπινα χαρακτηριστικά, το AI μπορεί να περιλαμβάνει οτιδήποτε από τους αλγόριθμους αναζήτησης της Google προς τον Watson της IBM σε αυτόνομα όπλα.

η τεχνητή νοημοσύνη σήμερα είναι σωστά γνωστή ως στενή AI (ή ασθενής AI), δεδομένου ότι έχει σχεδιαστεί για να εκτελέσει ένα στενό έργο (π.χ. μόνο αναγνώριση προσώπου ή μόνο αναζητήσεις στο διαδίκτυο ή οδήγηση μόνο αυτοκινήτου). Ωστόσο, ο μακροπρόθεσμος στόχος πολλών ερευνητών είναι η δημιουργία γενικής AI (AGI ή ισχυρής AI). Ενώ το στενό AI μπορεί να ξεπεράσει τους ανθρώπους σε οποιοδήποτε συγκεκριμένο καθήκον του, όπως το να παίζει σκάκι ή να εξισώνει τις εξισώσεις, ο AGI θα υπερέβαινε τον άνθρωπο σχεδόν σε κάθε γνωστικό έργο.

η Τέταρτη Βιομηχανική Επανάσταση είναι κάτι περισσότερο από απλώς αλλαγή τεχνολογίας. είναι μια ευκαιρία να βοηθήσουμε όλους, συμπεριλαμβανομένων των ηγετών, των υπευθύνων χάραξης πολιτικής και των ανθρώπων από όλες τις ομάδες εισοδήματος και τα έθνη, να αξιοποιήσουν τις συγκλίνουσες τεχνολογίες προκειμένου να δημιουργήσουν ένα μέλλον χωρίς αποκλεισμούς. Η πραγματική ευκαιρία είναι να κοιτάξουμε πέρα ​​από την τεχνολογία και να βρούμε τρόπους να δώσουμε στον μεγαλύτερο αριθμό ανθρώπων τη δυνατότητα να επηρεάσουν θετικά τις οικογένειές τους, τις οργανώσεις και τις κοινότητές τους.

τεχνητή γενική ευφυΐα

η τεχνητή γενική νοημοσύνη (AGI) είναι η νοημοσύνη μιας μηχανής που μπορεί να καταλάβει ή να μάθει οποιοδήποτε πνευματικό έργο που μπορεί να κάνει ένας άνθρωπος. Είναι ένας πρωταρχικός στόχος κάποιας έρευνας τεχνητής νοημοσύνης και ένα κοινό θέμα στις μελέτες επιστημονικής φαντασίας και μελλοντικών σπουδών. Το AGI μπορεί επίσης να αναφέρεται ως ισχυρό AI, πλήρης AI, ή γενική ευφυής δράση. (Ορισμένες ακαδημαϊκές πηγές διατηρούν τον όρο ισχυρή ΑΙ για μηχανές που μπορούν να βιώσουν συνείδηση). Ορισμένες αρχές τονίζουν τη διάκριση μεταξύ ισχυρού AI και εφαρμοσμένου AI (που ονομάζεται επίσης στενό AI ή ασθενής AI): η χρήση λογισμικού για τη μελέτη ή την εκτέλεση συγκεκριμένων καθηκόντων επίλυσης προβλημάτων ή συλλογιστικής. Το αδύναμο AI, σε αντίθεση με το ισχυρό AI, δεν επιχειρεί να εκτελέσει το πλήρες φάσμα των ανθρώπινων γνωστικών ικανοτήτων.

Έχουν προταθεί διάφορα κριτήρια για τη νοημοσύνη (πιο γνωστό είναι το τεστ Turing) αλλά μέχρι σήμερα δεν υπάρχει κανένας ορισμός που να ικανοποιεί όλους. Ωστόσο, υπάρχει ευρεία συμφωνία μεταξύ των ερευνητών τεχνητής νοημοσύνης ότι η νοημοσύνη είναι υποχρεωμένη να κάνει τα εξής:

λόγος, στρατηγική χρήσης, επίλυση παζλ και υποβολή αβεβαιότητας στις κρίσεις.

αντιπροσωπεύουν γνώσεις, συμπεριλαμβανομένης της γνώσης κοινής γνώσης ·

ςχέδιο;

μαθαίνω;

επικοινωνούν στη φυσική γλώσσα.

και να ενσωματώσει όλες αυτές τις δεξιότητες προς τους κοινούς στόχους.

Άλλες σημαντικές δυνατότητες περιλαμβάνουν την ικανότητα να αισθάνεστε (π.χ. να βλέπετε) και την ικανότητα να ενεργείτε (π.χ. μετακίνηση και χειρισμός αντικειμένων) στον κόσμο όπου πρέπει να παρατηρείται έξυπνη συμπεριφορά. Αυτό θα περιλάμβανε την ικανότητα ανίχνευσης και αντίδρασης στον κίνδυνο. Πολλές διεπιστημονικές προσεγγίσεις στη νοημοσύνη (π.χ. γνωστική επιστήμη, υπολογιστική νοημοσύνη και λήψη αποφάσεων) τείνουν να υπογραμμίζουν την ανάγκη να εξεταστούν πρόσθετα χαρακτηριστικά όπως η φαντασία (που λαμβάνεται ως ικανότητα σχηματισμού νοητικών εικόνων και εννοιών που δεν έχουν προγραμματιστεί) και αυτονομία. (π.χ. υπολογιστική δημιουργικότητα, αυτοματοποιημένη συλλογιστική, σύστημα υποστήριξης αποφάσεων, ρομπότ, εξελικτικός υπολογισμός, έξυπνος πράκτορας), αλλά όχι ακόμη σε ανθρώπινο επίπεδο.

δοκιμές για επιβεβαίωση AGI σε ανθρώπινο επίπεδο

Η δοκιμή Turing (Turing) Ένα μηχάνημα και ένας άνθρωπος αμφισβητούν το θέαμα αόρατο με έναν δεύτερο άνθρωπο, ο οποίος πρέπει να αξιολογήσει ποιο από τα δύο είναι η μηχανή, η οποία περνά τη δοκιμασία εάν μπορεί να ξεγελάσει τον αξιολογητή ένα σημαντικό κλάσμα του χρόνου. Σημείωση: Ο Turing δεν ορίζει τι πρέπει να θεωρείται ως νοημοσύνη, αλλά μόνο το να γνωρίζει κανείς ότι πρόκειται για μηχανή θα πρέπει να το αποκλείσει. Η Δοκιμή Καφέ (Wozniak) Απαιτείται ένα μηχάνημα για να εισέλθει σε ένα μέσο αμερικανικό σπίτι και να καταλάβει πώς να κάνει καφέ: να βρει τον καφετιέρα, να βρει τον καφέ, να προσθέσει νερό, να βρει μια κούπα και να ετοιμάσει τον καφέ πιέζοντας τα σωστά κουμπιά. Η Δοκιμή Φοιτητών Ρομπότ (Goertzel) Μια μηχανή εγγράφεται σε ένα πανεπιστήμιο, παίρνοντας και περνώντας τις ίδιες τάξεις που οι άνθρωποι θα έκαναν και κάνοντας ένα πτυχίο. Η δοκιμή απασχόλησης (Nilsson) Μια μηχανή λειτουργεί μια οικονομικά σημαντική δουλειά, εκτελώντας τουλάχιστον τόσο καλά όσο και οι άνθρωποι στην ίδια δουλειά.

