Artificiell allmän intelligens (AGI) möjliggör skapandet av maskiner som kan agera, prestera och lära sig på ett sätt som liknar oss människor.
Artificiell intelligens har revolutionerat hur maskiner utför arbete. Idag kan datorer hantera en mängd personliga och professionella uppgifter genom att använda AI-verktyg. Exempelvis kan de generera bilder, omvandla text till tal, styra verktyg och mycket mer.
Dessa system är dock inte genuint intelligenta. Bakom den här typen av automatisering ligger ofta omfattande träning som kan ta flera månader.
Tänk dig istället en verkligt intelligent datorapplikation som kan lära sig på egen hand. Det är här artificiell allmän intelligens kommer in i bilden. Läs vidare för att få reda på mer om denna banbrytande teknik!
Introduktion
AGI är en teknik som syftar till att göra mjukvara och hårdvara så avancerad att den kan efterlikna mänskliga kognitiva förmågor. Den kallas ibland även för stark AI eller full AI.
Enkelt uttryckt innebär det att man presenterar ett AGI-system för ett problem som det aldrig tidigare har stött på. Den intelligenta datorn analyserar då problemet, söker efter relevant information online och levererar sedan en lösning.
Företag som IBM, OpenAI, Microsoft, Google Brain, Darktrace och Deepmind är pionjärer inom AGI-tekniken. Deras mål är att implementera följande egenskaper i intelligenta datorer:
- Generell intelligens som liknar den mänskliga
- Intelligens som inte är begränsad till en specifik uppgift, som att skriva eller tala
- Förmåga att generalisera ny kunskap och koppla den till tidigare erfarenheter
- Förmåga att förstå information av varierande slag
- Förmåga att tolka och analysera data från verkliga situationer
För närvarande existerar ingen fullt utvecklad artificiell allmän intelligens (AGI). Företag som IBM Strong AI och Google Brain gör vissa framsteg, men dessa lösningar är ännu inte redo för storskalig användning.
Fördelar och behov
Vi behöver AGI för att ersätta människor i farliga situationer. Dessutom har AGI-datorer potential att öka produktiviteten inom näringslivet på ett tidigare osett sätt.
AGI-applikationer kan även bidra till att lösa komplexa problem inom områden som medicin, hälsovård, logistik, ekonomi, finans och samhällsvetenskap.
Här är några ytterligare argument för att utveckla AGI:
- AGI-system kan uppvisa en bättre förståelse för orsak och verkan, vilket kan hjälpa människor med riskbedömningsprojekt.
- AGI:er kan effektivt hantera olika sinnesintryck som färg, ljud, djup, bilder och dimensioner.
- Intelligenta datorprogram kan styra en robotarm för att utföra komplexa rörelser, till exempel montering av elektroniska enheter.
- Naturlig språkbehandling (NLP) i AGI kommer att göra automatisering enklare. Du kan ge några nyckelord och AGI-verktyget skapar det automatiserade flödet du behöver.
- AGI:er kan lösa nya problem efter att ha analyserat dem och deras omgivning, utan att behöva uppfylla givna villkor.
- AGI:er kan ge kreativa idéer till innehållsskapare, konstnärer, designers och arkitekter.
- AGI-applikationer kan ge utmärkt kundservice eftersom de också kan uppvisa emotionell och social intelligens.
AI vs. AGI
#1. Funktionssätt
Traditionell AI, även kallad smal AI, är reaktiv. Den reagerar baserat på en fördefinierad lista med åtgärder när den får signaler från händelseutlösare.
AGI:er kräver inte händelseutlösare. De kan reagera proaktivt, likt människor, för att förhindra problem och lösa utmaningar.
#2. Tillämpningsområde
Smal eller svag AI har ett begränsat tillämpningsområde. En AI som är specialiserad på att skriva kan inte köra bil, och vice versa. Denna begränsning gör utvecklingen kostsam och ineffektiv.
En AGI kan styra en hel fabrik, tusentals hem i ett område eller alla företagets kontor. Den kan hantera alla typer av utmaningar eftersom den har kognitiv inlärning, resonemang och förmåga till proaktiv handling.
#3. Problemlösningsförmåga
Smal AI löser mestadels begränsade problem, som GPS-navigering, webbsökningar baserade på nyckelord, AI-skrivande och automatisk kodkomplettering.
Artificiell allmän intelligens kan hantera mer komplexa problem, som att skapa en marknadsföringsstrategi genom att analysera marknad, kunder och produkter.
#4. Minneskapacitet
De flesta svaga AI-program baseras på maskiner med begränsat minne. AI:er är beroende av fördefinierade artificiella neurala nätverk och träningsdatabaser. När databasen eller algoritmerna blir föråldrade, blir AI:n mindre effektiv.
AGI:er kommer med praktiskt taget obegränsat minne genom att använda lokala databaser, molndatabaser och internet.
#5. Uppgraderingar
Människor behöver uppdatera svag AI regelbundet för att möta nya affärsbehov och marknadstrender.
