Mesterséges Intelligencia: A Negyedik Ipari Forradalom

By Peter Skalfist, Daniel Mikelsten and Vasil Teigens

A negyedik ipari forradalom alapvető változást jelent az életmódban, a munkában és az egymáshoz való viszonyulásban. Ez egy új fejezet az emberi fejlődésben, amelyet az első, a második és aharmadik ipari forradalommal arányos rendkívüli technológiai fejlődés tesz lehetővé. Ezek az előrelépések egyesítik a fizikai, a digitális és a biológiai világot oly módon, hogy hatalmas ígéretet és potenciális veszélyt teremtsenek. A forradalom gyorsasága, szélessége és mélysége arra készteti bennünket, hogy gondolkodjunk át az országok fejlődésében, a szervezetekhogyan teremtenek értéket, sőt, mit is jelent az ember lenni. A mesterséges intelligenciát manapság szűk keskeny Ai-nak (vagy gyenge AI-nek) nevezik, mivel keskeny feladat elvégzésére szolgál (pl. Csak arcfelismerés vagy csak internetes keresés vagy csak autó vezetés). Sok kutató hosszú távú célja azonban az általános AI (AGI vagy strong AI) létrehozása. Noha a keskeny AI felülmúlhatja az embereket, bármi is legyen a feladata, például sakkjátszás vagy egyenletek megoldása, az AGI szinte minden kognitív feladatnál jobb lenne.
Authors: Daniel Mikelsten, Vasil Teigens, Peter Skalfist

• Language: Magyar
• Publisher: Cambridge Stanford Books
• Release date: Sep 16, 2020
• ISBN: 9781005600709

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

Bevezetés

A negyedik ipari forradalom alapvető változást jelent az életmódban, a munkában és az egymáshoz való viszonyulásban. Ez egy új fejezet az emberi fejlődésben, amelyet az első, a második és a harmadik ipari forradalommal arányos rendkívüli technológiai fejlődés tesz lehetővé. Ezek az előrelépések egyesítik a fizikai, a digitális és a biológiai világot oly módon, hogy hatalmas ígéretet és potenciális veszélyt teremtsenek. A forradalom gyorsasága, szélessége és mélysége arra készteti bennünket, hogy gondolkodjunk át az országok fejlődésében, a szervezetek hogyan teremtenek értéket, sőt, mit is jelent az ember lenni.

A SIRI-tól az önjáró autókig a mesterséges intelligencia (AI) gyorsan halad. Míg a tudományos fantasztikus fantasztikus fantastika gyakran az AI-t emberi jellegű tulajdonságokkal rendelkező robotokként ábrázolja, az AI bármit magába foglalhat, a Google keresési algoritmusaitól az IBM Watson-ig az autonóm fegyverekig.

A mesterséges intelligenciát manapság szűk keskeny Ai-nak (vagy gyenge AI-nek) nevezik, mivel keskeny feladat elvégzésére szolgál (pl. Csak arcfelismerés vagy csak internetes keresés vagy csak autó vezetés). Sok kutató hosszú távú célja azonban az általános AI (AGI vagy strong AI) létrehozása. Noha a keskeny AI felülmúlhatja az embereket, bármi is legyen a feladata, például sakkjátszás vagy egyenletek megoldása, az AGI szinte minden kognitív feladatnál jobb lenne.

A negyedik ipari forradalom nem csupán a technológia által vezérelt változásról szól; Ez egy lehetőség, hogy segítsen mindenkinek, beleértve a vezetőket, a politikai döntéshozókat, valamint az összes jövedelemcsoportból és nemzetből származó embereket a konvergáló technológiák kihasználásában, hogy befogadó, emberközpontú jövőt hozzon létre. Az igazi lehetőség az, hogy a technológián kívül is megnézünk, és megtaláljuk azokat a módszereket, amelyek segítségével a legtöbb ember pozitív hatással lehet családjaikra, szervezeteikre és közösségeire.

Mesterséges általános intelligencia

A mesterséges általános intelligencia (AGI) egy olyan gép intelligenciája, amely képes megérteni vagy megtanulni bármilyen szellemi feladatot, amelyet az ember képes. Ez egy bizonyos mesterséges intelligencia kutatásának elsődleges célja, és közös téma a tudományos fantasztikus és a jövőbeli tanulmányokban. Az AGI-t is erõteljes AI-ra, teljes AI-re vagy általános intelligens cselekvésre lehet hivatkozni. (Egyes tudományos források az erős AI kifejezést azoknak a gépeknek tartják fenn, amelyek képesek megtapasztalni a tudatot.) Egyes hatóságok hangsúlyozzák a különbséget az erős AI és az alkalmazott AI között (szűk AI vagy gyenge AI): a szoftver használata speciális problémamegoldási vagy érvelési feladatok tanulmányozására vagy végrehajtására. A gyenge AI, az erős AI-vel ellentétben, nem próbálja meg az emberi kognitív képességek teljes skáláját teljesíteni.

