Что такое общий искусственный интеллект?
Общий искусственный интеллект (AGI) – это область теоретических исследований искусственного интеллекта, которая стремится создать программное обеспечение с интеллектом, подобным человеческому, и способностью к самообучению. Цель исследований заключается в том, чтобы программное обеспечение могло выполнять задачи, для которых оно не обязательно обучалось или разрабатывалось.
Все современные технологии искусственного интеллекта (ИИ) функционируют в рамках набора заранее определенных параметров. Например, модели ИИ, обученные распознаванию и генерации изображений, не могут создавать веб-сайты. AGI – это теоретическое стремление к разработке систем искусственного интеллекта, обладающих автономным самоконтролем, достаточной степенью самосознания и способностью осваивать новые навыки. Такие системы смогут решать сложные проблемы в условиях и контекстах, которым они не обучались во время создания. AGI с человеческими способностями остается теоретической концепцией и целью исследований.
В чем разница между ИИ и ИИ общего назначения?
За прошедшие десятилетия исследователи искусственного интеллекта наметили несколько вех, которые улучшили машинный интеллект до такой степени, что при выполнении конкретных задач он имитирует человеческий. Например, в составлении точных и понятных конспектов при помощи ИИ используются модели машинного обучения (МО), помогающие извлечь важную информацию. Таким образом, искусственный интеллект – это дисциплина в области компьютерных наук, которая позволяет решать современные и сложные задачи с помощью программного обеспечения на уровне, свойственном человеку.
Напротив, системы AGI без вмешательства человека могут решать разные проблемы, в том числе возникающие у людей. AGI не ограничивается определенной областью, может самообучаться и решать даже те проблемы, для которых он не предназначен. Так, AGI теоретически представляет собой полноценный ИИ, способный решать непростые задачи, применяя обобщенные когнитивные способности человека.
Некоторые ученые в сфере компьютерных технологий считают, что AGI – это гипотетическая компьютерная программа, обладающая пониманием и умственными способностями, свойственными людям. Системы искусственного интеллекта можно обучить справляться с незнакомыми задачами, не тренируя их дополнительно в разных областях. Тем не менее современные системы ИИ необходимо серьезно обучить, прежде чем они смогут выполнять смежные задачи даже в рамках одной области. Например, необходимо дополнительно тренировать ранее обученную большую языковую модель (LLM) на наборах данных в сфере медицины, прежде чем использовать ее в этой отрасли в качестве чат-бота.
Сильный и слабый ИИ
Сильный искусственный интеллект – это AGI, который, несмотря на недостаток базовых знаний, может выполнять задачи, применяя когнитивные способности, подобные человеческим. В научной фантастике сильный искусственный интеллект часто изображают как мыслящую машину, не ограниченную рамками одной предметной области и обладающую пониманием, свойственным человеку.
Напротив, слабый ИИ (также называемый узким) ограничен вычислительными способностями, алгоритмами и конкретными задачами, для которых он предназначен. Например, модели ИИ, созданные в прошлом, имеют ограниченную память и, принимая решения, полагаются только на данные в реальном времени. Слабыми считаются даже недавно появившиеся приложения генеративного ИИ, поскольку их невозможно натренировать для применения в других областях.
Каковы теоретические подходы к исследованию общего искусственного интеллекта?
Для достижения AGI требуется более широкий спектр технологий, данных и взаимосвязей, чем те, которые лежат в основе современных моделей ИИ. Творчество, восприятие, обучение и память необходимы для создания моделей ИИ, имитирующих сложное человеческое поведение. Эксперты в области ИИ предложили несколько методов проведения исследований AGI.
Символьный
Символьный подход предполагает, что компьютерные системы могут развивать AGI, представляя человеческие мысли с помощью расширяющихся логических сетей. Логическая сеть символизирует физические объекты логикой if-else, что позволяет системе ИИ интерпретировать идеи на более высоком уровне мышления. Однако символическое представление не может воспроизвести тонкие когнитивные способности на более низком уровне, такие как восприятие.
Коннекционный
Коннекционный (или эмерджентный) подход направлен на воспроизведение структуры человеческого мозга с помощью архитектуры нейронных сетей. Нейроны мозга могут изменять пути передачи, когда люди взаимодействуют с внешними раздражителями. Ученые надеются, что модели ИИ, использующие этот субсимвольный подход, смогут воспроизвести интеллект, подобный человеческому, и продемонстрировать когнитивные способности низкого уровня. Большие языковые модели являются примером ИИ, использующего коннекционный метод для понимания естественных языков.
Универсальный
Исследователи, использующие универсальный подход, сосредоточены на решении сложностей AGI на уровне вычислений. Они пытаются сформулировать теоретические решения, которые можно использовать в практических системах AGI.
Архитектура всего организма
Подход, основанный на архитектуре всего организма, включает интеграцию моделей ИИ с физическим представлением человеческого тела. Ученые, поддерживающие эту теорию, считают, что AGI можно достичь только тогда, когда система учится на физических взаимодействиях.
Гибридная архитектура
Гибридный подход изучает символические и субсимволические методы представления человеческих мыслей для достижения результатов, выходящих за рамки одного подхода. Исследователи ИИ могут попытаться ассимилировать различные известные принципы и методы для разработки AGI.
Какие технологии лежат в основе исследований генеративного искусственного интеллекта?
AGI остается отдаленной целью для исследователей. Усилия по созданию систем AGI продолжаются и поощряются новыми разработками. В следующих разделах описываются новые технологии.
