Quantumrun

ΠΙΣΤΩΣΗ ΕΙΚΟΝΑΣ: Quantumrun

Πώς η πρώτη Τεχνητή Γενική Νοημοσύνη θα αλλάξει την κοινωνία: Το μέλλον της τεχνητής νοημοσύνης P2

David Tal, Εκδότης, Μελλοντολόγος
@DavidTalWrites
LinkedIn

Τρίτη, 09/15/2020 - 13:08

Έχουμε φτιάξει πυραμίδες. Μάθαμε να αξιοποιούμε τον ηλεκτρισμό. Καταλαβαίνουμε πώς σχηματίστηκε το σύμπαν μας μετά τη Μεγάλη Έκρηξη (κυρίως). Και φυσικά, το κλισέ παράδειγμα, έχουμε βάλει έναν άνθρωπο στο φεγγάρι. Ωστόσο, παρά όλα αυτά τα επιτεύγματα, ο ανθρώπινος εγκέφαλος παραμένει πολύ έξω από την κατανόηση της σύγχρονης επιστήμης και είναι, εξ ορισμού, το πιο περίπλοκο αντικείμενο στο γνωστό σύμπαν —ή τουλάχιστον η κατανόησή μας γι' αυτό.

Δεδομένης αυτής της πραγματικότητας, δεν πρέπει να είναι εντελώς σοκαριστικό το γεγονός ότι δεν έχουμε δημιουργήσει ακόμη μια τεχνητή νοημοσύνη (AI) στο ίδιο επίπεδο με τους ανθρώπους. Μια τεχνητή νοημοσύνη όπως η Data (Star Trek), η Rachael (Blade Runner) και ο David (Προμηθέας) ή μια μη ανθρωποειδής τεχνητή νοημοσύνη όπως η Samantha (Her) και το TARS (Interstellar), όλα αυτά είναι παραδείγματα του επόμενου μεγάλου ορόσημου στην ανάπτυξη AI: τεχνητή γενική νοημοσύνη (AGI, Μερικές φορές αναφέρεται επίσης ως HLMI ή Human Level Machine Intelligence).

Με άλλα λόγια, η πρόκληση που αντιμετωπίζουν οι ερευνητές της τεχνητής νοημοσύνης είναι: Πώς μπορούμε να φτιάξουμε ένα τεχνητό μυαλό συγκρίσιμο με το δικό μας, όταν δεν έχουμε καν πλήρη κατανόηση του πώς λειτουργεί το δικό μας μυαλό;

Θα διερευνήσουμε αυτό το ερώτημα, μαζί με το πώς οι άνθρωποι θα αντιπαρατεθούν στα μελλοντικά AGI και τέλος, πώς θα αλλάξει η κοινωνία την ημέρα μετά την ανακοίνωση του πρώτου AGI στον κόσμο.

Τι είναι η τεχνητή γενική νοημοσύνη;

Σχεδιάστε ένα AI που μπορεί να κερδίσει τους κορυφαίους παίκτες στο Chess, στο Jeopardy και στο Go, εύκολα (Deep Blue, Watson, να AlphaGO αντίστοιχα). Σχεδιάστε μια τεχνητή νοημοσύνη που μπορεί να σας προσφέρει απαντήσεις σε οποιαδήποτε ερώτηση, να προτείνει αντικείμενα που μπορεί να θέλετε να αγοράσετε ή να διαχειριστείτε έναν στόλο από ταξί με κοινόχρηστο ταξίδι - ολόκληρες εταιρείες πολλών δισεκατομμυρίων δολαρίων χτίζονται γύρω από αυτές (Google, Amazon, Uber). Ακόμη και μια τεχνητή νοημοσύνη που μπορεί να σας οδηγήσει από τη μια άκρη της χώρας στην άλλη ... λοιπόν, εργαζόμαστε πάνω σε αυτό.

