Was ist allgemeine künstliche Intelligenz?
Künstliche allgemeine Intelligenz (AGI) ist ein Gebiet der theoretischen KI-Forschung, das versucht, Software mit menschenähnlicher Intelligenz und der Fähigkeit zum Selbststudium zu entwickeln. Ziel ist es, dass die Software Aufgaben ausführen kann, für die sie nicht unbedingt trainiert oder entwickelt wurde.
Aktuelle Technologien für künstliche Intelligenz (KI) funktionieren alle innerhalb einer Reihe vorgegebener Parameter. Beispielsweise können KI-Modelle, die in der Bilderkennung und -generierung geschult sind, keine Websites erstellen. AGI ist ein theoretisches Projekt zur Entwicklung von KI-Systemen, die über autonome Selbstkontrolle und ein angemessenes Maß an Selbstverständnis verfügen sowie neue Fähigkeiten erlernen können. Es kann komplexe Probleme in Umgebungen und Kontexten lösen, die ihm zum Zeitpunkt seiner Entstehung nicht beigebracht wurden. AGI mit menschlichen Fähigkeiten bleibt ein theoretisches Konzept und Forschungsziel.
Was ist der Unterschied zwischen künstlicher Intelligenz und allgemeiner künstlicher Intelligenz?
Im Laufe der Jahrzehnte haben KI-Forscher mehrere Meilensteine erreicht, die die maschinelle Intelligenz erheblich weiterentwickelt haben – sogar in einem Ausmaß, das die menschliche Intelligenz bei bestimmten Aufgaben nachahmt. KI-Zusammenfasser verwenden beispielsweise Modelle für Machine Learning (ML), um wichtige Punkte aus Dokumenten zu extrahieren und eine verständliche Zusammenfassung zu erstellen. KI ist somit eine Informatikdisziplin, die es Software ermöglicht, neuartige und schwierige Aufgaben mit Leistung auf menschlichem Niveau zu lösen.
Im Gegensatz dazu kann ein AGI-System Probleme in verschiedenen Bereichen lösen, wie ein Mensch, ohne manuelles Eingreifen. Anstatt auf einen bestimmten Umfang beschränkt zu sein, kann AGI sich selbst beibringen und Probleme lösen, für die es nie trainiert wurde. AGI ist somit eine theoretische Darstellung einer vollständigen künstlichen Intelligenz, die komplexe Aufgaben mit generalisierten menschlichen kognitiven Fähigkeiten löst.
Einige Informatiker glauben, dass AGI ein hypothetisches Computerprogramm mit menschlichem Verständnis und kognitiven Fähigkeiten ist. KI-Systeme können lernen, ungewohnte Aufgaben zu bewältigen, ohne dass eine zusätzliche Ausbildung in solchen Theorien erforderlich ist. Andererseits erfordern KI-Systeme, die wir heute verwenden, eine umfangreiche Schulung, bevor sie verwandte Aufgaben innerhalb derselben Domain bewältigen können. Beispielsweise müssen Sie ein vortrainiertes großes Sprachmodell (LLM) mit medizinischen Datensätzen optimieren, bevor es konsistent als medizinischer Chatbot eingesetzt werden kann.
Starke KI im Vergleich zu schwacher KI
Starke KI ist eine vollständige künstliche Intelligenz, oder AGI, die in der Lage ist, Aufgaben auf menschlichem kognitivem Niveau auszuführen, obwohl sie nur über wenig Hintergrundwissen verfügt. Science-Fiction stellt starke KI oft als Denkmaschine dar, deren menschliches Verständnis nicht auf Domainbeschränkungen beschränkt ist.
Im Gegensatz dazu sind schwache KI oder enge KI KI-Systeme, die auf Rechenspezifikationen, Algorithmen und spezifische Aufgaben beschränkt sind, für die sie entwickelt wurden. Frühere KI-Modelle verfügen beispielsweise über einen begrenzten Speicher und verlassen sich nur auf Echtzeitdaten, um Entscheidungen zu treffen. Selbst neue generative KI-Anwendungen mit besserer Speicheraufbewahrung gelten als schwache KI, da sie nicht für andere Bereiche wiederverwendet werden können.
Was sind die theoretischen Ansätze der Erforschung künstlicher allgemeiner Intelligenz?
Um AGI zu erreichen, ist ein breiteres Spektrum an Technologien, Daten und Interkonnektivität erforderlich als das, was KI-Modelle heute unterstützen. Kreativität, Wahrnehmung, Lernen und Gedächtnis sind unerlässlich, um eine KI zu entwickeln, die komplexes menschliches Verhalten nachahmt. KI-Experten haben verschiedene Methoden vorgeschlagen, um die AGI-Forschung voranzutreiben.