Az intelligencia különféle kritériumait javasolták (leghíresebb a Turing-teszt), de a mai napig nincs olyan meghatározás, amely mindenkit kielégítne. A mesterséges intelligencia kutatói azonban széles körben egyetértenek abban, hogy az intelligenciának a következőket kell tennie:

Indokolni, stratégiát használni, rejtvényeket megoldani és bizonytalanság alatt megítélni;

Képviselik a tudást, ideértve a közérdekű ismereteket is;

Terv;

Tanul;

Kommunikálni természetes nyelven;

és ezeket a készségeket integrálja a közös célok megvalósításához.

További fontos képességek közé tartozik az érzékelés képessége (pl. Látás) és a cselekvés képessége (pl. Tárgyak mozgatása és manipulálása) abban a világban, ahol az intelligens viselkedést meg kell figyelni. Ez magában foglalja a veszélyek felismerésének és reagálásának képességét. Az intelligencia sok interdiszciplináris megközelítése (pl. Kognitív tudomány, számítástechnikai intelligencia és döntéshozatal) inkább hangsúlyozza annak szükségességét, hogy figyelembe vegyenek olyan kiegészítő tulajdonságokat, mint például a képzelet (a képtelenség és a nem beprogramozott mentális képek és fogalmak képezési képességeként figyelembe véve) és az autonómia szempontjából. léteznek olyan rendszerek, amelyek ezeket a képességeket nagymértékben mutatják (pl. lásd a számítási kreativitást, az automatizált érvelést, a döntéstámogató rendszert, a robotot, az evolúciós számítást, az intelligens ágenst), de emberi szintben még nem léteznek.

Tesztek az emberi szintű AGI megerősítésére

Turing teszt (Turing) A gép és az ember egyaránt szembeszökő látással láthatatlanul egy második emberrel, akinek ki kell értékelnie, hogy kettő közül melyik a gép, amelyik teljesíti a tesztet, ha az idő jelentős részében becsaphatja az értékelőt. Megjegyzés: A Turing nem írja elő, hogy mit kell intelligenciának minősíteni, csak az a tudás, hogy ez egy gép, kizárja azt. Kávéteszt (Wozniak) Egy átlagos amerikai házba való belépéshez és a kávé elkészítésének módjához gépre van szükség: keresse meg a kávéfőzőt, keresse meg a kávét, adjon hozzá vizet, keressen egy bögrét, és főzze a kávét a megfelelő gombok megnyomásával. Robot Főiskolai hallgatói teszt (Goertzel) Egy gép beiratkozik egy egyetemre, ugyanazokat az osztályokat vesz és átad, mint az emberek, és diplomát szerez. Foglalkoztatási teszt (Nilsson) A gép gazdasági szempontból fontos munkát végez, és legalább ugyanúgy, mint az emberek ugyanazt a munkát végzi.

IQ-teszt AGI

Feng Liu, Yong Shi és Ying Liu kínai kutatók hírszerzési teszteket végeztek 2017 nyarán nyilvánosan elérhető és szabadon hozzáférhető gyenge AI-vel, mint például a Google AI vagy az Apple Siri és mások. Ezek az AI maximálisan megközelítőleg 47 értéket értek el, ami megközelítőleg egy hatéves első osztályú gyermeknek felel meg. Egy felnőtt átlagosan körülbelül 100 éves. 2014-ben hasonló teszteket végeztek, amelyekben az AI elérte a 27-es maximális értéket.

Az AGI megoldását igénylő problémák

A számítógépek számára a legnehezebb problémákat informálisan AI-teljes vagy AI-nehéz néven ismertetik, ami azt jelenti, hogy azok megoldása megegyezik az emberi intelligencia általános képességeivel vagy az erős AI-vel, egy célspecifikus algoritmus képességein túl.

Az AI-teljes problémák feltételezik az általános számítógépes látást, a természetes nyelv megértését és a váratlan körülmények kezelését, miközben minden valós problémát megoldanak.

Az AI-teljes problémákat nem lehet a jelenlegi számítógépes technológiával önmagában megoldani, és emberi számítást is igényelnek. Ez a tulajdonság hasznos lehet például az emberek jelenlétének tesztelésére, ahogy a CAPTCHA-k célja; és a számítógépes biztonság érdekében a brutális erőszakos támadások visszaszorítására.

AGI kutatás

Klasszikus AI

A modern AI kutatás az 1950-es évek közepén kezdődött. Az AI kutatói első generációja meg volt győződve arról, hogy a mesterséges általános intelligencia lehetséges és néhány évtized alatt létezik. Ahogyan az AI úttörője, Herbert A. Simon 1965-ben írta: A gépek húsz éven belül képesek bármilyen munkát elvégezni, amelyet egy ember meg tud tenni. Előrejelzéseik inspirálta Stanley Kubrick és Arthur C. Clarke HAL 9000 karakterét, akik megtestesítették azt, amit az AI kutatói azt hitték, hogy 2001-ig meg tudják hozni. az idő konszenzusos előrejelzései; Crevier úgy idézi, hogy 1967-ben a témában mondta: Egy generáción belül... a mesterséges intelligencia létrehozásának problémája lényegesen megoldódik, bár Minsky állítja, hogy tévesen idézték.

