فناوری‌های حال حاضر در حوزه «هوش مصنوعی» (Artificial Intelligence | AI)، همه تحت مجموعه پارامترهایی از پیش تعیین شده عمل می‌کنند. به عنوان مثال، مدل‌های هوش مصنوعی که برای کاربردهایی همچون تشخیص و ساخت تصاویر آموزش دیده‌اند، قادر به طراحی و ساخت وب‌سایت نیستند. «هوش مصنوعی عمومی» (Artificial General Intelligence | AGI) را می‌توان به عنوان جستجویی نظری برای توسعه سیستم‌های هوشمند خودمختار و توانمند در یادگیری مهارت‌های جدید معرفی کرد. هوش مصنوعی عمومی قادر به حل مسائل پیچیده در محیط‌هایی است، که هنگام ساخت در آن آموزش ندیده است. در این مطلب از مجله فرادرس، یاد می‌گیریم که AGI چیست و همچنین با نمونه‌های کاربردی آن نیز آشنا شویم.

در این مطلب، ابتدا تعریفی از هوش مصنوعی عمومی ارائه می‌دهیم و پس از بیان نحوه کارکرد سیستم‌های موسوم به AGI، هوش مصنوعی را با هوش مصنوعی عمومی مقایسه می‌کنیم. سپس با انواع روش های پژوهش در هوش مصنوعی، فناوری‌های تاثیرگذار و چالش‌های موجود در این زمینه آشنا می‌شویم. پس از معرفی انواع روش‌های پژوهش، با بیان چند نمونه کاربردی، تعدادی از مزایا و خطرات این حوزه را نیز با هم مرور می‌کنیم. در انتهای این مطلب از مجله فرادرس نیز، نگاهی به آینده این فناوری انداخته و به سوالات متداول و مورد بحث پاسخ می‌دهیم.

AGI چیست؟

هوش مصنوعی عمومی، زیرشاخه‌ای از تحقیقات نظری هوش مصنوعی است که در جهت کسب مهارت‌هایی انسانی، همچون توانایی خودآموزی توسعه پیدا می‌کند. با این حال بسیاری از محققین حوزه هوش مصنوعی، حتی به توسعه یک سیستم هوش مصنوعی عمومی نیز باور ندارند و معتقدند، این حوزه توسط معیاری قابل اندازه‌گیری به‌نام «هوش»، از سایر حوزه‌ها جدا شده است. «هوش مصنوعی قوی» (Strong AI) از جمله دیگر اصطلاحات رایجی است که برای هوش مصنوعی عمومی استفاده می‌شود. در سوی دیگر، فناوری‌هایی همچون «هوش مصنوعی ضعیف» (Weak AI) یا همان «هوش مصنوعی محدود» (Narrow AI)، نمونه دیگری است که تنها می‌تواند وظایفی مشخص را در محیط‌هایی با مجموعه پارامترهای از پیش تعیین شده انجام دهد.

هوش مصنوعی عمومی، این توانایی را خواهد داشت تا به‌طور خودکار، انواع مختلفی از مسائل پیچیده در زمینه‌های مختلف علم و دانش را حل کند.

هوش مصنوعی عمومی چگونه کار می‌کند؟

تا اینجا دیدیم که تعریف AGI چیست اما در ادامه باید نحوه کارکرد آن را نیز بررسی کنیم. با در نظر گرفتن این موضوع که هوش مصنوعی عمومی، همچنان به عنوان مفهومی نظری بررسی می‌شود، گفتمان‌های متفاوتی در مورد سرنوشت و چگونگی به نتیجه رسیدنش وجود دارد. همان‌طور که «بِن گویرتزل» (Ben Goertzel) محقق هوش مصنوعی می‌گوید: «مفهوم هوش عمومی، برای هر محققی معنی متفاوتی دارد؛ با این حال اگر بخواهیم تعریفی به زبان ساده ارائه دهیم، هوش مصنوعی عمومی، سیستم هوشمندی با سطح قابل توجهی از خودآگاهی و استقلال عمل است که می‌تواند انواع مسائل پیچیده را در محیط‌های مختلف بررسی و حل کند. چنین سیستمی، قادر به یادگیری روش حل مسائل جدیدی است که تا به حال با آن‌ها روبه‌رو نشده است».