δοκιμές IQ AGI

οι Κινέζοι ερευνητές Feng Liu, Yong Shi και Ying Liu διεξήγαγαν τεστ ευφυΐας το καλοκαίρι του 2017 με διαθέσιμα στο κοινό και ελεύθερα προσβάσιμα ασθενή AI όπως το Google AI ή το Siri της Apple και άλλα. Στο μέγιστο, αυτό το AI έφτασε την τιμή περίπου 47, που αντιστοιχεί περίπου σε ένα παιδί έξι ετών στην πρώτη τάξη. Ένας ενήλικας έρχεται περίπου στα 100 κατά μέσο όρο. Το 2014, πραγματοποιήθηκαν παρόμοιες δοκιμές στις οποίες η ΑΠ έφθασε σε μέγιστη τιμή 27.

προβλήματα που απαιτούν την επίλυση του AGI

τα πιο δύσκολα προβλήματα για τους υπολογιστές είναι ανεπίσημα γνωστά ως AI-complete ή AI-hard, υπονοώντας ότι η επίλυσή τους είναι ισοδύναμη με τη γενική ικανότητα της ανθρώπινης νοημοσύνης ή της ισχυρής AI πέρα ​​από τις δυνατότητες ενός συγκεκριμένου σκοπού αλγορίθμου.

τα ΑΙ-ολοκληρωμένα προβλήματα υποθέτουν ότι περιλαμβάνουν γενικότερο όραμα ηλεκτρονικού υπολογιστή, κατανόηση της φυσικής γλώσσας και αντιμετώπιση απροσδόκητων περιστάσεων κατά την επίλυση οποιουδήποτε πραγματικού προβλήματος.

τα ολοκληρωμένα προβλήματα AI δεν μπορούν να επιλυθούν μόνο με την τρέχουσα τεχνολογία υπολογιστών και επίσης απαιτούν υπολογισμό από τον άνθρωπο. Αυτή η ιδιότητα θα μπορούσε να είναι χρήσιμη, για παράδειγμα, για να δοκιμάσει την παρουσία ανθρώπων, όπως σκοπεύουν να κάνουν τα CAPTCHA. και για την ασφάλεια των υπολογιστών να απωθήσουν τις επιθέσεις βίαιης δύναμης.

Έρευνα AGI

κλασικό AI

η σύγχρονη έρευνα AI ξεκίνησε στα μέσα της δεκαετίας του 1950. Η πρώτη γενιά ερευνητών του AI ήταν πεπεισμένη ότι η τεχνητή γενική ευφυΐα ήταν δυνατή και ότι θα υπήρχε μέσα σε μερικές δεκαετίες. Όπως ο πρωτοπόρος AI Herbert A. Simon έγραψε το 1965: οι μηχανές θα είναι σε θέση, μέσα σε είκοσι χρόνια, να κάνουν οποιαδήποτε εργασία μπορεί να κάνει ένας άνθρωπος. Οι προβλέψεις τους ήταν η έμπνευση για τον Stanley Kubrick και τον χαρακτήρα του Arthur C. Clarke HAL 9000, ο οποίος ενσωμάτωσε αυτό που οι ερευνητές του AI πίστευαν ότι θα μπορούσαν να δημιουργήσουν μέχρι το έτος 2001. Ο πρωτοπόρος AI Marvin Minsky ήταν σύμβουλος του έργου να γίνει το HAL 9000 όσο το δυνατόν πιο ρεαλιστικό συναίνεση προβλέψεις της εποχής? Ο Crevier τον αναφέρει ως ο ίδιος για το θέμα το 1967: «Μέσα σε μια γενιά... το πρόβλημα της δημιουργίας της« τεχνητής νοημοσύνης »θα λυθεί ουσιαστικά», αν και ο Μίνσκι δηλώνει ότι ήταν ψευδής.

ωστόσο, στις αρχές της δεκαετίας του '70, έγινε φανερό ότι οι ερευνητές υποτιμούσαν σε μεγάλο βαθμό τη δυσκολία του έργου. Οι οργανισμοί χρηματοδότησης έγιναν δύσπιστοι για την AGI και έθεσαν τους ερευνητές υπό αυξανόμενη πίεση για να παράγουν χρήσιμο εφαρμοσμένο AI. Όπως ξεκίνησε η δεκαετία του 1980, το έργο ηλεκτρονικής υπολογιστικής της πέμπτης γενιάς της Ιαπωνίας ανακάλεσε το ενδιαφέρον για την AGI, καθορίζοντας ένα δεκαετές χρονοδιάγραμμα που περιελάμβανε στόχους της AGI, όπως συνεχίστε μια περιστασιακή συζήτηση. Ως απάντηση σε αυτό και στην επιτυχία των εξειδικευμένων συστημάτων, τόσο η βιομηχανία όσο και η κυβέρνηση αντλούσαν χρήματα πίσω στο πεδίο. Ωστόσο, η εμπιστοσύνη στον AI κατέρρευσε θεαματικά στα τέλη της δεκαετίας του '80 και οι στόχοι του προγράμματος πέμπτης γενιάς υπολογιστών δεν εκπληρώθηκαν ποτέ. σε 20 χρόνια, οι ερευνητές του AI που είχαν προβλέψει την επικείμενη επίτευξή του AGI είχαν αποδειχθεί λανθασμένα. Με τη δεκαετία του 1990, οι ερευνητές του AI είχαν κερδίσει τη φήμη ότι έκαναν μάταιες υποσχέσεις. Ένιωσαν απρόθυμοι να κάνουν προβλέψεις και να αποφύγουν οποιαδήποτε αναφορά σε τεχνητή νοημοσύνη ανθρώπινου επιπέδου για το φόβο ότι θα ονομαστούν ονειροπόλος με άγρια ​​μάτια.

περιορισμένη έρευνα AI

ςτη δεκαετία του 1990 και στις αρχές του 21ου αιώνα, η AI έχει επιτύχει πολύ μεγαλύτερη εμπορική επιτυχία και ακαδημαϊκή αξιοπρέπεια, εστιάζοντας σε συγκεκριμένα δευτερεύοντα προβλήματα όπου μπορούν να παράγουν επαληθεύσιμα αποτελέσματα και εμπορικές εφαρμογές, όπως τα τεχνητά νευρωνικά δίκτυα, τα εφαρμοζόμενα συστήματα AI "χρησιμοποιούνται σήμερα εκτενώς σε ολόκληρη την τεχνολογική βιομηχανία και η έρευνα σε αυτή την κατεύθυνση είναι πολύ σημαντική για την ακαδημαϊκή κοινότητα και τη βιομηχανία. Επί του παρόντος, η εξέλιξη στον τομέα αυτό θεωρείται αναδυόμενη τάση και ένα ώριμο στάδιο αναμένεται να συμβεί σε περισσότερα από 10 χρόνια.

