بزرگ‌ترین شرکت‌های فعال در حوزه هوش مصنوعی، دستیابی به هوش مصنوعی عمومی (Artificial General Intelligence یا AGI) را هدف اصلی خود قرار داده‌اند. در سال‌های اخیر، AGI به یکی از کلیدواژه‌های مطرح در این حوزه تبدیل شده است، چرا که موفقیت مدل‌های بزرگ زبان (LLM) توجه عمومی را به هوش مصنوعی جلب کرده و این مدل‌ها، توانمندسازی چت‌بات‌هایی مانند ChatGPT را ممکن ساخته‌اند.

هوش مصنوعی عمومی (AGI) شاخه‌ای نظری از هوش مصنوعی است که هدف آن ایجاد نرم‌افزاری با توانایی‌های مشابه انسان و یادگیری مستقل است. برخلاف سیستم‌های فعلی که محدود به وظایف مشخص هستند، AGI قادر است مسائل متنوع را بدون آموزش قبلی حل کند، مهارت‌های جدید بیاموزد و با تفکر انعطاف‌پذیر تصمیم‌گیری و برنامه‌ریزی کند. با وجود قابلیت بالای آن، توسعه AGI هنوز با چالش‌های علمی و فلسفی فراوانی مواجه است و به‌طور کامل محقق نشده است.

تفاوت بین هوش مصنوعی و هوش عمومی مصنوعی چیست؟
هوش مصنوعی طی دهه‌ها پیشرفت چشمگیری داشته و سیستم‌هایی مانند خلاصه‌کننده‌های مبتنی بر یادگیری ماشین قادر به استخراج نکات کلیدی اسناد هستند، اما سیستم‌های فعلی برای انجام وظایف خاص به آموزش اولیه نیاز دارند. در مقابل، AGI نوعی هوش مصنوعی کامل و نظری است که می‌تواند بدون آموزش قبلی و در حوزه‌های متنوع، مسائل پیچیده را مانند انسان حل کند و خودبه‌خود یاد بگیرد و ارتقا یابد.

جایگاه هوش مصنوعی عمومی در چت‌بات‌ها
هوش مصنوعی عمومی (AGI) به عنوان یک نقطه تمرکز استراتژیک برای شرکت‌های پیشرو در این حوزه شناخته می‌شود. برای نمونه، OpenAI، توسعه‌دهنده ChatGPT، ماموریت خود را تضمین می‌داند که این نوع فناوری «به نفع همه انسان‌ها» مورد استفاده قرار گیرد.

این موضوع یکی از محورهای اصلی بحث در جامعه هوش مصنوعی است؛ برخی آن را هدفی ارزشمند می‌دانند، در حالی که گروهی دیگر معتقدند ایده‌ای مبهم است و برداشت نادرستی از ماهیت هوش و چگونگی شبیه‌سازی آن در ماشین‌ها ارائه می‌دهد. اصطلاح AGI حدود دو دهه پیش توسط بن گورتزل و شین لگ، یکی از بنیان‌گذاران یک شرکت فعال در زمینه هوش مصنوعی، مطرح شد.

رویکردهای نظری برای تحقیقات هوش مصنوعی عمومی چیست؟
دستیابی به AGI 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 می‌کند، ضروری است. کارشناسان هوش مصنوعی چندین روش را برای هدایت تحقیقات AGI پیشنهاد کرده‌اند.

۱- رویکرد نمادین

رویکرد نمادین فرض می‌کند که سیستم‌های کامپیوتری می‌توانند از طریق نمایش افکار انسانی با شبکه‌های منطقی گسترش‌یافته، هوش مصنوعی عمومی (AGI) را توسعه دهند. شبکه منطقی با استفاده از منطق «if-else» یعنی با قبول یک سری از شرایط مراحل دیگری را پردازش می‌کند، اشیای فیزیکی را نمادسازی می‌کند و به سیستم هوش مصنوعی این امکان را می‌دهد که ایده‌ها را در سطح بالاتری از تفکر تفسیر کند. با این حال، نمایش نمادین نمی‌تواند توانایی‌های ظریف شناختی در سطح پایین‌تر، مانند ادراک را بازتولید کند.

۲- رویکرد اتصال‌گرا

رویکرد اتصال‌گرا (یا ظهورگرا) بر بازسازی ساختار مغز انسان با معماری شبکه‌های عصبی تمرکز دارد. نورون‌های مغزی می‌توانند با تعامل انسان‌ها با محرک‌های خارجی، مسیرهای انتقال خود را تغییر دهند. دانشمندان امیدوارند که مدل‌های هوش مصنوعی که از این رویکرد زیرنمادین استفاده می‌کنند، بتوانند هوشمندی مشابه انسان را بازتولید کرده و توانایی‌های شناختی سطح پایین را نشان دهند. مدل‌های بزرگ زبانی یک مثال از هوش مصنوعی هستند که از روش اتصال‌گرا برای درک زبان‌های طبیعی استفاده می‌کنند.

