AGI (Artificial General Intelligence) چیست و چه کاربردی دارد؟

هوش عمومی مصنوعی (AGI) یکی از بلندپروازانه‌ترین اهداف در فناوری مدرن به شمار می‌رود. این مفهوم با هدف بازآفرینی توانایی‌های شناختی انسان به شکلی گسترده و انعطاف‌پذیر مطرح شده است.

AGI برخلاف یک فناوری موجود، یک هدف بلندمدت در پژوهش‌های هوش مصنوعی محسوب می‌شود. این مفهوم سامانه‌ای را توصیف می‌کند که بتواند به‌طور مستقل یاد بگیرد، خود را با محیط‌های جدید سازگار کند، دانش را میان حوزه‌های مختلف انتقال دهد، به‌صورت انتزاعی استدلال کند و در موقعیت‌های ناآشنا تصمیم بگیرد. به بیان دیگر، هوش عمومی مصنوعی به هوش مصنوعی انعطاف‌پذیر و چندمنظوره‌ای اشاره دارد که می‌تواند بدون نیاز به برنامه‌ریزی مجدد مداوم، در حوزه‌های متنوع عملکرد مؤثری داشته باشد.

ابزارهای کنونی مانند مدل‌های زبانی بزرگ (LLM) قابلیت‌های چشمگیری از خود نشان می‌دهند، اما هوش عمومی مصنوعی واقعی محسوب نمی‌شوند. اگرچه این مدل‌ها می‌توانند محتوا تولید کنند، کدنویسی انجام دهند و داده‌ها را تحلیل کنند، همچنان به آموزش‌های قبلی وابسته‌اند و در زمینه‌هایی مانند استدلال، استقلال، قابلیت اطمینان و توانایی تعمیم به موقعیت‌های جدید، محدودیت‌هایی دارند.

اصطلاح‌شناسی

هوش مصنوعی عمومی (AGI) با نام‌های دیگری مانند هوش مصنوعی قوی (Strong AI)، هوش مصنوعی کامل (Full AI)، هوش مصنوعی در سطح انسان (Human-level AI)، هوش مصنوعی دارای هوش در سطح انسان (Human-level intelligent AI) یا کنش هوشمند عمومی (General Intelligent Action) نیز شناخته می‌شود.

برخی منابع دانشگاهی اصطلاح «هوش مصنوعی قوی» را به برنامه‌های رایانه‌ای‌ای اختصاص می‌دهند که در آینده دارای احساس‌مندی (Sentience) یا آگاهی (Consciousness) خواهند بود. در مقابل، هوش مصنوعی ضعیف یا هوش مصنوعی محدود (Narrow AI) می‌تواند یک مسئله مشخص را حل کند، اما فاقد توانایی‌های شناختی عمومی است. برخی منابع دانشگاهی نیز «هوش مصنوعی ضعیف» را به معنای گسترده‌تر، برای هر برنامه‌ای به کار می‌برند که نه تجربه آگاهی دارد و نه به معنای مشابه انسان دارای ذهن است.

مفاهیم مرتبط با AGI شامل ابرهوش مصنوعی (Artificial Superintelligence یا ASI) و هوش مصنوعی تحول‌آفرین (Transformative AI) هستند. ابرهوش مصنوعی نوعی فرضی از AGI است که به‌طور کلی بسیار باهوش‌تر از انسان‌هاست. در مقابل، مفهوم هوش مصنوعی تحول‌آفرین به هوش مصنوعی‌ای اشاره دارد که تأثیر بسیار گسترده‌ای بر جامعه می‌گذارد؛ برای مثال، تأثیری مشابه انقلاب کشاورزی یا انقلاب صنعتی.

تاریخچه

اصطلاح «هوش مصنوعی عمومی» (Artificial General Intelligence) نخستین بار در سال ۱۹۹۷ توسط مارک گوبْرود در بحثی درباره پیامدهای تولید و عملیات نظامی کاملاً خودکار به کار رفت. در سال ۲۰۰۰، مارکوس هاتر یک صورت‌بندی ریاضی برای AGI با نام AIXI پیشنهاد کرد. او هوش را «توانایی یک عامل برای دستیابی به اهداف یا موفقیت در طیف گسترده‌ای از محیط‌ها» تعریف می‌کند. این نوع از AGI با عنوان هوش مصنوعی جهان‌شمول (Universal Artificial Intelligence) نیز شناخته شده است. اصطلاح AGI حدود سال ۲۰۰۲ توسط شین لگ و بن گورتزل دوباره مطرح و رایج شد.

