Kunstig generell intelligens åpner for muligheten for maskiner som kan agere, prestere og lære på samme måte som mennesker!
Kunstig intelligens har fundamentalt endret hvordan maskiner utfører arbeidsoppgaver. I dag er det mulig for datamaskiner å håndtere en rekke personlige og profesjonelle oppgaver, forutsatt at de er trent med relevante AI-verktøy. Dette inkluderer blant annet generering av bilder, produksjon av tale fra tekst, styring av ulike instrumenter og mer.
Det er likevel viktig å understreke at disse verktøyene ikke er genuint intelligente. Mye tid og ressurser har gått med til å trene dem opp i denne type automatisering.
Hva om vi hadde en virkelig intelligent dataapplikasjon som kunne lære på egenhånd? Det er her kunstig generell intelligens (AGI) kommer inn. Les videre for å lære mer om denne banebrytende teknologien!
Introduksjon
AGI er en teknologi som har potensial til å gjøre både programvare og maskinvare så avansert at de kan vise menneskelignende kognitive evner. Den er også kjent under navn som sterk AI, full AI, med flere.
For å forklare det enkelt, tenk deg at du presenterer et AGI-system for et problem det aldri har møtt før. Den intelligente datamaskinen vil analysere problemet, utføre relevante undersøkelser på internett og deretter komme med en løsning.
Selskaper som IBM, OpenAI, Microsoft, Google Brain, Darktrace og Deepmind er ledende innenfor utviklingen av AGI-teknologi. De streber etter å integrere følgende egenskaper i en konstruert, intelligent datamaskin:
- Generell intelligens som minner om menneskers.
- Intelligens som ikke er begrenset til spesifikke oppgaver, som for eksempel skriving eller tale.
- Evnen til å generalisere ny læring og knytte den til tidligere erfaringer.
- Evnen til å hente mening fra læring som er kvalitativt annerledes.
- Evnen til å forstå og analysere oppgaver ut fra reelle kontekster.
Foreløpig finnes det ingen fullt utviklet kunstig generell intelligens (AGI). Selskaper som IBM Strong AI og Google Brain har gjort fremskritt, men teknologien er ennå ikke klar for kommersiell bruk.
Fordeler og behov
Behovet for AGI oppstår blant annet fordi vi trenger å kunne erstatte mennesker i farlige arbeidssituasjoner. I tillegg har AGI-datamaskiner potensial til å levere en produktivitet i næringslivet vi ikke har sett maken til.
AGI-applikasjoner vil også spille en viktig rolle i å hjelpe menneskeheten med å løse komplekse utfordringer innen medisin, helsevesen, forsyningskjeder, økonomi, finans og samfunnsvitenskap.
Her er noen andre sentrale årsaker til hvorfor utvikling av AGI er viktig:
- AGI-applikasjoner kan vise en dypere forståelse av årsak og virkning, og dermed hjelpe mennesker med prosjekter innen risikovurdering.
- AGI-systemer kan effektivt utnytte ulike sanseoppfatninger, som farge, lyd, dybde, visuelle inntrykk og dimensjoner.
- Intelligente dataprogrammer kan styre robotarmer til å utføre finmotoriske oppgaver, som å montere elektroniske enheter fra start til slutt.
- Den naturlige språkbehandlingsevnen (NLP) til en AGI vil forenkle automatiseringsprosesser. Man vil kunne gi noen nøkkelord, og AGI-verktøyet vil kunne bygge de automatiserte prosessene som trengs.
- AGI-systemer kan løse unike problemer etter å ha observert og analysert problemstillingen i dens reelle kontekst, uten behov for å forholde seg til spesifikke betingelser (If/Then, If/Else, etc.).
- AGI kan bistå innholdsskapere, kunstnere, designere og arkitekter med å utvikle nye og innovative ideer.
- AGI-applikasjoner kan tilby enestående kundeservice uten feil, da de også vil kunne vise emosjonell og sosial intelligens.
AI vs. AGI
#1. Handlingsmåte
AI, også kalt smal AI, er en reaktiv applikasjon som responderer med et forhåndsdefinert sett av handlinger når den mottar signaler fra hendelsestriggere.
