‏**هدف هوش مصنوعی عمومی: بحث همگانی، تعریف نامعلوم**

هوش مصنوعی عمومی: تعریف، پیش‌بینی‌ها و مناقشات

هوش مصنوعی عمومی (AGI) یکی از مهم‌ترین نقاط عطف در صنعت هوش مصنوعی است.

مدیران فناوری آن را پیش‌بینی می‌کنند، سرمایه‌گذاران میلیاردها دلار برای تحقیق در این زمینه هزینه می‌کنند و منتقدان در مورد خطرات احتمالی آن هشدار می‌دهند.

با این حال، تعریف دقیق AGI همچنان نامشخص است و محققان هنوز در مورد اینکه چه چیزی به عنوان “هوش عمومی” در نظر گرفته می‌شود، زمان احتمالی ظهور آن و چگونگی تشخیص آن پس از ظهور، اختلاف نظر دارند.

مالو بورگون، مدیرعامل مؤسسه تحقیقات هوش ماشینی، به دکریپت گفت: «تعاریف مختلفی وجود دارد. وقتی شروع به صحبت می‌کنیم که آیا این سیستم AGI است؟ آیا آن سیستم AGI است؟ دقیقاً چه چیزی با کدام تعریف به عنوان AGI واجد شرایط است؟ فکر می‌کنم این کار کمی دشوار است.»

شخصیت‌های برجسته‌ای از جمله سم آلتمن، مدیرعامل OpenAI، داریو آمودی، مدیرعامل Anthropic، و ایلان ماسک، مدیرعامل xAI، در مورد ظهور AGI اظهار نظر و پیش‌بینی‌هایی کرده‌اند.

ماسک در دسامبر در مصاحبه‌ای با پیتر دیاماندیس، رئیس اجرایی بنیاد XPRIZE، گفت: «فکر می‌کنم در سال ۲۰۲۶ به AGI خواهیم رسید. من مطمئن هستم که تا سال ۲۰۳۰، هوش مصنوعی از هوش تمام انسان‌ها فراتر خواهد رفت.»

برخلاف هوش مصنوعی مولد که اکثر مردم با آن آشنا هستند (به لطف ChatGPT)، هوش مصنوعی عمومی (AGI) عموماً به یک سیستم هوش مصنوعی اشاره دارد که می‌تواند دانش را در طیف وسیعی از وظایف در سطحی شبیه به انسان درک، یادگیری و اعمال کند، نه اینکه فقط یک عملکرد تخصصی را انجام دهد. این مفهوم به اوایل دهه ۱۹۵۰ و تحقیقات اولیه در زمینه هوش مصنوعی بازمی‌گردد.

از اوایل دهه ۲۰۰۰، محققانی مانند بن گورتزل، شین لگ و پیتر وس، اصطلاح “هوش مصنوعی عمومی” را برای تمایز هدف اصلی هوش مصنوعی در سطح انسان و با قابلیت‌های گسترده از سیستم‌های هوش مصنوعی باریک و موفق‌تر که در آزمایشگاه‌های تحقیقاتی و دانشگاه‌ها توسعه می‌یافتند، رواج دادند.

با این حال، بورگون گفت که دستیابی به “هوش در سطح انسان” یک هدف واحد نیست.

او گفت: «دلایل زیادی از تاریخ تکاملی ما، نحوه ساختار مغز ما، سرعت کند نورون‌ها و محدودیت‌های حافظه فعال ما و سرعت عملکرد مغز ما وجود دارد که باید انتظار داشته باشیم اگر بتوانیم سیستم‌های هوش مصنوعی را با این ویژگی‌ها طراحی کنیم، احتمالاً فضای عظیمی بالاتر از ما وجود دارد.»

پیشرفت‌های اخیر در مدل‌های زبانی بزرگ و هوش مصنوعی قدرتمند مانند Gemini، ChatGPT، Grok و Claude، که می‌توانند مقاله بنویسند، تصویر ایجاد کنند، کد تولید کنند و به سؤالات پیچیده پاسخ دهند، باعث شده است که بسیاری ادعا کنند AGI قبلاً به دست آمده است. اما بورگون گفت که این سیستم‌ها فاقد استقلال هستند.

بورگون گفت: «در اکثر تعاریف مردم از AGI، حس استقلال وجود دارد. اینکه این چیزها لزوماً فقط به عنوان ابزار و چت‌بات رفتار نمی‌کنند، بلکه این ماهیت عاملی را دارند که در آن می‌توانند وظایف را در طیف گسترده‌ای از محیط‌ها با میزان زیادی از استقلال انجام دهند.»

بن گورتزل، مدیرعامل SingularityNET و یکی از چهره‌هایی که در رواج اصطلاح AGI نقش داشته است، گفت که این تفسیر مفهوم را گسترش می‌دهد.

گورتزل به دکریپت گفت: «این اصطلاح اکنون در رسانه‌ها کاملاً گیج‌کننده شده است. مدیران عامل فناوری این را راحت می‌دانند که بگویند: “هی، ما قبلاً AGI را راه‌اندازی کرده‌ایم” و مردم همه چیز را بزرگ‌نمایی می‌کنند.»