سطوح عملکردی AGI

در سال ۲۰۲۳، پژوهشگران گوگل دیپ‌مایند چارچوبی برای طبقه‌بندی AGI پیشنهاد کردند. در این چارچوب، پنج سطح عملکردی برای AGI تعریف شده است:

1. نوظهور (Emerging)
2. شایسته (Competent)
3. متخصص (Expert)
4. چیره‌دست / در سطح نابغه (Virtuoso)
5. فراانسانی (Superhuman)

برای مثال، یک AGI در سطح «شایسته» سامانه‌ای هوش مصنوعی تعریف می‌شود که در طیف گسترده‌ای از وظایف غیرجسمانی، عملکردی بهتر از ۵۰ درصد بزرگسالان ماهر داشته باشد. AGI در سطح «فراانسانی» نیز به‌طور مشابه تعریف می‌شود، با این تفاوت که آستانه عملکرد آن ۱۰۰ درصد است. پژوهشگران دیپ‌مایند، مدل‌های زبانی بزرگی مانند ChatGPT یا LLaMA 2 را نمونه‌هایی از AGI نوظهور می‌دانند؛ یعنی سامانه‌هایی که از نظر عملکرد با انسان‌های غیرماهر قابل مقایسه‌اند.

این چارچوب همچنین برای سطح خودمختاری AGI و خطرات مرتبط با آن، پنج سطح را در نظر می‌گیرد:

1. ابزار (Tool): کاملاً تحت کنترل انسان
2. مشاور (Consultant): ارائه‌دهنده پیشنهاد و راهنمایی
3. همکار (Collaborator): همکاری با انسان در انجام وظایف
4. متخصص (Expert): انجام مستقل‌تر وظایف در سطح تخصصی
5. عامل (Agent): کاملاً خودمختار و مستقل از کنترل مستقیم انسان

ویژگی‌های کلیدی هوش عمومی مصنوعی

AGI می‌تواند چندین قابلیت شناختی پیشرفته را در یک سامانه واحد با یکدیگر ترکیب کند. برخی از ویژگی‌های اصلی آن عبارت‌اند از:

یادگیری مستمر

یکی از تفاوت‌های اصلی هوش مصنوعی قوی با مدل‌های امروزی، توانایی آن برای یادگیری مستمر و بدون دخالت انسان خواهد بود. AGI به‌جای اینکه صرفاً به آموزش اختصاصی برای هر وظیفه متکی باشد، می‌تواند به‌صورت مستقل دانش جدید کسب کند، از طریق تجربه عملکرد خود را بهبود دهد و خود را به‌صورت پویا با محیط‌ها و نیازهای عملیاتی در حال تغییر سازگار کند.

چندمنظوره بودن و سازگاری‌پذیری

هوش مصنوعی عمومی می‌تواند با استفاده از دانشی که از تجربیات قبلی به دست آورده است، در طیف بسیار متنوعی از موقعیت‌ها عملکرد داشته باشد. برای مثال، یک سامانه واحد می‌تواند بدون نیاز به برنامه‌ریزی مجدد، مسیرهای لجستیکی را بهینه کند، ریسک‌های مالی را ارزیابی کند و موجودی‌های پیچیده را مدیریت کند. چنین قابلیتی نشان‌دهنده درجه بالایی از سازگاری‌پذیری در وظایف و صنایع مختلف خواهد بود.

استدلال انتزاعی

AGI می‌تواند موقعیت‌های مبهم را تفسیر کند، روابط علت و معلولی را تشخیص دهد و با استفاده از استدلال منطقی و زمینه‌محور، مسائل پیچیده را حل کند. برخلاف سامانه‌های کنونی، می‌تواند سناریوهای ناآشنا را درک کند، گزینه‌های مختلف را ارزیابی کند و حتی در شرایطی که اطلاعات موجود ناقص یا دائماً در حال تغییر است، تصمیم‌های آگاهانه بگیرد.

درک چندوجهی

هوش عمومی مصنوعی می‌تواند اطلاعات حاصل از منابع مختلف مانند متن، تصویر، گفتار، حسگرها و ویدئو را با یکدیگر ترکیب کند تا محیط پیرامون خود را به شکلی نزدیک‌تر به فرایندهای شناختی انسان تفسیر کند. این قابلیت امکان تحلیل غنی‌تر و عمیق‌تر زمینه و موقعیت را فراهم می‌کند و می‌تواند تعامل میان انسان‌ها، فناوری و فرایندهای صنعتی خودکار را بهبود دهد.

