인공 지능: 4 차 산업 혁명

By Peter Skalfist, Daniel Mikelsten and Vasil Teigens

제 4 차 산업 혁명은 우리가 살고 일하고 서로 관계하는 방식의 근본적인 변화를 나타냅니다. 이는 1 차, 2 차 및 3 차 산업 혁명의 기술 발전에 상응하는 특별한 기술 발전으로 인해 인간 개발의 새로운 장입니다. 이러한 발전은 물리적, 디지털 및 생물학적 세계를 거대한 약속과 잠재적 위험을 모두 창출하는 방식으로 통합하고 있습니다. 이 혁명의 속도, 폭 및 깊이는 우리가 국가를 개발하는 방법, 조직이 가치를 창출하는 방법, 심지어 인간이라는 의미를 다시 생각하도록 강요합니다. 오늘날 인공 지능은 좁은 AI (또는 약한 AI)로 잘 알려져 있습니다. 좁은 인공 지능 (예: 얼굴 인식 또는 인터넷 검색 또는 자동차 운전) 만 수행하도록 설계되었습니다. 그러나 많은 연구자들의 장기 목표는 일반 AI (AGI 또는 강력한 AI)를 만드는 것입니다. 좁은 AI는 체스 나 방정식 풀기와 같이 특정 작업이 무엇이든 인간보다 성능이 뛰어나지 만 AGI는 거의 모든인지 작업에서 인간보다 성능이 뛰어납니다.
Authors: Peter Skalfist, Daniel Mikelsten, Vasil Teigens

• Language: 한국어
• Publisher: Cambridge Stanford Books
• Release date: Sep 16, 2020
• ISBN: 9781005109318

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

소개

제 4 차 산업 혁명은 우리가 살고 일하고 서로 관계하는 방식의 근본적인 변화를 나타냅니다. 이는 1 차, 2 차 및 3 차 산업 혁명과 동등한 수준의 기술 발전으로 인해 인간 개발의 새로운 장입니다. 이러한 발전은 물리적, 디지털 및 생물학적 세계를 거대한 약속과 잠재적 위험을 모두 창출하는 방식으로 통합하고 있습니다. 이 혁명의 속도, 폭 및 깊이는 우리가 국가를 개발하는 방법, 조직이 가치를 창출하는 방법, 심지어 인간이 무엇을 의미하는지 다시 생각하게합니다.

SIRI에서 자율 주행 자동차에 이르기까지 인공 지능 (AI)이 빠르게 발전하고 있습니다. 공상 과학은 종종 AI를 인간과 같은 특성을 가진 로봇으로 묘사하지만 AI는 Google의 검색 알고리즘에서 IBM의 Watson, 자율 무기에 이르기까지 모든 것을 포함 할 수 있습니다.

오늘날 인공 지능은 좁은 AI (또는 약한 AI)로 잘 알려져 있습니다. 좁은 인공 지능 (예: 얼굴 인식 또는 인터넷 검색 또는 자동차 운전) 만 수행하도록 설계되었습니다. 그러나 많은 연구자들의 장기 목표는 일반 AI (AGI 또는 강력한 AI)를 만드는 것입니다. 좁은 AI는 체스 나 방정식 풀기와 같이 특정 작업이 무엇이든 인간보다 성능이 뛰어나지 만 AGI는 거의 모든인지 작업에서 인간보다 성능이 뛰어납니다.

4 차 산업 혁명은 단순한 기술 중심의 변화 그 이상입니다. 그것은 모든 소득 그룹과 국가의 지도자, 정책 입안자 및 사람들을 포함한 모든 사람들이 포용적인 인간 중심의 미래를 만들기 위해 수렴 기술을 활용할 수 있도록 도와주는 기회입니다. 진정한 기회는 기술을 뛰어 넘어 많은 사람들에게 가족, 조직 및 커뮤니티에 긍정적 인 영향을 줄 수있는 방법을 찾는 것입니다.

인공 일반 지능

인공 일반 지능 (AGI)은 인간이 할 수있는 지적 과제를 이해하거나 배울 수있는 기계의 지능입니다. 그것은 인공 지능 연구의 주요 목표이며 공상 과학 및 미래 연구에서 공통적 인 주제입니다. AGI는 강력한 AI, 완전 AI 또는 일반적인 지능형 동작이라고도합니다. (일부 학술 자료에서는 의식을 경험할 수있는 기계에 대해 강력한 AI라는 용어를 사용합니다.). 일부 당국은 강력한 AI와 응용 AI (좁은 AI 또는 취약한 AI라고도 함)의 구별을 강조합니다. 소프트웨어를 사용하여 특정 문제 해결 또는 추론 작업을 연구하거나 수행합니다. 약한 AI는 강력한 AI와 달리 모든 범위의 인간인지 능력을 수행하려고 시도하지 않습니다.

지능에 대한 다양한 기준이 제안되었지만 (주로 튜링 테스트), 현재까지 모든 사람을 만족시키는 정의는 없습니다. 그러나 인공 지능 연구자들은 지능이 다음을 수행해야한다는 데 동의합니다.

추론, 전략 사용, 퍼즐 풀기 및 불확실한 판단;

상식 지식을 포함한 지식을 대표합니다.

계획;

배우다;

자연어로 의사 소통;

이러한 모든 기술을 공통 목표로 통합하십시오.

