Hvad er kunstig generel intelligens? Alt hvad du behøver at vide

Af
Tweet
Share
Share
Pin

Kunstig generel intelligens giver plads til maskiner, der kan opføre sig, præstere og lære, som vi gør!

Kunstig intelligens har ændret den måde, maskinen udfører arbejde på. I dag kan din computer udføre mange personlige og professionelle opgaver, hvis du træner den med AI-værktøjer. Nogle eksempler er at skabe billeder, producere stemme fra tekst, styre hjælpeprogrammer osv.

Men disse er ikke rigtig intelligente. Der ligger masser af måneders træning bag sådan automatisering.

Hvad med en virkelig intelligent computerapplikation, der kan lære på egen hånd? Det er den kunstige generel intelligenss domæne. Læs videre for at lære denne banebrydende teknologi i dag!

Introduktion

AGI er en teknologi, der kan gøre software og hardware så smarte, at de udtrykker menneskelignende kognitive evner. Det har andre navne som stærk AI, fuld AI osv.

For at forenkle det præsenterer du det smarte AGI-system for et problem, det ikke kendte før. Den smarte computer vil analysere problemet, lave noget online research og levere en løsning på problemet.

IBM, OpenAI, Microsoft, Google Brain, Darktrace, Deepmind osv., er hurtige på vej inden for AGI-teknologi. Disse virksomheder forsøger at indgyde følgende i en konstrueret smart computer:

  • Menneskelignende generel intelligens
  • Express intelligens er ikke knyttet til nogen specifik opgave som at skrive eller tale
  • Generaliser ny læring og sammenkæde viden med tidligere erfaringer
  • Giv mening ud fra læring, der er kvalitativt anderledes
  • Opfatte og analysere opgaver fra den virkelige verden kontekst

I øjeblikket er der ingen ægte kunstig generel intelligens (AGI). IBM Strong AI og Google Brain gør nogle fremskridt, men disse er ikke produktionsklare.

Fordele og behov

Vi har brug for AGI til at erstatte mennesker på farlige steder. AGI-computere kan også levere et uforudset produktivitetsniveau i forretningsdriften.

AGI-applikationer vil også hjælpe menneskeheden med at løse svære gåder inden for medicin, sundhedspleje, forsyningskæde, økonomi, finans og samfundsvidenskab.

Her er nogle andre vigtige grunde til at udvikle en AGI:

  • AGI-applikationer kan udvise en bedre forståelse af årsag og virkning for at hjælpe mennesker med risikovurderingsprojekter.
  • AGI’er kan effektivt bruge forskellige sanseopfattelser som farve, lyd, dybde, visuelle og dimensioner.
  • Sådanne intelligente computerprogrammer kan kommandere en robotarm til at udføre finmotoriske færdigheder som at samle elektroniske enheder fra start til slut.
  • En AGI’s evne til naturlig sprogbehandling (NLP) vil gøre automatisering lettere. Du kan bare sige nogle nøgleord, og AGI-værktøjet skal bygge det automatiserede flow, du har brug for.
  • AGI’er kan løse unikke problemer efter at have set på problemet og analyseret det virkelige miljø. Der er ingen grund til at opfylde nogen If/Then, If/Else osv. betingelser.
  • AGI’er kan hjælpe indholdsskabere, kunstnere, designere og arkitekter med out-of-the-box ideer.
  • AGI apps kan tilbyde fremragende kundeservice uden at gå glip af, da de også vil udvise følelsesmæssig og social intelligens.
  Sådan kopieres og sikkerhedskopieres filer til ekstern lagring på iPhone og iPad

AI vs. AGI

#1. Virkemåde

AI, også kaldet smal AI, er en reaktiv smart applikation. Den vil reagere med en forudindstillet liste over handlinger, når den modtager signaler fra hændelsesudløsere.

AGI’er behøver ikke nogen hændelsesudløsere. Disse apps vil reagere proaktivt, ligesom mennesker, for at forhindre problemer, løse gåder osv.