به‌خاطر ماهیت رو به رشد و کمی مبهم تحقیقات حوزه هوش مصنوعی و به‌طور کلی مفهوم هوش مصنوعی عمومی، روش‌های مختلفی برای چگونگی ساخت آن ارائه شده است. برخی از این روش‌ها شامل رویکردهایی همچون «شبکه‌های عصبی» (Neural Networks) و «یادگیری عمیق» (Deep Learning) می‌شوند. این در حالی است که سایر روش‌ها پیشنهاد می‌کنند تا با بهره‌گیری از «علوم اعصاب محاسباتی» (Computational Neuroscience)، شبیه‌سازی‌هایی از مغز انسان در مقیاس بزرگ ساخته شود.

تفاوت هوش مصنوعی با AGI چیست؟

درحالی‌که روز به روز به دامنه فناوری‌ها و همچنین تحقیقات مرتبط با هوش مصنوعی افزوده می‌شود، هوش مصنوعی عمومی یا هوش مصنوعی متناظر با سطح هوش انسان، همچنان مفهومی نظری و هدفی تحقیقاتی باقی مانده است. در نگاه محقق هوش مصنوعی «پیتر واس» (Peter Voss)، به‌طور کلی هوش مصنوعی عمومی، توانایی یاد گرفتن همه چیز است. او در ادامه اضافه می‌کند: «توانایی یادگیری هوش مصنوعی عمومی باید خودمختار، هدفمند و از سازگاری بالایی برخوردار باشد». هوش مصنوعی عمومی، به‌طور معمول نوعی از هوش مصنوعی است که توانایی هماهنگی با ظرفیت شناختی انسان را دارد و با برچسب هوش مصنوعی قوی معرفی می‌شود.

در مقایسه، از آنجا که سیستم‌ها برای کاربردهایی خاص طراحی می‌شوند، اغلب هوش مصنوعی‌هایی که امروز می‌شناسیم، در دسته هوش مصنوعی ضعیف یا محدود قرار می‌گیرند. با این حال، قابل ذکر است که همین سیستم‌های هوشمند فعلی نیز بسیار موثر بوده و در کاربردهای پیچیده و دشواری چون وسایل نقلیه خودران و دستیارهای صوتی مورد استفاده قرار گرفته‌اند. سیستم‌هایی که تنها برای آموزش، به سطحی از برنامه‌نویسی انسان نیاز دارند.

انواع روش های پژوهش در AGI چیست؟

فعالیت دانشمندان علوم کامپیوتر و محققان هوش مصنوعی در زمینه توسعه ساختارهایی نظری و مسائل پاسخ داده نشده در حوزه هوش مصنوعی عمومی همچنان ادامه دارد. گویرتزل شیوه‌های نوین سطح بالایی را در تحقیقات مربوط به هوش مصنوعی عمومی پدید آورده و آن‌ها را مانند زیر دسته‌بندی می‌کند:

• روش نمادین: این دیدگاه بر این باور است که نگرش نمادین، جوهره هوش عمومی انسان و دقیقا همان چیزی است که اجازه می‌دهد بیشترین توسعه را رغم بزنیم.
• روش «پدیدارگرایانه» (Emergentist): نگرشی در هوش مصنوعی عمومی و متمرکز بر ایده‌ای که باور دارد، مغز انسان در نهایت، مجموعه‌ای از عناصر ساده به اسم «نورون» (Neuron) است که به‌طرز پیچیده‌ای و در پاسخ به تجربیات بدن، خود را سازمان‌دهی می‌کنند.
• روش ترکیبی: همان‌طور که از اسمش پیداست، در این روش به مغز انسان به عنوان سیستمی ترکیبی از بخش‌ها و قواعدی متفاوت نگاه می‌شود، که برای خلق نتیجه‌ای ارزشمند و بزرگ با یک‌دیگر همکاری می‌کنند.
• روش جهان‌شمول: ماهیت ریاضیات در هوش عمومی، پایه و اساس دیدگاه جهان شمول بر فناوری AGI است. نگرشی که باور دارد می‌توان، با رعایت اصول و قواعدی مشخص، این فناوری را از حوزه نظری خارج و در جهان حقیقی از آن استفاده کرد.

