هوش مصنوعی عمومی (AGI) چیست؟
هوش مصنوعی عمومی (AGI) حوزه ای از تحقیقات تئوری هوش مصنوعی است که تلاش می کند نرم افزاری با هوش انسانی و توانایی خودآموزی ایجاد کند. هدف نهایی این است که هوش مصنوعی بتواند کارهایی انجام دهد که لزوماً برای آنها آموزش نیافته است.
فناوری فعلی هوش مصنوعی(AI) در مجموعه ای از پارامترهای از پیش تعیین شده قادر به عملیات است. برای مثال، مدل های هوش مصنوعی که در زمینه تشخیص یا ویرایش عکس یا تولید ویدیو آموزش دیده اند، نمی توانند وب سایت بسازند. هوش مصنوعی عمومی یک نظریه است که برای توسعه سیستم های هوش مصنوعی که دارای خودکنترلی و استقلال فکری، سطحی از خودآگاهی، و توانایی یادگیری مهارت های جدید هستند، طرح شده است. این نظریه می خواهد فناوری هوش مصنوعی به حدی برسد که بتواند، مشکلات پیچیده یا موضوعاتی که در زمان ساخت یک هوش مصنوعی، به آن آموزش داده نشده است، حل کند. البته همچنان AGI یک نظریه باقی مانده است و توانایی های انسانی همچنان دور از دسترس هوش مصنوعی هستند. در نتیجه هوش مصنوعی عمومی فعلاً یک هدف تحقیقاتی، قلمداد می شود.
تفاوت بین هوش مصنوعی (AI) و هوش مصنوعی عمومی (AGI) چیست؟
در طول دهه ها، محققان هوش مصنوعی چندین نقطه عطف را در این فناوری رقم زده اند، در نهایت هوش مصنوعی بسیار پیشرفت کرده است، تا حدی که هوش انسان را در کارهای خاصی تقلید می کند. به عنوان مثال، مدل های یادگیری ماشینی (ML) که در حوزه یادگیری ماشین توسعه پیدا کرده اند تا نکات مهم را از اسناد استخراج می کنند و می توانند یک خلاصه قابل فهم از اسناد متنی، ارائه دهند. هوش مصنوعی زیرشاخه ای از علوم کامپیوتر است که یک نرم افزار را قادر می سازد وظایف بدیع و دشوار را در سطح یک انسان حل کند.
در مقابل، یک سیستم AGI می تواند مشکلات و مسائل را در حوزه های گوناگون، مثل یک انسان، بدون دخالت دستی(انسانی) حل کند. به جای محدود شدن به یک حوزه خاص، AGI می تواند خودآموز باشد، و مسائلی را که هرگز برای آنها آموزش ندیده، بررسی و حل کند. بنابراین می توان گفت AGI یک نظریه برای یک هوش مصنوعی برتر است که وظایف پیچیده را با توانایی های شناختی انسانی، به عهده می گیرد.
برخی از دانشمندان حوزه کامپیوتر بر این باورند که AGI یک برنامه کامپیوتری با درک و توانایی شناختی انسان ها است. البته به صورت تئوری سیستم های هوش مصنوعی می توانند بدون آموزش های اضافی یاد بگیرند که کارهای ناآشنا را انجام دهند. در حالی که به صورت عملی سیستم های هوش مصنوعی که امروزه با آنها سروکار داریم، قبل از اینکه بتوانند وظایف مرتبط با یک رشته یا زمینه خاص را انجام دهند، به آموزش اساسی در همان موضوع نیاز دارند. به عنوان مثال، یک مدل زبانی در مقیاس بزرگ (LLM) را باید با مجموعه از داده ها و اطلاعات حوزه پزشکی آموزش داد تا، بتواند به صورت موثری به عنوان یک چت بات در حوزه پزشکی عمل کند.
هوش مصنوعی قوی و ضعیف
هوش مصنوعی قوی اصطلاحی است که در جامعه کاربران هوش مصنوعی به AGI اطلاق می شود، یعنی نوعی از هوش مصنوعی که علیرغم داشتن حد اندک از داده ها در یک زمینه، قادر به حل مسائل آن حوزه با سطح شناخت انسانی است. در داستان های علمی و تخیلی اغلب هوش مصنوعی قوی را به عنوان یک ماشین متفکر عظیم با درک انسانی، به تصویر می کشند که اغلب هم رو به حرکات خصمانه می آورد.
در نقطه مقابل هوش مصنوعی ضعیف یا باریک (Narrow)، اصطلاحی است که، به سیستم های هوش مصنوعی محدود به مشخصاتی خاص، الگوریتم ها و قابلیت عملیات محدود، گفته می شود. در این نوع، هوش مصنوعی تنها قادر به انجام کارهایی است که از پیش برای آن طراحی شده باشد. به عنوان مثال، مدل های قدیمی هوش مصنوعی حافظه محدودی دارند و برای رسیدن به نتایج فقط به داده هایی که از پیش روی آنها بارگذاری شده باشد، متکی هستند. باید گفت حتی پلتفرم های جدید هوش مصنوعی به صورت کلی، هوش مصنوعی ضعیف در نظر گرفته می شوند، زیرا نمی توان به راحتی آنها را روی حوزه های متفاوت، تغییر کاربری داد.