برنامه‌ریزی مستقل

یکی دیگر از ویژگی‌های تعیین‌کننده AGI، توانایی آن برای تعیین اهداف، تدوین برنامه‌های عملیاتی و اصلاح راهبردهای خود بر اساس نتایج خواهد بود. چنین سامانه‌هایی می‌توانند جریان‌های کاری را بازسازمان‌دهی کنند، وظایف را اولویت‌بندی کنند و در زمان واقعی به شرایط در حال تغییر واکنش نشان دهند؛ در نتیجه، در برخی عملیات‌ها نیاز به نظارت مستمر انسان کاهش خواهد یافت.

انواع هوش مصنوعی عمومی (AGI) چیست؟

هوش مصنوعی عمومی می‌تواند فناوری تأثیرگذاری باشد که شیوه فعالیت صنایع مختلف، مانند مراقبت‌های سلامت و تولید، را برای همیشه دگرگون کند. شرکت‌های بزرگ فناوری و آزمایشگاه‌های تحقیقاتی منابع زیادی را صرف توسعه آن می‌کنند و رویکردهای مختلفی برای دستیابی به هوش واقعاً هم‌سطح انسان در ماشین‌ها دنبال می‌شود. برخی از مهم‌ترین حوزه‌های مورد بررسی عبارت‌اند از:

1. هوش مصنوعی نمادین (Symbolic AI): این رویکرد بر ساخت سامانه‌هایی تمرکز دارد که برای بازنمایی دانش و انجام استدلال، نمادها و قواعد منطقی را دست‌کاری می‌کنند. هدف آن ایجاد سامانه‌ای است که بتواند با پیروی از قواعد، مسائل را درک و حل کند؛ مشابه روشی که انسان‌ها از منطق برای استدلال استفاده می‌کنند.
2. هوش مصنوعی پیوندگرا (Connectionist AI): این رویکرد از ساختار و عملکرد مغز انسان الهام می‌گیرد و شامل ساخت شبکه‌های عصبی مصنوعی متشکل از گره‌های به‌هم‌پیوسته است. این شبکه‌ها با استفاده از حجم عظیمی از داده‌ها یاد می‌گیرند و اطلاعات را پردازش می‌کنند.
3. آگاهی مصنوعی (Artificial Consciousness): این حوزه به دنبال ایجاد تجربه ذهنی و خودآگاهی در ماشین‌هاست. این ایده هنوز بسیار نظری است، اما ممکن است یکی از اجزای مهم هوش واقعی باشد.
4. شبیه‌سازی کامل مغز (Whole Brain Emulation): این رویکرد بلندپروازانه با هدف ایجاد یک شبیه‌سازی رایانه‌ای بسیار دقیق از مغز زیستی انسان دنبال می‌شود. بر اساس این نظریه، ممکن است با بازسازی ساختار و عملکرد مغز انسان، هوشیاری و هوش در محیط شبیه‌سازی‌شده پدیدار شوند.
5. هوش مصنوعی تجسم‌یافته و شناخت تجسم‌یافته (Embodied AI and Embodied Cognition): این رویکرد بر نقش بدن فیزیکی یک عامل و تعامل آن با محیط در شکل‌گیری هوش تمرکز دارد. ایده اصلی این است که دستیابی به هوش واقعی ممکن است مستلزم آن باشد که عامل هوشمند از طریق یک بدن فیزیکی، جهان را تجربه کند و از تعامل با آن بیاموزد.

آزمون‌های تشخیص AGI

اصطلاح فرضی AGI از چند جهت محل بحث و اختلاف‌نظر است؛ از جمله اینکه افراد مختلف برداشت‌های متفاوتی از مفهوم «هوش در سطح انسان» دارند و آزمون پذیرفته‌شده و جهان‌شمولی برای سنجش آن وجود ندارد. بنابراین، راستی‌آزمایی ادعاهای مربوط به دستیابی به AGI دشوار است. با این وجود برخی آزمون‌های پیشنهادشده توسط متخصصان مخنلف به شرح زیر است:

آزمون تورینگ

در آزمون تورینگ، یک داور انسانی از طریق گفت‌وگوی متنی با یک انسان و یک ماشین صحبت می‌کند، بدون اینکه بداند کدام‌یک ماشین است. اگر ماشین بتواند داور را در بخش قابل‌توجهی از موارد متقاعد کند که انسان است، آزمون را پشت سر گذاشته است. این آزمون بیشتر توانایی تولید پاسخ‌های شبیه انسان را می‌سنجد، نه لزوماً هوش عمومی واقعی. به همین دلیل، برخی پژوهشگران معتقدند یک سیستم می‌تواند در این آزمون موفق شود، بدون اینکه واقعاً به AGI رسیده باشد.