دستیابی به فناوری AGI، نیازمند گستره وسیعی از دیگر فناوری‌ها، داده‌ها و همپوشانی میان مدل‌های هوش مصنوعی است. خلاقیت، ادراک و یادگیری، همه و همه مواردی ضروری برای سیستم هوشمندی است که می‌خواهند رفتارهای انسان را تقلید کنند.

فناوری های پیشران پژوهش در هوش مصنوعی عمومی

دیدیم که انواع‌ روش‌های پژوهش در AGI چیست و در ادامه این بخش می‌خواهیم فناوری‌های پیشران در این حوزه را بررسی کنیم. تلاش‌ها برای ساخت سیستم‌های AGI ادامه داشته و توسعه فناوری‌های نوظهور در این زمینه روزبه‌روز بیشتر می‌شود. فهرست زیر شامل نمونه‌هایی مشهور از این فناوری‌هاست که امروزه بخشی از زندگی انسان هستند:

پژوهش‌های فعلی در زمینه AGI، وابستگی بسیاری به رشد تدریجی حوزه یادگیری ماشین دارند. اما استفاده از هوش مصنوعی عمومی در جهان حقیقی، همچنان هدف و چشم‌اندازی دور است. در ادامه این مطلب، به توضیح مختصری از هر یک از فناوری‌های نام برده شده در فهرست بالا می‌پردازیم.

بهره‌گیری از یادگیری عمیق در AGI

یادگیری عمیق زیرمجموعه‌ای از هوش مصنوعی و متمرکز بر آموزش شبکه‌های عصبی با چندین لایه مخفی برای استخراج و درک الگوهای پیچیده در داده‌های خام است. متخصصان حوزه هوش مصنوعی، از یادگیری عمیق برای ساخت سیستم‌هایی که قادر به درک انواع رسانه از جمله متن، صدا، تصویر و ویدئو استفاده می‌کنند.

تولید رسانه های واقع‌گرایانه با استفاده از هوش مصنوعی مولد

هوش مصنوعی مولد، از سیستم‌های هوشمندی تشکیل می‌شود که با استفاده از دانشی از پیش فراگرفته شده، محتواهایی منحصربه‌فرد و واقع‌گرایانه تولید می‌کند. مدل‌های مولد با مجموعه‌داده‌های بسیاری آموزش داده می‌شوند و در نتیجه این امکان را دارند تا به هر شکل رسانه‌ای از جمله متن، صدا یا تصویر، پاسخگوی ورودی انسان باشند. به عنوان مثال، «مدل‌های زبانی بزرگ» (Large Language Models | LLMs) شرکت‌هایی همچون Anthropic و Meta، الگوریتم‌های مولدی هستند که می‌توانند در حل وظایف پیچیده سازمان‌ها بزرگ راه‌گشا باشند.

نقش AGI در پردازش زبان طبیعی

پردازش زبان طبیعی یا NLP، زیرمجموعه‌ای دیگر از هوش مصنوعی است که سیستم‌های کامپیوتری را قادر می‌سازد تا زبان انسان را درک و در ادامه تولید کنند. «زبان‌شناسی محاسباتی» (Computational Lingustics) و «یادگیری ماشین» (Machine Learning) دو فناوری مورد استفاده در پردازش زبان طبیعی است که داده‌های خام را به نمایشی ساده با عنوان «توکن» (Token) تبدیل و روابط متنی میان آن‌ها را کشف می‌کند.

استفاده از بینایی ماشین برای خودکارسازی

بینایی ماشین یکی از فناوری‌هایی است که به سیستم‌های کامپیوتری امکان استخراج، کاوش و فهم اطلاعات از داده‌های بصری را می‌دهد. اتومبیل‌های خودران از مدل‌های بینایی ماشین برای تجزیه و تحلیل بلادرنگ تصاویر ورودی دوربین‌ها و همچنین مسیریابی ایمن استفاده می‌کنند. «خودکارسازی» (Automation) کاربردهایی همچون تشخیص اشیاء، دسته‌بندی، نظارت و دیگر پردازش‌های مرتبط با تصویر، با ترکیب بینایی ماشین و یادگیری عمیق ممکن می‌شود.