Az 1970-es évek elején azonban nyilvánvalóvá vált, hogy a kutatók súlyosan alábecsülik a projekt nehézségét. A finanszírozó ügynökségek szkeptikusak lettek az AGI iránt, és egyre nagyobb nyomást gyakoroltak a kutatókra, hogy hasznos alkalmazott AI -et hozzanak létre. Az 1980-as évek kezdetén a japán ötödik generációs számítógépes projekt újjáélesztette az érdeklődést az AGI iránt, és egy tízéves idővonalat határozott meg, amelybe beletartoztak az AGI célkitűzései, mint például: alkalmi beszélgetés folytatása. Erre és a szakértői rendszerek sikerére reagálva az ipar és a kormány egyaránt visszatöltött pénzt a terepbe. Ennek ellenére az AI iránti bizalom látványosan összeomlott az 1980-as évek végén, és az ötödik generációs számítógépes projekt céljait soha nem teljesítették.A második 20 év múlva bebizonyosodott, hogy az AI kutatói, akik előre jelezték az AGI küszöbön álló eredményét, alapvetően tévedtek. Az 1990-es években az AI kutatói hírnevet szereztek hiábavaló ígéretekkel. Egyáltalán nem voltak hajlandóak előrejelzéseket tenni és elkerülni az emberi szintű mesterséges intelligencia említését, attól tartva, hogy vadszemű álmodozónak kerülnek.

Keskeny AI kutatás

Az 1990-es években és a 21. század elején a mainstream AI sokkal nagyobb sikert ért el és tudományos tiszteletben tarthatóságát azáltal, hogy olyan speciális alproblémákra összpontosított, ahol ellenőrizhető eredményeket és kereskedelmi alkalmazásokat hozhat létre, mint például a mesterséges idegi hálózatok, a számítógépes látás vagy az adatbányászat. Ezek Az alkalmazott AI rendszereket széles körben alkalmazzák az egész technológiai iparban, és az ezzel kapcsolatos kutatást nagyon erősen finanszírozzák a tudományos élet és az ipar. Jelenleg az e terület fejlődését egy kialakulóban lévő tendenciának tekintik, és várhatóan 10 éven belül érett szakasz zajlik.

A legtöbb mainstream AI-kutató azt reméli, hogy az erős AI-t úgy lehet kifejleszteni, hogy olyan programokat egyesít, amelyek különféle alproblémákat oldnak meg integrált ügynök-architektúra, kognitív architektúra vagy felhalmozási architektúra felhasználásával. Hans Moravec 1988-ban írta:

Biztos vagyok abban, hogy ez az alulról felfelé vezető út a mesterséges intelligenciához egy napon több, mint félig megfelel a tradicionális fentről lefelé vezető útnak, készen áll a valós kompetencia és a közérdekű tudás átadására, amelyet az érvelési programokban annyira frusztrálóan el lehet találni. Teljesen intelligens gépek akkor eredményül, ha a metaforikus arany tüske meghajtja a két erőfeszítést."

De ezt az alapvető filozófiát is vitatják; Például Stevan Harnad, Princeton, a szimbólum földelési hipotézisről szóló 1990-es tanulmányát azzal fejezte be, hogy:

Az a várakozás gyakran hangzott el, hogy a kogníció modellezésére szolgáló fentről lefelé (szimbolikus) megközelítések valamilyen módon megfelelnek az alulról felfelé mutató (szenzoros) megközelítéseknek. Ha az ebben a levélben szereplő alapvető megfontolások érvényesek, akkor ez az elvárás reménytelenül moduláris és valóban csak egy életképes út vezet az érzékről a szimbólumra: a földtől felfelé.A szabadon lebegő szimbolikus szintet, mint például a számítógép szoftver szintjét, soha nem érjük el ezen az úton (vagy fordítva) - és nem is világos, miért kellene próbálj meg elérni egy ilyen szintet, mivel úgy tűnik, hogy az odajutás csak azt jelentené, hogy a szimbólumokat kiiktatnánk a belső jelentéseikből (ezáltal pusztán magunkat egy programozható számítógép funkcionális ekvivalensére redukálnánk).

Modern mesterséges intelligencia kutatás

A mesterséges általános intelligencia (AGI) olyan kutatásokat ír le, amelyek célja az általános intelligens működésre képes gépek létrehozása. A kifejezést már 1997-ben használta Mark Gubrudin a teljesen automatizált katonai termelés és műveletek következményeiről. Shan Legg és Ben Goertzel 2002 körül újból bevezette és népszerűsítette a kifejezést. A kutatási cél sokkal régebbi, például Doug Lenat Cyc projektje (1984-ben kezdődött) és Allen Newell Soar projektje az AGI hatálya alá tartozik. Az AGI 2006-os kutatási tevékenységét Pei Wang és Ben Goertzelas publikációk és előzetes eredmények előállítása írja le. Az AGI első nyári iskoláját 2009-ben a Kínában, Xiamenben, a Xiamen Egyetem Mesterséges agy laboratóriuma és az OpenCog rendezte. Az első egyetemi tanfolyamot 2010-ben és 2011-ben a bulgáriai Plovdivi Egyetemen tartotta Todor Arnaudov. A MIT egy tanfolyamot mutatott be az AGI-ben 2018-ban, melyet Lex Fridman szervezett, és amelyen számos vendég előadó vett részt. Ennek ellenére a legtöbb madárinfluenza-kutató kevés figyelmet szentelt az AGI-nek, néhányuk szerint az intelligencia túl bonyolult ahhoz, hogy a közeljövőben teljes mértékben megismételhető legyen. Ennek ellenére kevés számítógépes tudós aktívan vesz részt az AGI kutatásában, és e csoport nagy része hozzájárul az AGI konferenciák sorozatához. A kutatás rendkívül változatos és gyakran úttörő jellegű. Goertzel könyvének bevezetésében elmondja, hogy egy valóban rugalmasAGI felépítéséhez szükséges idő becslése 10 évtől egy évszázadig terjedhet, de az AGI kutatói közösség konszenzusának tűnik az, hogy Ray Kurzweil a The Singularity-ban megbeszélte az ütemtervet. közel áll (azaz 2015 és 2045 között) valószínű.