Αλλά ζητήστε από μια τεχνητή νοημοσύνη να διαβάσει ένα παιδικό βιβλίο και να κατανοήσει το περιεχόμενο, το νόημα ή τα ήθη που προσπαθεί να διδάξει ή ζητήστε από μια τεχνητή νοημοσύνη να πει τη διαφορά μεταξύ μιας εικόνας μιας γάτας και μιας ζέβρας και θα καταλήξετε να προκαλέσετε περισσότερα από λίγα βραχυκυκλώματα.

Η φύση πέρασε εκατομμύρια χρόνια εξελίσσοντας μια υπολογιστική συσκευή (εγκεφάλους) που υπερέχει στην επεξεργασία, την κατανόηση, τη μάθηση και, στη συνέχεια, τη δράση σε νέες καταστάσεις και μέσα σε νέα περιβάλλοντα. Συγκρίνετε αυτό με τον τελευταίο μισό αιώνα της επιστήμης των υπολογιστών που επικεντρώθηκε στη δημιουργία υπολογιστικών συσκευών που ήταν προσαρμοσμένες στις μοναδικές εργασίες για τις οποίες είχαν σχεδιαστεί.

Με άλλα λόγια, ο άνθρωπος-υπολογιστής είναι γενικός, ενώ ο τεχνητός υπολογιστής είναι ειδικός.

Ο στόχος της δημιουργίας ενός AGI είναι να δημιουργηθεί ένα AI που μπορεί να σκέφτεται και να μαθαίνει περισσότερα σαν άνθρωπος, μέσω της εμπειρίας και όχι μέσω του άμεσου προγραμματισμού.

Στον πραγματικό κόσμο, αυτό θα σήμαινε ότι ένα μελλοντικό AGI θα μάθει πώς να διαβάζει, να γράφει και να λέει ένα αστείο, ή να περπατά, να τρέχει και να οδηγεί ένα ποδήλατο σε μεγάλο βαθμό μόνο του, μέσω της δικής του εμπειρίας στον κόσμο (χρησιμοποιώντας οποιοδήποτε σώμα ή αισθητηριακά όργανα/συσκευές που του δίνουμε), και μέσω της δικής του αλληλεπίδρασης με άλλους AI και άλλους ανθρώπους.

Τι χρειάζεται για να δημιουργηθεί μια τεχνητή γενική νοημοσύνη

Αν και είναι τεχνικά δύσκολο, η δημιουργία ενός AGI πρέπει να είναι δυνατή. Στην πραγματικότητα, υπάρχει μια βαθιά ιδιότητα στους νόμους της φυσικής - η καθολικότητα του υπολογισμού - που λέει βασικά όλα όσα μπορεί να κάνει ένα φυσικό αντικείμενο, ένας αρκετά ισχυρός, γενικής χρήσης υπολογιστής θα πρέπει, καταρχήν, να μπορεί να αντιγράψει/προσομοιώσει.

Κι όμως, είναι δύσκολο.

Ευτυχώς, υπάρχουν πολλοί έξυπνοι ερευνητές τεχνητής νοημοσύνης για την υπόθεση (για να μην αναφέρουμε πολλές εταιρικές, κυβερνητικές και στρατιωτικές χρηματοδοτήσεις που τους υποστηρίζουν) και μέχρι στιγμής, έχουν εντοπίσει τρία βασικά συστατικά που θεωρούν ότι είναι απαραίτητο να λυθούν για AGI στον κόσμο μας.

Big δεδομένων. Η πιο κοινή προσέγγιση για την ανάπτυξη της τεχνητής νοημοσύνης περιλαμβάνει μια τεχνική που ονομάζεται βαθιά μάθηση - ένας συγκεκριμένος τύπος συστήματος μηχανικής μάθησης που λειτουργεί συγκεντρώνοντας τεράστιες ποσότητες δεδομένων, θρυμματίζοντας τα εν λόγω δεδομένα σε ένα δίκτυο προσομοιωμένων νευρώνων (με βάση τον ανθρώπινο εγκέφαλο) και στη συνέχεια χρησιμοποιήσει τα ευρήματα για να προγραμματίσει τις δικές του ιδέες. Για περισσότερες λεπτομέρειες σχετικά με τη βαθιά μάθηση, διαβάστε αυτό.