#2. Handlingsomfang

Smalle eller svage AI’er har også et begrænset arbejdsområde. En skrivende AI må ikke køre bil og omvendt. Den begrænsede anvendelse gør også udviklingen dyr og ineffektiv på produktionsniveau.

Én AGI kunne drive en hel produktionsfabrik, tusindvis af hjem i en lokalitet i en region eller alle virksomhedens kontorer i din virksomhed. Den er åben for enhver udfordring, da den har kognitiv læring, ræsonnement og proaktive handlingsevner.

#3. Problemløsningsevner

Smalle AI’er løser for det meste lukkede problemer som GPS-navigation, websøgning baseret på nøgleord, AI-skrivning, AI-kodefuldførelse osv.

Kunstig generel intelligens kan håndtere åbne problemer som at skabe en feltmarkedsføringsstrategi ved at analysere markedet, kunderne og produkterne.

#4. Hukommelseskapacitet

De fleste svage AI-programmer er baseret på maskiner med begrænset hukommelse. AI’er er afhængige af et sæt kunstige neurale netværk og træningsdatabaser. Når databasen eller algoritmerne er gamle, sidder AI’er fast.

AGI’er kommer med praktisk talt uendelig hukommelse (vidensressourcer) via lokale databaser, cloud-databaser og internettet.

#5. Opgraderinger

Mennesker er nødt til at opgradere svage AI’er regelmæssigt, efterhånden som forretningskrav og markedstendenser ændrer sig.

AGI’er vil selv opgradere deres hukommelser og databaser. Den skal ikke bede om menneskelig indgriben.

Tilgange

#1. Den sub-symbolske tilgang

Her bruger AGI-udviklere applikationer, der ligner den menneskelige hjerne. For eksempel DeepMinds AlphaGo, konvolutionelle neurale netværk, deep learning-systemer osv.

#2. Den symbolske tilgang

I denne metode bruger AGI-udviklere flowdiagrammer, symboler og hvis-så-sætninger. Kunstig generel intelligens bruger en primær algoritme til at lære og skabe en videnbase. Yderligere kan den sammenligne algoritmen og dens symboler med virkelige aspekter og udvikle bedre tankeprocesser end svage AI’er.

#3. Hele kroppens tilgang

I dette koncept ønsker AGI-udviklere at inkludere al software, hardware, netværk og sensoriske evner i en menneskelignende krop. Humanoiden kan gå, tale, røre ved mennesker og så videre.

#4. Den hybride tilgang

Den hybride vej til AGI-udvikling er afhængig af de sub-symbolske og symbolske tilgange.

Et vellykket eksempel på denne kategori er Sophia, en humanoid robot. Det omfatter både symbolske og sammenhængende systemer. For eksempel har Sophia brug for CogPrime-arkitekturen og AtomSpace-databasen til dens funktionaliteter.

#5. Matematisk tilgang

Forskere sigter mod at tildele AGI’erne uendelig regnekraft. Derfor vil disse smarte apps og enheder være i stand til at udføre det nødvendige antal matematiske problemløsninger for at træffe fremragende beslutninger.

  Sådan tjekker du, om du har en Skylake- eller Kaby Lake-processor

Hvordan fungerer AGI?

Et AGI-program vil bruge forskellige teknologier til at opnå kognitive evner på menneskeligt niveau. Disse er som nedenfor:

Input og Output (I/O)

AGI’er bruger forskellige sanseapparater til at udføre deres opgaver på produktionsanlæg eller som selvkørende biler. Disse sensorer kan være visuelle, RFID, temperatur, tryk, hastighed, bevægelse osv.

En anden gruppe af AGI’er kan kræve OCR, databaseforbindelser osv. for at udføre forretningsoperationer på kontorer.

Motor færdigheder

Helkrop, robotarme, autonome køretøjer osv. virker ved at lave fine bevægelser. AGI’er er afhængige af motoriske færdigheder erhvervet fra neurale netværk, 3D-billedbehandling, visuel efterligning osv.