کاربرد رباتیک در AGI

سازمان‌ها از علم رباتیک برای ساخت سیستم‌های مکانیکی و خودکارسازی وظایف گوناگون بهره می‌برند. از جمله کاربردهای رباتیک در سیستم‌های AGI، می‌توان به توانمندسازی ماشین‌های هوشمند در انجام فعالیت‌های فیزیکی اشاره کرد. به‌طور کلی، رباتیک نقش حیاتی را در ادراک بصری و قابلیت‌های فیزیکی مورد نیاز سیستم‌های AGI بازی می‌کند. به عنوان مثال، با اضافه کردن هوش مصنوعی عمومی به یک دست رباتیک، آن دست می‌تواند حس کند، اشیاء مختلف را در مشت بگیرد و مانند انسان پوست میوه‌ها را جدا کند.

چالش های پژوهش در حوزه AGI چیست؟

دانشمندان علوم کامپیوتر با چالش‌هایی در زمینه هوش مصنوعی عمومی روبه‌رو هستند که در فهرست زیر به تعدادی از آن‌ها اشاره شده است:

• برقراری ارتباط: برخلاف انسان که دانش و تجربیات خود را در حوزه‌های مختلف به اشتراک می‌گذارد، مدل‌های فعلی هوش مصنوعی محدودیت اطلاعات دارند و نمی‌توانند میان زمینه‌های مختلف ارتباط برقرار کنند. به عنوان مثال، با به‌کارگیری نظریه‌های آموزشی در طراحی بازی، می‌توان فرایند یادگیری را به تجربه‌ای تعاملی تبدیل کرد. کاری که انسان‌ها نیز انجام داده و یادگیری‌های خود در محیط آموزشی را به زندگی حقیقی انتقال می‌دهند. با وجود رشد چشمگیر هوش مصنوعی، مدل‌های یادگیری عمیق برای فعالیت در محیط‌های ناشناخته، همچنان به آموزش با مجموعه‌ای از داده‌های مرتبط نیاز دارند.
• «هوش هیجانی» (Emotional Intelligence): مدل‌های یادگیری عمیق پنجره فرصت مهمی را به روی سیستم‌های AGI باز کرده‌اند؛ با این حال، تا رسیدن به سطح خلاقیت انسان راه زیادی در پیش است. خلاقیت نیازمند نوعی تفکر عاطفی است که شبکه‌های عصبی قادر به شبیه‌سازی آن نیستند. به عنوان مثال، انسان‌ها بر اساس حسی که در لحظه دارند در یک مکالمه شرکت می‌کنند. در مقایسه، خروجی مدل‌های NLP مطابق با مجموعه‌داده و الگوهایی است که از طریق آن‌ها آموزش دیده‌اند.
• «ادراک حسی» (Sensory Perception): فناوری هوش مصنوعی عمومی برای برقراری تعامل با محیط خارجی به سیستم‌هایی هوشمند نیاز دارد. در کنار فعالیت‌های رباتیک، سیستم هوشمند نیز باید همانند انسان، قادر به درک و فهم جهان اطراف باشد. فناوری‌های کامپیوتری برای پیشرفت و توسعه بیشتر، باید بتوانند مانند انسان میان اشکال، رنگ‌ها، مزه‌ها، بوها و صداها تمایز قائل شوند.

در مجموع، توسعه سیستم‌هایی که نماد انعطاف‌پذیری، سازگاری و جامعیت هوش انسانی باشند، همچنان هدفی دست‌نیافتنی در حوزه هوش مصنوعی باقی مانده است. با این حال پیشرفت مداومی در تمامی موارد ذکر شده در جریان است.