A legtöbb mainstream AI kutató azonban kételkedik abban, hogy a haladás ilyen gyors lesz. Az AGI-t kifejezetten követő szervezetek közé tartozik az IDSIA, Nnaisense, Vicarious, Maluuba, az OpenCog Alapítvány, az Adaptív AI, a LIDA és a Numenta, valamint a kapcsolódó Redwood Idegtudományi Intézet. Ezen felül olyan szervezeteket hoztak létre, mint például a Gépi Intelligencia Kutatóintézet és az OpenAI, hogy befolyásolják az AGI fejlesztési útját. Végül az olyan projektek, mint például az Emberi agy, célja az emberi agy működőképességű szimulációjának felépítése. Az AGI A2017 felmérése negyvenöt ismert aktív K + F projektet sorolt ​​be, amelyek kifejezetten vagy implicit módon (közzétett kutatás útján) kutatják az AGI-t, a három legnagyobb közül a DeepMind, az Human Brain Project és az OpenAI (cikk alapján).

2019-ben a videojáték-programozó és a repülőgépmérnök, John Carmack bejelentette az AGI kutatásának terveit.

Nevezetesen a DeepMind azzal, hogy sikeres volt a Human Player Simulation-ban, például az AlphaGo-ban, új fogalmakat használt:

Erősítő tanulás a már kiképzett hálózatok fejlesztésére új adatokkal vagy

Felügyelet nélküli tanulás, pl. Generációs versenytárs-hálózaton keresztül, a verseny jobb versenyképessége érdekében.

Az agy szimulálásához szükséges feldolgozási teljesítmény

Teljes agy emuláció

Az általános intelligens cselekvés elérésének megvitatott népszerű megközelítése a teljes agy emulációja. Az alacsony szintű agymodell úgy épül fel, hogy a biológiai agyat részletesen letapogatja és feltérképezi, és állapotát számítógépes rendszerbe vagy más számítógépes eszközbe másolja. A számítógép olyan hűséges szimulációs modellt futtat az eredetihez, amely lényegében ugyanúgy viselkedik, mint az eredeti agy, vagy minden gyakorlati célból, megkülönböztethetetlenül. A teljes agy emulációját a számítógépes idegtudomány és a neuroinformatika tárgyalja az agyszimuláció összefüggésében orvosi kutatási célokra. A mesterséges intelligencia kutatásában az erős AI megközelítéseként tárgyalják. A szükséges részletes megértést biztosító neurológiai képalkotó technológiák gyorsan fejlődnek, és a futurista Ray Kurzweil a The Singularity Is Near című könyvben azt jósolja, hogy a szükséges számítási teljesítményhez hasonló időben elérhető lesz egy megfelelő minőségű térkép.

Korai becslések

Az alacsony szintű agyszimulációhoz rendkívül nagy teljesítményű számítógépre lenne szükség. Az emberi agyban rengeteg szinapszis van. A 10 (száz milliárd) neuron mindegyike átlagosan 7 000 szinaptikus kapcsolatot létesít más neuronokkal. Becsülték, hogy egy hároméves gyermek agyában körülbelül 10 szinapszis van (1 kvadrillió). Ez a szám az életkorral csökken, felnőttkorban stabilizálódik. A becslések egy felnőtt esetében 10 és 5 × 10 szinapszis között változhatnak (100–500 trillió). Az agy feldolgozási teljesítményének becslése egy egyszerű kapcsolómodell alapján az idegsejtek aktivitására körülbelül 10 (100 trillió) szinaptikus frissítés másodpercenként (SUPS). 1997-ben Kurzweil megvizsgálta az emberi agy egyenlőségéhez szükséges hardver különféle becsléseit, és másodpercenként 10 számítást kapott (cps). (Összehasonlításképpen, ha egy számítás egyenértékű lenne egy lebegőpontos művelettel - ez egy jelenlegi szuperszámítógép sebességének mérésére szolgáló intézkedés -, akkor 10 számítás egyenértékű lesz a 10 petaFLOPS értékkel, amelyet 2011-ben értek el.) Ezt a számot jósolta a szükséges hardver valamikor 2015 és 2025 között elérhető lesz, ha a számítógépes teljesítmény exponenciális növekedése az írás idején folytatódik.