NLP

En AGI kan lære fra forskellige kilder som webstedsartikler, forskningstidsskrifter, e-bøger, YouTube-videoer osv. Til dette formål lærer den smarte applikation først at fortolke naturligt sprog til maskinsprog.

Begrundelse og problemløsning

En AGI-robot eller applikation bruger ofte simuleringer til at løse et unikt problem. Da den har enorme behandlings- og hukommelseskapaciteter, kan maskinen køre flere simuleringer samtidigt. Derefter kan den ifølge succesraten vælge én simulering.

Kreativ tænkning

AGI’er kan bruge flere neurale netværk til at skabe unikke og kreative ideer som kunstformer, noder, artikler osv.

Ansigtsgenkendelse og lydbehandling

Humanoid AGI’er, der interagerer med mennesker, bruger for det meste lydanalyse og ansigtsgenkendelse. Efter at have behandlet lyden og det visuelle fra omgivelserne og krydstjekket med eksisterende vidensbaser, kan den interagere med mennesker.

Udfordringer

Kunstig generel intelligens har en enorm mulighed for at transformere AI-verdenen. Men at nå dette stadie er ikke en glat proces. Her er udfordringerne og hindringerne ved at udvikle en AGI:

#1. Mestring af menneskelignende færdigheder

For at opnå ægte intelligens på menneskeligt niveau skal en AGI mestre nogle evner. Disse omfatter motoriske færdigheder, naturlig sprogforståelse, sensorisk perception, følelsesmæssig og social forbindelse og kreativitet på menneskeligt niveau.

#2. Fravær af arbejdsprotokol

Der er ingen standard arbejdsprotokoller for AI-systemer til ubesværet samarbejde. Derfor står implementeringen af ​​et omfattende AGI-system over for uundgåelige tekniske mangler.

#3. Manglende forretningsmæssig tilpasning

Integrationen af ​​kunstig intelligens i eksisterende systemer er fortsat en kompleks proces. Da de berørte interessenter stadig er uvidende om dets operationelle parametre, er det vanskeligt at holde udviklingen i overensstemmelse med forretningsmålene.

#4. Kommunikationshuller

Der er stadig et kommunikationsgab mellem separate AI-systemer. Da problemfri datadeling mellem disse systemer er umulig, hæmmes indlæringen af ​​AI-modellerne, og dens universalitet bliver reduceret.

#5. Fravær af AGI-retning

Der er ingen planer eller retningslinjer for implementering af AGI i virksomhedens forretningsdrift. Dermed bliver implementeringen dyr, og realiseringen bliver hindret.

Som du ved, er fuldstændig udvikling af kunstig generel intelligens endnu ikke opnået. Disse AI-tendenser vil dog påvirke AGI:

#1. Natural Language Processing (NLP)

NLP eller Natural Language Processing refererer til den proces, hvorved AI kan forstå menneskeligt sprog og konvertere det til maskinunderstøttede koder. Ved at bruge NLP kan AGI forvente at være i stand til at interagere med mennesker realistisk.

#2. Metaverse

Metaverse er en teknologi, der tilbyder en fordybende brugeroplevelse. Med flere interesserede vil AGI udvikle sig for at hjælpe Metaverse med at opbygge en virtuel verden.

  Hvad er Ultra Wideband, og hvorfor er det i iPhone 11?

#3. Lav-kode eller No-Code AI

Der er en stigende efterspørgsel efter løsninger med lav kode eller kodefri, selv efter AI-værktøjer og algoritmer. Disse løsninger kommer med intuitive grænseflader til at gøre komplekse app-udviklingsprocesser nemmere.

#4. Forøgelse af arbejdsstyrken

Det betyder, at mennesker og digitale medarbejdere arbejder i en organisation side om side. Selvom mange frygter, at kunstig intelligens vil gøre mennesker arbejdsløse, vil inklusiv kunstig intelligens i operationer gøre det mere effektivt.

