هوش مصنوعی عمومی چیست؟

هوش مصنوعی عمومی یا artificial general intelligence شاخه‌ای از تحقیقات نظری در زمینه هوش مصنوعی است که تلاش می‌کند نرم‌افزاری با هوش شبیه به انسان و قابلیت خودآموزی ایجاد کند. هدف این است که نرم‌افزار بتواند وظایفی را انجام دهد که لزوماً برای آن‌ها آموزش ندیده یا توسعه نیافته است.

فناوری‌های هوش مصنوعی کنونی همگی در چارچوب پارامترهای از پیش تعیین‌شده‌ای عمل می‌کنند. به عنوان مثال، مدل‌های هوش مصنوعی که برای تشخیص و تولید تصاویر آموزش دیده‌اند، نمی‌توانند وب‌سایت بسازند. هوش مصنوعی عمومی (AGI) یک تلاش نظری برای توسعه سیستم‌های هوش مصنوعی است که دارای کنترل خودکار، درجه معقولی از خودشناسی و توانایی یادگیری مهارت‌های جدید باشند. AGI می‌تواند مسائل پیچیده را در شرایط و زمینه‌هایی که در زمان ایجاد آن آموزش داده نشده‌اند، حل کند. هوش مصنوعی عمومی با توانایی‌های انسانی هنوز یک مفهوم نظری و هدف تحقیقاتی باقی مانده است.

در طول دهه‌ها، محققان هوش مصنوعی چندین دستاورد مهم را به ثبت رسانده‌اند که به طور قابل توجهی هوش ماشینی را پیشرفت داده‌اند، حتی تا حدی که در وظایف خاص، هوشی مانند انسان و حتی برتر از آن را از خود نشان دادند. به عنوان مثال، خلاصه‌کننده‌های هوش مصنوعی از مدل‌های یادگیری ماشین (ML) برای استخراج نکات مهم از اسناد و تولید خلاصه‌ای قابل فهم استفاده می‌کنند. بنابراین، هوش مصنوعی یک رشته از علوم کامپیوتر است که به نرم‌افزار امکان می‌دهد وظایف جدید و دشوار را با عملکردی در سطح انسانی حل کند.

در مقابل، یک سیستم هوش مصنوعی عمومی می‌تواند مشکلات را در حوزه‌های مختلف، بدون نیاز به مداخله و مانند یک انسان حل کند. AGI به جای محدود بودن به یک حوزه خاص، می‌تواند خودآموزی کند و مسائلی را که هرگز در مورد آن‌ها آموزش ندیده است، حل کند. بنابراین AGI یک نمایش نظری از هوش مصنوعی کاملی است که وظایف پیچیده را با توانایی های شناختی تعمیم یافته انسان حل می‌کند.

برخی از دانشمندان کامپیوتر بر این باورند که AGI، یک برنامه کامپیوتری فرضی با درک و توانایی‌های شناختی انسانی است. سیستم‌های هوش مصنوعی می‌توانند طبق این نظریه‌ها بدون آموزش اضافی وظایف ناآشنا را انجام دهند. در مقابل، سیستم‌های هوش مصنوعی که امروزه استفاده می‌کنیم نیاز به آموزش گسترده دارند تا بتوانند وظایف مرتبط در همان حوزه را انجام دهند. به عنوان مثال، شما باید یک مدل زبان بزرگ (LLM) از پیش‌آموزش‌دیده را با مجموعه داده‌های پزشکی تنظیم کنید تا بتواند به طور مداوم به عنوان یک چت‌بات پزشکی عمل کند.

هوش مصنوعی قوی یا هوش مصنوعی عمومی (AGI)، هوش مصنوعی کاملی است که می‌تواند حتی با داشتن دانش پیش‌زمینه‌ای کم، وظایف را در سطح انسان انجام دهد. در داستان‌های علمی-تخیلی، هوش مصنوعی قوی معمولاً به عنوان یک ماشین متفکر با درک انسانی تصویر می‌شود که محدود به چارچوب خاصی نیست.

در مقابل، هوش مصنوعی ضعیف یا هوش مصنوعی محدود، سیستم‌های هوش مصنوعی هستند که به مشخصات محاسباتی، الگوریتم‌ها و وظایف خاصی که برای آن طراحی شده‌اند، محدود می‌شوند. برای مثال، مدل‌های قبلی هوش مصنوعی دارای حافظه‌های محدودی بودند و فقط به داده‌های زمان واقعی برای تصمیم‌گیری متکی بودند. حتی کاربردهای جدیدتر هوش مصنوعی تولیدی با حافظه بهتر نیز به عنوان هوش مصنوعی ضعیف در نظر گرفته می‌شوند زیرا نمی‌توانند برای حوزه‌های دیگر به کار آید.

