Nuo automatikos iki AGI: dirbtinio intelekto kelionė

AI raida: nuo paprastos automatizavimo iki mašininio mokymosi

Dirbtinis intelektas (AI) per kelis dešimtmečius labai pasikeitė, pereinant nuo paprasto taisyklių pagrįstos automatizavimo prie modernių mašinų mokymosi modelių, galinčių savęs tobulinti.

Ankstyvosios automatizavimo ir taisyklėmis pagrįstos sistemos

AI pamatai buvo išdėstyti XX amžiaus viduryje, atsiradus Ekspertų sistemos taisyklėmis ir Simbolinė AI. Šios sistemos sekė Iš anksto nustatytos loginės taisyklės Norint vykdyti užduotis, tačiau jiems trūko galimybės prisitaikyti ar mokytis iš naujų duomenų.

Pavyzdžiui:

• Šeštajame ir šeštajame dešimtmečiuose AI tyrimai buvo skirti Simboliniai samprotavimaikur kompiuteriai bandė imituoti žmogaus sprendimų priėmimą naudojant iš anksto užprogramuotų taisyklių rinkinį.
• Eliza (1966) buvo ankstyvas pokalbių juostas, kuris naudojo taisyklėmis pagrįstą modelį, kuris modeliavo žmogaus pokalbį, tačiau jis iš tikrųjų nesuprato kalbos.
• Ankstyvasis automatizavimas pramonės šakose, pavyzdžiui, Surinkimo eilutės robotaisekė fiksuotos, pasikartojančios instrukcijos be galimybės prisitaikyti prie pokyčių.

Mašinų mokymosi ir duomenų pagrįstos AI kilimas

1990 ir 2000 m pamatė iškilimą Mašinų mokymasisparadigmos poslinkis, kai AI sistemos galėtų patobulinti pagal duomenis, o ne fiksuotas taisykles. Šį perėjimą lėmė:

• Dideli duomenys -Masyvių duomenų rinkinių prieinamumas leido AI pasimokyti iš didžiulės kiekio realaus pasaulio informacijos.
• Skaičiavimo galia – Pažangos perdirbimo galioje (pvz., GPU) leido nervų tinklams treniruotis dideliuose duomenų rinkiniuose.
• Geresni algoritmai -Giluminio mokymosi, sustiprinimo mokymosi ir natūralaus kalbos apdorojimo plėtra pagerino AI problemų sprendimo galimybes.

Pagrindiniai proveržiai apima:

• IBM „Deep Blue“ (1997) -Nugalėjo šachmatų čempionas Garry Kasparovas, naudodamas brutalios jėgos skaičiavimą.
• „Google“ „Deepmind Alphago“ (2016) -Nugalėti „Human Go“ čempionai, naudodamiesi sustiprinimo mokymuisi, parodant AI galią ne tik taisyklėmis pagrįstų sprendimų priėmimo.
• GPT ir didelių kalbos modeliai (2020 m.) -AI modeliai, tokie kaip „Openai“ GPT serija, revoliucionizavo natūralios kalbos apdorojimą, įgalindami beveik žmogiškąjį tekstą.

Šiandien AI yra ne tik automatizavimo įrankis, bet ir sistema, galinti mokytis, pritaikyti ir optimizuoti save laikui Dirbtinis bendras intelektas (AGI).

Pagrindiniai etapai kelyje į dirbtinį bendrąjį intelektą (AGI)

Dirbtinis bendrasis intelektas (AGI) reiškia Kita siena AI vystymosi metu-modeliai, galintys atlikti bet kokią intelektualinę užduotį, kurią žmogus gali, su samprotavimais, problemų sprendimu ir pritaikomumu. Nors AGI dar neegzistuoja, ten buvo Kritiniai etapai Priartėti prie šios realybės.

1. Turingo testas ir ankstyvieji AI etalonai

Alanas Turingas pasiūlė Turingo testas (1950) Kaip AI intelekto matas: jei mašina galėtų įtikinamai imituoti žmogaus pokalbį, ji gali būti laikoma „protinga“. Nors ankstyvieji pokalbiai patinka Eliza ir IBM Watson padarė pažangą, jiems trūko tikro supratimo.

2. Neuroninių tinklų atsiradimas ir gilus mokymasis

• Neuroniniai tinklaiįkvėptas žmogaus smegenų, tapo gilaus mokymosi pagrindu.
• Geoffrey Hintono atgalinio perdavimo algoritmas (1986) leido AI tobulinti savo mokymąsi bėgant laikui.
• Alexnet (2012) Parodė gilaus mokymosi galią atpažindami įvaizdį, laimėdamas „ImageNet“ varžybas precedento neturinčiu tikslumu.