다른 중요한 기능으로는 지능적인 행동이 관찰되는 세상에서 감지 (예: 보는) 능력과 행동 (예: 물체 이동 및 조작) 능력이 있습니다. 여기에는 위험을 감지하고 대응하는 능력이 포함됩니다. 지능에 대한 많은 학제 간 접근 (예 :인지 과학, 전산 지능 및 의사 결정)은 상상력 (프로그래밍되지 않은 정신적 이미지 및 개념을 형성하는 능력으로 간주 됨) 및 자율성과 같은 추가 특성을 고려해야 할 필요성을 강조하는 경향이 있습니다. 이러한 기능을 많이 갖춘 시스템은 존재하지만 (예: 계산 창의성, 자동화 된 추론, 의사 결정 지원 시스템, 로봇, 진화 계산, 지능형 에이전트 참조) 아직 인간 수준에는 없습니다.

인간 수준의 AGI 확인을위한 테스트

튜링 테스트 (튜링) 기계와 인간은 두 번째 인간에게는 보이지 않는 시력을 대화하며, 두 사람 중 어느 기계가 기계인지 평가해야하며, 평가자가 시간의 상당 부분을 속일 수 있다면 시험을 통과해야합니다. 참고: 튜링은 지능으로서 자격을 갖추어야 할 대상을 규정하지 않으며, 그것이 기계임을 아는 것만으로 자격을 박탈해야합니다. 커피 테스트 (Wozniak) 커피 머신을 찾고, 커피를 찾고, 물을 추가하고, 머그잔을 찾은 다음 적절한 버튼을 눌러 커피를 추출하는 방법은 미국의 평균 가정에 들어가 커피를 만드는 방법을 알아내는 데 필요합니다. 로봇 대학 학생 시험 (Goertzel) 기계는 대학에 등록하여 인간과 동일한 수업을 수강하고 학위를 취득합니다. 고용 테스트 (Nilsson) 기계는 경제적으로 중요한 일을하며 최소한 같은 일을하는 사람과 사람을 수행합니다.

IQ 테스트 AGI

중국 연구원 인 Feng Liu, Yong Shi 및 Ying Liu는 2017 년 여름에 Google AI 또는 Apple Siri와 같은 공개적으로 제공되고 자유롭게 액세스 할 수있는 취약한 AI로 지능 테스트를 수행했습니다. 이 AI는 최대 값 인 약 47에 이르렀으며 이는 1 학년에 6 살짜리 아이에 해당합니다. 성인의 평균 수는 약 100입니다. 2014 년에 AI가 최대 27에 도달 한 유사한 테스트가 수행되었습니다.

AGI가 해결해야하는 문제

컴퓨터에서 가장 어려운 문제는 비공식적으로 AI- 완료또는 AI- 하드로 알려져 있으며,이를 해결하는 것은 목적 별 알고리즘의 기능을 넘어서는 인간 지능 또는 강력한 AI의 일반적인 적성과 동등하다는 것을 암시합니다.

인공 지능 완성 문제는 일반적인 컴퓨터 비전, 자연어 이해, 예상치 못한 상황 처리, 실제 문제 해결 등을 포함한다고 가정합니다.

AI- 완전 문제는 현재 컴퓨터 기술만으로는 해결할 수 없으며 사람이 계산해야합니다. 이 특성은 예를 들어 보안 문자가 목표로하는 것처럼 사람의 존재를 테스트하는 데 유용 할 수 있습니다. 그리고 컴퓨터 보안을 위해 무차별 대입 공격을 격퇴합니다.

AGI 리서치

클래식 AI

현대 AI 연구는 1950 년대 중반에 시작되었으며, 1 세대 AI 연구자들은 인공 일반 지능이 가능하며 불과 수십 년 안에 존재할 것이라고 확신했습니다. AI 개척자 인 허버트 에이 시몬 (Herbert A. Simon)은 1965 년에 다음과 같이 썼습니다. 20 년 안에 기계는 사람이 할 수있는 모든 일을 할 수있을 것입니다. 그들의 예측은 Stanley Kubrick과 Arthur C. Clarke의 캐릭터 HAL 9000에 대한 영감으로, 2001 년까지 AI 연구자들이 만들 수 있다고 생각한 것을 구체화했습니다. AI 개척자 Marvin Minsky는 HAL 9000을 가능한 현실적으로 만드는 프로젝트의 컨설턴트였습니다. 시간의 합의 예측; 민스키는 자신이 잘못 인용했다고하더라도 크레 비어는 1967 년이 주제에 대해 세대 내에서 '인공 지능'을 만드는 문제는 실질적으로 해결 될 것이라고 말했다.

그러나 1970 년대 초, 연구자들이 프로젝트의 난이도를 과소 평가했다는 것이 명백 해졌다. 자금 지원 기관은 AGI에 회의적이며 유용한 적용된 AI를 생산해야한다는 압력을 받고 있습니다. 1980 년대가 시작되면서 일본의 5 세대 컴퓨터 프로젝트는 AGI에 대한 관심을 다시 불러 일으켜 캐주얼 한 대화를 수행하라와 같은 AGI 목표를 포함하는 10 년의 타임 라인을 설정했습니다. 이러한 성공과 전문가 시스템의 성공에 힘 입어 산업계와 정부는 모두 돈을 다시 현장으로 펌핑했지만 1980 년대 후반 AI에 대한 신뢰는 크게 무너졌으며 5 세대 컴퓨터 프로젝트의 목표는 달성되지 않았습니다. 20 년 후 AGI의 임박한 성과를 예측 한 AI 연구자들은 근본적으로 착각 한 것으로 나타 났으며 1990 년대에는 AI 연구자들이 헛된 약속을하는 것으로 유명해졌습니다. 그들은 전혀 예측을 꺼려하고 야생적인 몽상가로 분류되는 것에 대한 두려움 때문에 인간 수준인공 지능에 대한 언급을 피하는 것을 꺼려했다.