تحقق در مورد هوش مصنوعی عمومی نیازمند طیف وسیع‌تری از فناوری‌ها، داده‌ها و ارتباطات بین‌المللی است که بیش از آنچه که مدل‌های هوش مصنوعی امروزی قدرت دارند. خلاقیت، ادراک، یادگیری و حافظه برای ایجاد هوش مصنوعی که رفتار پیچیده انسانی را تقلید کند، ضروری است. کارشناسان هوش مصنوعی چندین روش برای پیشبرد تحقیقات AGI پیشنهاد داده‌اند.

دستیابی به هوش مصنوعی عمومی، به طیف گسترده‌تری از فناوری‌ها، داده‌ها و اتصالات متقابل نیاز دارد که مدل‌های هوش مصنوعی امروزی را تقویت می‌کند. خلاقیت، ادراک، یادگیری و حافظه برای ایجاد هوش مصنوعی که رفتارهای پیچیده انسانی را تقلید می کند ضروری است. کارشناسان هوش مصنوعی چندین روش را برای هدایت تحقیقات هوش مصنوعی عمومی پیشنهاد کرده‌اند.

رویکرد نمادین فرض می‌کند که سیستم‌های کامپیوتری می‌توانند با نمایش افکار انسانی با شبکه‌های منطقی گسترده، هوش مصنوعی عمومی را توسعه دهند. شبکه منطقی، نماد اشیاء فیزیکی را با منطق اگر-آنگاه نشان می‌دهد و به سیستم هوش مصنوعی اجازه می‌دهد ایده ها را در سطح فکری بالاتری تفسیر کند. با این حال، نمایش نمادین نمی‌تواند توانایی‌های شناختی ظریف در سطح پایین، مانند ادراک را تقلید کند.

رویکرد اتصالی بر تقلید ساختار مغز انسان با معماری شبکه‌های عصبی تمرکز دارد. نورون‌های مغز می‌توانند مسیرهای انتقال خود در تعاملات انسان با محرک‌های خارجی را تغییر دهند. دانشمندان امیدوارند که مدل‌های هوش مصنوعی که این رویکرد زیرنمادین را اتخاذ می‌کنند، بتوانند هوش شبیه به انسان را تقلید کرده و قابلیت‌های شناختی در سطح پایین را نشان دهند. مدل‌های زبانی بزرگ نمونه‌ای از هوش مصنوعی هستند که از روش اتصالی برای فهم زبان‌های طبیعی استفاده می‌کنند.

پژوهشگرانی که رویکرد جهان‌گرا را دنبال می‌کنند، بر حل پیچیدگی‌های هوش مصنوعی عمومی در سطح محاسبه تمرکز دارند. آن‌ها تلاش می‌کنند راه‌حل‌های نظری را فرموله کنند که بتوانند به سیستم‌های عملی هوش مصنوعی عمومی تبدیل شوند.

رویکرد معماری کل ارگانیسم شامل ادغام مدل‌های هوش مصنوعی با نمایشی فیزیکی از بدن انسان است. دانشمندانی که از این نظریه حمایت می‌کنند، معتقدند هوش مصنوعی عمومی تنها زمانی قابل دستیابی است که سیستم از تعاملات فیزیکی یاد بگیرد.

رویکرد ترکیبی به مطالعه روش‌های نمادین و زیرنمادین نمایش افکار انسانی می‌پردازد تا نتایجی فراتر از یک روش واحد حاصل شود. محققان هوش مصنوعی ممکن است تلاش کنند اصول و روش‌های مختلف شناخته شده را برای توسعه هوش مصنوعی عمومی ترکیب کنند.

هوش مصنوعی عمومی (AGI) همچنان هدفی دور از دسترس برای محققان است و تلاش‌ها برای ساخت آن ادامه دارد و با پیشرفت‌های جدید فناوری و تکنولوژی تشویق به ادامه مسیر می‌شود. بخش‌های زیر به توصیف فناوری‌های نوظهور می‌پردازند.

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

هوش مصنوعی تولیدی یک زیرشاخه از یادگیری عمیق است که در آن سیستم هوش مصنوعی می‌تواند محتوای منحصربه‌فرد و واقع‌گرایانه‌ای از دانش آموخته‌شده تولید کند. مدل‌های هوش مصنوعی تولیدی با مجموعه داده‌های عظیم آموزش می‌بینند که به آن‌ها امکان می‌دهد به پرسش‌های انسانی با متن، صدا یا تصویر پاسخ دهند که به طور طبیعی شبیه به عکس‌العمل‌های انسانی باشد.