A neuronok részletesebb modellezése

A Kurzweil által feltételezett és a jelenlegi mesterséges ideghálózat számos megvalósításában alkalmazott mesterséges idegsejt modell egyszerű a biológiai neuronokkal összehasonlítva. Az agyszimulációnak valószínűleg fel kell vennie a biológiai idegsejtek részletes sejt viselkedését, amelyet jelenleg csak a legszélesebb körben értenek. Az idegi viselkedés biológiai, kémiai és fizikai részleteinek teljes modellezésével bevezetett többlet (főleg molekuláris méretekben) a Kurzweil becsléseinél több nagyságrenddel nagyobb számítási teljesítményt igényelne. Ezenkívül a becslések nem veszik figyelembe azokat a gliasejteket, amelyek száma legalább annyi, mint az idegsejtek, és amelyek 10: 1-rel meghaladhatják az idegsejteket, és amelyekről ismert, hogy szerepet játszanak a kognitív folyamatokban.

Jelenlegi kutatás

Léteznek olyan kutatási projektek, amelyek az agyszimulációt kifinomultabb neurális modellek segítségével vizsgálják, amelyeket a hagyományos számítási architektúrákon valósítanak meg. A Mesterséges Intelligens Rendszer projekt egy agy (10 neuronnal) nem valós idejű szimulációját valósította meg 2005-ben. A 27 processzoros fürtön 50 nap telt el, hogy a modell 1 másodpercét szimulálja. A Kék Agy projekt a világ egyik leggyorsabb szuperszámítógép-architektúráját, az IBM Kék Gén platformját használta, hogy valósidejű szimulációt hozzon létre egyetlen patkány neokortikális oszlopból, amely 2006-ban körülbelül 10 000 neuront és 10 szinapszist tartalmaz. Hosszú távú cél az emberi agyban a fiziológiai folyamatok részletes, funkcionális szimulációjának felépítése: Nem lehetetlen emberi agyat felépíteni, és 10 év alatt meg tudjuk csinálni - mondta Henry Markram, a Kék Agy projekt igazgatója, a TED-ben 2009-ben konferencia Oxfordban. Vitatott állítások is voltak arra, hogy macska agyát szimulálják. A neuro-szilícium interfészeket alternatív megvalósítási stratégiaként javasolták, amelyek jobban méretezhetők.

Hans Moravecadress a fenti érveket (az agy bonyolultabb , az idegsejteket részletesebben kell modellezni ) 1997-es tanulmányában: Mikor lesz a számítógépes hardver az emberi agynak egyezik? . Mérte a meglévő szoftverek azon képességét, hogy szimulálják a idegszövet, különösen a retina. Eredményei nem függnek a gliasejtek számától, sem attól, hogy a feldolgozó neuronok milyen típusai hajtják végre.

A biológiai idegsejtek modellezésének tényleges összetettségét az OpenWorm projektben vizsgálták, amelynek célja egy féreg teljes szimulációja volt, amelynek ideghálójában csupán 302 neuron található (összesen mintegy 1000 sejt között). Az állat idegi hálózatát a projekt megkezdése előtt jól dokumentálták. Noha a feladat eleinte egyszerűnek tűnt, az általános neurális hálózaton alapuló modellek nem működtek. Jelenleg az erőfeszítések a biológiai idegsejtek pontos (részben a molekuláris szintű) emulációjára koncentrálnak, de az eredményt még nem lehet teljes sikernek nevezni. Még ha az ember-agy méretű modellben megoldandó kérdések száma sem arányos a neuronok számával, ezen az úton végzett munka mennyisége nyilvánvaló.

A szimuláción alapuló megközelítések kritikája

A szimulált agyi megközelítés alapvető kritikája a megtestesített kognícióból származik, ahol az emberi megtestesítést az emberi intelligencia alapvető aspektusának tekintik. Sok kutató úgy véli, hogy a megvalósítás szükséges a jelentés megalapozásához. Ha ez a nézet helyes, minden teljesen funkcionális agymodellnek nem csupán az idegsejteket (azaz egy robottestet) kell magában foglalnia. Goertzel virtuális megvalósítást javasol (mint például a Second Life), de még nem ismeretes, hogy ez elegendő lenne-e.

A 10 cps-nél nagyobb mikroprocesszorokat használó asztali számítógépek (a Kurzweil nem szabványos egység másodpercenkénti számításai, lásd fent) 2005 óta állnak rendelkezésre. A Kurzweil (és a Moravec) által használt agyi teljesítmény becslések szerint ennek a számítógépnek képesnek kell lennie arra, hogy a méh agy szimulációjának támogatása, de némi érdeklődés ellenére ilyen szimuláció nem létezik. Ennek legalább három oka van:

A neuronmodell túlságosan egyszerűsítettnek tűnik (lásd a következő részt).

A magasabb szintű kognitív folyamatok ismerete nem elegendő ahhoz, hogy pontosan meg lehessen határozni, hogy az agy idegi aktivitása, amelyet olyan technikákkal, mint például a funkcionális mágneses rezonancia képalkotó módszerrel figyeltek meg, korrelál.

Még ha a megismerés megértése is megfelelő módon halad előre, akkor a korai szimulációs programok valószínűleg nagyon nem hatékonyak, ezért lényegesen több hardverre lesz szükségük.

A szervezet agya, bár kritikus, lehet, hogy nem megfelelő határ a kognitív modell számára. A méh agyainak szimulálásához szükség lehet a test és a környezet szimulálására. A kiterjesztett elme tézise formalizálja a filozófiai koncepciót, és a lábasfejűek kutatása egyértelmű példákat mutatott a decentralizált rendszerről.