AGI-systemer trenger ikke slike triggere. Disse applikasjonene vil reagere proaktivt, på samme måte som mennesker, for å forebygge problemer og løse utfordringer.
#2. Handlingsomfang
Smal eller svak AI har også et begrenset arbeidsområde. En AI som skriver tekst, skal for eksempel ikke kjøre en bil og omvendt. Denne begrensede anvendelsen gjør utviklingen kostbar og lite effektiv.
Én enkelt AGI-enhet kan styre en hel produksjonsfabrikk, drifte tusenvis av hjem i en region eller lede alle kontorene til en bedrift. Den er tilpasningsdyktig til en hvilken som helst utfordring, da den har kognitive lærings-, resonnements- og proaktive handlingsevner.
#3. Problemløsningsferdigheter
Smal AI løser hovedsakelig lukkede problemer, slik som GPS-navigasjon, nettsøk basert på nøkkelord, AI-skriving og AI-kodefullføring.
Kunstig generell intelligens kan håndtere mer komplekse, åpne problemstillinger, for eksempel å utvikle en feltmarkedsføringsstrategi basert på en analyse av markedet, kundene og produktene.
#4. Minnekapasitet
De fleste svake AI-programmer er basert på maskiner med begrenset minne. AI er avhengig av et sett av kunstige nevrale nettverk og treningsdatabaser. Når databasen eller algoritmene blir utdaterte, vil AI-systemet gå i stå.
AGI-er vil ha tilgang til nærmest ubegrenset minne (kunnskapsressurser) via lokale databaser, skybaserte databaser og internett.
#5. Oppgraderinger
Mennesker må oppgradere svake AI-systemer jevnlig etter hvert som forretningsmessige krav og markedstrender endrer seg.
AGI-systemer vil kunne oppgradere sitt eget minne og sine egne databaser på egenhånd, uten at menneskelig innblanding er nødvendig.
Tilnærminger
#1. Den sub-symbolske tilnærmingen
Her bruker AGI-utviklere applikasjoner som ligner den menneskelige hjernen, som for eksempel DeepMinds AlphaGo, konvolusjonelle nevrale nettverk og dyplæringssystemer.
#2. Den symbolske tilnærmingen
I denne metoden bruker AGI-utviklere flytskjemaer, symboler og hvis-så-setninger. Kunstig generell intelligens bruker en primær algoritme for å lære og skape en kunnskapsbase. Videre kan den sammenligne algoritmen og dens symboler med virkelige forhold for å utvikle bedre tankeprosesser enn svake AI-systemer.
#3. Tilnærming med hel kropp
I dette konseptet ønsker AGI-utviklere å inkludere all programvare, maskinvare, nettverk og sensoriske evner i en menneskelignende kropp. Humanoiden skal kunne gå, snakke, berøre mennesker og så videre.
#4. Den hybride tilnærmingen
Den hybride tilnærmingen til AGI-utvikling kombinerer de sub-symbolske og symbolske metodene.
Et vellykket eksempel på denne kategorien er Sophia, en humanoid robot. Den omfatter både symbolske og konneksjonistiske systemer. Sophia bruker for eksempel CogPrime-arkitekturen og AtomSpace-databasen for sine funksjoner.
#5. Matematisk tilnærming
Forskere forsøker å gi AGI-systemer ubegrenset beregningskraft. Derfor vil disse intelligente appene og enhetene være i stand til å utføre det nødvendige antall matematiske beregninger for å ta utmerkede beslutninger.
Hvordan fungerer AGI?
Et AGI-program vil bruke ulike teknologier for å oppnå kognitive evner på menneskelig nivå. Disse inkluderer blant annet:
Inngang og utgang (I/O)
AGI-er bruker ulike sensoriske enheter for å utføre oppgavene sine, enten det er i en produksjonsfabrikk eller som selvkjørende biler. Disse sensorene kan være visuelle, RFID, temperatur, trykk, hastighet, bevegelse og så videre.
Andre AGI-systemer kan kreve OCR, databasekoblinger og lignende for å kunne utføre forretningsoperasjoner på kontorer.