چه فناوری هایی باعث پیشرفت در تحقیقات هوش مصنوعی می شوند؟
یادگیری عمیق (Deep Learning):
یادگیری عمیق یک زیرشاخه از هوش مصنوعی است که بر آموزش مبتنی بر شبکه های نورونی برای استخراج اطلاعات از داده های خام، تمرکز دارد. متخصصان هوش مصنوعی از یادگیری عمیق برای ساختن سیستم هایی استفاده می کنند که قادر به درک متن، صدا، تصاویر و ویدیوها هستند. به عنوان مثال، از سیستم Amazon SageMaker برای ساخت مدل های یادگیری عمیق، برای اینترنت اشیا (IoT) و گوشی های موبایل، استفاده می شود.
هوش مصنوعی مولد (Generative AI):
هوش مصنوعی مولد یا تولیدکننده در حقیقت زیرمجموعه دیگری از یادگیری عمیق است که درآن، یک سیستم هوش مصنوعی می تواند محتوای منحصر به فرد و واقعی را از داده هایی که روی آن بارگذاری شده است، تولید کند. مدل های هوش مصنوعی مولد با مجموعه داده های بسیار بزرگی آموزش داده شده اند که، به آنها امکان می دهد به دستورهای انسانی با متن، صدا، و تصاویری که شبیه ساخته های انسان هستند، پاسخ دهند. از جمله این سیستم ها؛ Cohere، Anthropic، AI21، و Meta هستند که می توانند در زمینه های خود برای حل وظایف پیچیده، کار کنند.
NLP (پردازش زبان طبیعی):
پردازش زبان طبیعی (NLP) شاخه ای از هوش مصنوعی است که به سیستم های رایانه ای اجازه می دهد تا زبان انسانی را بفهمند و با همان زبان نیز، پاسخ دهند. سیستم های NLP از زبانشناسی و فناوری یادگیری ماشین، استفاده می کنند تا داده های زبان محور را تفسیر کنند و رابطه بین متن و نشانه های زبانی را درک کنند. برای مثال، آمازون لکس(Amazon Lex) یک موتور NLP است که می تواند ربات های مبتنی بر مکالمه بسازد.
کامپیوتر ویژن (Computer Vision):
کامپیوتر ویژن یک فناوری است که به سیستم ها اجازه می دهد تا اطلاعات مکانی را از داده های بصری استخراج، تجزیه و تحلیل و در نهایت درک کنند. اتومبیل های خودران از سیستم های کامپیوتر ویژن استفاده می کنند تا داده هایی را که از دوربین به آنها می رسد تجزیه و تحلیل کنند و وسیله نقلیه را به راحتی به دور از موانع هدایت کنند، یا از ماشین های دیگر سبقت بگیرند. در حقیقت این فناوری یادگیری عمیق است که به سیستم های مبتی بر کامپیوتر ویژن اجازه می دهد تا به صورت خودکار عمل کنند.
رباتیک:
رباتیک یک رشته از زیرمجموعه مهندسی است که در آن می توان سیستم هایی مکانیکی ساخت که به طور خودکار مانورهای فیزیکی در دنیای واقعی، انجام دهند. در AGI، سیستم های ربات محور با استفاده از هوش مصنوعی می توانند به صورت فیزیکی عرض اندام کنند. برای بهتر فهمیدن موضوع می توان مثال زد که، تعبیه یک بازوی رباتیک با AGI ممکن است به بازو و دست آن ربات اجازه دهد که مانند انسان، یک پرتغال را حس کند، مثلاً آن را پوست کند.
چالش های پیش روی هوش مصنوعی عمومی کدامند؟
متخصصین هوش مصنوعی در توسعه AGI با برخی چالش ها روبرو هستند:
ارتباط برقرار کردن:
مدل های فعلی هوش مصنوعی محدود به دامنه یا زمینه خاص خود هستند و نمی توانند بین حوزه های علمی ارتباطی برقرار کنند. با این حال، انسان ها می توانند دانش و تجربه خود را از یک حوزه به دیگر انتقال دهند یا بین رشته ها ارتباط منطقی برقرار کنند. برای مثال، انسان ها توانسته اند از تجربیات حوزه بازیسازی رایانه ای در حوزه آموزش به کودکان نیز بهره ببرند. انسان ها می توانند از آنچه به صورت تئوری یاد می گیرند در موقعیت های زندگی واقعی استفاده کنند. با این رسیدن به این سطح برای هوش مصنوعی همچنان دور از دسترس است. سیستم های هوش مصنوعی پس از آموزش های بسیار زیاد و مجموعه داده های عظیم می توانند به صورت ابتدایی با داده های ناآشنا کار کنند.
هوش هیجانی:
مدل های یادگیری عمیق به کمک AGI آمده اند اما هنوز خلاقیت واقعی انسان ها، چیزی نیست که این سیستم ها قادر به ارائه آن باشند. خلاقیت انسانی نیاز به تفکر بر مبنای احساس و کشف و شهود دارد و این مسئله برای معماری شبکه نورونی یا یادگیری عمیق، هنوز غیرقابل حل است. برای مثال، انسان بر اساس آنچه احساس می کند در یک مکالمه شرکت می کند اما مثلاً مدل های NLP بر اساس مجموعه داده های زبانی و الگوهایی که روی آنها بارگذاری شده است، قادر به پاسخ دادن و مشارکت در یک مکالمه هستند.
ادراک حسی:
سیستم های هوش مصنوعی نیاز دارند تا به صورت فیزیکی با محیط خارجی تعامل داشته باشند. علاوه بر توانایی های فیزیکی رباتیک، سیستم AGI باید جهان را مانند انسان ها درک کند. فناوری های هوش مصنوعی فعلی قبل از اینکه بتوانند چیزهایی مثل، شکل، رنگ، طعم و مزه و بو را دقیقاً مثل انسانها درک کنند، نیاز به پیشرفت بسیار بیشتری دارند.
دیدگاهتان را بنویسید