οι περισσότεροι ερευνητές της AI ελπίζουν ότι η ισχυρή AI μπορεί να αναπτυχθεί συνδυάζοντας τα προγράμματα που επιλύουν διάφορα υπο-προβλήματα χρησιμοποιώντας μια αρχιτεκτονική ολοκληρωμένων πρακτόρων, γνωστική αρχιτεκτονική ή αρχιτεκτονική υποσυγκέντρωσης. Ο Hans Moravec έγραψε το 1988:

Είμαι πεπεισμένος ότι αυτή η διαδρομή από τη βάση προς την τεχνητή νοημοσύνη θα ανταποκρίνεται μία μέρα στην παραδοσιακή ορεινή διαδρομή πάνω από το ήμισυ, έτοιμη να τροφοδοτήσει την αληθινή πραγματικότητα στον κόσμο και τις γνώσεις κοινής γνώμης που ήταν τόσο απογοητευτική για τα προγράμματα λογικής. θα προκύψει όταν η μεταφορική χρυσή ακίδα οδηγείται στην ένωση των δύο προσπαθειών.

ωστόσο, ακόμη και αυτή η θεμελιώδης φιλοσοφία αμφισβητήθηκε. για παράδειγμα, ο Stevan Harnad του Princeton ολοκλήρωσε το έγγραφο του 1990 σχετικά με την Υπόθεση γείωσης συμβόλων λέγοντας:

«Η προσδοκία συχνά εκφράστηκε ότι η« κορυφή προς τα κάτω »(συμβολική) προσεγγιστική προσέγγιση της μοντελοποίησης προσέγγισης θα συναντήσει κατά κάποιο τρόπο τις« αισθητικές »προσεγγίσεις« από τη βάση προς την κορυφή »(κάπου ενδιάμεσα). Υπάρχει πραγματικά μόνο μία βιώσιμη διαδρομή από την έννοια σε σύμβολα: από το έδαφος μέχρι το σημείο αυτό. Ένα ελεύθερο-επιπλέει συμβολικό επίπεδο όπως το επίπεδο λογισμικού ενός υπολογιστή δεν θα φτάσει ποτέ σε αυτή τη διαδρομή (ή το αντίστροφο) - ούτε είναι ξεκάθαρο γιατί πρέπει προσπαθήστε να φτάσετε σε ένα τέτοιο επίπεδο, καθώς φαίνεται πως το να φτάσουμε εκεί θα ισοδυναμούσε με την εκρίζωση των συμβόλων μας από τις εσωτερικές τους έννοιες (περιορίζοντας έτσι τον εαυτό μας στο λειτουργικό ισοδύναμο ενός προγραμματιζόμενου υπολογιστή) ".

ςύγχρονη τεχνητή έρευνα γενικής νοημοσύνης

η τεχνητή γενική νοημοσύνη (AGI) περιγράφει έρευνα που στοχεύει στη δημιουργία μηχανών ικανών για γενική ευφυή δράση. Ο όρος χρησιμοποιήθηκε ήδη από το 1997 από τον Mark Gubrudin σε συζήτηση για τις επιπτώσεις της πλήρως αυτοματοποιημένης στρατιωτικής παραγωγής και επιχειρήσεων. Ο όρος επανελήφθη και έγινε γνωστός από τον Shane Legg και τον Ben Goertzel γύρω στο 2002. Ο ερευνητικός στόχος είναι πολύ μεγαλύτερος, όπως για παράδειγμα το πρόγραμμα Cyc του Doug Lenat (που ξεκίνησε το 1984) και το έργο Soar του Allen Newell θεωρείται ότι εμπίπτει στο πεδίο εφαρμογής του AGI. Η ερευνητική δραστηριότητα της AGI το 2006 περιγράφηκε από τους Pei Wang και Ben Goertzelas με την παραγωγή δημοσιεύσεων και προκαταρκτικών αποτελεσμάτων. Το πρώτο θερινό σχολείο στο AGI διοργανώθηκε στο Xiamen της Κίνας το 2009 από το εργαστήριο τεχνητού εγκεφάλου του πανεπιστημίου του Xiamen και το OpenCog. Το πρώτο πανεπιστημιακό μάθημα δόθηκε το 2010 και το 2011 στο πανεπιστήμιο Plovdiv της Βουλγαρίας από τον Todor Arnaudov. Το MIT παρουσίασε ένα μάθημα στο AGI το 2018, το οποίο διοργάνωσε ο Lex Fridman και παρουσίασε αρκετούς φιλοξενούμενους λέκτορες. Ωστόσο, μέχρι τώρα, οι περισσότεροι ερευνητές της ΑΠ έδωσαν λίγη προσοχή στην ΑΓΙ, με ορισμένους ισχυρισμούς ότι η νοημοσύνη είναι πολύ περίπλοκη για να αναπαραχθεί πλήρως στο εγγύς μέλλον. Ωστόσο, ένας μικρός αριθμός επιστημόνων υπολογιστών δραστηριοποιούνται στην έρευνα AGI και πολλοί από αυτή την ομάδα συνεισφέρουν σε μια σειρά συνεδρίων AGI. Η έρευνα είναι εξαιρετικά ποικίλη και συχνά πρωτοποριακή στη φύση. Στην εισαγωγή στο βιβλίο του, ο Goertzel λέει ότι οι εκτιμήσεις για το χρόνο που χρειάζεται πριν να κατασκευαστεί ένα πραγματικά ευέλικτοΑΒΙ κυμαίνονται από 10 χρόνια έως πάνω από έναν αιώνα, αλλά η συναίνεση στην ερευνητική κοινότητα της AGI φαίνεται να είναι ότι το χρονοδιάγραμμα που συζητήθηκε από τον Ray Kurzweil στο The Singularity είναι κοντά (δηλαδή μεταξύ 2015 και 2045) είναι εύλογη.

ωστόσο, οι περισσότεροι ερευνητές της AI αμφισβητούν ότι η πρόοδος θα είναι τόσο γρήγορη. Οι οργανώσεις που επιδιώκουν ρητά την AGI περιλαμβάνουν το Ελβετικό εργαστήριο AI IDSIA, Nnaisense, Vicarious, Maluuba, το OpenCog Foundation, το Adaptive AI, το LIDA και το Numenta και το σχετικό Ινστιτούτο Redwood Neuroscience. Επιπλέον, ιδρύματα όπως το Ινστιτούτο Έρευνας Μηχανημάτων Πληροφοριών και το OpenAI ιδρύθηκαν για να επηρεάσουν την αναπτυξιακή πορεία του AGI. Τέλος, έργα όπως το πρόγραμμα Ανθρώπινου Εγκεφάλου έχουν στόχο να δημιουργήσουν μια λειτουργική προσομοίωση του ανθρώπινου εγκεφάλου. Η μελέτη A2017 της AGI χαρακτήρισε σαράντα πέντε γνωστά «ενεργά έργα Ε & Α» που έδωσαν ρητά ή έμμεσα (μέσω δημοσιευμένης έρευνας) έρευνα AGI, με τα τρία μεγαλύτερα να είναι το DeepMind, το Human Brain Project και το OpenAI (βάσει άρθρου).