Για παράδειγμα, σε 2017, η Google τροφοδότησε την τεχνητή νοημοσύνη της με χιλιάδες εικόνες γατών που το σύστημα βαθιάς εκμάθησής της χρησιμοποιούσε για να μάθει όχι μόνο πώς να αναγνωρίζει μια γάτα, αλλά και να διαφοροποιεί τις διαφορετικές ράτσες γάτας. Λίγο αργότερα, ανακοίνωσαν την επικείμενη κυκλοφορία του Google Φακός, μια νέα εφαρμογή αναζήτησης που επιτρέπει στους χρήστες να τραβήξουν μια φωτογραφία οτιδήποτε και η Google όχι μόνο θα σας πει τι είναι, αλλά θα προσφέρει χρήσιμο περιεχόμενο με βάση τα συμφραζόμενα που την περιγράφει—βολικό όταν ταξιδεύετε και θέλετε να μάθετε περισσότερα για ένα συγκεκριμένο τουριστικό αξιοθέατο. Αλλά και εδώ, το Google Lens δεν θα ήταν δυνατό χωρίς τα δισεκατομμύρια εικόνες που αναφέρονται επί του παρόντος στη μηχανή αναζήτησης εικόνων του.

Και όμως, αυτός ο συνδυασμός μεγάλων δεδομένων και βαθιάς μάθησης δεν είναι αρκετός για να δημιουργήσει ένα AGI.

Καλύτεροι αλγόριθμοι. Την τελευταία δεκαετία, μια θυγατρική της Google και ηγέτης στον χώρο της τεχνητής νοημοσύνης, η DeepMind, έκανε θραύση συνδυάζοντας τα δυνατά σημεία της βαθιάς μάθησης με την ενισχυτική μάθηση — μια δωρεάν προσέγγιση μηχανικής μάθησης που στοχεύει να διδάξει την τεχνητή νοημοσύνη πώς να αναλαμβάνει ενέργειες σε νέα περιβάλλοντα για να επιτύχει καθορισμένο στόχο.

Χάρη σε αυτήν την υβριδική τακτική, η πρεμιέρα AI του DeepMind, το AlphaGo, όχι μόνο έμαθε πώς να παίζει το AlphaGo κατεβάζοντας τους κανόνες και μελετώντας τις στρατηγικές των κορυφαίων ανθρώπινων παικτών, αλλά αφού έπαιξε εναντίον του εκατομμύρια φορές κατάφερε να κερδίσει τους καλύτερους παίκτες AlphaGo χρησιμοποιώντας κινήσεις και στρατηγικές που δεν είχαν ξαναδεί στο παιχνίδι.

Ομοίως, το πείραμα λογισμικού Atari της DeepMind περιλάμβανε το να δώσει σε μια AI μια κάμερα για να δει μια τυπική οθόνη παιχνιδιού, να την προγραμματίσει με τη δυνατότητα να εισάγει παραγγελίες παιχνιδιού (όπως κουμπιά joystick) και να της δώσει τον μοναδικό στόχο να αυξήσει τη βαθμολογία της. Το αποτέλεσμα? Μέσα σε λίγες μέρες, έμαθε τον εαυτό του πώς να παίζει και πώς να κυριαρχεί σε δεκάδες κλασικά παιχνίδια arcade.

Όμως, όσο συναρπαστικές κι αν είναι αυτές οι πρώτες επιτυχίες, παραμένουν ορισμένες βασικές προκλήσεις προς επίλυση.