좁은 AI 연구

1990 년대와 21 세기 초에 AI는 인공 신경망, 컴퓨터 비전 또는 데이터 마이닝과 같은 검증 가능한 결과 및 상용 응용 프로그램을 생성 할 수있는 특정 하위 문제에 초점을 두어 훨씬 더 상업적인 성공과 학문적 신뢰를 얻었습니다. 응용 AI "시스템은 이제 기술 산업 전반에 걸쳐 광범위하게 사용되며,이 분야의 연구는 학계 및 산업 분야에서 많은 자금을 지원받습니다. 현재이 분야의 개발은 떠오르는 추세로 간주되며 10 년 이상 성숙 단계가 이루어질 것으로 예상됩니다.

대부분의 주류 AI 연구자들은 통합 에이전트 아키텍처,인지 아키텍처 또는 서브 가정 아키텍처를 사용하여 다양한 하위 문제를 해결하는 프로그램을 결합하여 강력한 AI를 개발할 수 있기를 바랍니다. 한스 모라벡은 1988 년에 다음과 같이 썼습니다.

이 인공 지능으로 향하는이 상향식 경로는 언젠가는 전통적인 하향식 경로를 절반 이상으로 충족 할 것이며, 추론 프로그램에서 매우 어려울 정도로 현실 세계의 역량과 상식 지식을 최대한 활용할 수 있다고 확신합니다. 완전 지능적인 기계 은유 적 인 황금 스파이크가 두 노력을 통합하게 될 때 발생합니다.

그러나이 기본 철학조차도 논쟁의 여지가있다. 예를 들어 Princeton의 Stevan Harnad는 다음과 같이 Symbol Grounding Hypothesis에 관한 1990 년 논문을 결론지었습니다.

모델링인지에 대한 하향식(심볼릭) 접근 방식이 어딘가에있는 하향식(감각적) 접근 방식을 어떻게 충족 할 것인지에 대한 기대가 종종 제기되었습니다.이 논문의 접지 고려 사항이 유효하다면, 이러한 기대는 절망적으로 모듈화되고 컴퓨터의 소프트웨어 수준과 같은 자유 부동 기호 수준은이 경로를 통해 도달 할 수 없으며 그 반대도 마찬가지입니다. 그런 수준에 도달하려고한다면, 우리의 상징을 본질적인 의미에서 뿌리 뽑는 것처럼 보일 수 있기 때문이다 (따라서 단순히 프로그래머블 컴퓨터의 기능적 동등성으로 자신을 줄이는 것). "

현대 인공 일반 지능 연구

인공 일반 지능 (AGI)은 일반적인 지능형 행동이 가능한 기계를 만드는 것을 목표로하는 연구를 설명합니다. 이 용어는 1997 년 초 Mark Gubrudin에 의해 완전 자동화 된 군사 생산 및 운영의 의미에 대한 논의에 사용되었습니다. 이 용어는 2002 년경 Shane Legg와 Ben Goertzel에 의해 다시 도입되고 대중화되었습니다. 예를 들어 Doug Lenat의 Cyc 프로젝트 (1984 년에 시작)와 같은 연구 목표는 훨씬 더 오래되었고 Allen Newell의 Soar 프로젝트는 AGI의 범위 내에있는 것으로 간주됩니다. 2006 년 AGI 연구 활동은 Pei Wang과 Ben Goertzelas가간행물과 예비 결과를 만들어 내고있다고 설명했다. AGI의 첫 여름 학교는 2009 년 중국 샤먼에서 샤먼 대학의 인공 두뇌 연구소와 OpenCog에 의해 조직되었습니다. 첫 번째 대학교 과정은 2010 년과 2011 년 Todor Arnaudov에 의해 불가리아 플 로브 디프 대학교에서 진행되었습니다. MIT는 2018 년 AGI에서 Lex Fridman이 주최하고 다수의 초청 강사를 대상으로 한 강의를 발표했습니다. 그러나 아직까지 대부분의 AI 연구자들은 지능이 너무 복잡하여 단기간에 완전히 복제 할 수 없다고 주장하면서 AGI에 거의 관심을 기울이지 않았습니다. 그러나 소수의 컴퓨터 과학자들이 AGI 연구에 적극적으로 참여하고 있으며이 그룹의 많은 사람들이 일련의 AGI 컨퍼런스에 참여하고 있습니다. 이 연구는 매우 다양하고 종종 선구자 적입니다. Goertzel은 자신의 저서에서 진정한 융통성있는 AGI가 구축되기까지 걸리는 시간은 10 년에서 1 세기가 넘었지만, AGI 리서치 커뮤니티의 합의는 The Singularity에서 Ray Kurzweil이 논의한 타임 라인으로 보인다고 말합니다. 근처에 있음 (즉, 2015 년에서 2045 년 사이)이 그럴듯합니다.