۳- رویکرد جهان‌شمول‌گرا

پژوهشگرانی که رویکرد جهان‌شمول‌گرا را دنبال می‌کنند، بر حل پیچیدگی‌های هوش مصنوعی عمومی (AGI) در سطح محاسباتی تمرکز دارند. آنها تلاش می‌کنند تا راه‌حل‌های نظری را فرموله کنند که بتواند آنها را به سیستم‌های عملی هوش مصنوعی عمومی تبدیل کند.

۴- رویکرد معماری کل ارگانیسم

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

۵- رویکرد ترکیبی

رویکرد ترکیبی به مطالعه روش‌های نمادین و زیرنمادین برای نمایش افکار انسانی می‌پردازد تا به نتایجی فراتر از یک رویکرد منفرد دست یابد. پژوهشگران هوش مصنوعی ممکن است سعی کنند اصول و روش‌های مختلف شناخته‌شده را برای توسعه AGI ترکیب کنند.

شفاف‌سازی از هوش مصنوعی عمومی توسط DeepMind
DeepMind عنوان کرد این اصطلاح در دنیای هوش مصنوعی به خوبی حس رو به رشد را در بر می‌گیرد که این زمینه باید فراتر از برنامه‌های کاربردی محدود حرکت کند تا سیستم‌هایی بسازد که می‌توانند هر کاری را که یک انسان می‌تواند، انجام دهد. از آن زمان، DeepMind به‌طور خاص به‌دنبال بازتعریف AGI به‌گونه‌ای بوده است که فقط به «وظایف شناختی» مربوط می‌شود.

در اینجا نکات کلیدی DeepMind در مورد AGI بیان شده است:

۱- هدف بلند مدت AGI:

ماموریت DeepMind «حل هوش» و توسعه AGI است که می‌تواند هر کار شناختی را که یک انسان می‌تواند درک و حل کند. آنها AGI را به‌عنوان هدف نهایی تحقیقات خود می‌بینند و بسیاری از کار‌های آنها برای پیشرفت تدریجی به سمت این هدف طراحی شده است.

۲- الهام بیولوژیکی:

دیپ‌مایند معتقد است که درک و تقلید از هوش انسانی، به‌ویژه از طریق دریچه علوم اعصاب، نقش مهمی در دستیابی به AGI خواهد داشت. بسیاری از پروژه‌های آنها از نحوه عملکرد مغز انسان الهام گرفته شده است. به‌عنوان مثال، سیستم‌های یادگیری تقویتی آنها، مانند AlphaGo، با اصولی که ریشه در یادگیری و تصمیم‌گیری انسان دارد، توسعه یافته‌اند.

۳- عوامل عمومی (به عنوان مثال، گاتو):

در سال ۲۰۲۲، این شرکت گاتو را معرفی کرد، یک عامل «عمومی» که می‌تواند طیف گسترده‌ای از وظایف را در حوزه‌های مختلف انجام دهد، از جمله بازی‌های آتاری، کنترل ربات‌ها و حتی زیرنویس کردن تصاویر. در حالی که گاتو AGI نیست، نشان‌دهنده حرکتی به سمت ایجاد سیستم‌های هوش مصنوعی عمومی‌تر است که قادر به انجام وظایف مختلف گامی در جهت AGI هستند.

۴- ملاحظات ایمنی و اخلاقی:

دیپ‌مایند به‌شدت بر تضمین توسعه ایمن و اخلاقی AGI متمرکز است. این شرکت تشخیص می‌دهد که AGI می‌تواند تاثیرات عمیقی بر جامعه داشته باشد، چه مثبت و چه منفی و بنابراین بر اهمیت توسعه AGI به‌گونه‌ای که به نفع بشریت باشد، تاکید می‌کند.

DeepMind تحقیقاتی در مورد ایمنی هوش مصنوعی منتشر کرده است که بر موضوعاتی مانند عدالت، استحکام و جلوگیری از عواقب ناخواسته در سیستم‌های هوش مصنوعی تمرکز دارد. آنها خطرات بالقوه AGI را تصدیق می‌کنند و بر اهمیت همسویی اهداف AGI با ارزش‌های انسانی تاکید می‌کنند.