نمونه هایی از هوش مصنوعی عمومی

حالا که می‌دانیم چالش‌های AGI چیست باید توضیحی در مورد نمونه‌های واقعی آن نیز ارائه کنیم. نمونه‌های واقعی هوش مصنوعی عمومی هنوز وارد بازار نشده‌اند. اما نمونه‌هایی از سیستم‌های هوشمند محدود وجود دارد که در زمینه‌هایی با سطح مهارت انسان برابری کرده و حتی از آن بهتر عمل می‌کنند. در فهرست زیر چند نمونه از سیستم‌های پرکاربرد هوشمند روز را ملاحظه می‌کنید:

پژوهشگران بسیاری برای کشف و ساخت سیستم‌های هوشمند کاربردی تلاش می‌کنند. در ادامه این مطلب از مجله فرادرس، با چند نمونه از این پژوهش‌ها آشنا می‌شویم.

ابررایانه هوشمند واتسون

هوش مصنوعی واتسون و دیگر ابررایانه‌ها، قادر به انجام محاسباتی فراتر از رایانه‌های معمولی هستند. چنین سیستم‌هایی، قدرت محاسباتی بالای خود را با هوش مصنوعی ترکیب کرده و از آن برای حل مسائل مهندسی و علمی همچون «نظریه بیگ بنگ» (Big Bang Theory) استفاده می‌کنند.

سیستم های خبره در پزشکی

سیستم‌های خبره، به نوعی سعی در تقلید قضاوت انسان دارند. زیرمجموعه‌ای از هوش مصنوعی که از دانش مبتنی‌بر تجربه انسان برای ارائه تصمیمات و راه‌حل‌هایی تخصصی استفاده می‌کند. به عنوان مثال می‌توانند بر اساس اطلاعات بیمار به او دارو پیشنهاد داده و ساختارهای مولکولی را پیش‌بینی کنند.

وسایل نقلیه هوشمند و اتومبیل‌های خودران

فناوری اتومبیل های خودران، نمونه‌ای از هوش مصنوعی متمرکز است که همزمان پیچیدگی‌های شگرف موجود در هوش مصنوعی عمومی را نیز به نمایش می‌گذارد. وظیفه اتومبیل‌های خودران، شناسایی سایر وسایل نقلیه، عابران و اشیاء موجود در جاده و همچنین پایبندی به قوانین و مقرارت رانندگی است.

برنامه کامپیوتری آلفاگو

مثالی دیگر از هوش مصنوعی محدود که توانسته در زمینه خاصی از حل مسئله، عملکردی به مراتب بهتر از انسان از خود به نمایش بگذارد. آلفاگو برنامه کامپیوتری است که می‌تواند در بازی «گو» (Go) که نوعی بازی تخته‌ای پیچیده است، به رقابت بپردازد. در سال ۲۰۱۶، آلفاگو توانست قهرمان جهان «لی سدول» (Lee Sedol) را در یک رقابت پنج مرحله‌ای شکست دهد.

مدل های زبانی مولد متن از پیش آموزش‌دیده

دو مدل زبانی GPT-3 و GPT-4، نسخه‌های نرم‌افزاری مدل‌های مولد ساخت شرکت OpenAI هستند که می‌توانند به‌طور خودکار متنی را به زبان انسان تولید کنند. مهارت این فناوری در تقلید از هوش عمومی انسان مثال‌زدنی است. در برخی از موارد حتی نمی‌توان تمایزی میان پاسخ‌های یک مدل زبانی با خروجی انسان قائل شد. اما با این حال، این فناوری هنوز جای پیشرفت دارد.

سیستم های هوشمند ساخت موسیقی

منظور از چنین ابزارهایی، سیستم‌های هوشمندی است که به‌منظور ساخت، اجرا و یا تحلیل خودکار ساختار و الگوهای موزیکال طراحی شده‌اند. ابزار هوش مصنوعی Dadabots، الگوریتمی است که با در اختیار داشتن ساختار یک موسیقی، می‌تواند نمونه تقریبی خود از آن اثر را بازسازی کند.

بهبود عملکرد، نتیجه اعمال هوش مصنوعی عمومی بر نمونه‌هایی است که پیش‌تر به آن‌ها اشاره شد. به عنوان مثال، اتومبیل‌های خودران برای تصمیم‌گیری در موقعیت‌های دشوار و مبهم، به حضور یک انسان نیاز دارند. برای کاربردهای دیگری همچون ساخت موسیقی و مدل‌های زبانی نیز همین موضوع صدق می‌کند. مباحثی که همزمان با خودکارسازی به‌وسیله هوش مصنوعی، همچنان نیازمند موجودیتی سطح بالاتر مانند هوش انسان هستند.