그러나 대부분의 주류 AI 연구자들은 진보가 이처럼 빠른 것이라고 의심합니다. AGI를 명시 적으로 추구하는 조직에는 스위스 AI 연구소 IDSIA, Nnaisense, Vicarious, Maluuba, OpenCog Foundation, Adaptive AI, LIDA 및 Numenta 및 관련 Redwood Neuroscience Institute가 포함됩니다. 또한 머신 인텔리전스 연구소 및 OpenAI와 같은 조직이 AGI의 개발 경로에 영향을주기 위해 설립되었습니다. 마지막으로, 휴먼 브레인 프로젝트 (Human Brain Project)와 같은 프로젝트는 인간 두뇌의 기능적인 시뮬레이션을 구축하는 목표를 가지고 있습니다. AGI에 대한 A2017 설문 조사는 AGI를 명시 적 또는 암시 적으로 (공개 된 연구를 통해) 연구하는 45 개의 알려진 활성 R & D 프로젝트를 분류했으며, 가장 큰 3 개는 DeepMind, Human Brain Project 및 OpenAI (기사 기준)입니다.

2019 년 비디오 게임 프로그래머이자 항공 우주 엔지니어 John Carmack은 AGI 연구 계획을 발표했습니다.

즉, AlphaGo에서 Human Player Simulation에서 성공한 DeepMind는 새로운 개념을 사용했습니다.

새로운 데이터로 이미 훈련 된 네트워크를 개선하기위한 강화 학습

예를 들어 Generative adversarial network에 의한 비지도 학습은 경쟁에 의해 개선 된 네트워크를 얻습니다.

뇌를 시뮬레이션하는 데 필요한 처리 능력

전체 뇌 에뮬레이션

일반적인 지능형 행동을 달성하기 위해 논의 된 대중적인 접근 방식은 전체 뇌 에뮬레이션입니다. 저수준 뇌 모델은 생물학적 뇌를 상세하게 스캔 및 매핑하고 그 상태를 컴퓨터 시스템 또는 다른 컴퓨터 장치에 복사함으로써 구축됩니다. 컴퓨터는 원본에 충실한 시뮬레이션 모델을 실행하여 원래 두뇌와 본질적으로 동일한 방식으로 또는 모든 실제적인 목적으로 구별 할 수없는 방식으로 작동합니다. 전체 뇌 에뮬레이션은 의학 연구 목적을위한 뇌 시뮬레이션의 맥락에서 전산 신경 과학 및 신경 정보학에서 논의됩니다. 인공 지능 연구에서 강력한 AI에 대한 접근 방식으로 논의됩니다. 필요한 세부적인 이해를 제공 할 수있는 신경 영상 기술이 빠르게 향상되고 있으며, The Singularity Is Near 책에서 미래 학자 Ray Kurzweil은 필요한 컴퓨팅 성능과 비슷한 시간에 충분한 품질의 맵을 사용할 수있을 것으로 예측합니다.

초기 견적

저수준 뇌 시뮬레이션을 위해서는 매우 강력한 컴퓨터가 필요합니다. 인간의 뇌에는 수많은 시냅스가 있습니다. 10 개의 (100 억) 뉴런 각각은 평균 7,000 개의 다른 뉴런과의 시냅스 연결입니다. 세 살짜리 아이의 뇌에는 약 10 개의 시냅스 (1 조)가 있다고 추정되었습니다. 이 숫자는 나이가 들어감에 따라 감소하고 성인이되면 안정화됩니다. 10 ~ 5 × 10 시냅스 (100 ~ 500 조) 범위의 성인에 대한 추정치는 다양합니다. 뉴런 활동을위한 간단한 스위치 모델에 기초한 뇌의 처리 능력의 추정치는 초당 10 (100 조) 시냅스 업데이트 (SUPS)입니다. 1997 년 Kurzweil은 인간의 두뇌와 동등한 하드웨어에 대한 다양한 추정치를 검토하고 초당 10 회 계산 (cps) 수치를 채택했습니다. (비교를 위해, 계산이 현재 수퍼 컴퓨터를 평가하는 데 사용되는 측정 인 하나의 부동 소수점 연산과 동일한 경우 2011 년에 달성 된 10 개의 계산은 10 petaFLOPS에 해당합니다. 작성 시점에 컴퓨터 성능이 기하 급수적으로 증가하면 2015 년에서 2025 년 사이에 필요한 하드웨어를 사용할 수있을 것입니다.

더 상세하게 뉴런 모델링

Kurzweil에 의해 가정되고 현재의 많은 인공 신경망 구현에 사용되는 인공 뉴런 모델은 생물학적 뉴런에 비해 간단합니다. 뇌 시뮬레이션은 현재 가장 광범위한 윤곽선에서만 이해되는 생물학적 뉴런의 상세한 세포 행동을 포착해야 할 것입니다. 신경 거동 (특히 분자 규모)의 생물학적, 화학적, 물리적 세부 사항의 전체 모델링으로 인해 발생하는 오버 헤드는 Kurzweil의 추정치보다 몇 배 더 큰 계산 능력이 필요합니다. 또한, 추정치는 적어도 뉴런만큼 많고 10: 1만큼 뉴런보다 많은 신경교 세포를 설명하지 않으며, 현재인지 과정에서 역할을하는 것으로 알려져있다.