3. AI muša žmones sudėtinguose žaidimuose

• „Deep Blue“ (1997) – Pirmasis AI nugalėjo pasaulio šachmatų čempioną.
• Alphago (2016) -Nugalėjo geriausią pasaulyje žaidėją, naudodamas armatūros mokymąsi, o ne į žiaurią paiešką.
• „Openai Five“ (2019) – PG sistema, kuri pralenkė žmonių komandas sudėtingame „Dota 2“ žaidime, demonstruojančią komandinį darbą ir strategijos adaptaciją.

4. Savarankiško mokymosi AI ir didelių kalbos modelių augimas

• „Transformeriai & GPT“ (2017 m.) -Didelio masto natūralių kalbų modeliai, galintys generuoti į žmogų panašų tekstą.
• „Google“ „Alphafold“ (2020) -Išsprendė dešimtmečių senumo baltymų sulankstymo problemą, parodydama AI gebėjimą spręsti mokslinius iššūkius.
• „AuToGpt & Relly Engineering“ (2023) – PG modeliai, galintys sujungti užduotis ir elgtis autonomiškai.

5. Link AGI: savęs tobulinimo ir autonominės sistemos

• PG tyrimai juda link sistemų gali išmokti naujų užduočių, naudodami minimalią priežiūrą.
• Pažanga daugiarėlinis AIkur modeliai supranta tekstą, vaizdus, ​​garsą ir vaizdo įrašą, AI daro universaliau.
• Kitas šuolis link AGI gali kilti iš AI sistemų, kad savaime optimizuokitekaip ir žmonės mokosi bėgant laikui.

Nors AGI dar nėra realybė, AI tampa vis labiau autonominis, pritaikomas ir bendros paskirtiespriartinkite mus prie mašinų, kurios gali galvok ir protą kaip žmonės.

AGI pasiekimo iššūkiai ir etiniai svarstymai

Kai judame link Dirbtinis bendras intelektasyra gilus iššūkiai ir etiniai klausimai į tai reikia atkreipti dėmesį.

1. Juodosios dėžutės problema: AI sprendimų priėmimo supratimas

• Šiuolaikinė AI, ypač gilus mokymasis, veikia kaip a Juodoji dėžutėtai reiškia, kad mes ne visada suprantame, kaip priimami sprendimai.
• Paaiškinama AI (xai) yra kylanti sritis, kuria siekiama padaryti AI sprendimų priėmimą skaidresnį.

2. PG sauga ir kontrolė: netyčinių padarinių prevencija

• Kaip mes kontrolė Agi, kai jis pranoksta žmogaus intelektą?
• AI suderinimas Tyrimai sutelkia dėmesį į tai, kad AI tikslai atitiktų žmogaus vertybes.
• Rizika piktnaudžiavimas (pvz., Autonominiai ginklai, šališki algoritmai) turi būti sušvelninti.

3. Darbo perkėlimas ir ekonominiai sutrikimai

• AI automatizavimas jau keičia pramonės šakas, tokias kaip gamyba, finansai ir klientų aptarnavimas.
• AGI iškilimas gali sukelti Masinis darbo perkėlimasreikalaujant politikos Reskilinimo darbuotojai ir Universalios bazinės pajamos (UBI).

4. Etinė AI ir šališkumas mašininiu mokymuisi

• PG modeliai, mokomi šališkų duomenų, gali sustiprinti visuomenės nelygybę.
• Užtikrinant Sąžiningumas ir įtrauktis PG vystymosi metu yra kritinė.
• Reglamentas ir valdymas Bus būtina išlaikyti etinę AI praktiką.

5. Egzistencinė superintelgent AI rizika

• Kai kurie ekspertai, įskaitant Eloną Muską ir Nicką Bostromą, perspėja AI viršija žmogaus intelektąveda į nekontroliuojamos pasekmės.
• Organizacijos patinka Openai ir Deepmind gynėjas AI saugos tyrimai Norėdami išvengti egzistencinės rizikos.
• Tarptautinis bendradarbiavimas reikalinga norint nustatyti AGI etinius pagrindus.

Išvada: AI ateitis ir kelias į AGI

Kelionė iš Automatizavimas AGI Buvo nuostabu, kai AI vystėsi nuo paprastų taisyklių pagrįstų sistemų iki giluminio mokymosi, savarankiško mokymosi modelių ir galingų kalbų modelių, tokių kaip GPT. Tačiau AI tobulėjant, taip pat ir etikos ir saugos problemos, susijusios su jos vystymosi metu.

Lenktynės link AGI yra abi jaudinantis ir bauginantissu žadančiais proveržiais Moksliniai atradimai, ekonominė pertvarka ir visuomenės naudabet ir rizika, reikalaujanti kruopštus valdymas ir etinis įžvalga.

Ar AGI pasirodys per ateinančius kelis dešimtmečius? O gal tai liks nemandagiu tikslu? Vienas dalykas yra tikras – AI kelionė toli gražu nėra baigta.

Jūs turite būti prisijungę, kad pakomentuotumėte.

Prisijunkite