Motoriske ferdigheter
Hele kropper, robotarmer og autonome kjøretøy opererer ved hjelp av finmotoriske bevegelser. AGI-er baserer seg på motoriske ferdigheter ervervet fra nevrale nettverk, 3D-bildebehandling, visuell etterligning og lignende teknikker.
NLP
En AGI kan lære fra ulike kilder, som for eksempel artikler fra nettsider, forskningspublikasjoner, e-bøker og YouTube-videoer. For å kunne gjøre dette må den intelligente applikasjonen først lære å tolke naturlig språk og omsette det til maskinspråk.
Resonnering og problemløsning
En AGI-robot eller applikasjon bruker ofte simuleringer for å løse et unikt problem. Siden den har enorm prosessorkraft og minnekapasitet, kan maskinen kjøre flere simuleringer samtidig. Deretter kan den velge den simuleringen som har størst sannsynlighet for å lykkes.
Kreativ tenking
AGI-er kan bruke flere nevrale nettverk til å generere unike og kreative ideer, som for eksempel kunst, musikk eller skriftlig innhold.
Ansiktsgjenkjenning og lydbehandling
Humanoid AGI-er som interagerer med mennesker, benytter seg som regel av lydanalyse og ansiktsgjenkjenning. Ved å analysere lyd og visuelle inntrykk fra omgivelsene og sammenligne dette med eksisterende kunnskapsbaser, kan den samhandle med mennesker.
Utfordringer
Kunstig generell intelligens har et enormt potensial til å transformere AI-verdenen, men veien dit er ikke uten hindringer. Her er noen av utfordringene knyttet til utvikling av AGI:
#1. Mestring av menneskelignende ferdigheter
For å oppnå ekte intelligens på menneskelig nivå, må en AGI mestre en rekke ferdigheter, inkludert motoriske ferdigheter, naturlig språkforståelse, sensorisk persepsjon, emosjonell og sosial tilknytning og kreativitet på menneskelig nivå.
#2. Fravær av arbeidsprotokoll
Det finnes ingen standardiserte arbeidsprotokoller for hvordan AI-systemer skal samarbeide sømløst. Implementering av et omfattende AGI-system vil derfor møte en del tekniske utfordringer.
#3. Mangel på forretningsmessig tilpasning
Integreringen av AI i eksisterende systemer er fortsatt en kompleks prosess. Ettersom de berørte interessentene ikke er fullt ut klar over driftsparametrene, kan det være vanskelig å holde utviklingen i tråd med forretningsmålene.
#4. Kommunikasjonsutfordringer
Det er fremdeles kommunikasjonsutfordringer mellom ulike AI-systemer. Ettersom det ikke er mulig med sømløs datadeling mellom disse systemene, hindres den interne læringen av AI-modellene, og dens universalitet reduseres.
#5. Fravær av AGI-retning
Det finnes foreløpig ingen konkrete planer eller instruksjoner for implementering av AGI i bedriftens drift. Dette gjør implementeringen kostbar og hemmer utviklingen.
Trender
Som du vet, er den fullstendige utviklingen av kunstig generell intelligens ennå ikke oppnådd. Disse AI-trendene vil likevel kunne påvirke utviklingen av AGI:
#1. Natural Language Processing (NLP)
NLP, eller Natural Language Processing, refererer til prosessen der AI forstår menneskelig språk og konverterer det til maskinstøttet kode. Ved hjelp av NLP vil AGI kunne samhandle med mennesker på en realistisk måte.
#2. Metaverse
Metaverse er en teknologi som tilbyr en oppslukende brukeropplevelse. Med økende interesse for Metaverse vil AGI kunne bidra til å utvikle denne virtuelle verdenen.
#3. Lavkode eller nullkode AI
Det er en økende etterspørsel etter lavkode- eller nullkodeløsninger, også innen AI-verktøy og -algoritmer. Disse løsningene leveres med intuitive grensesnitt som forenkler komplekse apputviklingsprosesser.
#4. Arbeidsstyrkeforsterkning
Dette innebærer at mennesker og digitale medarbeidere jobber side om side i en organisasjon. Selv om mange frykter at AI vil føre til arbeidsledighet, vil inkludering av AI i driften føre til økt effektivitet.