진행중인 조사

기존의 컴퓨팅 아키텍처에서 구현 된보다 복잡한 신경 모델을 사용하여 뇌 시뮬레이션을 조사하는 일부 연구 프로젝트가 있습니다. 인공 지능 시스템 프로젝트는 2005 년에 뇌(10 개 뉴런)의 비 실시간 시뮬레이션을 구현했습니다. 모델 1 초를 시뮬레이션하는 데 27 개의 프로세서 클러스터에서 50 일이 걸렸습니다. Blue Brain 프로젝트는 세계에서 가장 빠른 슈퍼 컴퓨터 아키텍처 중 하나 인 IBM의 Blue Gene 플랫폼을 사용하여 2006 년에 약 1 만 개의 뉴런과 10 개의 시냅스로 구성된 단일 쥐 신피질 칼럼의 실시간 시뮬레이션을 만들었습니다. Blue Brain Project의 헨리 마크 람 (Henry Markram) 이사는 2009 년 TED에서 인간 두뇌를 구축하는 것은 불가능하지 않으며 10 년 안에이를 수행 할 수있다고 설명했다. 옥스포드에서 회의. 고양이 뇌를 시뮬레이트했다는 논란의 여지가있다. 신경 실리콘 인터페이스는 확장 성이 더 좋은 대체 구현 전략으로 제안되었습니다.

Hans Moravecad는 1997 년 논문 컴퓨터 하드웨어가 인간의 뇌와 언제 일치 할 것인가?에서 위의 주장 (두뇌가 더 복잡하다 ,뉴런은 더 자세하게 모델링되어야한다 )을 다루었 다. 신경 조직, 특히 망막. 그의 결과는 신경 아교 세포의 수, 또는 어떤 종류의 처리 뉴런이 어디에서 수행하는지에 의존하지 않습니다.

생물학적 뉴런 모델링의 실제 복잡성은 OpenWorm 프로젝트에서 탐색되었으며,이 네트워크는 신경망에 총 302 개의 뉴런 (총 약 1000 개의 셀) 만있는 웜의 완벽한 시뮬레이션을 목표로합니다. 동물의 신경 네트워크는 프로젝트 시작 전에 잘 문서화되었습니다. 그러나 작업이 처음에는 단순 해 보였지만 일반 신경망을 기반으로 한 모델은 작동하지 않았습니다. 현재, 노력은 생물학적 뉴런 (부분적으로 분자 수준)의 정확한 에뮬레이션에 초점을 맞추고 있지만 그 결과를 아직 완전히 성공할 수는 없습니다. 인간-뇌-규모 모델에서 해결 될 문제의 수가 뉴런의 수에 비례하지 않더라도,이 경로를 따르는 작업의 양은 명백합니다.

시뮬레이션 기반 접근법의 비판

모의 된 뇌 접근에 대한 근본적인 비판은 인간의 구체화가 인간 지능의 본질적인 측면으로 간주되는 구체화 된 인식에서 비롯된다. 많은 연구자들은 의미를 구체화하기 위해 구체화가 필요하다고 생각합니다.이 견해가 정확하다면, 모든 기능을 갖춘 뇌 모델은 단순한 뉴런 (즉, 로봇 본체) 이상을 포괄해야합니다. Goertzel은 가상 생명체 (예: Second Life)를 제안하지만 이것이 충분한 지 아직 알려지지 않았습니다.

10cps 이상의 마이크로 프로세서를 사용하는 데스크탑 컴퓨터 (Kurzweil의 비표준 단위 초당 계산, 위 참조)는 2005 년부터 사용 가능합니다. Kurzweil (및 Moravec)이 사용하는 뇌 전력 추정치에 따르면이 컴퓨터는 꿀벌 뇌의 시뮬레이션을 지원하지만, 일부 관심에도 불구하고 그러한 시뮬레이션은 존재하지 않습니다. 여기에는 적어도 세 가지 이유가 있습니다.

뉴런 모델이 지나치게 단순화 된 것 같습니다 (다음 섹션 참조).

기능적 자기 공명 영상화와 같은 기술을 사용하여 관찰 된 뇌의 신경 활동이 어떤 상관 관계를 정확하게 확립하기 위해 더 높은인지 과정에 대한 이해가 불충분하다.

인지에 대한 이해가 충분히 발전하더라도 초기 시뮬레이션 프로그램은 매우 비효율적 일 수 있으므로 상당히 많은 하드웨어가 필요합니다.

유기체의 뇌는 중요하지만인지 모델에 대한 적절한 경계가 아닐 수 있습니다. 꿀벌 뇌를 시뮬레이트하려면 신체와 환경을 시뮬레이트해야 할 수도 있습니다. Extended Mind 논문은 철학적 개념을 공식화하고 두족류에 대한 연구는 분산 시스템의 명확한 예를 보여주었습니다.

또한, 인간 두뇌의 규모는 현재 잘 제한되어 있지 않습니다. 한 추정치는 인간의 뇌를 약 1000 억 뉴런과 100 조 시냅스에 넣습니다. 또 다른 추정치는 86 억 개의 뉴런이며이 중 163 억은 대뇌 피질에 있고 69 억은 소뇌에 있습니다. 아교 세포 시냅스는 현재 정량화되지 않았지만 매우 많은 것으로 알려져 있습니다.

인공 의식 연구

강력한 AI / AGI에서 의식의 역할은 논란의 여지가 있지만, 많은 AGI 연구원들은 의식을 실현할 수있는 가능성을 조사하는 연구를 중요하다고 생각합니다. 초기의 노력으로 Igor Aleksander는 의식적인 기계를 만드는 원칙이 이미 존재하지만 언어를 이해하기 위해 그러한 기계를 훈련시키는 데 40 년이 걸릴 것이라고 주장했습니다.

강력한 AI와의 관계

1980 년에 철학자 존 시일 (John Searle)은 그의 중국 방 주장의 일부로 강력한 AI라는 용어를 만들었다. 그는 인공 지능에 대한 두 가지 다른 가설을 구별하고 싶었습니다.