Symbolisch
Der symbolische Ansatz geht davon aus, dass Computersysteme AGI entwickeln können, indem sie menschliche Gedanken mit expandierenden logischen Netzwerken darstellen. Das Logiknetzwerk symbolisiert physische Objekte mit einer Wenn-Sonst-Logik, die es dem KI-System ermöglicht, Ideen auf einer höheren Denkebene zu interpretieren. Die symbolische Repräsentation kann jedoch subtile kognitive Fähigkeiten auf der unteren Ebene nicht replizieren, wie beispielsweise die Wahrnehmung.
Konnektionist
Der konnektionistische (oder emergentistische) Ansatz konzentriert sich auf die Nachbildung der menschlichen Gehirnstruktur mit neuronaler Netzwerkarchitektur. Gehirnneuronen können ihre Übertragungswege verändern, wenn Menschen mit äußeren Reizen interagieren. Wissenschaftler hoffen, dass KI-Modelle, die diesen subsymbolischen Ansatz verfolgen, menschenähnliche Intelligenz replizieren und kognitive Fähigkeiten auf niedrigem Niveau nachweisen können. Große Sprachmodelle sind ein Beispiel für KI, die die konnektionistische Methode verwendet, um natürliche Sprachen zu verstehen.
Universalisten
Forscher, die den universalistischen Ansatz verfolgen, konzentrieren sich darauf, die AGI-Komplexität auf der Berechnungsebene anzugehen. Sie versuchen, theoretische Lösungen zu formulieren, die sie in praktischen AGI-Systemen wiederverwenden können.
Architektur des gesamten Organismus
Der Ansatz der Architektur des gesamten Organismus beinhaltet die Integration von KI-Modellen mit einer physischen Repräsentation des menschlichen Körpers. Wissenschaftler, die diese Theorie unterstützen, glauben, dass AGI nur erreicht werden kann, wenn das System aus physikalischen Interaktionen lernt.
Hybrid
Der hybride Ansatz untersucht symbolische und subsymbolische Methoden zur Darstellung menschlicher Gedanken, um Ergebnisse zu erzielen, die über einen einzelnen Ansatz hinausgehen. KI-Forscher könnten versuchen, verschiedene bekannte Prinzipien und Methoden zu assimilieren, um AGI zu entwickeln.
Welche Technologien treiben die Forschung im Bereich der künstlichen allgemeinen Intelligenz voran?
AGI bleibt ein fernes Ziel für Forscher. Die Bemühungen zum Aufbau von AGI-Systemen sind im Gange und werden durch neue Entwicklungen gefördert. In den folgenden Abschnitten werden neue Technologien beschrieben.
Deep Learning
Deep Learning ist eine KI-Disziplin, die sich auf das Training neuronaler Netzwerke mit mehreren versteckten Ebenen konzentriert, um komplexe Zusammenhänge aus Rohdaten zu extrahieren und zu verstehen. KI-Experten verwenden Deep Learning, um Systeme zu entwickeln, die in der Lage sind, Text, Audio, Bilder, Video und andere Informationstypen zu verstehen. Beispielsweise verwenden Entwickler Amazon SageMaker, um einfache Deep-Learning-Modelle für das Internet der Dinge (IoT) und mobile Geräte zu erstellen.
Generative KI
Generative künstliche Intelligenz (generative KI) ist eine Untergruppe von Deep Learning, bei der ein KI-System einzigartige und realistische Inhalte aus erlerntem Wissen erstellen kann. Generative KI-Modelle trainieren mit riesigen Datensätzen, was es ihnen ermöglicht, auf menschliche Anfragen mit Text, Audio oder Bildern zu antworten, die auf natürliche Weise menschlichen Kreationen ähneln. LLMs von AI21 Labs, Anthropic, Cohere und Meta sind beispielsweise generative KI-Algorithmen, mit denen Unternehmen komplexe Aufgaben lösen können. Softwareteams verwenden Amazon Bedrock, um diese Modelle schnell in der Cloud bereitzustellen, ohne Server bereitstellen zu müssen.
NLP
Natürliche Sprachverarbeitung (NLP) ist ein Zweig der KI, der es Computersystemen ermöglicht, menschliche Sprache zu verstehen und zu erzeugen. NLP-Systeme verwenden Computerlinguistik und Technologien für Machine Learning, um Sprachdaten in einfache Repräsentationen, sogenannte Tokens, umzuwandeln und ihre kontextuelle Beziehung zu verstehen. Amazon Lex ist beispielsweise eine NLP-Engine, mit der Unternehmen Konversations-Chatbots erstellen können.