#5. Quantum AI

Quantum AI har en stor chance for at påvirke AGI ved at fremskynde ML-algoritmer og hjælpe dig med at få resultater med en hurtig hastighed. Det kan også neutralisere de forhindringer, AGI kan stå over for ved at analysere en enorm mængde data.

#6. AI etik

De potentielle risici ved AI er umulige at ignorere. Hvis den ikke bruges korrekt, kan kunstig intelligens være farlig for menneskeheden. Derfor vil AI-etik få mere opmærksomhed i de kommende år.

#7. AI Chatbots

AI-chatbots eller virtuelle assistenter kan have en naturlig samtale og udføre regelbaserede operationer. Disse chatbots erstatter menneskelige supportagenter og har allerede reduceret driftsomkostningerne for virksomheder. I fremtiden kan dette revolutionere AGI.

Risici ved AGI

  • Hvis databasen for AGI er begrænset, kan den træffe katastrofale beslutninger, der skader virksomheder og hjem.
  • AGI’er kan blive mål for avancerede hackingangreb. Hvis en hacker stopper en AGI-maskine, kan det skade hele virksomheden.
  • AI-udviklere har rapporteret om forskellige hændelser med partiske beslutninger truffet af prototype AGI’er.
  • At give AGI’er ubegrænset databaseadgang kan også overtræde forskellige privatlivsbestemmelser over hele kloden.

Dernæst vil vi tjekke eksempler fra den virkelige verden på kunstig generel intelligens.

Eksempler fra den virkelige verden

AI-advokaten ROSS kan søge i milliarder af juridiske dokumenter på under tre sekunder. Du kan indtaste ethvert juridisk spørgsmål, og det vil give præcise svar.

Det er en AGI, fordi den bruger forskellige smarte teknologier som rangordning, hentning og forståelse. Det har også et bredere handlingsområde, da det dækker alle nicher i det juridiske domæne.

#2. AlphaGo

AlphaGo er en AI-baseret Go-brætspilsspiller. Det er den første smarte maskine, der besejrede en professionel levende Go-spiller. Selvom dette er en kunstig intelligens med et begrænset handlingsområde, har den selvlærende muligheder. AlphaGo kan lære af sin konkurrent og sine egne fejl.

#3.OpenAIs bundtede AI-værktøjer

OpenAIs udvalg af AI-systemer, som nævnt nedenfor, kan udføre forskellige opgaver automatisk, når de kombineres ved hjælp af API-kald:

  • GPT-3 skaber naturlige sprogbaserede tekster ud fra simple sætninger og ledetråde. Mange onlinespil og mixed reality-oplevelser som FableStudios historiedrevne “Virtual Being” bruger GPT-3 til interaktive historier.
  • Codex hjælper udviklere med at oversætte naturlige sproginput til koder for praktisk kodning.
  • DALL·E hjælper NFT-skabere og digitale kunstnere med at producere tusindvis af originale og unikke kunstværker på få minutter. AI kan også redigere billeder.

#4. IBM Watson

IBM Watson er en full-service AI-pakke til virksomheder. Vi kan kalde det en AGI, da det har forskellige applikationer. Der er forskellige Watson AI’er, og disse er som nedenfor:

  • IBM Watson Assistant til kundeservice eller virtuel assistance
  • IBM Watson Discovery skaber indsigt og svar fra komplekse forretningsdokumenter
  • IBM Watson Natural Language Understanding and Classifier

Afsluttende ord

Indtil videre har du udforsket begrebet kunstig generel intelligens. Du har også lært dets virkemåde, udfordringer, eksempler, risici og meget mere.

At lære ovenstående vil hjælpe dig med at planlægge dine udviklingsprojekter med kunstig intelligens korrekt. Det skal være fleksibelt nok til at inkludere næste generations smarte applikationer i dit projekt og gøre det til en AGI.

Hvis du er en virksomhed, der ønsker at gøre driften mere produktiv og omkostningseffektiv, kan AGI være svaret, selvom flere udviklinger er undervejs.

Dernæst kan du tjekke mere om machine learning.