인공 지능 시스템은 생각하고 생각할 수 있습니다. (마음이라는 단어는 마음 신체 문제또는 마음의 철학"에서 사용되는 철학자들에게 특정한 의미를 갖습니다.)

인공 지능 시스템은 생각하고 생각하는 것처럼 행동 할 수 있습니다.

첫 번째는 강력한 AI 가설이라고하고, 두 번째는 약한 AI 가설이라고합니다. 첫 번째 것은 더 강한 진술을하기 때문입니다. 우리가 테스트 할 수있는 모든 능력을 넘어서는 특별한 무언가가 기계에 발생했다고 가정합니다. Searle은 강력한 AI 가설을 강력한 AI라고 언급했습니다. 이 사용법은 학술 AI 연구 및 교과서에서도 일반적입니다.

약한 AI 가설은 인공 일반 지능이 가능하다는 가설과 동일합니다. Russell과 Norvig에 따르면,대부분의 AI 연구자들은 약한 AI 가설을 당연하게 받아들이고 강한 AI 가설에 신경 쓰지 않습니다.

Searle과 달리 Kurzweil은 강력한 AI라는 용어를 사용하여 철학자가 실제로 마음이 있는지 여부를 판단 할 수 있는지 여부에 관계없이 마음이있는 것처럼 행동하는 인공 지능 시스템을 설명합니다.

AI 연구의 느린 진행에 대한 가능한 설명

1956 년 AI 연구가 시작된 이래이 분야의 성장은 시간이 지남에 따라 둔화되었으며 인간 차원에서 지능적인 행동에 숙련 된 기계를 만드는 목표를 멈췄습니다. 이 지연에 대한 가능한 설명은 컴퓨터에 충분한 메모리 또는 처리 능력이 부족하다는 것입니다. 또한 AI 연구 과정과 관련된 복잡성 수준으로 인해 AI 연구의 진행이 제한 될 수도 있습니다.

대부분의 AI 연구자들은 미래에 강력한 AI를 달성 할 수 있다고 생각하지만 Hubert Dreyfus 및 Roger Penrose와 같은 강력한 AI 달성 가능성을 거부하는 개인도 있습니다. 존 맥카시 (John McCarthy)는 인간 차원의 AI가 달성 될 것이라고 믿는 다양한 컴퓨터 과학자 중 한 명이지만 날짜를 정확하게 예측할 수는 없습니다.

AI 연구가 느려질 수있는 또 다른 이유는 개념상의 한계이다. AI 연구자들은 강력한 AI를 달성하기위한 더 강력한 기반과 기여를 제공하기 위해 학문의 개념적 틀을 수정해야 할 수도있다. 윌리엄 클락 신 (William Clocksin)은 2003 년에 다음과 같이 썼다. 체계는 Weizenbaum의 관찰에서 시작된다. 지능은 특정한 사회적, 문화적 맥락에 대해서만 나타납니다.

또한 AI 연구자들은 사람들이하기에는 복잡한 작업을 수행 할 수있는 컴퓨터를 만들 수 있었지만, 반대로 인간이하기 쉬운 작업 (Moravec의 역설)을 수행 할 수있는 컴퓨터를 개발하는 데 어려움을 겪었습니다. David Gelernter가 설명하는 문제는 일부 사람들은 사고와 추론이 동등하다고 가정한다는 것입니다. 그러나 생각과 그 생각의 창조자가 개별적으로 고립되어 있는지에 대한 아이디어는 AI 연구자들에게 흥미를 불러 일으켰습니다.

지난 수십 년 동안 AI 연구에서 발생한 문제는 AI의 발전을 더욱 방해했습니다. AI 연구자들이 약속 한 실패한 예측과 인간 행동에 대한 완전한 이해가 부족하여 인간 차원의 AI에 대한 기본 아이디어가 감소하는 데 도움이되었지만 AI 연구의 진보는 개선과 실망을 가져 왔지만 대부분의 연구자들은 낙관론을 확립했습니다 21 세기 AI의 목표 달성 가능성에 대해

강력한 AI의 발전에 대한 긴 연구에 대한 다른 가능한 이유가 제안되었습니다. 과학적 문제가 복잡하고 심리학과 신경 생리학을 통해 인간의 두뇌를 완전히 이해해야 할 필요성으로 인해 많은 연구자들이 인간 두뇌의 기능을 컴퓨터 하드웨어로 모방하는 데 한계가있었습니다. 많은 연구자들은 미래의 AI 예측과 관련된 의심을 과소 평가하는 경향이 있습니다. 그러나 이러한 문제를 심각하게 받아들이지 않으면 사람들은 문제가되는 질문에 대한 해결책을 간과 할 수 있습니다.

클락 신은 AI 연구의 진행을 방해 할 수있는 개념적 한계는 사람들이 컴퓨터 프로그램과 장비의 구현에 잘못된 기술을 사용하고있을 수 있다고 말한다. AI 연구자들이 인공 지능의 목표를 처음으로 목표로 삼았을 때, 인간의 추론이 주요 관심사였으며, 연구자들은 추론을 통해 인간 지식의 계산 모델을 확립하고 특정인지 과제를 가진 컴퓨터를 설계하는 방법을 찾기를 희망했습니다.

사람들이 연구의 특정 상황에서 작업 할 때 재정의하는 추상화의 실습은 연구원에게 몇 가지 개념에 집중할 수 있도록합니다. AI 연구에서 추상화의 가장 생산적인 사용은 계획과 문제 해결에서 비롯된 것이지만, 목표는 계산 속도를 높이는 것이지만 추상의 역할은 추상화 연산자의 참여에 대한 의문을 제기했습니다.