το 2019, προγραμματιστής βιντεοπαιχνιδιών και μηχανικός αεροδιαστημικής John Carmack ανακοίνωσε σχέδια για την έρευνα AGI.

δηλαδή DeepMind με την επιτυχία τους στην προσομοίωση του Human Player για παράδειγμα το AlphaGo έκανε χρήση των νέων εννοιών:

ενίσχυση της μάθησης για τη βελτίωση ήδη εκπαιδευμένων δικτύων με νέα δεδομένα ή

μη εποπτευόμενη μάθηση, π.χ. από το δίκτυο γενεσιουργών αντιπάλων για τη βελτίωση των δικτύων από τον ανταγωνισμό.

ισχύς επεξεργασίας που απαιτείται για την προσομοίωση ενός εγκεφάλου

ολική εξομοίωση του εγκεφάλου

μια δημοφιλής προσέγγιση που συζητείται για την επίτευξη γενικής ευφυούς δράσης είναι η εξομοίωση ολόκληρου του εγκεφάλου. Ένα μοντέλο εγκεφάλου χαμηλού επιπέδου κατασκευάζεται με σάρωση και χαρτογράφηση ενός βιολογικού εγκεφάλου με λεπτομέρεια και αντιγραφή της κατάστασής του σε ένα σύστημα υπολογιστή ή άλλη υπολογιστική συσκευή. Ο υπολογιστής τρέχει ένα simulationmodel τόσο πιστό στο πρωτότυπο ότι θα συμπεριφέρεται ουσιαστικά με τον ίδιο τρόπο όπως ο αρχικός εγκέφαλος, ή για όλους τους πρακτικούς σκοπούς, αδιάκριτα. Η εξομοίωση ολόκληρου του εγκεφάλου συζητείται στην υπολογιστική νευροεπιστήμη και τη νευροπληροφορική, στο πλαίσιο της προσομοίωσης του εγκεφάλου για σκοπούς ιατρικής έρευνας. Εξετάζεται στην έρευνα τεχνητής νοημοσύνης ως προσέγγιση για την ισχυρή AI. Οι τεχνολογίες νευροαπεικόνισης που θα μπορούσαν να δώσουν την απαραίτητη λεπτομερή κατανόηση βελτιώνονται γρήγορα και ο φουτουριστικός Ray Kurzweil στο βιβλίο The Singularity Is Near προβλέπει ότι ένας χάρτης επαρκούς ποιότητας θα είναι διαθέσιμος σε παρόμοιο χρονοδιάγραμμα με την απαιτούμενη υπολογιστική ισχύ.

πρώιμες εκτιμήσεις

για προσομοίωση εγκεφάλου χαμηλού επιπέδου, απαιτείται ένας εξαιρετικά ισχυρός υπολογιστής. Ο ανθρώπινος εγκέφαλος έχει έναν τεράστιο αριθμό συνάψεων. Κάθε ένα από τα 10 (εκατό δισεκατομμύρια) νευρώνες έχει κατά μέσο όρο 7, 000 συναπτικές συνδέσεις με άλλους νευρώνες. Έχει διαπιστωθεί ότι ο εγκέφαλος ενός παιδιού τριών ετών έχει περίπου 10 συνάψεις (1 τετράκις). Αυτός ο αριθμός μειώνεται με την ηλικία, σταθεροποιώντας κατά την ενηλικίωση. Οι εκτιμήσεις ποικίλλουν για έναν ενήλικα, που κυμαίνεται από 10 έως 5 × 10 συνάψεις (100 έως 500 τρισεκατομμύρια). Μια εκτίμηση της δύναμης επεξεργασίας του εγκεφάλου, που βασίζεται σε ένα απλό πρότυπο μεταγωγής για τη δραστηριότητα των νευρώνων, είναι περίπου 10 (100 τρισεκατομμύρια) συναπτικές ενημερώσεις ανά δευτερόλεπτο (SUPS). Το 1997 ο ​​Kurzweil εξέτασε διάφορες εκτιμήσεις για το υλικό που απαιτείται για να ισούται με τον ανθρώπινο εγκέφαλο και υιοθέτησε έναν αριθμό 10 υπολογισμών ανά δευτερόλεπτο (cps). (Για λόγους σύγκρισης, εάν ένας υπολογισμός ισοδυναμούσε με μια κίνηση με κινητό σημείο - ένα μέτρο που χρησιμοποιήθηκε για τον υπολογισμό των σημερινών υπερυπολογιστών - τότε 10 υπολογισμοί θα ισοδυναμούσαν με 10 petaFLOPS, που επιτεύχθηκαν το 2011). το απαραίτητο υλικό θα ήταν διαθέσιμο κάποια στιγμή μεταξύ 2015 και 2025, εάν συνεχιζόταν η εκθετική αύξηση της ισχύος του υπολογιστή κατά τη στιγμή της γραφής.

μοντελοποίηση των νευρώνων με περισσότερες λεπτομέρειες

το τεχνητό νευρωνικό μοντέλο που υιοθετεί ο Kurzweil και χρησιμοποιείται σε πολλές εφαρμογές τεχνητών νευρωνικών δικτύων είναι απλό σε σύγκριση με τους βιολογικούς νευρώνες. Μια προσομοίωση του εγκεφάλου θα έπρεπε πιθανότατα να συλλάβει την λεπτομερή κυτταρική συμπεριφορά των βιολογικών νευρώνων, που επί του παρόντος γίνεται κατανοητή μόνο στα ευρύτερα περιγράμματα. Η επιβάρυνση που εισάγεται με πλήρη μοντελοποίηση των βιολογικών, χημικών και φυσικών λεπτομερειών της νευρικής συμπεριφοράς (ειδικά σε μοριακή κλίμακα) θα απαιτούσε υπολογιστικές δυνάμεις αρκετές τάξεις μεγέθους μεγαλύτερες από τις εκτιμήσεις του Kurzweil. Επιπλέον, οι εκτιμήσεις δεν λαμβάνουν υπόψη τα γλοιακά κύτταρα, τα οποία είναι τουλάχιστον τόσο πολυάριθμα όσο οι νευρώνες και τα οποία μπορεί να ξεπερνούν τους αριθμούς των νευρώνων κατά 10: 1 και είναι τώρα γνωστό ότι παίζουν ρόλο στις γνωστικές διαδικασίες.