مزایای AGI چیست؟

توسعه فناوری هوش مصنوعی با سرعت زیادی در حال پیشرفت است. شاید هنوز به مرحله اجرایی سیستم‌های AGI نرسیده باشیم؛ اما هنگامی که در دسترس عموم قرار گیرند، جهان شناخته شده ما را متحول می‌کنند. از جمله کاربردهای سازنده و مثبت هوش مصنوعی عمومی می‌توان به موارد زیر اشاره کرد:

سیستم‌های AGI در موضوعات مختلفی این قابلیت را دارند تا علاوه‌بر کمک به انسان در انجام کارها، کیفیت نهایی را نیز بالا ببرند. در ادامه این مطلب، چند ویژگی کاربردی این سیستم‌ها را توضیح داده و عمیق‌تر بررسی می‌کنیم.

حل مسائل پیچیده و دشوار روز

ظرفیت بالای هوش مصنوعی عمومی در پردازش حجم داده‌های عظیم، در حل برخی از پیچیده‌ترین مشکلاتی که بشر با آن‌ها روبه‌رو است مانند چالش‌هایی همچون تغییرات آب و هوایی، شیوع بیماری‌ها و مشکلات اقتصاد جهانی کمک می‌کند. هوش مصنوعی عمومی قادر است تا داده‌ها را به نحوی که برای انسان امکان‌پذیر نیست با یک‌دیگر ترکیب کند. فرایندی که راه‌حل‌ها و نگرشی نو را نتیجه می‌دهد.

خودکارسازی کارآمد در صنعت

ظهور هوش مصنوعی عمومی، ممکن است به سطح بی‌مانندی از خودکارسازی منتهی شود. ماشین‌هایی که دیگر می‌توانند بدون دخالت هوش انسانی، کارها را به سرانجام برسانند. چنین توانمندی برای هر صنعتی از بهداشت و درمان گرفته تا ساخت و تولید ارزشمند است. بهره‌وری بیشتر، نوآوری و رشد اقتصادی، از جمله نتایج استفاده از هوش مصنوعی عمومی توسط شرکت‌های بزرگ است.

تقویت توانامندی های انسان در انجام کارها

به هوش مصنوعی عمومی، می‌توان به عنوان ابزاری برای تقویت و نه فقط جایگزینی مهارت‌های انسان نگاه کرد. فناوری AGI با معرفی شیوه‌هایی نو از تفکر و درک جهان، این امکان را به ما می‌دهد تا مهارت‌های مهمی چون خلاقیت، تصمیم‌گیری و حل مسئله را در خود تقویت کنیم.

خطرات AGI چیست؟

اگر مطلب را تا اینجا مطالعه کرده باشید، به‌خوبی می‌دانید که مزایای AGI چیست. با وجود تمام مزایایی که وجود دارد، هوش مصنوعی عمومی خالی از خطر نیست. امروزه سیستم‌های هوشمند محدود، درک ما از جهان و همچنین خودمان را تغییر داده‌اند. توسعه نسخه‌ای از هوش مصنوعی که بتواند توانایی‌های ما را تقلید کرده و حتی وظایف انسانی را بهتر از ما انجام دهد، زنگ خطری است که باید به آن توجه داشت. در فهرست زیر برخی از این خطرات را ملاحظه می‌کنید:

• ناهماهنگی اهداف
• خطرات وجودی
• اختلالات اجتماعی
• حریم خصوصی و امنیت

با وجود این‌که هوش مصنوعی از دقتی ماشینی برخوردار است، اما باز هم نمی‌توان گفت که مرتکب خطاهای انسانی و یا حتی بدتر نمی‌شود. در ادامه، بیشتر با هر یک از خطرات ذکر شده در فهرست بالا آشنا می‌شویم.