#5. Quantum AI
Quantum AI har et stort potensial til å påvirke AGI ved å øke hastigheten på maskinlæringsalgoritmer og bidra til å oppnå raskere resultater. Det kan også bidra til å overvinne hindringer AGI kan møte ved å analysere store datamengder.
#6. AI-etikk
Det er umulig å ignorere de potensielle risikoene knyttet til AI. Hvis AI ikke brukes på en ansvarlig måte, kan den være farlig for menneskeheten. Derfor vil AI-etikk få økt fokus i årene som kommer.
#7. AI Chatbots
AI-chatbots eller virtuelle assistenter kan føre naturlige samtaler og utføre regelbaserte operasjoner. Disse chatbotene har begynt å erstatte menneskelige kundeservicemedarbeidere og har allerede redusert driftskostnadene for mange bedrifter. I fremtiden kan dette revolusjonere AGI.
Risikoer ved AGI
- Hvis databasen til en AGI er begrenset, kan den ta katastrofale beslutninger som kan skade bedrifter og hjem.
- AGI-systemer kan bli mål for avanserte hackingangrep. Hvis en hacker stenger ned en AGI-maskin, kan det skade hele virksomheten.
- AI-utviklere har rapportert om hendelser der prototype-AGI-er har tatt partiske avgjørelser.
- Å gi AGI-er ubegrenset tilgang til databaser kan også bryte personvernregler rundt om i verden.
La oss se nærmere på noen virkelige eksempler på kunstig generell intelligens.
Eksempler fra den virkelige verden
#1. ROSS sitt AI-søk
AI-advokaten ROSS kan søke gjennom milliarder av juridiske dokumenter på under tre sekunder. Du kan stille et hvilket som helst juridisk spørsmål, og den vil gi nøyaktige svar.
ROSS er en AGI fordi den bruker ulike intelligente teknologier som rangering, gjenfinning og forståelse. Den har også et bredere handlingsrom, da den dekker alle nisjer innenfor det juridiske feltet.
#2. AlphaGo
AlphaGo er en AI-basert Go-brettspillspiller. Det er den første intelligente maskinen som har slått en profesjonell Go-spiller. Selv om dette er en kunstig intelligens med et begrenset handlingsrom, har den selvlærende evner. AlphaGo kan lære av sin motstander og sine egne feil.
#3. OpenAIs medfølgende AI-verktøy
OpenAIs utvalg av AI-systemer, som nevnt nedenfor, kan utføre ulike oppgaver automatisk når de kombineres med API-kall:
- GPT-3 genererer naturlige språkbaserte tekster fra enkle fraser og ledetråder. Mange nettspill og opplevelser med blandet virkelighet, som for eksempel FableStudios historiedrevne «Virtual Being», bruker GPT-3 for interaktive historier.
- Codex hjelper utviklere med å konvertere naturlig språkinndata til kode, noe som forenkler koding.
- DALL·E hjelper NFT-skapere og digitale kunstnere med å produsere tusenvis av originale og unike kunstverk på få minutter. AI-en kan også redigere bilder.
#4. IBM Watson
IBM Watson er en komplett AI-pakke for bedrifter. Vi kan kalle det en AGI ettersom den har forskjellige bruksområder. Det finnes flere ulike Watson AI-er, som de som er listet opp nedenfor:
- IBM Watson Assistant for kundeservice eller virtuell assistanse
- IBM Watson Discovery skaper innsikt og svar fra komplekse forretningsdokumenter
- IBM Watson Natural Language Understanding and Classifier
Siste ord
Nå har du lært mer om konseptet kunstig generell intelligens. Du har også fått kunnskap om hvordan det fungerer, hvilke utfordringer som er knyttet til det, eksempler, risikoer og mye mer.
Denne informasjonen vil kunne hjelpe deg med å planlegge utviklingsprosjektene dine innen kunstig intelligens på en hensiktsmessig måte. Det må være fleksibelt nok til å inkludere neste generasjons intelligente applikasjoner i prosjektet, slik at det kan utvikles til en AGI.
Hvis du er en bedrift som ønsker å gjøre driften mer produktiv og kostnadseffektiv, kan AGI være løsningen, selv om det fortsatt er mye utvikling på gang.
Du kan lese mer om maskinlæring hvis du er interessert i å lære mer.