Ezen túlmenően az emberi agy mérete jelenleg nem megfelelő. Egy becslés szerint az emberi agy körülbelül 100 milliárdneuront és 100 trillió szinapszist eredményez. Egy másik becslés 86 milliárd neuron, melyből 16,3 milliárd az agykéregben és 69 milliárd az agyban található. A gliasejt-szinapszisok jelenleg nem vannak meghatározva, de ismertek rendkívül sokan.

Mesterséges tudat kutatása

Noha a tudatosság szerepe az erős AI / AGI-ban vitatható, sok AGI kutató létfontosságúnak tartja azt a kutatást, amely a tudatosság megvalósításának lehetőségeit vizsgálja. Igor Aleksanderader egy korai erőfeszítésben kijelentette, hogy a tudatos gép létrehozásának alapelvei már léteznek, de negyven évbe telik, míg egy ilyen gép megtanulja a nyelvet.

Kapcsolat az erős AI-vel

John Searle filozófus 1980-ban kínai szobai érvelésének részeként megalkotta az erős AI kifejezést. Két különféle hipotézist akart megkülönböztetni a mesterséges intelligencia vonatkozásában:

A mesterséges intelligencia rendszer képes gondolkodni és gondolkodni. (A elme szónak a filozófusok számára különleges jelentése van, ahogyan azt az elme testproblémája vagy az elme filozófiája használja.)

A mesterséges intelligencia rendszer képes (csak) úgy viselkedni, ahogy gondolkodik és elme van.

Az elsőt erős AI hipotézisnek, a második a gyenge AI hipotézisnek nevezzük, mivel az első állítja az erőteljes megállapítást: feltételezi, hogy valami különös történt a géppel, amely meghaladja minden olyan képességünket, amelyet tesztelni tudunk. Searle az erős AI hipotézisre erős AI -re hivatkozott. Ez a használat általános az akadémiai AI kutatásokban és a tankönyvekben is.

A gyenge AI hipotézis megegyezik azzal a hipotézissel, hogy a mesterséges általános intelligencia lehetséges. Russell és Norvig szerint A legtöbb AI kutató magától értetődőnek veszi a gyenge AI hipotézist, és nem törődik az erős AI hipotézissel.

A Searle-lel ellentétben Kurzweil az erős AI kifejezést használja minden olyan mesterséges intelligencia rendszer leírására, amely úgy viselkedik, mint amilyen elméje van, függetlenül attól, hogy a filozófus képes lenne-e meghatározni, hogy valójában van-e elméje.

Lehetséges magyarázatok az AI kutatásának lassú előrehaladására

Az AI kutatás 1956-os elindítása óta e terület növekedése az idő múlásával lelassult, és megállította a célokat, hogy emberi szintű intelligens cselekvésre szakképzett gépeket hozzon létre. A késés lehetséges magyarázata az, hogy a számítógépek nem rendelkeznek elegendő memóriával vagy feldolgozási energiával. Ezenkívül az AI-kutatás folyamatához kapcsolódó bonyolultsági szint korlátozhatja az AI-kutatás előrehaladását is.

Noha a legtöbb AI-kutató úgy gondolja, hogy az AI-t a jövőben is el lehet érni, vannak olyan személyek, mint Hubert Dreyfus és Roger Penrose, akik tagadják az erős AI elérésének lehetőségét. John McCarthy volt a különféle számítógépes tudósok egyike, akik úgy vélik, hogy az emberi szintű AI megvalósul, de a dátumot nem lehet pontosan megjósolni.

A koncepcionális korlátok egy további lehetséges oka az AI kutatás lassúságának. Az AAI kutatóknak szükség lehet arra, hogy módosítsák fegyelemük koncepcionális keretét annak érdekében, hogy erősebb alapot biztosítsanak és hozzájáruljanak az erős AI eléréséhez. Amint William Clocksin 2003-ban írta: a keret Weizenbaum megfigyeléséből indul, amely szerint az intelligencia csak meghatározott társadalmi és kulturális összefüggésekben nyilvánul meg.

Ezenkívül az AI kutatói képesek voltak olyan számítógépeket létrehozni, amelyek képesek az emberek számára bonyolult feladatok elvégzésére, ám ezzel szemben megpróbáltak olyan számítógépet kifejleszteni, amely képes az emberek számára egyszerű feladatok elvégzésére (Moravec paradoxona). David Gelernter által leírt probléma az, hogy néhány ember feltételezi, hogy a gondolkodás és az érvelés egyenértékűek. Az a gondolat, hogy a gondolatok és a gondolatok alkotója külön-külön elkülönültek-e, felvetette az AI kutatóit.

Az AI kutatásában az elmúlt évtizedek során felmerült problémák tovább akadályozták az AI fejlődését. A sikertelen előrejelzések, amelyeket az AI kutatói ígértek, és az emberi viselkedés teljes megértésének hiánya hozzájárultak az emberi szintű AI elsődleges gondolatának csökkentéséhez. Bár az AI kutatásának előrehaladása javulást és csalódást hozott, a legtöbb kutató optimizmust mutatott arról, hogy miként érhető el az AI célja a 21. században.