τρέχουσα έρευνα

υπάρχουν κάποια ερευνητικά προγράμματα που ερευνούν προσομοίωση εγκεφάλου χρησιμοποιώντας πιο εξελιγμένα νευρικά μοντέλα, που εφαρμόζονται σε συμβατικές αρχιτεκτονικές υπολογιστών. Το έργο του συστήματος τεχνητής νοημοσύνης υλοποίησε προσομοιώσεις σε πραγματικό χρόνο ενός εγκεφάλου (με 10 νευρώνες) το 2005. Χρειάστηκαν 50 ημέρες σε ένα σύμπλεγμα από 27 επεξεργαστές για να προσομοιώσουν ένα δευτερόλεπτο ενός μοντέλου. Το πρόγραμμα Blue Brain χρησιμοποίησε μία από τις ταχύτερες αρχιτεκτονικές υπερυπολογιστών στον κόσμο, την πλατφόρμα Blue Gene της IBM, για να δημιουργήσει προσομοίωση σε πραγματικό χρόνο μιας μονόχρωμης στήλης αρουραίων που αποτελείται από περίπου 10.000 νευρώνες και 10 συνάψεις το 2006. Ένας μακροπρόθεσμος στόχος είναι να οικοδομήσουμε μια λεπτομερή, λειτουργική προσομοίωση των φυσιολογικών διεργασιών στον ανθρώπινο εγκέφαλο: Δεν είναι αδύνατο να οικοδομήσουμε έναν ανθρώπινο εγκέφαλο και μπορούμε να το κάνουμε αυτό μέσα σε 10 χρόνια, δήλωσε ο Henry Markram, διευθυντής του Blue Brain Project το 2009 στο TED διάσκεψη στην Οξφόρδη. Υπήρξαν επίσης αμφιλεγόμενες ισχυρισμοί ότι έχουν προσομοιωθεί ένας εγκέφαλος γάτας. Οι διεπαφές νευρο-πυριτίου έχουν προταθεί ως εναλλακτική στρατηγική υλοποίησης που μπορεί να βελτιωθεί καλύτερα.

ο Hans Moravecadaddressed τα παραπάνω επιχειρήματα (ο εγκέφαλος είναι πιο περίπλοκος , οι νευρώνες πρέπει να μοντελοποιηθούν λεπτομερέστερα) στο έγγραφο του 1997 Πότε το υλικό του υπολογιστή ταιριάζει με τον ανθρώπινο εγκέφαλο; Μετράει την ικανότητα του υπάρχοντος λογισμικού να προσομοιώνει τη λειτουργικότητα νευρικού ιστού, συγκεκριμένα του αμφιβληστροειδούς. Τα αποτελέσματά του δεν εξαρτώνται από τον αριθμό των νευρογλοιακών κυττάρων ούτε από το είδος των επεξεργασμένων νευρώνων όπου εκτελούνται.

η πραγματική πολυπλοκότητα της μοντελοποίησης των βιολογικών νευρώνων έχει διερευνηθεί στο OpenWorm project που στοχεύει στην πλήρη προσομοίωση ενός σκουληκιού που έχει μόνο 302 νευρώνες στο νευρικό του δίκτυο (μεταξύ περίπου 1000 κυττάρων συνολικά). Το νευρικό δίκτυο του ζώου έχει τεκμηριωθεί καλά πριν από την έναρξη του σχεδίου. Ωστόσο, παρόλο που η εργασία φάνηκε απλή στην αρχή, τα μοντέλα βασισμένα σε ένα γενικό νευρωνικό δίκτυο δεν λειτουργούσαν. Επί του παρόντος, οι προσπάθειες επικεντρώνονται στην ακριβή εξομοίωση των βιολογικών νευρώνων (εν μέρει στο μοριακό επίπεδο), αλλά το αποτέλεσμα δεν μπορεί να θεωρηθεί ως ολική επιτυχία. Ακόμη και αν ο αριθμός των ζητημάτων που πρέπει να επιλυθούν σε ένα μοντέλο κλίμακας ανθρώπου-εγκεφάλου δεν είναι ανάλογος με τον αριθμό των νευρώνων, το ποσό της εργασίας κατά μήκος αυτής της διαδρομής είναι προφανές.

κρίσεις των προσεγγίσεων που βασίζονται στην προσομοίωση

μια θεμελιώδης κριτική στην προσομοιωμένη προσέγγιση του εγκεφάλου προέρχεται από την ενσωματωμένη γνώση, όπου η ανθρώπινη ενσάρκωση λαμβάνεται ως βασική πτυχή της ανθρώπινης νοημοσύνης. Πολλοί ερευνητές πιστεύουν ότι η ενσάρκωση είναι απαραίτητη για την επίλυση του νόημα. Αν αυτή η άποψη είναι σωστή, κάθε πλήρως λειτουργικό μοντέλο εγκεφάλου θα πρέπει να περιλάβει κάτι περισσότερο από τους νευρώνες (δηλαδή ένα ρομποτικό σώμα). Ο Goertzel προτείνει μια εικονική ενσάρκωση (όπως η Second Life), αλλά δεν είναι ακόμη γνωστό αν αυτό θα ήταν αρκετό.

οι υπολογιστές επιτραπέζιων υπολογιστών που χρησιμοποιούν μικροεπεξεργαστές που μπορούν να υπερβούν τα 10 cps (οι μη τυποποιημένοι υπολογισμοί του Kurzweil ανά δευτερόλεπτο, βλ. Παραπάνω) είναι διαθέσιμα από το 2005. Σύμφωνα με τις εκτιμήσεις της δύναμης του εγκεφάλου που χρησιμοποίησε ο Kurzweil (και Moravec) υποστηρίζοντας μια προσομοίωση ενός εγκεφάλου μέλισσας, αλλά παρά το ενδιαφέρον αυτό δεν υπάρχει τέτοια προσομοίωση. Υπάρχουν τουλάχιστον τρεις λόγοι για αυτό:

το μοντέλο νευρώνων φαίνεται να είναι υπερπροσχεδιασμένο (βλ. Επόμενη ενότητα).

δεν υπάρχει επαρκής κατανόηση των υψηλότερων γνωστικών διεργασιών για να διαπιστωθεί με ακρίβεια ποια είναι η συσχέτιση της νευρικής δραστηριότητας του εγκεφάλου, που παρατηρείται χρησιμοποιώντας τεχνικές όπως η απεικόνιση λειτουργικής μαγνητικής τομογραφίας.

ακόμη και αν η κατανόηση της γνώσης προχωρήσει επαρκώς, τα προγράμματα πρόωρης προσομοίωσης είναι πιθανό να είναι πολύ αναποτελεσματικά και, ως εκ τούτου, θα χρειαστούν σημαντικά περισσότερα υλικά.

ο εγκέφαλος ενός οργανισμού, ενώ είναι κρίσιμος, μπορεί να μην είναι ένα κατάλληλο όριο για ένα γνωστικό μοντέλο. Για να προσομοιώσουμε έναν εγκέφαλο μέλισσας, μπορεί να είναι απαραίτητη η προσομοίωση του σώματος και του περιβάλλοντος. Η εκτεταμένη διατριβή διατυπώνει τη φιλοσοφική αντίληψη και η έρευνα για τα κεφαλόποδα έχει δείξει σαφή παραδείγματα αποκεντρωμένου συστήματος.

