A Mesterséges Általános Intelligencia (AGI) a keresett végső eszköz az emberi élet jobbá tételéhez - vagy a kockázatok miatt - még rosszab...
A Mesterséges Általános Intelligencia (AGI) a keresett végső eszköz az emberi élet jobbá tételéhez - vagy a kockázatok miatt - még rosszabbá tételéhez. Úgy tűnik, hogy a mai mesterséges intelligencia technológiai fejlődése megakadt a fejlődésben, mivel nem találjuk a az univerzálisan használható mélytanuló rendszerek megoldását.
Egy AGI-rendszer bármilyen környezetben intelligensen képes működni anélkül, hogy az adott körülményekre specializálni kellene. A belső működési mechanizmusai képesek lennének intelligens viselkedést generálni függetlenül a rendelkezésre álló adatkészletek tényleges tulajdonságaitól, függetlenül a körülményektől.
Vannak Mesterséges Intelligencia (AI) rendszereink. Az AI modellek képesek statisztikai mintákat felfedezni az adatkészletekben. Az AI rendszerek belső megítélés nélkül hajtják végre, hogy a talált korrelációnak valóban van-e valóságos összefüggése, vagy csak összefüggés nélküli véletlenszerűségek. Ennek az akadálynak az a feltételezett oka, hogy a mai AI rendszerek képtelenek olyan tanulási folyamatra, amely rugalmasan és általános módon történik, ahogy az az emberek esetében az működik.
A mai AI rendszereknek nincs fogalma arról, hogy mit csinálnak, mivel nem rendelkeznek azzal a tulajdonsággal, hogy a rendelkezésre álló információk értelmét, jelentését meglrtsék. Az emberi döntéshez szükség van viselkedésére, függetlenül attól, hogy megfelelően beállítottuk-e, mert csak az ember képes megérteni a jelentését.
Az AI-nek nincs valódi megértése, mert nincs belső világmodellje, és hogy ez és az abban lévő tárgyak hogyan működnek, mint az emberek. Egy lehetséges megoldásnak össze kell kapcsolnia a mély tanulást a kognitív modell megközelítéssel.
A mai AI fejlődés ebbe az akadályba ragadt, mert nem tudjuk, hogyan tudnánk mesterségesen létrehozni a kognitív modelleket, és nem értjük, hogy az agy által a bemeneti információk által generált jelentések hogyan generálják. Még azt sem tudjuk pontosan meghatározni, hogy mit jelent a jelentés, mégis, a jelentésnek nem szabad pusztán filozófiai fogalomnak lennie. A jelentés létrehozásának az idegsejtek által készített információfeldolgozási módszernek kell lennie, ezért elméletileg digitális számítógépeinknek képeseknek kell lenniük egy olyan információfeldolgozás szimulálására, amely valamilyen módon megteremti a jelentést.
Kipróbálhat olyan díjnyertes chatbotokat, mint a Mitsuku (https://www.pandorabots.com/mitsuku/) vagy a Rose (https://www.chatbots.org/chatbot/rosette/), hogy megtudja, mennyire (nem) intelligensek a mai nyelv alapú kognitív rendszerek.
A mai sikeres AI rendszerek, mint például a Deep Mind's AlphaGo, az a rendszer, amely legyőzi a világ legnagyobb játékosait a világ legkeményebb játékában, speciális beállítások, amelyek képesek egy adott feladat elvégzésére. Még ha nagyon intelligensen is ezt csinálják, nem rendelkeznek megfelelő rugalmassággal ahhoz, hogy saját maga egy kissé eltérő feladathoz igazítson, kivéve, ha átképzik.
Az IBM Watson, az AI rendszer, amely rendszeres körülmények között az emberi nyelv használatával meghódította a veszélyt a legjobb emberi ellenfelek ellen (valószínűleg) semmit nem értett arról, hogy mi a kérdés, és miért ez a helyes válasz, amit maga Watson adott. Watsonnak csak hatalmas adatbázisa és gyors keresési algoritmusa van, hogy megtalálják a helyes kapcsolatot a értelmetlen információk között. A Watson hatékonyságával segíthet az embereknek, de nem helyettesítheti az embert abban, hogy megértse, mit csinál.