인공 지능의 속도 저하에 대한 가능한 이유는 많은 인공 지능 연구원이 휴리스틱이 컴퓨터 성능과 인간의 성능 사이에 중대한 위반을 포함하는 섹션이라는 인식과 관련이 있습니다. 컴퓨터에 프로그래밍 된 특정 기능은 많은 요구 사항을 설명 할 수 있습니다. 인간의 지능과 일치하도록 이러한 설명이 강력한 AI 달성 지연의 근본 원인 일 필요는 없지만 많은 연구자들이 널리 동의하고 있습니다.

감정으로 기계를 만들어야하는지에 대한 논쟁을하는 많은 AI 연구자들이 있으며, 일반적인 AI 모델에는 감정이 없으며, 감정을 기계에 프로그래밍하면 자신의 마음을 가질 수 있다고합니다. 감정은 인간이 그 경험을 기억할 수 있기 때문에 인간의 경험을 요약합니다. 데이비드 겔러 너 (David Gelernter)는 인간의 감정의 모든 뉘앙스를 시뮬레이션 할 수 없다면 어떤 컴퓨터도 창의적이 될 수 없다고 썼다.

의식

공상 과학과 인공 지능의 윤리에서 중요한 역할을하는 강력한 AI의 개념과 관련된 지능 외에 인간 정신의 다른 측면이 있습니다.

의식: 주관적인 경험과 생각을 갖는 것.

자기 인식: 자신을 별도의 개인으로, 특히 자신의 생각을 인식하는 것.

지각: 주관적으로 인식이나 감정을 느끼는능력.

sapience: 지혜의 능력.

이러한 특성은 강력한 AI 형태의 기계가 인간이 아닌 동물의 권리와 유사한 법적 권리를 가질 수 있기 때문에 도덕적 차원이 있습니다. 또한, 빌 조이 (Bill Joy)는 이러한 특성을 가진 기계가 인간의 삶이나 존엄성에 위협이 될 수 있다고 주장합니다. 강력한 AI에 이러한 특성이 필요한지 여부는 여전히 남아 있습니다. 의식의 역할은 명확하지 않으며 현재 그 존재에 대한 합의 된 시험이 없습니다. 신경 의식 상관을 시뮬레이트하는 장치가 기계에 내장되어 있다면 자동으로 자각을 하는가? 또한 문장과 같은 이러한 속성 중 일부는 완전히 지능적인 기계에서 자연스럽게 나타나거나, 지능적으로 명확하게 행동하기 시작하면 기계에 이러한 특성을 부여하는 것이 자연스럽게 될 수 있습니다. 예를 들어, 지적 행동은 다른 방식보다는 선고에 충분할 수 있습니다.

공상 과학 소설에서 AGI는 살아있는 존재에서 관찰되는 의식, 지각, 정신 및 자기 인식과 같은 특성과 관련이 있습니다. 그러나 철학자 존 시일 (John Searle)에 따르면, 일반 지능이 의식에 충분한 지에 대한 열린 의문이다. 강한 AI(Ray Kurzweil에 의해 위에서 정의한 바와 같이)가 Searle의 강한 AI 가설과 혼동되어서는 안됩니다. 강한 AI 가설은 사람처럼 지능적으로 행동하는 컴퓨터도 반드시 마음과 의식을 가져야한다는 주장입니다. AGI는 마음의 유무에 관계없이 기계가 표시하는 정보량 만 나타냅니다.

논쟁과 위험

실행할 수 있음

인공 일반 지능의 도착 여부와시기에 대한 의견이 다양합니다. AI의 선구자 인 허버트 에이 시몬 (Herbert A. Simon)은 1965 년에 극한에서 20 년 안에 사람이 할 수있는 모든 일을 할 수있게 될 것이라고 썼다. 그러나이 예측은 이루어지지 못했습니다. 마이크로 소프트의 공동 설립자 폴 앨런 (Paul Allen)은 그러한 지능이 예측할 수없고 근본적으로 예측할 수없는 혁신과 과학에 대한 심도있는 이해를 요구하기 때문에 21 세기에는 없을 것이라고 믿었다. 로봇 공학자 앨런 윈필드 (Alan Winfield)는 가디언에서 현대 컴퓨팅과 인간 수준의 인공 지능 사이의만이 현재 우주 비행과 실제보다 빠른 우주 비행 사이의 만만 큼 넓다고 주장했다.AGI 왁스와 타당성에 대한 AI 전문가의 견해 쇠약 해졌고, 2010 년에 부활이 있었을 수도 있습니다. 2012 년과 2013 년에 실시 된 4 건의 여론 조사에 따르면 AGI가 50 % 자신감을 가질 것이라고 확신 한 전문가들에 대한 중앙값 추측은 여론 조사에 따라 2040 년에서 2050 년으로 평균 2081 명으로 16.5 %를 기록하는 것이 흥미 롭습니다. 전문가들은 같은 질문을했을 때 never로 대답했지만 대신 90 %의 신뢰를 얻었습니다. 최신 AGI 진행 고려 사항은 인간 수준 AGI 및 IQ 테스트 AGI 확인 테스트에서 확인할 수 있습니다.