επιπλέον, η κλίμακα του ανθρώπινου εγκεφάλου δεν είναι επί του παρόντος καλά περιορισμένη. Μια εκτίμηση βάζει τον ανθρώπινο εγκέφαλο σε περίπου 100 δισεκατομμύρια νευρώνες και 100 τρισεκατομμύρια συνάψεις. Μια άλλη εκτίμηση είναι 86 δισεκατομμύρια νευρώνες, εκ των οποίων 16,3 δισεκατομμύρια βρίσκονται στον εγκεφαλικό φλοιό και 69 δισεκατομμύρια στην παρεγκεφαλίδα. Οι συνάψεις των κυτταρικών κυττάρων δεν υπολογίζονται επί του παρόντος, αλλά είναι γνωστό ότι είναι εξαιρετικά πολυάριθμες.

τεχνητή έρευνα συνείδησης

αν και ο ρόλος της συνείδησης στο ισχυρό AI / AGI είναι αμφισβητήσιμος, πολλοί ερευνητές της AGI θεωρούν την έρευνα που διερευνά τις δυνατότητες εφαρμογής της συνείδησης ως ζωτικής σημασίας. Σε μια πρώιμη προσπάθεια ο Ιγκόρ Αλεξάντεργκερ υποστήριξε ότι οι αρχές για τη δημιουργία μιας συνειδητής μηχανής υπήρχαν ήδη, αλλά ότι θα χρειαστούν σαράντα χρόνια για να εκπαιδεύσει μια τέτοια μηχανή για να καταλάβει τη γλώσσα.

ςχέση με το ισχυρό AI

το 1980, ο φιλόσοφος John Searle εφάρμοσε τον όρο strong AI ως μέρος του επιχειρήματός του για την κινεζική αίθουσα. Ήθελε να κάνει διάκριση μεταξύ δύο διαφορετικών υποθέσεων σχετικά με την τεχνητή νοημοσύνη:

Ένα σύστημα τεχνητής νοημοσύνης μπορεί να σκεφτεί και να έχει ένα μυαλό. (Η λέξη «μυαλό» έχει ένα συγκεκριμένο νόημα για τους φιλόσοφους, όπως χρησιμοποιείται στο «πρόβλημα του σωματικού νου» ή «στη φιλοσοφία του νου»).

Ένα σύστημα τεχνητής νοημοσύνης μπορεί (μόνο) να ενεργεί όπως σκέφτεται και έχει ένα μυαλό.

η πρώτη λέγεται η ισχυρή υποθετική AI και η δεύτερη είναι η ασθενής υπόθεση AI επειδή η πρώτη κάνει την ισχυρότερη: υποθέτει ότι κάτι ιδιαίτερο έχει συμβεί στο μηχάνημα και ξεπερνά όλες τις ικανότητές του που μπορούμε να δοκιμάσουμε. Ο Searle αναφέρεται στη ισχυρή υπόθεση του AI ως ισχυρή AI. Αυτή η χρήση είναι επίσης συνηθισμένη στην ακαδημαϊκή έρευνα και βιβλία AI.

η ασθενής υπόθεση AI είναι ισοδύναμη με την υπόθεση ότι είναι δυνατή η τεχνητή γενική ευφυΐα. Σύμφωνα με τους Russell και Norvig, Οι περισσότεροι ερευνητές του AI λαμβάνουν την αδύναμη υπόθεση AI δεδομένο και δεν ενδιαφέρονται για την ισχυρή υπόθεση του AI.

ςε αντίθεση με τον Searle, ο Kurzweil χρησιμοποιεί τον όρο strong AI για να περιγράψει οποιοδήποτε σύστημα τεχνητής νοημοσύνης που δρα σαν να έχει μυαλό, ανεξάρτητα από το αν ένας φιλόσοφος θα είναι σε θέση να προσδιορίσει αν έχει πράγματι το μυαλό ή όχι.

πιθανές εξηγήσεις για την αργή πρόοδο της έρευνας AI

από την έναρξη της έρευνας για το AI το 1956, η ανάπτυξη αυτού του πεδίου έχει μειωθεί με την πάροδο του χρόνου και έχει σταματήσει τους στόχους της δημιουργίας μηχανών εξειδικευμένων με ευφυή δράση σε ανθρώπινο επίπεδο. Μια πιθανή εξήγηση για αυτήν την καθυστέρηση είναι ότι οι υπολογιστές δεν διαθέτουν επαρκές εύρος μνήμης ή επεξεργαστικής ισχύος. Επιπροσθέτως, το επίπεδο πολυπλοκότητας που συνδέεται με τη διαδικασία της έρευνας AI μπορεί επίσης να περιορίσει την πρόοδο της έρευνας AI.

ενώ οι περισσότεροι ερευνητές του AI πιστεύουν ότι ισχυρή AI μπορεί να επιτευχθεί στο μέλλον, υπάρχουν μερικά άτομα όπως Hubert Dreyfus και Roger Penrose που αρνούνται τη δυνατότητα επίτευξης ισχυρού AI. Ο John McCarthywas, ένας από τους διάφορους επιστήμονες υπολογιστών που πιστεύουν ότι η AI σε ανθρώπινο επίπεδο θα επιτευχθεί, αλλά μια ημερομηνία δεν μπορεί να προβλεφθεί με ακρίβεια.

οι εννοιολογικοί περιορισμοί είναι ένας άλλος πιθανός λόγος για τη βραδύτητα της έρευνας του AI. Οι ερευνητές μπορεί να χρειαστεί να τροποποιήσουν το εννοιολογικό πλαίσιο της πειθαρχίας τους προκειμένου να παράσχουν μια ισχυρότερη βάση και συμβολή στην προσπάθεια επίτευξης ισχυρής AI. Όπως έγραψε ο William Clocksin το 2003: το πλαίσιο ξεκινά από την παρατήρηση του Weizenbaum ότι η νοημοσύνη εκδηλώνεται μόνο σε σχέση με συγκεκριμένα κοινωνικά και πολιτισμικά πλαίσια.

επιπλέον, οι ερευνητές του AI έχουν τη δυνατότητα να δημιουργήσουν υπολογιστές που μπορούν να εκτελέσουν εργασίες που είναι περίπλοκες για τους ανθρώπους, αλλά αντιστρόφως έχουν αγωνιστεί να αναπτύξουν έναν υπολογιστή ικανό να εκτελέσει καθήκοντα που είναι απλά για τον άνθρωπο (το παράδοξο του Moravec). Ένα πρόβλημα που περιγράφεται από τον David Gelernter είναι ότι μερικοί άνθρωποι υποθέτουν ότι η σκέψη και η συλλογιστική είναι ισοδύναμες. Ωστόσο, η ιδέα του αν οι σκέψεις και ο δημιουργός αυτών των σκέψεων απομονώνονται ξεχωριστά έχει εμπνεύσει τους ερευνητές της ΑΠ.

τα προβλήματα που έχουν παρουσιαστεί στην έρευνα της ΑΠ κατά τις τελευταίες δεκαετίες έχουν παρεμποδίσει περαιτέρω την πρόοδο της ΑΠ. Οι αποτυχημένες προβλέψεις που υποσχέθηκαν από τους ερευνητές του AI και η έλλειψη πλήρους κατανόησης των ανθρώπινων συμπεριφορών βοήθησαν στη μείωση της πρωταρχικής ιδέας του AI σε ανθρώπινο επίπεδο. Αν και η πρόοδος της έρευνας AI έχει φέρει τόσο βελτίωση όσο και απογοήτευση, οι περισσότεροι ερευνητές έχουν διαπιστώσει αισιοδοξία σχετικά με την πιθανή επίτευξη του στόχου της ΑΙ στον 21ο αιώνα.