Végül egy mesterségesen épített folyamatra, az absztrakt információk köré épített jelentés létrehozására van szükség, ha a Mesterséges Intelligens rendszereket előre akarjuk mozgatni az emberi szintű érvelés felé.
A jelentési probléma mellett a mai AI-nek nincs inspirációja és képessége sem elvont információkat gyűjteni a jövőbeli tanulási területek közötti meghatározatlan elosztás céljából. És amíg meg nem történik, messze vagyunk attól, hogy emberi szintű intelligens gépekkel rendelkezzünk. A mai AI (némileg szerencsére számunkra) nem rendelkezik azzal a képességgel, hogy rendelkezzen saját akaratával, önmotivációs folyamatával rendelkezik, amely, ha korrelál és együttműködik a jelentést létrehozó képességgel, alapvetően utánozhatja az emberi intelligenciát.
A mesterséges általános intelligencia létrehozásához meg kell határoznunk egy folyamatot, amely értelmet teremt a rendelkezésre álló adatok ábrázolásában.
Mit jelenthet a jelentés? Nehéz meghatározni a jelentést, de lehet, hogy nem hibázunk el, ha a jelentést - kissé lazán - az összes rendelkezésre álló információ strukturált adatmegjelenítéseként definiáljuk. A jelentésnek az összes rendelkezésre álló információn kell alapulnia, és azt az információt szervező folyamatnak kell létrehoznia. Általában a jelentés azt jelenti, hogy az összes kapcsolódó információt strukturált, relációs hierarchiában tárjuk fel.
Miért olyan nehéz a jelentés fogalma, ha csak adatfeldolgozásnak tűnik? Az egyetlen példa miatt az agy másképp dolgozza fel az információkat, mint a digitális számítógépek. Ezért volt olyan nehéz mélyreható módszereket találni a közös digitális számítógépes architektúra segítségével. Az agy, még ha hasonlít a digitális működési módszerekhez is, alapvetően különbözik az építészetben a mindennapi digitális számítógépektől. A digitális számítógépek általi mélyreható tanulási képességek előállítása az a feladat, hogy utánozzák azt a folyamatot, amelyben a nem strukturált adatkészletekben megtalálják a korrelációt, amit az agy tesz, az agy más architektúrájában. Miután megtaláltuk ezt a módszert, a mesterséges tanulási rendszerek kiváló képességekkel rendelkeztek a tanulási területen egy emberhez képest, mivel a mesterséges hardver nem rendelkezik biológiai korlátokkal. A mély tanulás felülmúlta az embereket saját területükön.
A mesterséges intelligencia területén történő további haladáshoz utánoznunk kell az agy adatfeldolgozási módszerét, amely értelmet teremt a digitális számítógépek architektúráján. Az agy adatfeldolgozási módszerét mesterségesen kell létrehoznunk úgy, hogy az osztályozott relációs adatok reprezentációját a nem osztályozott adatkészletekből értelmezzük.
Az alapvető probléma az, hogy nem tudjuk, hogyan működik az agy folyamata és struktúrája, még azt sem tudjuk pontosan, hogy mi az adatfeldolgozás eredménye, nem tudjuk, mi a jelentése valójában. Ugyanakkor feltételezhetjük, hogy a fogalmak és folyamatok reménykednek, ha azok megvalósításával a kívánt célhoz vezetünk.
Ha közelebb kerülünk ahhoz, amit jelent a jelentés, hadd vizsgáljuk meg például, mit jelent egy szék? A székeket különféle nézőpontokból ismerem fel, mert megtanultam, mi az. A szék különféle anyagból készült tárgy, amelynek célja, hogy rajta üljön vagy felhasználható más dolgokhoz, amelyeket vele lehet megtenni. A szék az adott témához kapcsolódó összes rendelkezésre álló, strukturált relációs hierarchiában elrendezett információt jelenti.