Глубокое обучение
Глубокое обучение – это дисциплина ИИ, направленная на обучение нейронных сетей с множеством скрытых слоев для извлечения и понимания сложных взаимосвязей из необработанных данных. Эксперты по ИИ используют глубокое обучение для создания систем, способных понимать текст, аудио, изображения, видео и другие типы информации. Например, разработчики используют Amazon SageMaker для создания легких моделей глубокого обучения для Интернета вещей (IoT) и мобильных устройств.
Генеративный искусственный интеллект
Генеративный искусственный интеллект (генеративный ИИ) – это разновидность глубокого обучения, при которой система ИИ может создавать уникальный и реалистичный контент на основе полученных знаний. Модели генеративного ИИ обучаются на основе огромных наборов данных, что позволяет им отвечать на запросы людей в форме текстов, аудио или визуалов, которые, естественно, напоминают творения людей. Например, LLM от AI21 Labs, Anthropic, Cohere и Meta – это алгоритмы генеративного ИИ, которые организации могут использовать для решения сложных задач. Команды разработчиков программного обеспечения используют Amazon Bedrock для быстрого развертывания этих моделей в облаке без выделения серверов.
NLP
Обработка естественного языка (NLP) – это отрасль ИИ, которая позволяет компьютерным системам понимать человеческий язык и генерировать на нем информацию. Системы NLP используют компьютерную лингвистику и технологии машинного обучения для преобразования языковых данных в простые представления, называемые токенами, и понимания их контекстуальной взаимосвязи. Например, Amazon Lex – это ядро NLP, которое позволяет организациям создавать чат-боты для общения.
Машинное зрение
Машинное зрение – это технология, которая позволяет системам извлекать, анализировать и понимать пространственную информацию из визуальных данных. Беспилотные автомобили используют модели машинного зрения, чтобы анализировать сигналы с камер в реальном времени и безопасно избегать препятствий. Технологии глубокого обучения позволяют системам машинного зрения автоматизировать распознавание, классификацию, мониторинг и другие задачи обработки изображений крупномасштабных объектов. Например, инженеры используют Amazon Rekognition, чтобы автоматизировать анализ изображений в различных приложениях машинного зрения.
Робототехника
Робототехника – это инженерная дисциплина, в рамках которой организации могут создавать механические системы, автоматически выполняющие физические маневры. В AGI робототехнические системы позволяют машинному интеллекту проявляться физически. Это крайне важно для внедрения возможностей сенсорного восприятия и физических манипуляций, необходимых системам AGI. Например, с помощью AGI роботизированная рука может чувствовать апельсины, брать их и чистить, как это делают люди. При исследовании AGI инженерные группы используют AWS RoboMaker, чтобы виртуально моделировать роботизированные системы перед их сборкой.
Какие проблемы возникают у исследователей искусственного интеллекта общего назначения?
При разработке AGI ученые в области компьютеров сталкиваются с проблемами, в частности с приведенными ниже.
Межотраслевые связи
Современные модели искусственного интеллекта ограничены конкретной областью и не могут устанавливать связи между отраслями, тогда как люди способны переносить знания и опыт из одной сферы в другую. Например, с целью создания увлекательного учебного процесса в разработке игр применяются образовательные теории. Полученные в ходе теоретического обучения знания также адаптируют к реальным жизненным ситуациям. Чтобы модели глубокого обучения могли надежно обрабатывать незнакомую информацию, их нужно тщательно тренировать на определенных наборах данных.
Эмоциональный интеллект
Модели глубокого обучения очень похожи на AGI, но пока не продемонстрировали подлинную креативность, свойственную людям. Творчество требует эмоционального мышления, которым архитектура нейронной сети пока не обладает. Например, люди реагируют на разговор, основываясь на своих эмоциональных ощущениях, а модели NLP генерируют текст на основе наборов лингвистических данных и шаблонов, на которых их тренируют.
Точное восприятие
AGI обучают так, чтобы системы искусственного интеллекта физически взаимодействовали с внешней средой и, помимо своих роботизированных возможностей, воспринимали мир так же, как люди. Существующие компьютерные технологии нуждаются в дальнейшем совершенствовании, прежде чем они смогут точно различать формы, цвета, вкусы, запахи и звуки так же точно, как это делают люди.
Как AWS может помочь в работе с ИИ и AGI?
AWS предоставляет управляемые сервисы на основе ИИ, которые помогают обучать, развертывать и масштабировать приложения на основе генеративного ИИ. Организации используют наши инструменты ИИ и базовые модели для внедрения инновационных систем ИИ на основе собственных данных для персонализированных сценариев использования.
- Amazon Bedrock – это полностью управляемый сервис, в котором разработчики могут использовать вызовы API для доступа к развертываемым моделям генеративного ИИ. Вы можете выбирать, настраивать, обучать и развертывать лучшие в отрасли базовые модели на Bedrock для работы с проприетарными данными.
- Amazon SageMaker Jumpstart помогает командам разработчиков программного обеспечения ускорить разработку ИИ, создавая, обучая и развертывая базовые модели в центре машинного обучения.
- Используйте кластеры Эластичного облака вычислений Amazon UltraClusters, чтобы поддерживать рабочие нагрузки генеративного ИИ с помощью суперкомпьютерных графических процессоров для обработки больших наборов данных с низкой задержкой.
Создайте аккаунт AWS и начните работу с AGI уже сегодня.
AWS: дальнейшие шаги
Получите мгновенный доступ к уровню бесплатного пользования AWS.