Az esetleges hosszú távú kutatás további lehetséges okait javasolták az erős AI folyamatában. A tudományos problémák bonyolultsága és az emberi agy pszichológián és neurofiziológián keresztüli teljes körű megértésének szükségessége korlátozta sok kutatót az emberi agy funkcióinak számítógépes hardverre való utánozására. Sok kutató hajlandó alábecsülni minden olyan kétséget, amely az AI jövőbeli előrejelzéseivel kapcsolatos., de anélkül, hogy ezeket a kérdéseket komolyan veszi, az emberek figyelmen kívül hagyhatják-e a problémás kérdések megoldásait.

Clocksin szerint az AI kutatásának előrehaladását akadályozó fogalmi korlát az lehet, hogy az emberek rossz technikákat alkalmaznak számítógépes programokra és berendezések bevezetésére. Amikor az AI kutatói először a mesterséges intelligencia célját célozták meg, a legfontosabb érdeklődés az emberi érvelés volt. A kutatók azt remélték, hogy az érvelés révén kidolgozzák az emberi tudás számítási modelljét, és megtudják, hogyan lehet megtervezni egy számítógépet egy adott kognitív feladattal.

Az absztrakció gyakorlata, amelyet az emberek hajlamosak újradefiniálni, amikor egy adott kutatási környezettel dolgoznak, a kutatóknak csupán néhány fogalomra koncentrálnak. Az absztrakció leghatékonyabb felhasználása az AI kutatásban a tervezésből és a problémamegoldásból származik. Bár a cél a számítás sebességének növelése, az absztrakció szerepe kérdéseket vet fel az absztrakciós operátorok bevonásával kapcsolatban.

Az AI lassúságának egyik lehetséges oka az a, hogy sok AI kutató felismerte, hogy a heurisztika olyan szakasz, amely jelentős eltérést mutat a számítógép és az emberi teljesítmény között. A számítógépre programozott speciális funkciók sok követelménynek megfelelhetnek. amelyek lehetővé teszik, hogy megfeleljen az emberi intelligenciának. Ezeknek a magyarázatoknak nem feltétlenül biztos, hogy az erős AI elérésének késése alapvető okai, ám számos kutató egyetértett velük.

Sok AI kutató vitatta azt az elképzelést, hogy a gépeket érzelmekkel kell-e létrehozni. Az AI tipikus modelljeiben nincsenek érzelmek, és néhány kutató szerint az érzelmek gépekbe programozása lehetővé teszi számukra, hogy saját elképzelésük legyen. Az érzelem összefoglalja az emberek tapasztalatait, mert lehetővé teszi számukra, hogy emlékezzenek ezekre a tapasztalatokra. David Gelernter azt írja: Egyik számítógép sem lesz kreatív, hacsak nem képes az emberi érzelmek összes árnyalatait szimulálni. Ez az érzelmekkel kapcsolatos aggodalom az AI kutatóinak problémákat okozott, és kapcsolódik az erős AI fogalmához, miközben kutatása előrehalad a jövőben.

Öntudat

Az intelligencia mellett az emberi elme más aspektusai is vannak, amelyek relevánsak az erős AI fogalma szempontjából, amelyek nagy szerepet játszanak a tudományos fantasztikában és a mesterséges intelligencia etikájában:

Tudat: Szubjektív tapasztalat és gondolkodás megszerzése.

Önismeret: önmagának, mint önálló személynek a tudatosítása, különös tekintettel a saját gondolatainak tudatosítására.

érzékenység: Az a képesség, hogy szubjektíven érzékeljük az érzelmeket vagy az érzelmeket.

Sapience: A bölcsesség képessége.

Ezeknek a tulajdonságoknak erkölcsi dimenziója van, mivel egy ilyen erős AI formájú gépnek törvényes jogai lehetnek, hasonlóak a nem ember állatok jogaihoz. Bill Joy többek között azt állítja, hogy egy ilyen tulajdonságú gép veszélyeztetheti az emberi életet vagy méltóságát. Még be kell mutatni, vajon ezek a tulajdonságok szükségesek-e az erős AI-hez. A tudatosság szerepe nem egyértelmű, jelenlétére jelenleg nincs egyeztetett teszt. Ha egy gépet olyan eszközzel építenek, amely szimulálja a tudat neurális korrelációját, automatikusan öntudatában lenne? Lehetséges az is, hogy ezeknek a tulajdonságoknak, például az érzékenységnek, némelyike ​​természetesen egy teljesen intelligens gépről származik, vagy hogy természetes lesz az, hogy ezeket a tulajdonságokat a gépeknek tulajdonítják, mihelyt azok egyértelműen intelligens módon működnek. Például, az intelligens cselekvés lehet elegendő az érzékenységhez, nem pedig fordítva.

A tudományos fikcióban az AGI-t olyan tulajdonságokkal társítják, mint például az élőlényekben megfigyelt tudatosság, érzékiség, érzelmi képesség és öntudat. John Searle filozófus szerint azonban nyitott kérdés, vajon elegendő-e az általános intelligencia a tudatossághoz. Az erős AI -t (ahogy azt Ray Kurzweil fentebb meghatározta) nem szabad összekeverni Searle erős AI hipotézisével. Az erős AI hipotézis azt állítja, hogy egy olyan számítógépnek, amely ugyanolyan intelligensen viselkedik, mint egy ember, szükségszerűen lélekkel és tudattal is rendelkezik. Az AGI csak arra az intelligenciamennyiségre utal, amelyet a gép megjelenít, elméjével vagy anélkül.