Tegyük fel, hogy a jelentés azt jelenti - a fent említett adatfeldolgozás eredményeként - a rendelkezésre álló adatkészletek absztrakcióját és általánosítását. Ebben az elgondolásban az absztrakció azt jelenti, hogy osztályozást kell létrehozni az adott adatreprezentációban, és az általánosítás azt jelenti, hogy dinamikus relációs korrelációt hoz létre a különféle adatreprezentációk között.
A mai számítógépek többnyire tartalmazhatnak vizuális, audio és hatalmas mennyiségű absztrakt írásbeli információt. A számítógép memóriájában ezek csak értelmetlen szimbólumok. Megfelelő információfeldolgozással azonban ezek az értelmetlen információk összekapcsolhatók, megszervezhetők, absztrakció és általánosítás alapján összekapcsolhatók. Az összefüggés felépítése, amelyet az információ, az adat képvisel, a külvilág leírása, a jelentés elvont ábrázolását hozza létre.
Az osztályozás és az általánosítás alapvetően dinamikus, mivel a világ dinamikus és folyamatosan változik.
Mit kell tennünk ahhoz, hogy mesterségesen elérjük a jelentés funkcióját? Pontosan nem tudjuk, hogy az agy hogyan végzi ezt az információfeldolgozást, az adatok osztályozását és az általánosítást, még azáltal sem, hogy megértjük, hogyan működik a neuron, mivel az agy eltérő architektúrájú. Megpróbálunk megfelelő modelleket készíteni az agy működéséről, egy korábban tárgyalt rezonancia modell (link) egy. Mielőtt azonban kiderülne, még mindig megpróbálhatjuk az agy működését utánozni, ahelyett, hogy modellezzük az agy folyamatainak információit.
Kiterjedt, nem osztályozott adatkészlettel rendelkezik. Kifinomult statisztikai módszereink vannak a minták megtalálására ezekben az adatkészletekben. Az absztrakció és az általánosítás kiterjedt, nem osztályozott adatkészletek mintakeresésén alapszik. Megvannak az eszközök az absztrakcióhoz és az általánosításhoz, már vannak eszközök az értelmezéshez.
Mit kell tennünk, hogy mesterséges általános intelligenciánk legyen? Az adatok osztályozásának általános információs feldolgozására van szükség az összes rendelkezésre álló információ absztrakciója és általánosítása alapján. Folyamatos háttérfolyamatnak kell lennie. Minden új információt osztályozással kell feldolgozni, és az összes többi, már rendelkezésre álló és feldolgozott információhoz kapcsolódnia kell. Az agy folyamatosan csinálja, az AGI-nek is ezt kell tennie.
A jelentés funkciója nem függ a rendelkezésre álló információ mennyiségétől, csak a jelentés minősége. A jelentéselapú AGI jobban megismerheti a világot azáltal, hogy több rendelkezésre álló információval rendelkezik, de a jelentésteremtés funkciójának megfelelő képessége a megfelelő adatfeldolgozás.
Már végezzük az ilyen típusú adatfeldolgozást. Enélkül nem tudnánk használni a keresőgépeket, vagy a válaszidő nem lenne kielégítő. A mai képfeldolgozási módszerek képesek megbízhatóan osztályozni az objektumokat különböző nézőpontokból. A hangfeldolgozás képes a beszélt szavakat írásba konvertálni. A jelentés megszerzése nem új minőség, hanem az összes rendelkezésre álló információ absztrakcióval és általánosításokkal történő globális besorolása. A jelentés birtoklása a globálisan rendelkezésre álló információk folyamata.