گورتزل توضیح داد که از نظر تئوری، AGI به سیستم‌های هوش مصنوعی اشاره دارد که قادر به یادگیری و انجام طیف گسترده‌ای از وظایف فراتر از وظایفی هستند که صریحاً برای انجام آن‌ها آموزش دیده‌اند. او گفت که مدل‌های امروزی قدرتمند هستند، اما اساساً با هوش عمومی متفاوت هستند.

او گفت: «آنها با یادگیری انجام همه کارها به آنجا نمی‌رسند. آنها با داشتن کل اینترنت در پایگاه دانش خود به آنجا می‌رسند.»

او توضیح داد که در حالی که توسعه‌دهندگان هوش مصنوعی میلیاردها دلار برای ساخت مراکز داده هوش مصنوعی سرمایه‌گذاری می‌کنند تا محاسبات بیشتری را برای مدل‌های قدرتمندتر فراهم کنند، یک هوش عمومی واقعی باید تعمیم دهد و بینش‌های واقعاً جدیدی را تولید کند که فراتر از صرفاً ترکیب مجدد داده‌های آموزشی آن باشد.

گورتزل گفت: «اگر سیستم‌های شبکه‌های عصبی عمیق فعلی را بگیرید و آنها را تا سال ۱۹۰۰ روی موسیقی آموزش دهید، هرگز هیپ هاپ یا گریندکور را اختراع نخواهند کرد.»

گورتزل استدلال کرد که بعید است که انتقال به AGI به عنوان یک نقطه شکست واحد و واضح ظاهر شود.

او گفت: «نیازی نیست که یک مرز کاملاً مشخص بین AGI و قبل از AGI وجود داشته باشد»، و آن را با مناطق خاکستری زیست‌شناسی در مورد ویروس‌ها و رتروویروس‌ها مقایسه کرد. او افزود که ما هنوز می‌دانیم که یک سگ زنده است و یک سنگ زنده نیست، حتی اگر برخی از موارد حاشیه‌ای مانند ویروس‌ها “فازی” باشند.

کایل چان، محققی در Brookings که سیاست جهانی هوش مصنوعی را مطالعه می‌کند، گفت که این بحث به پوشش چندین سناریوی مختلف گسترش یافته است.

چان به دکریپت گفت: «این طیف وسیعی از آنچه ما از AGI منظورمان است وجود دارد. در یک انتها، شما این ایده را دارید که خودبهبودی بازگشتی و انفجار هوش است، و در انتهای دیگر، شما یک نسخه “پیش‌پاافتاده‌تر” دارید – هوش مصنوعی که می‌تواند کارهای زیادی را که انسان‌ها می‌توانند انجام دهند، انجام دهد، یا هوش مصنوعی به عنوان یک فناوری عادی مانند اینترنت یا رایانه‌ها.»

چان گفت که در حالی که آزمایشگاه‌های هوش مصنوعی آمریکایی در مورد پیامدهای وجودی AGI بحث می‌کنند، گفت‌وگو در چین بسیار متفاوت است.

او گفت: «AGI در چین، به‌ویژه از سوی سیاست‌گذاران، جامعه گسترده‌تر هوش مصنوعی، صنعت فناوری گسترده‌تر، چیز بزرگی نیست. اکثر مردم بر این متمرکز هستند که از این چیز پول درآورند، و به‌ویژه در بخش فیزیکی، که یک حوزه‌ای است که فکر می‌کنم چین و بسیاری از شرکت‌های فناوری آن احساس می‌کنند که نسبت به ایالات متحده برتری دارند، جایی که می‌توانند روباتیک یا سیستم‌های خودمختار، پهپادها، هر چیزی که با هوش مصنوعی کار می‌کند را بسازند، زیرا آنها زنجیره‌های تأمین سخت‌افزاری را دارند که ایالات متحده ندارد.»

چان اذعان کرد که در حالی که توسعه‌دهندگان هوش مصنوعی در چین به اندازه همتایان آمریکایی خود بر AGI متمرکز نیستند، اما همچنان در رادار آنها قرار دارد.

او گفت: «برخی از بنیانگذاران هوش مصنوعی چینی در مورد AGI صحبت می‌کنند، و برخی از آنها حتی در مورد چیزی شبیه ASI صحبت می‌کنند. اما به طور کلی، AGI واقعاً چیز بزرگی در چین نیست.»

پیش‌بینی‌ها در مورد زمان احتمالی ظهور AGI بسیار متفاوت است. برای محققانی که این فناوری را مطالعه می‌کنند، خود برچسب ممکن است کمتر از کاری که سیستم‌ها می‌توانند انجام دهند، اهمیت داشته باشد.

بورگون گفت: «اثرات و قابلیت‌های این سیستم‌ها چیست؟ این بیشتر چارچوب ذهنی است که ما اکنون می‌خواهیم در آن باشیم.»