Ellentmondások és veszélyek

Megvalósíthatósági

A vélemények egyaránt eltérnek attól, hogy megérkezik-e a mesterséges általános intelligencia és mikor. Az egyik szélsőség, Herbert A. Simonwrote, az AI úttörője 1965-ben: A gépek húsz éven belül képesek lesznek az ember által elvégzendő munkára. Ez az előrejelzés azonban nem valósult meg. A Microsoft társalapítója, Paul Allenbel azt hitte, hogy az ilyen intelligencia nem valószínű a 21. században, mert ehhez előre nem látható és alapvetően kiszámíthatatlan áttörésekre és a megismerés tudományosan mély megértésére lenne szükség. A The Guardianban írt robot, Alan Winfield robotista szerint a modern számítástechnika és az emberi szintű mesterséges intelligencia közötti szakadék olyan széles, mint a szakadék a jelenlegi űrrepülés és a fénynél gyorsabb, a fénynél gyorsabb űrrepülés között. AzAI szakértők véleménye az AGI viasz és csökkenni, és valószínűleg megújult a 2010-es években. A 2012-ben és 2013-ban elvégzett négy közvélemény-kutatás azt sugallta, hogy a szakértők körében a közvélemény-kutatásoktól függően 2040-ig 2050-ig az 50% -kal magabiztosabbak lesznek az AGI, ha átlagosan 2081 lesz. Érdekes még megjegyezni, hogy a a szakértők soha válaszoltak, amikor ugyanazt a kérdést feltették, hanem 90% -os bizalommal. További jelenlegi AGI-előrehaladási megfontolások az alábbiakban találhatók az emberi szintű AGI és IQ-tesztek AGI megerősítésére szolgáló tesztek alatt.

Az emberi lét potenciális veszélye

A mesterséges általános intelligencia létrehozása olyan nagy következményekkel járhat, és annyira összetett, hogy nem lehet előre jelezni, hogy mi várható később. Tehát az erős AI elérésének hipotetikus jövőjében bekövetkező eseményt technológiai szingularitásnak nevezzük, mivel elméletileg nem láthatjuk túl. De ez nem akadályozta meg a filozófusokat és kutatókat abban, hogy kitalálják, mit tehetnek a jövő okos számítógépei vagy robotjai, ideértve az utópiát a barátaink révén vagy az AI átvételén keresztül elárasztva. Ez utóbbi potenciál különösen zavaró, mivel egzisztenciális kockázatot jelent az emberiség számára.

Önreplikáló gépek

Az intelligens számítógépek vagy robotok képesek lennének fejleszteni és fejleszteni saját maguk változatait. Az intelligens robotok egyre növekvő populációja elképzelhetően kihagyhatja az alacsonyabbrendű embereket a munkaerőpiacokon, az üzleti életben, a tudományban, a politikában (a robotjogok érvényesítése érdekében) és technológiai szempontból, szociológiai szempontból (egyként járva) és katonailag. Még manapság is sok munkát elvégeztek egy olyan gyenge AI-hajtású álnév-intelligens gépek. Például az otthoni, egészségügyi, vendéglátó-ipari és éttermi robotok életünk sok részét automatizálták: a virtuális robotok az ügyfélszolgálatot önellátássá változtatják. szolgáltatás, big data AI alkalmazások helyettesítik a portfóliókezelőket, és a szociális robotok, mint például a Pepper, az emberi üdvözlők helyettesítésére szolgálnak az ügyfélszolgálat céljából.

Emergent superintelligence

Ha az erős AI-hez való kutatás elegendő intelligens szoftvert állít elő, akkor képes lesz arra, hogy újraprogramozza és fejlessze saját magát - ezt a funkciót rekurzív önfejlesztésnek nevezik. Ez akkor még jobb lesz, ha fejleszti önmagát, és valószínűleg folytatja ezt egy gyorsan növekvő ciklusban, amely intelligencia robbanáshoz és szuper intelligencia kialakulásához vezet. Ilyen intelligenciának nem lennének az emberi intelligencia korlátozásai, és feltalál vagy fedez fel szinte bármit.

A hiperintelligens szoftver nem feltétlenül dönt az emberiség folyamatos fennmaradásának támogatásáról, és rendkívül nehéz megállítani. Ezt a témát a közelmúltban is elkezdték tárgyalni tudományos publikációkban, mint a civilizáció, az emberek és a Föld bolygó valódi kockázati forrását.

Az egyik javaslat ennek kezelésére az, hogy megbizonyosodjunk arról, hogy az első általában intelligens AI egy barátságos AI, amely akkor igyekszik biztosítani, hogy a később kifejlesztett AI is nekünk kedves legyen. A barátságos AI-t azonban nehezebb létrehozni, mint az egyszerű AGI-t, ezért valószínű, hogy a kettő közötti versenyben először a nem barátságos AAI kerül kidolgozásra. Ezenkívül nincs garancia arra, hogy a barátságos madárinfluenza barátságos marad, vagy hogy utódaik is jók lesznek.

A mesterséges intelligencia története