Πρώτον, οι ερευνητές της τεχνητής νοημοσύνης εργάζονται για να διδάξουν στην τεχνητή νοημοσύνη ένα τέχνασμα που ονομάζεται «τεμαχισμός» στο οποίο οι εγκέφαλοι ανθρώπων και ζώων είναι εξαιρετικά καλοί. Με απλά λόγια, όταν αποφασίζετε να βγείτε έξω για να αγοράσετε είδη παντοπωλείου, μπορείτε να οραματιστείτε τον τελικό σας στόχο (αγορά αβοκάντο) και ένα πρόχειρο σχέδιο για το πώς θα το κάνατε (φύγετε από το σπίτι, επισκεφτείτε το παντοπωλείο, αγοράστε το αβοκάντο, επιστροφή στο σπίτι). Αυτό που δεν κάνεις είναι να σχεδιάζεις κάθε αναπνοή, κάθε βήμα, κάθε πιθανό ενδεχόμενο στο δρόμο σου εκεί. Αντίθετα, έχετε μια ιδέα (κομμάτι) στο μυαλό σας για το πού θέλετε να πάτε και προσαρμόστε το ταξίδι σας σε οποιαδήποτε κατάσταση προκύψει.

Όσο συνηθισμένη και αν σας φαίνεται, αυτή η ικανότητα είναι ένα από τα βασικά πλεονεκτήματα που εξακολουθεί να έχει ο ανθρώπινος εγκέφαλος έναντι της τεχνητής νοημοσύνης - είναι η προσαρμοστικότητα να θέτεις έναν στόχο και να τον επιδιώκεις χωρίς να γνωρίζεις εκ των προτέρων κάθε λεπτομέρεια και παρά τα εμπόδια ή τις περιβαλλοντικές αλλαγές που έχουμε. μπορεί να συναντήσει. Αυτή η ικανότητα θα επέτρεπε στα AGI να μαθαίνουν πιο αποτελεσματικά, χωρίς να χρειάζονται τα μεγάλα δεδομένα που αναφέρονται παραπάνω.

Μια άλλη πρόκληση είναι η ικανότητα όχι απλώς να διαβάζεις ένα βιβλίο αλλά κατανοήσουν το νόημα ή το πλαίσιο πίσω από αυτό. Μακροπρόθεσμα, ο στόχος εδώ είναι μια τεχνητή νοημοσύνη να διαβάσει ένα άρθρο εφημερίδας και να μπορεί να απαντήσει με ακρίβεια σε μια σειρά ερωτήσεων σχετικά με το τι διάβασε, σαν να γράφει μια αναφορά βιβλίου. Αυτή η ικανότητα θα μετατρέψει μια τεχνητή νοημοσύνη από απλά μια αριθμομηχανή που συμπυκνώνει αριθμούς σε μια οντότητα που συμπυκνώνει το νόημα.

Συνολικά, περαιτέρω πρόοδοι σε έναν αλγόριθμο αυτομάθησης που μπορεί να μιμηθεί τον ανθρώπινο εγκέφαλο θα διαδραματίσουν βασικό ρόλο στην τελική δημιουργία ενός AGI, αλλά παράλληλα με αυτό το έργο, η κοινότητα AI χρειάζεται επίσης καλύτερο υλικό.

Καλύτερο υλικό. Χρησιμοποιώντας τις τρέχουσες προσεγγίσεις που εξηγήθηκαν παραπάνω, ένα AGI θα καταστεί δυνατό μόνο αφού ενισχύσουμε σοβαρά την υπολογιστική ισχύ που είναι διαθέσιμη για την εκτέλεσή του.

Για το πλαίσιο, αν λάβαμε την ικανότητα του ανθρώπινου εγκεφάλου να σκέφτεται και τη μετατρέψαμε σε υπολογιστικούς όρους, τότε η χονδρική εκτίμηση της νοητικής ικανότητας ενός μέσου ανθρώπου είναι ένα exaflop, που ισοδυναμεί με 1,000 petaflops (το «Flop» σημαίνει πράξεις κινητής υποδιαστολής ανά δεύτερο και μετρά την ταχύτητα υπολογισμού).