برای مثال، مدل‌های زبانی بزرگ (LLM) از AI21 Labs، Anthropic، Cohere و Meta الگوریتم‌های هوش مصنوعی تولیدی هستند که سازمان‌ها می‌توانند از آن‌ها برای حل وظایف پیچیده استفاده کنند.

پردازش زبان طبیعی (NLP) شاخه‌ای از هوش مصنوعی است که به سیستم‌های کامپیوتری امکان می‌دهد زبان انسانی را درک و تولید کنند. سیستم‌های NLP از زبان‌شناسی محاسباتی و فناوری‌های یادگیری ماشینی برای تبدیل داده‌های زبانی به نمایه‌های ساده به نام توکن‌ها و درک رابطه متنی آن‌ها استفاده می‌کنند. برای مثال، Amazon Lex یک موتور NLP است که به سازمان‌ها امکان می‌دهد چت‌بات‌های گفتگوگر بسازند.

بینایی کامپیوتری فناوری است که به سیستم‌ها امکان می‌دهد اطلاعات مکانی را از داده‌های بصری استخراج، تجزیه و تحلیل و درک کنند. ماشین‌های خودران از مدل‌های بینایی کامپیوتری برای تجزیه و تحلیل فیدهای زمان واقعی از دوربین‌ها و هدایت وسیله نقلیه به دور از موانع استفاده می‌کنند. فناوری‌های یادگیری عمیق به سیستم‌های بینایی کامپیوتری امکان می‌دهند شناسایی اشیاء در مقیاس بزرگ، طبقه‌بندی، نظارت و سایر وظایف پردازش تصویر را به صورت خودکار انجام دهند. برای مثال، مهندسان از Amazon Rekognition برای خودکارسازی تحلیل تصاویر در برنامه‌های مختلف بینایی کامپیوتری استفاده می‌کنند.

رباتیک یک رشته مهندسی است که در آن سیستم‌های مکانیکی ساخته می‌شود که به صورت خودکار، حرکات فیزیکی را انجام دهند. در هوش مصنوعی عمومی، سیستم‌های رباتیک به هوش ماشینی امکان می‌دهند به شکل فیزیکی ظهور کنند. این امر برای معرفی توانایی‌های درک حسی و دستکاری فیزیکی که سیستم‌های AGI نیاز دارند، محوری است. برای مثال، تعبیه یک بازوی رباتیک با AGI ممکن است به بازو امکان دهد تا پرتقالی را تشخیص دهد، آن را بردارد و مانند یک انسان‌ پوست بکند!

دانشمندان کامپیوتر با برخی از چالش‌های زیر در توسعه هوش مصنوعی عمومی مواجه هستند.

ایجاد ارتباطات

مدل‌های هوش مصنوعی فعلی محدود به حوزه خاص خود هستند و نمی‌توانند بین حوزه‌ها ارتباط برقرار کنند. اما انسان‌ها می‌توانند دانش و تجربه از یک حوزه را به حوزه دیگر اعمال کنند. برای مثال، نظریه‌های آموزشی در طراحی بازی، برای ایجاد تجربیات یادگیری جذاب به کار می‌روند. انسان‌ها همچنین می‌توانند آنچه را که از آموزش نظری یاد می‌گیرند را با موقعیت‌های واقعی تطبیق دهند. اما مدل‌های یادگیری عمیق برای عملکرد قابل اعتماد با داده‌های ناآشنا نیاز به آموزش گسترده با مجموعه داده‌های خاص دارند.

هوش هیجانی

مدل‌های یادگیری عمیق احتمال ساخت هوش مصنوعی عمومی را نشان می‌دهند، اما هنوز خلاقیت اصیل انسانی را به نمایش نگذاشته‌اند. خلاقیت نیاز به تفکر احساسی دارد که معماری شبکه‌های عصبی هنوز قادر به داشتن آن نیست. برای مثال، انسان‌ها به مکالمه بر اساس احساسات خود پاسخ می‌دهند، اما مدل‌های پردازش زبان طبیعی (NLP) متن را بر اساس مجموعه داده‌های زبانی و الگوهایی که بر روی آن‌ها آموزش دیده‌اند تولید می‌کنند.

ادراک حسی

هوش مصنوعی عمومی نیاز دارد که به طور فیزیکی با محیط خارج تعامل داشته باشد. علاوه بر توانایی‌های رباتیک، سیستم باید جهان را مانند انسان‌ها درک کند. فناوری‌های کامپیوتری موجود نیاز به پیشرفت بیشتری دارند تا بتوانند اشکال، رنگ‌ها، طعم‌ها، بوها و صداها را به دقت مانند انسان‌ها تشخیص دهند.