Άλλοι πιθανοί λόγοι έχουν προταθεί για τη μακρά έρευνα στην πρόοδο της ισχυρής ΑΙ. Η πολυπλοκότητα των επιστημονικών προβλημάτων και η ανάγκη να κατανοηθεί πλήρως ο ανθρώπινος εγκέφαλος μέσω της ψυχολογίας και της νευροφυσιολογίας έχουν περιορίσει πολλούς ερευνητές από την εξομοίωση της λειτουργίας του ανθρώπινου εγκεφάλου σε υλικό υπολογιστή. Πολλοί ερευνητές τείνουν να υποτιμούν κάθε αμφιβολία που εμπλέκεται στις μελλοντικές προβλέψεις του AI, αλλά χωρίς να ληφθούν σοβαρά υπόψη τα θέματα αυτά, οι άνθρωποι μπορούν να αγνοήσουν λύσεις σε προβληματικές ερωτήσεις.

το Clocksin λέει ότι ένας εννοιολογικός περιορισμός που μπορεί να εμποδίσει την πρόοδο της έρευνας AI είναι ότι οι άνθρωποι μπορεί να χρησιμοποιούν λανθασμένες τεχνικές για προγράμματα ηλεκτρονικών υπολογιστών και την εφαρμογή του εξοπλισμού. Όταν οι ερευνητές του AI αρχικά άρχισαν να στοχεύουν στο στόχο της τεχνητής νοημοσύνης, το κύριο ενδιαφέρον ήταν η συλλογιστική του ανθρώπου. Οι ερευνητές ελπίζουν να δημιουργήσουν υπολογιστικά μοντέλα ανθρώπινης γνώσης μέσω συλλογιστικής και να μάθουν πώς να σχεδιάσουν έναν υπολογιστή με συγκεκριμένο γνωστικό καθήκον.

η πρακτική της αφαίρεσης, την οποία οι άνθρωποι τείνουν να επαναπροσδιορίσουν όταν εργάζονται με ένα συγκεκριμένο πλαίσιο στην έρευνα, παρέχει στους ερευνητές μια συγκέντρωση σε μερικές μόνο έννοιες. Η πιο παραγωγική χρήση της αφαίρεσης στην έρευνα AI προέρχεται από το σχεδιασμό και την επίλυση προβλημάτων. Αν και ο στόχος είναι να αυξηθεί η ταχύτητα ενός υπολογισμού, ο ρόλος της αφαίρεσης έχει θέσει ερωτήματα σχετικά με τη συμμετοχή των φορέων εκμετάλλευσης αφαίρεσης.

Ένας πιθανός λόγος για τη βραδύτητα του AI σχετίζεται με την αναγνώριση από πολλούς ερευνητές του AI ότι η heuristics είναι μια ενότητα που περιέχει μια σημαντική παραβίαση της απόδοσης του υπολογιστή και της ανθρώπινης απόδοσης. Οι συγκεκριμένες λειτουργίες που προγραμματίζονται σε έναν υπολογιστή μπορεί να είναι σε θέση να υπολογίζουν για πολλές από τις απαιτήσεις που του επιτρέπουν να ταιριάζει με την ανθρώπινη νοημοσύνη. Αυτές οι εξηγήσεις δεν εγγυώνται απαραιτήτως τις θεμελιώδεις αιτίες για την καθυστέρηση στην επίτευξη ισχυρής ΑΠ, αλλά συμφωνούν ευρέως από πολλούς ερευνητές.

υπήρξαν πολλοί ερευνητές του ΑΠ που συζητούν για την ιδέα αν τα μηχανήματα θα πρέπει να δημιουργούνται με συναισθήματα. Δεν υπάρχουν συναισθήματα σε τυπικά μοντέλα AI και ορισμένοι ερευνητές λένε ότι προγραμματισμός συναισθημάτων σε μηχανήματα τους επιτρέπει να έχουν ένα μυαλό των δικών τους. Το συναίσθημα συνοψίζει τις εμπειρίες των ανθρώπων επειδή τους επιτρέπει να θυμούνται αυτές τις εμπειρίες. Ο David Gelernter γράφει ότι «κανένας υπολογιστής δεν θα είναι δημιουργικός αν δεν μπορεί να προσομοιώσει όλες τις αποχρώσεις του ανθρώπινου συναισθήματος». Αυτή η ανησυχία για το συναίσθημα έχει δημιουργήσει προβλήματα στους ερευνητές του AI και συνδέεται με την έννοια του ισχυρού AI καθώς η έρευνά του εξελίσσεται στο μέλλον.

ςυνείδηση

υπάρχουν και άλλες πτυχές του ανθρώπινου νου εκτός από την νοημοσύνη που σχετίζονται με την έννοια του ισχυρού AI που παίζουν σημαντικό ρόλο στην επιστημονική φαντασία και την ηθική της τεχνητής νοημοσύνης:

ςυνείδηση: Να έχουμε υποκειμενική εμπειρία και σκέψη.

αυτογνωσία: Να γνωρίζετε τον εαυτό σας ως ξεχωριστό άτομο, ειδικά για να γνωρίζετε τις σκέψεις του καθενός.

ευαισθησία: Η ικανότητα να αισθάνεται υποκειμενικά αντιλήψεις ή συναισθήματα.

sapience: Η ικανότητα για σοφία.

αυτά τα χαρακτηριστικά έχουν ηθική διάσταση, επειδή μια μηχανή με αυτή τη μορφή ισχυρού ΑΙ μπορεί να έχει νόμιμα δικαιώματα, ανάλογα με τα δικαιώματα των μη ανθρώπινων ζώων. Επίσης, ο Bill Joy, μεταξύ άλλων, ισχυρίζεται ότι ένα μηχάνημα με αυτά τα χαρακτηριστικά μπορεί να αποτελεί απειλή για την ανθρώπινη ζωή ή την αξιοπρέπεια. Απομένει να αποδειχθεί εάν κάποιο από αυτά τα χαρακτηριστικά είναι απαραίτητα για την ισχυρή ΑΙ. Ο ρόλος της συνείδησης δεν είναι σαφής και προς το παρόν δεν υπάρχει αποδεδειγμένη δοκιμασία για την παρουσία της. Εάν μια μηχανή είναι κατασκευασμένη με μια συσκευή που προσομοιώνει τις νευρικές συσχετίσεις της συνείδησης, θα είχε αυτομάτως αυτογνωσία; Είναι επίσης πιθανό ότι μερικές από αυτές τις ιδιότητες, όπως η ευαισθησία, προκύπτουν φυσικά από ένα πλήρως ευφυές μηχάνημα ή ότι είναι φυσικό να αποδίδονται αυτές οι ιδιότητες σε μηχανές μόλις αρχίσουν να ενεργούν με έναν τρόπο που είναι σαφώς έξυπνος. Για παράδειγμα, η έξυπνη ενέργεια μπορεί να είναι αρκετή για την ευαισθησία, αντί για τον άλλο τρόπο.