Συγκριτικά, μέχρι το τέλος του 2018, ο ισχυρότερος υπερυπολογιστής στον κόσμο, ο Ιαπωνικός AI Bridging Cloud θα βουίζει στα 130 petaflops, πολύ λιγότερο από ένα exaflop.

Όπως περιγράφεται στο δικό μας υπερυπολογιστές κεφάλαιο στο δικό μας Το μέλλον των υπολογιστών Σειρές, τόσο οι ΗΠΑ όσο και η Κίνα εργάζονται για να κατασκευάσουν τους δικούς τους υπερυπολογιστές exaflop έως το 2022, αλλά ακόμα κι αν είναι επιτυχημένοι, αυτό μπορεί να μην είναι αρκετό.

Αυτοί οι υπερυπολογιστές λειτουργούν με αρκετές δεκάδες μεγαβάτ ισχύος, καταλαμβάνουν αρκετές εκατοντάδες τετραγωνικά μέτρα χώρου και κοστίζουν αρκετές εκατοντάδες εκατομμύρια για την κατασκευή τους. Ένας ανθρώπινος εγκέφαλος χρησιμοποιεί μόλις 20 watt ισχύος, χωράει μέσα σε ένα κρανίο περίπου 50 cm σε περιφέρεια και είμαστε επτά δισεκατομμύρια (2018). Με άλλα λόγια, αν θέλουμε να κάνουμε τα AGI τόσο συνηθισμένα όσο οι άνθρωποι, θα πρέπει να μάθουμε πώς να τα δημιουργούμε πολύ πιο οικονομικά.

Για το σκοπό αυτό, οι ερευνητές της τεχνητής νοημοσύνης αρχίζουν να εξετάζουν το ενδεχόμενο να τροφοδοτήσουν μελλοντικές τεχνητές νοημοσύνης με κβαντικούς υπολογιστές. Περιγράφεται με περισσότερες λεπτομέρειες στο κβαντικούς υπολογιστές κεφάλαιο της σειράς Future of Computers, αυτοί οι υπολογιστές λειτουργούν με έναν ριζικά διαφορετικό τρόπο από τους υπολογιστές που κατασκευάζαμε τον τελευταίο μισό αιώνα. Μόλις τελειοποιηθεί μέχρι τη δεκαετία του 2030, ένας μόνο κβαντικός υπολογιστής θα υπερ-υπολογίσει κάθε υπερυπολογιστή που λειτουργεί επί του παρόντος το 2018, παγκοσμίως, μαζί. Θα είναι επίσης πολύ μικρότεροι και θα καταναλώνουν πολύ λιγότερη ενέργεια από τους σημερινούς υπερυπολογιστές.

Πώς θα ήταν μια τεχνητή γενική νοημοσύνη ανώτερη από έναν άνθρωπο;

Ας υποθέσουμε ότι κάθε πρόκληση που αναφέρεται παραπάνω γίνεται αντιληπτή, ότι οι ερευνητές τεχνητής νοημοσύνης βρίσκουν επιτυχία στη δημιουργία του πρώτου AGI. Πώς θα είναι διαφορετικό ένα μυαλό AGI από το δικό μας;

Για να απαντήσουμε σε αυτό το είδος ερώτησης, πρέπει να ταξινομήσουμε τα μυαλά AGI σε τρεις κατηγορίες, αυτά που ζουν μέσα σε ένα σώμα ρομπότ (Δεδομένα από Star Trek), αυτά που έχουν φυσική μορφή αλλά είναι συνδεδεμένα ασύρματα στο διαδίκτυο/σύννεφο (Agent Smith από Το Matrix) και όσοι δεν έχουν φυσική μορφή που ζουν εξ ολοκλήρου σε υπολογιστή ή διαδικτυακά (Samantha από Αυτήν).