Computer Vision
Computer Vision ist eine Technologie, die es Systemen ermöglicht, räumliche Informationen aus visuellen Daten zu extrahieren, zu analysieren und zu verstehen. Selbstfahrende Autos verwenden Computer-Visions-Modelle, um Echtzeitdaten von Kameras zu analysieren und das Fahrzeug sicher von Hindernissen wegzubewegen. Deep-Learning-Technologien ermöglichen es Computer-Visions-Systemen, umfangreiche Objekterkennungs-, Klassifizierungs-, Überwachungs- und andere Bildverarbeitungsaufgaben zu automatisieren. Beispielsweise verwenden Ingenieure Amazon Rekognition, um die Bildanalyse für verschiedene Computer-Visions-Anwendungen zu automatisieren.
Robotik
Robotik ist eine technische Disziplin, in der Unternehmen mechanische Systeme bauen können, die automatisch physische Manöver ausführen. In AGI ermöglichen Robotiksysteme, dass sich Maschinenintelligenz physisch manifestiert. Sie ist entscheidend für die Einführung der sensorischen Wahrnehmungs- und physikalischen Manipulationsfähigkeiten, die AGI-Systeme benötigen. Wenn Sie beispielsweise einen Roboterarm mit AGI einbetten, kann der Arm Orangen so wie Menschen wahrnehmen, greifen und schälen. Bei der Erforschung von AGI verwenden Ingenieurteams AWS RoboMaker, um Robotersysteme virtuell zu simulieren, bevor sie zusammengebaut werden.
Was sind die Herausforderungen in der Erforschung allgemeiner künstlicher Intelligenz?
Informatiker stehen bei der Entwicklung von AGI vor einigen der folgenden Herausforderungen.
Verbindungen herstellen
Aktuelle KI-Modelle sind auf ihre spezifische Domain beschränkt und können keine Verbindungen zwischen Domains herstellen. Menschen können jedoch das Wissen und die Erfahrung von einem Bereich auf einen anderen anwenden. Zum Beispiel werden pädagogische Theorien im Spieledesign angewendet, um ansprechende Lernerlebnisse zu schaffen. Menschen können das, was sie in der theoretischen Ausbildung lernen, auch an reale Situationen anpassen. Deep-Learning-Modelle erfordern jedoch ein umfangreiches Training mit bestimmten Datensätzen, um zuverlässig mit unbekannten Daten arbeiten zu können.
Emotionale Intelligenz
Deep-Learning-Modelle deuten auf die Möglichkeit von AGI hin, müssen aber noch die authentische Kreativität nachweisen, die Menschen besitzen. Kreativität erfordert emotionales Denken, das die neuronale Netzwerkarchitektur noch nicht replizieren kann. Zum Beispiel reagieren Menschen auf ein Gespräch auf der Grundlage dessen, was sie emotional empfinden, aber NLP-Modelle generieren Textausgaben, die auf den sprachlichen Datensätzen und Mustern basieren, an denen sie trainieren.
Sinneswahrnehmung
AGI erfordert, dass KI-Systeme physisch mit der externen Umgebung interagieren. Neben den Fähigkeiten der Robotik muss das System die Welt so wahrnehmen, wie es Menschen tun. Bestehende Computertechnologien müssen weiterentwickelt werden, bevor sie Formen, Farben, Geschmack, Geruch und Klang genau wie Menschen unterscheiden können.
Wie kann AWS Ihnen bei Ihren KI- und AGI-Bemühungen helfen?
AWS bietet verwaltete Dienste für künstliche Intelligenz, mit denen Sie generative KI-Anwendungen trainieren, bereitstellen und skalieren können. Unternehmen nutzen unsere KI-Tools und grundlegenden Modelle, um KI-Systeme mit ihren eigenen Daten für personalisierte Anwendungsfälle zu entwickeln.
- Amazon Bedrock ist ein vollständig verwalteter Dienst, bei dem Entwickler API-Aufrufe verwenden können, um auf generative KI-Modelle zuzugreifen, die sie bereitstellen. Sie können branchenführende Basismodelle auf Bedrock auswählen, anpassen, trainieren und bereitstellen, um mit proprietären Daten zu arbeiten.
- Amazon SageMaker Jumpstart hilft Softwareteams, die KI-Entwicklung zu beschleunigen, indem grundlegende Modelle in einem Machine-Learning-Hub erstellt, trainiert und bereitgestellt werden.
- Verwenden Sie Amazon Elastic Compute Cloud UltraClusters, um Ihre generativen KI-Workloads mit Supercomputing-GPUs zu versorgen, um riesige Datensätze mit niedriger Latenz zu verarbeiten.
Beginnen Sie mit Repos, indem Sie sich noch heute für ein AWS-Konto anmelden.
Nächste Schritte in AWS
Sie erhalten sofort Zugriff auf das kostenlose Kontingent von AWS.
Starten Sie mit der Entwicklung in der AWS-Managementkonsole.