آزمون ایکیا

در آزمون ایکیا، یک هوش مصنوعی باید رباتی را کنترل کند که بتواند یک وسیله بسته‌بندی‌شده، مانند میز یا صندلی، را با استفاده از قطعات و دستورالعمل‌ها مونتاژ کند. این آزمون توانایی‌هایی مانند درک محیط فیزیکی، تشخیص اشیا، برنامه‌ریزی و حل مسئله را بررسی می‌کند. هدف این است که سیستم فقط از دستورهای از پیش برنامه‌ریزی‌شده پیروی نکند، بلکه بتواند شرایط را درک کرده و خودش مسیر انجام کار را پیدا کند.

آزمون قهوه

آزمون قهوه که استیو وزنیاک پیشنهاد کرده، از یک ماشین می‌خواهد وارد یک خانه معمولی شود و بدون راهنمایی انسان قهوه درست کند. سیستم باید خودش دستگاه قهوه‌ساز، قهوه، آب و فنجان را پیدا کند و بفهمد چگونه از آن‌ها استفاده کند. این آزمون در واقع توانایی هوش مصنوعی برای درک یک محیط ناآشنا، برنامه‌ریزی چندمرحله‌ای و سازگاری با شرایط واقعی را می‌سنجد.

آزمون سلیمان

در آزمون سلیمان، به هوش مصنوعی ۱۰۰ هزار دلار داده می‌شود و از آن خواسته می‌شود این سرمایه را به یک میلیون دلار تبدیل کند. این آزمون به جای تمرکز بر گفت‌وگو یا حل مسائل مشخص، توانایی سیستم برای برنامه‌ریزی بلندمدت، تصمیم‌گیری، استفاده از ابزارها و انجام مستقل فعالیت‌های اقتصادی را بررسی می‌کند. در نتیجه، بیشتر به عملکرد واقعی و نتیجه‌محور AGI توجه دارد.

آزمون بازی‌های ویدئویی

در این روش، توانایی هوش مصنوعی برای یادگیری و موفقیت در طیف گسترده‌ای از بازی‌های ویدئویی سنجیده می‌شود؛ به‌خصوص بازی‌هایی که سیستم یا سازندگانش پیش از آزمون با آن‌ها آشنا نبوده‌اند. هدف این است که مشخص شود آیا هوش مصنوعی می‌تواند قوانین و راهبردهای جدید را خودش یاد بگیرد و با شرایط متفاوت سازگار شود. بنابراین، این آزمون بیشتر یادگیری عمومی و قابلیت انتقال مهارت‌ها را بررسی می‌کند.

مسائل کامل هوش مصنوعی

مسائل «کامل هوش مصنوعی» یا AI-complete الزاماً یک آزمون مشخص نیستند، بلکه به مسائلی گفته می‌شود که حل کامل آن‌ها احتمالاً به توانایی‌های عمومی هوش نیاز دارد. چنین مسائلی را نمی‌توان صرفاً با یک الگوریتم تخصصی و از پیش طراحی‌شده حل کرد و معمولاً به ترکیبی از درک، یادگیری، استدلال، برنامه‌ریزی و سازگاری نیاز دارند. بنابراین، موفقیت در این مسائل می‌تواند نشانه‌ای از وجود توانایی‌های عمومی در یک سیستم باشد.

حوزه پژوهش درباره AGI همچنان در حال تحول است و موارد بالا تنها برخی از رویکردهایی هستند که تاکنون مورد بررسی قرار گرفته‌اند. احتمال دارد در نهایت ترکیبی از این روش‌ها، یا حتی رویکردهایی کاملاً جدید، به تحقق هوش مصنوعی عمومی منجر شود.

عملیاتی‌سازی هوش مصنوعی، آینده کسب‌وکار است

اگرچه AGI در حال حاضر ممکن است بیشتر شبیه داستان‌های علمی‌تخیلی به نظر برسد، سازمان‌ها می‌توانند با آماده شدن برای آینده، یک راهبرد هوش مصنوعی برای کسب‌وکار خود تدوین کنند.

می‌توان مدل‌های هوش مصنوعی را آموزش داد، اعتبارسنجی، تنظیم و مستقر کرد تا سازمان‌ها بتوانند با استفاده از داده‌های قابل‌اعتماد، کاربردهای هوش مصنوعی را در سراسر کسب‌وکار خود گسترش و تأثیر آن را سریع‌تر افزایش دهند.