Αρχικά, τα AGI μέσα σε ένα ρομποτικό σώμα που είναι απομονωμένο από τον Ιστό θα ανταγωνίζονται ισοδύναμα με το ανθρώπινο μυαλό, αλλά με επιλεγμένα πλεονεκτήματα:

Μνήμη: Ανάλογα με το σχεδιασμό της ρομποτικής μορφής του AGI, η βραχυπρόθεσμη μνήμη και η μνήμη βασικών πληροφοριών θα είναι σίγουρα ανώτερη από τους ανθρώπους. Αλλά στο τέλος της ημέρας, υπάρχει ένα φυσικό όριο στο πόσο χώρο στον σκληρό δίσκο μπορείτε να συσκευάσετε σε ρομπότ, υποθέτοντας ότι τα σχεδιάζουμε για να μοιάζουν με ανθρώπους. Για το λόγο αυτό, η μακροπρόθεσμη μνήμη των AGI θα λειτουργεί πολύ όπως αυτή των ανθρώπων, ξεχνώντας ενεργά πληροφορίες και μνήμες που κρίνονται περιττές για τη μελλοντική τους λειτουργία (προκειμένου να ελευθερωθεί «χώρος στο δίσκο»).
Ταχύτητα: Η απόδοση των νευρώνων μέσα στον ανθρώπινο εγκέφαλο ξεπερνά τα 200 hertz περίπου, ενώ οι σύγχρονοι μικροεπεξεργαστές λειτουργούν σε επίπεδο gigahertz, δηλαδή εκατομμύρια φορές ταχύτεροι από τους νευρώνες. Αυτό σημαίνει ότι σε σύγκριση με τους ανθρώπους, τα μελλοντικά AGI θα επεξεργάζονται πληροφορίες και θα λαμβάνουν αποφάσεις πιο γρήγορα από τους ανθρώπους. Προσέξτε, αυτό δεν σημαίνει απαραίτητα ότι αυτό το AGI θα πάρει πιο έξυπνες ή πιο σωστές αποφάσεις από τους ανθρώπους, απλώς ότι μπορούν να καταλήξουν σε συμπεράσματα πιο γρήγορα.
Απόδοση: Με απλά λόγια, ο ανθρώπινος εγκέφαλος κουράζεται αν λειτουργεί πολύ καιρό χωρίς ξεκούραση ή ύπνο, και όταν το κάνει, η μνήμη του και η ικανότητά του να μαθαίνει και να συλλογίζεται εξασθενεί. Εν τω μεταξύ, για τα AGI, αν υποθέσουμε ότι επαναφορτίζονται (ηλεκτρικό ρεύμα) τακτικά, δεν θα έχουν αυτή την αδυναμία.
Δυνατότητα αναβάθμισης: Για έναν άνθρωπο, η εκμάθηση μιας νέας συνήθειας μπορεί να χρειαστεί εβδομάδες εξάσκησης, η εκμάθηση μιας νέας δεξιότητας μπορεί να διαρκέσει μήνες και η εκμάθηση ενός νέου επαγγέλματος μπορεί να διαρκέσει χρόνια. Για ένα AGI, θα έχουν τη δυνατότητα να μαθαίνουν τόσο από την εμπειρία (όπως οι άνθρωποι) όσο και από την άμεση μεταφόρτωση δεδομένων, παρόμοια με τον τρόπο με τον οποίο ενημερώνετε τακτικά το λειτουργικό σύστημα του υπολογιστή σας. Αυτές οι ενημερώσεις μπορούν να ισχύουν για αναβαθμίσεις γνώσεων (νέες δεξιότητες) ή αναβαθμίσεις απόδοσης στη φυσική μορφή AGI.