ςτη επιστημονική φαντασία, η ΑΓΙ συνδέεται με γνωρίσματα όπως η συνείδηση, η ευαισθησία, η φασαρία και η αυτογνωσία που παρατηρούνται στα ζωντανά όντα. Ωστόσο, σύμφωνα με τον φιλόσοφο John Searle, είναι ανοιχτό το ερώτημα εάν η γενική ευφυΐα είναι επαρκής για τη συνείδηση. Το ισχυρό AI (όπως ορίστηκε παραπάνω από τον Ray Kurzweil) δεν πρέπει να συγχέεται με την ισχυρή υπόθεση του AI του Searle. Η ισχυρή υπόθεση AI είναι ο ισχυρισμός ότι ένας υπολογιστής που συμπεριφέρεται τόσο έξυπνα όσο ένα άτομο πρέπει απαραίτητα να έχει μυαλό και συνείδηση. Το AGI αναφέρεται μόνο στο ποσό πληροφοριών που εμφανίζει το μηχάνημα, με ή χωρίς μυαλό.

διαμάχες και κίνδυνοι

ςκοπιμότητα

οι απόψεις ποικίλλουν τόσο ως προς το αν και πότε θα φτάσει η τεχνητή γενική νοημοσύνη. Στο ένα άκρο, ο AI πρωτοστάτησε στον Herbert A. Simonwrote το 1965: «οι μηχανές θα είναι σε θέση, μέσα σε είκοσι χρόνια, να κάνουν μια δουλειά που μπορεί να κάνει κάποιος». Ωστόσο, αυτή η πρόβλεψη δεν έγινε πραγματικότητα. Ο συνιδρυτής της Microsoft, Paul Allenbelieveved, ότι μια τέτοια νοημοσύνη είναι απίθανη στον 21ο αιώνα, επειδή θα απαιτούσε «απρόβλεπτες και θεμελιωδώς απρόβλεπτες ανακαλύψεις» και μια «επιστημονικά βαθιά κατανόηση της γνώσης». Γράφοντας στον Guardian, ο ρομποτικός Alan Winfield ισχυρίστηκε ότι το χάσμα ανάμεσα στη σύγχρονη υπολογιστική και την ανθρώπινη τεχνητή νοημοσύνη είναι τόσο ευρύ όσο το χάσμα μεταξύ της τρέχουσας διαστημικής πτήσης και της πρακτικής ταχύτερης από το φως διαστημικής πτήσης. Οι απόψεις των εμπειρογνωμόνων της AI σχετικά με τη σκοπιμότητα του AGI κεριού και και μπορεί να έχει δει μια αναζωπύρωση στη δεκαετία του 2010. Τέσσερις δημοσκοπήσεις που διεξήχθησαν το 2012 και το 2013 υποδεικνύουν ότι η διάμεση εικασία μεταξύ των εμπειρογνωμόνων για το πότε θα ήταν 50% σίγουροι ότι η AGI θα έφτανε ήταν 2040 έως 2050, ανάλογα με τη δημοσκόπηση, με τον μέσο όρο να είναι 2081. Είναι επίσης ενδιαφέρον να σημειωθεί ότι το 16,5% οι εμπειρογνώμονες απάντησαν με ποτέ όταν ρωτήθηκαν για την ίδια ερώτηση, αλλά με 90% εμπιστοσύνη αντ 'αυτού. Περισσότερες τρέχουσες εκτιμήσεις της προόδου της AGI μπορούν να βρεθούν παρακάτω Δοκιμές για την επιβεβαίωση AGI και IQ-εξετάσεις σε ανθρώπινο επίπεδο AGI.

πιθανή απειλή για την ανθρώπινη ύπαρξη

η δημιουργία τεχνητής γενικής νοημοσύνης μπορεί να έχει επιπτώσεις τόσο μεγάλες και τόσο περίπλοκες ώστε να μην είναι δυνατόν να προβλέψουμε τι θα προκύψει αργότερα. Έτσι, το γεγονός στο υποθετικό μέλλον της επίτευξης ισχυρής ΑΙ ονομάζεται τεχνολογική ιδιαιτερότητα, διότι θεωρητικά δεν μπορεί κανείς να δει το παρελθόν. Αλλά αυτό δεν έχει σταματήσει τους φιλόσοφους και τους ερευνητές να μαντέψουν τι μπορούν να κάνουν οι έξυπνοι υπολογιστές ή τα ρομπότ του μέλλοντος, συμπεριλαμβανομένης της δημιουργίας μιας ουτοπίας με το να είναι φίλοι μας ή να μας συντρίβει σε μια εξαγορά AI. Η τελευταία δυναμική είναι ιδιαίτερα ανησυχητική, καθώς θέτει έναν υπαρξιακό κίνδυνο για την ανθρωπότητα.

αυτοαναπαραγόμενα μηχανήματα

οι έξυπνοι υπολογιστές ή ρομπότ θα είναι σε θέση να σχεδιάζουν και να παράγουν βελτιωμένες εκδόσεις τους. Ένας αυξανόμενος πληθυσμός ευφυών ρομπότ θα μπορούσε ενδεχομένως να ανταγωνιστεί τους κατώτερους ανθρώπους στις αγορές εργασίας, στις επιχειρήσεις, στην επιστήμη, στην πολιτική (επιδίωξη δικαιωμάτων ρομπότ) κοινωνιολογικά (ενεργώντας ως ένα) και στρατιωτικά. Ακόμα και σήμερα, πολλές θέσεις εργασίας έχουν ήδη ληφθεί από ψευδο-ευφυείς μηχανές που λειτουργούν με ένα αδύναμο AI.Για παράδειγμα, τα ρομπότ για σπίτια, υγεία, ξενοδοχεία και εστιατόρια έχουν αυτοματοποιήσει πολλά μέρη της ζωής μας: υπηρεσία, μεγάλα δεδομένα Οι εφαρμογές AI χρησιμοποιούνται για την αντικατάσταση των διαχειριστών χαρτοφυλακίου και τα κοινωνικά ρομπότ, όπως το Pepper, χρησιμοποιούνται για να αντικαταστήσουν τους ανθρώπους που θέλουν να εξυπηρετήσουν τους πελάτες τους.

αναδυόμενο υπερφυσικό

αν η έρευνα σε ισχυρό AI παρήγαγε επαρκώς έξυπνο λογισμικό, θα ήταν σε θέση να επαναπρογραμματίσει και να βελτιώσει τον εαυτό του - ένα χαρακτηριστικό που ονομάζεται «αναδρομική αυτο-βελτίωση». Τότε θα ήταν ακόμα καλύτερο να βελτιωθεί η ίδια και πιθανότατα θα συνέχιζε να το κάνει σε έναν ταχέως αυξανόμενο κύκλο, οδηγώντας σε