AGI:er kan uppgradera sina minnen och databaser självständigt, utan mänsklig inblandning.
Tillvägagångssätt
#1. Det subsymboliska tillvägagångssättet
Här använder AGI-utvecklare applikationer som efterliknar den mänskliga hjärnan, som DeepMinds AlphaGo, konvolutionella neurala nätverk och system för djupinlärning.
#2. Det symboliska tillvägagångssättet
I den här metoden använder AGI-utvecklare flödesscheman, symboler och om-då-satser. Artificiell allmän intelligens använder en grundläggande algoritm för att lära sig och bygga en kunskapsbas. Den kan sedan jämföra algoritmen och dess symboler med verkliga aspekter för att utveckla bättre tankeprocesser än svag AI.
#3. Tillvägagångssättet för hela kroppen
Det här konceptet innebär att AGI-utvecklare integrerar mjukvara, hårdvara, nätverk och sensoriska förmågor i en människoliknande kropp. Humanoiden kan gå, prata, interagera med människor och så vidare.
#4. Hybridmetoden
Hybridmetoden för AGI-utveckling bygger på subsymboliska och symboliska tillvägagångssätt.
Ett framgångsrikt exempel är Sophia, en humanoid robot. Hon kombinerar symboliska och konnektionistiska system. Sophia använder bland annat CogPrime-arkitekturen och AtomSpace-databasen för sin funktionalitet.
#5. Det matematiska tillvägagångssättet
Forskare arbetar med att tilldela AGI oändlig beräkningskraft. På så sätt kan smarta applikationer och enheter genomföra ett stort antal matematiska beräkningar för att fatta precisa beslut.
Hur fungerar AGI?
Ett AGI-program använder en kombination av tekniker för att uppnå mänsklig kognitionsförmåga. Några av dessa är:
Inmatning och utmatning (I/O)
AGI:er använder olika sensorer för att utföra uppgifter i tillverkningsanläggningar eller som självkörande bilar. Dessa sensorer kan vara visuella, RFID, temperatur, tryck, hastighet, rörelse och så vidare.
Andra AGI:er kan kräva OCR, databasanslutningar, etc. för att hantera affärsverksamhet på kontor.
Motoriska färdigheter
Hela kroppar, robotarmar och självkörande fordon fungerar med hjälp av komplexa rörelser. AGI:er använder motoriska färdigheter som erhålls från neurala nätverk, 3D-bildbehandling och visuell efterlikning.
NLP
En AGI kan lära sig från olika källor som webbartiklar, forskningstidskrifter, e-böcker och videor. För detta ändamål lär sig applikationen att tolka naturligt språk till maskinspråk.
Resonemang och problemlösning
En AGI-robot eller applikation använder ofta simuleringar för att lösa problem. Genom sin enorma bearbetnings- och minneskapacitet kan maskinen köra flera simuleringar samtidigt. Sedan kan den välja den simulering som ger bäst resultat.
Kreativt tänkande
AGI:er kan använda flera neurala nätverk för att skapa unika och kreativa idéer, till exempel konst, musik och text.
Ansiktsigenkänning och ljudbehandling
Humanoida AGI:er som interagerar med människor använder ljudanalys och ansiktsigenkänning. Efter att ha bearbetat ljud och bilder från sin omgivning, och kontrollerat det med befintliga kunskapsbaser, kan den interagera med människor.
Utmaningar
Artificiell allmän intelligens har potential att revolutionera AI-världen. Men att nå dit är inte en enkel process. Här är några utmaningar i utvecklingen av AGI:
#1. Att bemästra mänskliga färdigheter
För att uppnå äkta intelligens på mänsklig nivå måste AGI bemästra ett antal färdigheter. Dessa inkluderar motoriska färdigheter, naturlig språkförståelse, sensorisk perception, emotionell och social anknytning, samt kreativitet på mänsklig nivå.
#2. Avsaknad av arbetsprotokoll
Det finns inga standardiserade arbetsprotokoll för AI-system, vilket försvårar samarbete mellan dem. Implementeringen av ett omfattande AGI-system stöter därför på en rad tekniska utmaningar.
#3. Brist på affärsmässig anpassning
Integrationen av AI i befintliga system är fortfarande en komplex process. Eftersom de berörda intressenterna saknar kunskap om dess operativa parametrar, är det svårt att säkerställa att utvecklingen sker i linje med affärsmålen.
#4. Kommunikationsluckor
Det finns fortfarande kommunikationsluckor mellan separata AI-system. Eftersom sömlöst datautbyte mellan dessa system inte är möjligt, försvåras inlärningen av AI-modeller, vilket minskar deras användbarhet.
#5. Frånvaro av AGI-riktning
Det saknas konkreta planer och riktlinjer för hur man ska implementera AGI i företagens verksamhet. Detta gör implementeringen kostsam och minskar möjligheterna till att få den att förverkligas.