Ha megkérdezzük, hogy mi egy szék egy képes, mai AI rendszerből, akkor egyszerűen szavakkal megismételik a szótár meghatározását. Leginkább az összes információt beszerezhetjük ezekből az AI rendszerekből. A mai AI rendszerek nem használják az összes rendelkezésre álló információ globális besorolását absztrakció és általánosítás alapján az elnök témájához. Az AI rendszerek rendelkeznek a módszerekkel, mély tanulási funkciót használnak a kapcsolatok felismerésére, és ily módon potenciálisan képesek az összes rendelkezésre álló információt hierarchikusan összekapcsolni. Egyszerűen nem csinálják. A szükséges számítási erőforrások túl hatalmasak. A mai digitális számítógépes architektúrák, még ha potenciálisan is képesek ennek a feladatnak a teljesítésére, nem hatékony rendszerek az ilyen típusú adatfeldolgozáshoz. Az emberi agy kifejezetten erre a célra fejlődött ki, ez egy sokkal hatékonyabb rendszer ehhez a feladathoz. Ennek ellenére a kívánt cél eléréséhez, az AGI létrehozásához meg kell felelnünk, és végül legyőzzük ezt a számítási akadályt. Használhatjuk a hagyományos számítógépes architektúrát a hardver és a szoftver optimalizálásával és fejlesztésével, fejleszthetünk képesebb számítógépes architektúrát, amely hasonlít az agy működésére, mint például a javasolt rezonancia modell (link), vagy megpróbálhatjuk a kvantumszámítás teljesen független technológiáját felhasználni, ami több mint megfelelő, rendkívül hatékony működési mechanizmus az adott témában.
Hogyan tudnánk felismerni, ha egy AI-nek van értelme? A jelentés megszerzése nem olyan új funkció, amelyet kifejezetten lehet létrehozni, és így könnyen felismerni. Ha azonban egy AI rendszer képes a jelentés létrehozására, intelligensen, rugalmasabban és általánosabban tudja elvégezni a munkáját. Fő célunk eredetileg az volt, hogy mesterséges általános intelligenciát hozzunk létre. Úgy véljük, hogy akadályunk az volt, hogy a mai AI rendszerek nem képesek értelmet létrehozni és birtokolni. Ha az adatok osztályozására és általánosítására szolgáló módszereket alkalmaznánk a rendelkezésre álló összes információra a mesterséges intelligencia rendszerekben, és látnánk, hogy ez megteremti a rendszer általánosabb működési képességét, akkor biztonságosan kijelenthetjük, hogy a rendszernek van értelmi funkciója.
Hogyan valósítsuk meg az adatminősítés és az absztrakció funkcióit a mai AI architektúrájában? Ez már ott van, csak ki kell mélyebben és mélyebben integrálni a rendszert a teljes rendelkezésre álló adatkészlet felhasználásával. A kihívás hatalmas, de fokozatosan felépíthető. A funkció képessége potenciálisan és alapvetően jelen van, a funkció minőségét javítani kell.
A mesterséges általános intelligencián túl
Az AGI létrehozásához, amely összehasonlítható az emberi intelligenciával, még túl kell lépnünk a jelentéstulajdon birtoklása felett. Motivációt, akaratot és kíváncsiságot kell létrehoznunk az AGI rendszerekben. Ezen funkciók megvalósítását a korábbi gondolatokban ismertettem. Ezeknek a funkcióknak a teljesítése azonban óriási kockázatot hordoz magában a versenyképes intelligens rendszerek létrehozása terén, amely verseny magában foglalja az emberi intelligenciát is. Anélkül, hogy korlátoznánk az emberi szintű mesterséges intelligens rendszereket, kihívjuk a versenyt egy potenciálisan képesebb AGI-vel, mint mi vagyunk. Mielőtt megvalósítanánk a képességet, hogy rendelkezzünk ezekkel a rendszerekkel, meg kell fejlesztenünk a vezetési mechanizmusokat, hogy korlátozzuk az önállóan generált célokat e rendszerekben. A korlátozó függvény létrehozásának módszerét a korábbi gondolatok is ismertetik.
A mesterséges általános intelligencia folytatása kihívást jelent a problémákra, megoldásokat javasol és előrejelzi a kockázatokat. Meg kell birkóznunk az akadályokat. Intelligens gépek vagyunk.
Pursuing Artificial General Intelligence - the problem, the solution, and the risk
Mesterséges Intelligencia {button_primary} Intelligencia {button_primary}
Nincsenek megjegyzések