인간 존재에 대한 잠재적 위협

인공 지능의 인공 지능은 매우 크고 복잡한 영향을 미쳐서 앞으로 어떤 일이 일어날 지 예측할 수 없을 수도있다. 따라서 이론적으로 미래를 볼 수 없기 때문에 강력한 AI를 달성한다는 가상의 미래의 사건을 기술적 특이점이라고합니다. 그러나 이것은 철학자와 연구원들이 친구가되어 유토피아를 형성하거나 인공 지능 인수에 우리를 압도하는 등 미래의 스마트 컴퓨터 나 로봇이 할 수있는 일을 추측하는 것을 막지 못했습니다. 후자의 잠재력은 인류에게 실존 적 위험을 초래하기 때문에 특히 혼란 스럽다.

자기 복제기

스마트 컴퓨터 또는 로봇은 개선 된 버전의 자체를 설계하고 생산할 수있을 것입니다. 점점 증가하는 지능형 로봇 인구는 구직 시장, 비즈니스, 과학, 정치 (로봇 권리 추구), 기술적으로 열등한 인간보다 경쟁 우위를 차지할 수 있습니다. 사회 학적으로 (하나의 역할을함으로써), 그리고 군사적으로. 오늘날에도 약한 인공 지능 (Weak AI)으로 구동되는 의사 지능 기계가 많은 작업을 수행하고 있습니다. 예를 들어, 가정, 건강 관리, 호텔 및 식당 용 로봇은 우리 삶의 많은 부분을 자동화했습니다. 가상 봇은 고객 서비스를 자체 서비스로 전환합니다. 서비스, ​​빅 데이터 AI 응용 프로그램은 포트폴리오 관리자를 대체하는 데 사용되고 Pepper와 같은 소셜 로봇은 고객 서비스 목적으로 인사 인사를 대체하는 데 사용됩니다.

새로운 초 지능

강력한 AI에 대한 연구가 충분히 지능적인 소프트웨어를 생산한다면, 재귀 적 자기 개선이라는 기능을 재 프로그래밍하고 개선 할 수있을 것입니다. 그런 다음 스스로 개선하는 것이 훨씬 더 좋으며, 급격히 증가하는 주기로 계속해서 발전하여 지능 폭발과 초 지능의 출현으로 이어질 것입니다. 이러한 지능은 인간의 지능의 한계를 가지고 있지 않을 수 있으며 거의 모든 것을 발명하거나 발견합니다.

초 지능형 소프트웨어가 인류의 지속적인 존재를 지원하기로 결정하지는 않았으며 중단하기가 매우 어려울 수 있습니다. 이 주제는 최근 문명, 인간 및 지구에 대한 실질적인 위험 원으로 학술 출판물에서 논의되기 시작했습니다.

이를 해결하기위한 한 가지 제안은 일반적으로 지능적인 최초의 AI가 친숙한 AI가되도록하여 나중에 개발 된 AI가 우리에게도 좋을 수 있도록 노력하는 것입니다. 그러나 친숙한 AI는 일반 AGI보다 생성하기가 어렵 기 때문에 둘 사이의 경쟁에서 비 친화적 AI가 먼저 개발 될 가능성이 높습니다. 또한, 친숙한 AI가 친근하게 지내거나 그 자손이 모두 좋다는 보장은 없습니다.

인공 지능의 역사

1940 년대와 50 년대에 다양한 분야 (수학, 심리학, 공학, 경제 및 정치 과학)의 소수의 과학자들이 인공 두뇌 생성 가능성에 대해 논의하기 시작했습니다. 인공 지능 연구 분야는 1956 년 학문 분야로 설립되었습니다.

사이버네틱스 및 초기 신경망

사고 기계에 대한 가장 초기의 연구는 1930 년대 후반, 1940 년대, 1950 년대 초에 널리 퍼진 아이디어의 합류에 의해 영감을 받았습니다. 신경학의 최근 연구에 따르면 뇌는 전혀 또는 전혀없는 펄스로 발사되는 뉴런의 전기 네트워크라는 것이 밝혀졌습니다. Norbert Wiener의 사이버네틱스는 전기 네트워크의 제어 및 안정성을 설명했습니다. Claude Shannon의 정보 이론은 디지털 신호 (즉, 전혀 또는 전혀없는 신호)를 설명했습니다. Alan Turing의 계산 이론은 모든 형태의 계산이 디지털 방식으로 설명 될 수 있음을 보여주었습니다. 이 아이디어들 사이의 밀접한 관계는 전자 두뇌를 구성하는 것이 가능할 수 있음을 시사했습니다.

이 정 맥에서의 작업의 예에는 W. Gray Walter의 거북이와 Johns Hopkins Beast와 같은 로봇이 포함됩니다.이 기계는 컴퓨터, 디지털 전자 또는 상징적 추론을 사용하지 않았습니다. 그것들은 전적으로 아날로그 회로에 의해 제어되었습니다.

Walter Pitts와 Warren McCulloch는 이상적인 인공 뉴런의 네트워크를 분석하여 간단한 논리 기능을 수행하는 방법을 보여주었습니다. 그들은 나중에 연구원들이 신경망이라고 부르는 것을 처음으로 묘사했습니다. Pitts와 McCulloch에서 영감을 얻은 학생들 중 한 명은 24 세의 대학원생 인 젊은 Marvin Minsky였습니다. 1951 년 (Dean Edmonds와 함께) 그는 최초의 신경망 기계 인 SNARC를 만들었습니다. Minsky는 향후 50 년 동안 AI에서 가장 중요한 리더이자 혁신가 중 하나가되었습니다.

튜링의 시험

1950 년 Alan Turing은 자신이 생각하는 기계를 만들 가능성에 대해 추측 한 획기적인 논문을 발표했습니다. 기계가 인간과의 대화와