Trender
Full utveckling av artificiell allmän intelligens har ännu inte uppnåtts. Men dessa AI-trender kommer att påverka AGI:
#1. Natural Language Processing (NLP)
NLP (Natural Language Processing) hänvisar till den process där AI kan förstå mänskligt språk och omvandla det till maskinstyrd kod. Genom NLP kan AGI förväntas interagera med människor på ett mer realistiskt sätt.
#2. Metaverse
Metaverse är en teknik som erbjuder en virtuell användarupplevelse. I takt med att fler intresserar sig för metaverse, kommer AGI att utvecklas för att bygga och utveckla virtuella världar.
#3. Lågkods- eller No-Code AI
Det finns en växande efterfrågan på lösningar med låg kod eller ingen kod, även för AI-verktyg och algoritmer. Dessa lösningar har intuitiva gränssnitt för att förenkla komplexa applikationsutvecklingsprocesser.
#4. Personalökning
Detta innebär att människor och digitala medarbetare arbetar sida vid sida i en organisation. Även om många fruktar att AI kommer att leda till arbetslöshet, så kan AI istället göra företags verksamhet mer effektiv.
#5. Quantum AI
Quantum AI har potential att påverka AGI genom att påskynda maskininlärningsalgoritmer och leverera snabbare resultat. Den kan även hjälpa till att lösa de hinder som AGI kan stöta på genom att analysera enorma mängder data.
#6. AI-etik
De potentiella riskerna med AI går inte att ignorera. Om AI inte används på rätt sätt kan den vara farlig för mänskligheten. Därför kommer AI-etik att få mer uppmärksamhet framöver.
#7. AI-chattbotar
AI-chattbotar eller virtuella assistenter kan föra naturliga samtal och utföra regelbaserade uppgifter. Dessa chattbotar ersätter mänskliga supportagenter och har redan minskat driftskostnaderna för många företag. I framtiden kan detta revolutionera AGI.
Risker med AGI
- Om en AGI:s databas är begränsad kan den fatta dåliga beslut som skadar företag och hem.
- AGI:er kan bli måltavlor för sofistikerade hackattacker. Om en hackare stoppar en AGI-maskin kan det skada hela verksamheten.
- AI-utvecklare har rapporterat olika incidenter där prototyp-AGI:er fattat partiska beslut.
- Att ge AGI:er obegränsad tillgång till data kan även strida mot olika integritetsbestämmelser runt om i världen.
Låt oss nu titta på några verkliga exempel på artificiell allmän intelligens.
Exempel från verkliga världen
#1. ROSS AI-sökning
AI-advokaten ROSS kan söka igenom miljarder juridiska dokument på mindre än tre sekunder. Du kan ange vilken juridisk fråga som helst och den kommer att leverera korrekta svar.
Detta är en AGI eftersom den använder olika smarta tekniker som rangordning, hämtning och förståelse. Dessutom har den en bredare tillämpning eftersom den täcker alla nischer inom det juridiska området.
#2. AlphaGo
AlphaGo är en AI-baserad Go-spelare. Det är den första smarta maskinen som har besegrat en professionell Go-spelare. Även om den har ett begränsat tillämpningsområde, så har den förmågan att lära sig själv. AlphaGo kan lära sig av sina motståndare och sina egna misstag.
#3. OpenAI:s AI-verktyg
OpenAI:s utbud av AI-system, som nämns nedan, kan utföra olika uppgifter automatiskt när de kombineras med API-anrop:
- GPT-3 skapar naturlig språkbaserad text från enkla fraser och ledtrådar. Många onlinespel och upplevelser som FableStudios narrativa ”Virtual Being” använder GPT-3 för interaktiva berättelser.
- Codex hjälper utvecklare att översätta naturliga språkinmatningar till kod.
- DALL·E hjälper NFT-skapare och digitala konstnärer att producera tusentals originalkonstverk på några minuter. AI:n kan även redigera bilder.
#4. IBM Watson
IBM Watson är ett komplett AI-paket för företag. Vi kan betrakta det som en AGI eftersom det har många olika tillämpningar. Det finns olika Watson AI:er, som:
- IBM Watson Assistant för kundtjänst och virtuell assistans
- IBM Watson Discovery som genererar insikter och svar från komplexa affärsdokument
- IBM Watson Natural Language Understanding and Classifier
Sammanfattning
Här har vi gått igenom konceptet artificiell allmän intelligens. Du har lärt dig hur det fungerar, vilka utmaningar som finns, exempel, risker och mer därtill.
Kunskapen om detta kan hjälpa dig planera dina AI-utvecklingsprojekt korrekt. Det är viktigt att vara flexibel och inkludera nästa generations smarta applikationer i dina projekt, så att de har potential att utvecklas till AGI.
Om du är ett företag som vill öka produktiviteten och effektiviteten, kan AGI vara lösningen, även om utvecklingen fortfarande pågår.
Du kan läsa mer om maskininlärning här.