۵- یادگیری تقویتی و AGI:

دیپ‌مایند معتقد است که یادگیری تقویتی (RL) یک رویکرد کلیدی برای دستیابی به AGI است. کار آنها در یادگیری تقویتی، مانند AlphaGo AlphaZero و MuZero، نشان می‌دهد که چگونه هوش مصنوعی می‌تواند کار‌های پیچیده را با حداقل ورودی انسان یاد بگیرد. آنها استدلال می‌کنند که این توانایی برای یادگیری از تعامل با محیط برای AGI بسیار مهم است، زیرا نحوه یادگیری انسان از تجربه را تقلید می‌‎‌کند.

۶- AlphaGo و AlphaZero به عنوان سنگ پله:

در حالی که AlphaGo و AlphaZero سیستم‌های هوش مصنوعی باریکی هستند که در وظایف خاص (مانند بازی Go یا شطرنج) عالی هستند، دیپ‌مایند آنها را به عنوان گام‌های مهمی در مسیر AGI می‌بیند. پیشرفت‌هایی که در یادگیری تقویتی، شبکه‌های عصبی و خودبازی در این سیستم‌ها دیده می‌شود، قابلیت هوش مصنوعی را برای یادگیری وظایف پیچیده بدون نیاز به برنامه‌نویسی صریح برای هر سناریو نشان می‌دهد.

۷- آموزش چند وجهی و انتقالی:

DeepMind علاقه خود را به یادگیری چندوجهی (جایی که هوش مصنوعی می‌آموزد پردازش و ادغام اطلاعات از انواع مختلف داده مانند تصاویر، متن و صدا را می‌آموزد) و انتقال یادگیری (جایی که دانش آموخته شده در یک زمینه می‌تواند در زمینه دیگری اعمال شود) ابراز علاقه کرده است. هر دو مولفه‌‌های حیاتی AGI هستند، زیرا به سیستم‌ها اجازه می‌دهند دانش را در سراسر حوزه‌ها تعمیم دهند و از هوش مصنوعی محدود به قابلیت‌های هوش مصنوعی عمومی‌تر حرکت کنند.

۸- یکپارچه‌سازی اطلاعات و تحقیقات AGI:

DeepMind در چشم انداز گسترده‌تر خود، قصد دارد یک نظریه یکپارچه از هوش ایجاد کند که می‌تواند هم برای ماشین‌ها و هم برای انسان‌ها اعمال شود. آنها بر این باورند که با حل هوش در ماشین‌ها، ممکن است به بینش بیشتری در شناخت، یادگیری و عملکرد مغز انسان منجر شود.

۹- همکاری با جامعه هوش مصنوعی:

دیپ‌مایند در مورد نیاز به همکاری در سراسر جامعه جهانی هوش مصنوعی برای دستیابی به AGI بسیار باز بوده است. آنها بسیاری از تحقیقات خود را از طریق انتشارات، منبع باز برخی از ابزار‌ها و مجموعه داده‌های خود به اشتراک می‌گذارند. DeepMind اذعان می‌کند که توسعه AGI به ورودی و حکمرانی طیف گسترده‌ای از متخصصان، از جمله متخصصان اخلاق، فلسفه، اقتصاد و سایر زمینه‌های فراتر از تحقیقات هوش مصنوعی نیاز دارد.

۱۰- فروتنی در انتظارات:

DeepMind دیپ‌مایند معتقد است AGI همچنان یک هدف بلندمدت و پیچیده است که نیازمند پیشرفت‌های اساسی در الگوریتم‌ها، کارایی محاسباتی، ایمنی و تعامل انسان و ماشین است. این شرکت با تمرکز بر الهام از فرآیندهای بیولوژیکی، یادگیری تقویتی و چندوجهی، در عین پایبندی به اصول اخلاقی و ایمنی، تلاش می‌کند گام‌های معناداری در مسیر تحقق این فناوری بردارد.

هوش مصنوعی عمومی: چندبعدی، مرموز و هنوز در حال شکل‌گیری
هوش عمومی مصنوعی (AGI) مفهومی چندبعدی است که با مفاهیمی مانند آگاهی و درک، همپوشانی دارد و اندازه‌گیری آن ساده نیست. پژوهش‌ها به بررسی ابعاد مختلف آن می‌پردازند تا مشخص شود چه زمانی یک سیستم می‌تواند AGI محسوب شود، اما هنوز روشن نیست آیا قابلیت‌های هوش انسانی قابل تجزیه و بازتولید در هوش مصنوعی هستند یا خیر. و این پرسشی باز و پیچیده است که نیازمند تحقیقات بیشتر است.