خطر ناهماهنگی اهدف در هوش مصنوعی عمومی

احتمال خلق سیستمی فراهوشمند با مقاصدی در تضاد با اهداف انسان، یکی از قابل توجه‌ترین موارد نگرانی درباره هوش مصنوعی عمومی است. موضوعی که ممکن است به عواقبی ناخواسته منجر شود؛ فعالیت‌هایی که گرچه از نظر فنی با برنامه‌ریزی از پیش انجام شده تطابق دارند، اما برای انسان زیان‌آور هستند.

ریسک از دست دادن کنترل موجودیت‌های هوشمند

با خارج شدن کنترل سیستم AGI از دست بشریت، این امکان وجود دارد که با خطراتی وجودی روبه‌رو شویم. همیشه حدس و گمان‌هایی درباره سیستم فراهوشمندی که از خالق انسانی خود پیشی می‌گیرد وجود داشته است؛ امری که پیش‌بینی یا نظارت بر اعمال یک هوش مصنوعی عمومی را به چالش مهمی تبدیل می‌کند. برخی ممکن است حتی فراتر رفته و از همه‌گیری سیستم‌های AGI، به عنوان عامل جنگ میان ملت‌ها و قدرت‌طلبی بیش از پیش سازمان‌های بزرگ یاد کنند.

خطر ایجاد اختلالات اجتماعی

بهره‌برداری بیش از اندازه از هوش مصنوعی عمومی، احتمال رخداد اختلالات اجتماعی و اقتصادی را افزایش می‌دهد. یکی از نتایج فرایند خودکارسازی، از بین رفتن بسیاری از عنواین و جایگاه‌های شغلی است که خود به افزایش نابرابری و ناپایداری اجتماعی منجر می‌شود.

آسیب‌پذیری های حریم خصوصی و امنیت

از خطرات مربوط به حریم خصوصی و امنیت فردی، می‌توان به عنوان یکی از مهم‌ترین نگرانی‌ها درباره آینده فناوری AGI یاد کرد. سیستم فراهوشمندی را تصور کنید که این قابلیت را دارد تا در سایر سیستم‌ها، داده‌ها و حتی تفکر افراد، به نحوی که برای ما قابل پیش‌بینی نباشد، تغییر ایجاد کند. جریانی که ممکن است تهدیدات سایبری تازه‌ای را دربر داشته باشد.

آینده AGI چیست؟

سال و زمان دستیابی به هوش مصنوعی عمومی، موضوعی است که بحث و تبادل نظر بسیاری حول آن وجود دارد. تعدادی از دانشمندان برجسته علوم کامپیوتر و همچنین کارآفرینان، بر این باورند که دستیابی به سیستم‌های AGI طی چند دهه آینده ممکن می‌شود. از جمله این افراد می‌توان به موارد زیر اشاره کرد:

• «لوئیز روزنبرگ» (Louis Rosenberg)، مدیر عامل و محقق ارشد شرکت Unanimous AI، در سال ۲۰۲۰ پیش‌بینی کرد که تا سال ۲۰۳۰، دسترسی به هوش مصنوعی عمومی ممکن می‌شود.
• «رِی کِرزویل» (Ray Kurzweil)، مدیر بخش مهندسی شرکت گوگل و یکی از بنیان‌گذاران فناوری «شناسایی الگو» (Pattern Recognition)، بر این باور است که هوش مصنوعی به‌زودی به سطح هوش انسان رسیده و تا سال ۲۰۲۹، حتی از انسان نیز پیشی می‌گیرد.
• «یورگن اشمیدهابر» (Jürgen Schmidhuber) هم‌بنیان‌گذار و محقق ارشد شرکت NNAISENSE و همچنین مدیر پژوهشگاه هوش مصنوعی IDSIA معتقد است، تا اواخر سال ۲۰۵۰ شاهد ظهور سیستم‌های AGI خواهیم بود.

با این حال، آینده هوش مصنوعی عمومی همچنان در هاله‌ای از ابهام قرار دارد و حتی برخی از محققان بر این باورند که قرار نیست چیزی به‌نام فناوری AGI در جهان حقیقی ساخته شود. همان‌طور که گویرتزل توضیح می‌دهد: «از آنجا که مسیرهای بسیاری شامل ترکیبی از زیرمجموعه‌های متفاوت، برای دستیابی به فناوری AGI وجود دارد، نمی‌توان سرعت پیشرفت آن را به گونه‌ای موثر اندازه‌گیری کرد. نظریه‌ای هدفمند و کامل در این زمینه وجود ندارد؛ بلکه تنها مفاهیم، ساختارها و فرضیاتی است که اغلب هم‌افزایی داشته و گاهی نیز با یک‌دیگر در تضاد هستند».

در مصاحبه‌ای، «سارا هوکر» (Sara Hooker) محقق پژوهشگاه Cohere در پاسخ به پرسشی درباره آینده هوش مصنوعی عمومی بیان می‌کند: «این بیشتر پرسشی فلسفی است. از آنجا که تخصص ما حوزه‌ای علمی است، می‌توان گفت که در زمان دشواری برای فعالیت در این زمینه قرار داریم».

سوالات متداول پیرامون AGI چیست؟

تا اینجا به خوبی یاد گرفتیم که AGI چیست و چه مزایا و معایبی دارد. در این بخش از مطلب فرادرس، به سوالات متداول افرادی می‌پردازیم که قصد دارند یادگیری هوش مصنوعی عمومی را شروع کنند و می‌خواهند اطلاعات بیشتری در این زمینه به‌دست آورند.

چه زمان سیستم‌های AGI در دسترس عموم قرار می‌گیرند؟

از آنجا که هوش مصنوعی عمومی هنوز بیشتر مفهومی نظری است تا جنبه عملی داشت باشد، تخمین زمان به بهره‌برداری رسیدن چنین سیستم‌هایی کار راحتی نیست. برخی از محققان، آن را امری غیرممکن می‌دانند و دیگران با اطمینان از به حقیقت پیوستن آن در چند دهه آینده خبر می‌دهند.

تفاوت هوش مصنوعی با هوش مصنوعی عمومی در چیست؟

حوزه هوش مصنوعی، دربرگیرنده محدوده وسیعی از فناوری‌های فعلی و همچنین زمینه‌های پژوهشی موسوم به هوش مصنوعی ضعیف یا محدود است. در مقابل، محققان حوزه هوش مصنوعی عمومی نیز در حال توسعه هوش مصنوعی قوی هستند که با هوش انسان برابری می‌کند.

آیا هوش مصنوعی عمومی باهوش‌تر از انسان است؟

اغلب دانشمندان، هوش مصنوعی عمومی را به عنوان موجودیتی تعریف می‌کنند که سطح هوشی برابر با هوش و ظرفیت مغز انسان دارد. این در حالی است که اصطلاح «ابَر هوش مصنوعی» (Artificial Super Intelligence | ASI)، به نوعی از هوش مصنوعی اطلاق می‌شود که حتی هوشمندتر از انسان است.

در چه سالی توسعه هوش مصنوعی عمومی تکمیل می‌شود؟

پژوهشگران نظرات متفاوتی در این زمینه دارند. فارغ از دیدگاه‌شان در مورد زمان در دسترس قرار گرفتن سیستم‌های AGI، برخی اتمام فرایند ساخت آن را تا پایان سال ۲۰۳۰ تا ۲۰۵۰ پیش‌بینی می‌کنند. با این حال برخی دیگر بر این باور هستند که در اصل، ساخت چنین سیستم‌هایی غیرممکن است.

جمع‌بندی

دو مفهوم هوش مصنوعی و هوش مصنوعی عمومی، مدت‌هاست که در تخیلات انسان به شکل ایده‌هایی در داستان‌ها و روایت‌های علمی تخیلی جای گرفته‌اند. در حال حاضر رویکردهای متفاوت بسیاری برای ساخت هوش مصنوعی که بتواند فکر کند، یاد بگیرد و آگاهی خود را در خارج از محیط آموزش خود به آزمایش بگذارد، وجود دارد. در این مطلب از مجله فرادرس، علاوه بر آشنایی با مفهوم AGI یا همان هوش مصنوعی عمومی، کاربردهایی از آن را نیز در فناوری‌های روز بررسی کردیم. در ادامه و پس از برشمردن تعدادی از مزایا و همچنین خطرات فناوری AGI، نگاهی به آینده آن انداخته و در پایان نیز به سوالات متداولی که در این زمینه مطرح است پاسخ دادیم.