Στη συνέχεια, ας δούμε τα AGI που έχουν φυσική μορφή, αλλά είναι συνδεδεμένα και ασύρματα στο διαδίκτυο/σύννεφο. Οι διαφορές που μπορούμε να δούμε με αυτό το επίπεδο σε σύγκριση με τα μη συνδεδεμένα AGI περιλαμβάνουν:

Μνήμη: Αυτά τα AGI θα έχουν όλα τα βραχυπρόθεσμα πλεονεκτήματα που έχει η προηγούμενη κατηγορία AGI, εκτός από το ότι θα επωφεληθούν επίσης από την τέλεια μακροπρόθεσμη μνήμη, καθώς μπορούν να ανεβάσουν αυτές τις μνήμες στο cloud για πρόσβαση όταν χρειάζεται. Προφανώς, αυτή η μνήμη δεν θα είναι προσβάσιμη σε περιοχές χαμηλής συνδεσιμότητας, αλλά αυτό θα γίνει λιγότερο ανησυχητικό κατά τις δεκαετίες του 2020 και του 2030, όταν όλος ο κόσμος θα συνδεθεί στο διαδίκτυο. Διαβάστε περισσότερα στο κεφάλαιο ένα των μας Το μέλλον του Διαδικτύου σειρές.
Ταχύτητα: Ανάλογα με τον τύπο του εμποδίου που αντιμετωπίζει αυτό το AGI, μπορούν να έχουν πρόσβαση στη μεγαλύτερη υπολογιστική ισχύ του cloud για να τους βοηθήσουν να το λύσουν.
Απόδοση: Καμία διαφορά σε σύγκριση με μη συνδεδεμένα AGI.
Δυνατότητα αναβάθμισης: Η μόνη διαφορά μεταξύ αυτού του AGI όσον αφορά τη δυνατότητα αναβάθμισης είναι ότι μπορούν να έχουν πρόσβαση σε αναβαθμίσεις σε πραγματικό χρόνο, ασύρματα, αντί να χρειάζεται να επισκέπτονται και να συνδέονται σε μια αποθήκη αναβάθμισης.
Συλλογικό: Οι άνθρωποι έγιναν το κυρίαρχο είδος της Γης όχι επειδή ήμασταν το μεγαλύτερο ή το πιο δυνατό ζώο, αλλά επειδή μάθαμε πώς να επικοινωνούμε και να συνεργαζόμαστε με διάφορους τρόπους για να πετύχουμε συλλογικούς στόχους, από το κυνήγι ενός Woolly Mammoth μέχρι την κατασκευή του Διεθνούς Διαστημικού Σταθμού. Μια ομάδα AGIs θα πήγαινε αυτή τη συνεργασία στο επόμενο επίπεδο. Λαμβάνοντας υπόψη όλα τα γνωστικά πλεονεκτήματα που αναφέρονται παραπάνω και στη συνέχεια συνδυάζονται με την ικανότητα ασύρματης επικοινωνίας, τόσο από κοντά όσο και σε μεγάλες αποστάσεις, μια μελλοντική ομάδα AGI/hive μυαλό θα μπορούσε θεωρητικά να αντιμετωπίσει έργα πολύ πιο αποτελεσματικά από μια ομάδα ανθρώπων.

Τέλος, ο τελευταίος τύπος AGI είναι η έκδοση χωρίς φυσική μορφή, αυτή που λειτουργεί μέσα σε έναν υπολογιστή και έχει πρόσβαση στην πλήρη υπολογιστική ισχύ και στους διαδικτυακούς πόρους που του παρέχουν οι δημιουργοί του. Σε εκπομπές επιστημονικής φαντασίας και βιβλία, αυτά τα AGI συνήθως έχουν τη μορφή έμπειρων εικονικών βοηθών/φίλων ή το τρομερό λειτουργικό σύστημα ενός διαστημόπλοιου. Αλλά σε σύγκριση με τις άλλες δύο κατηγορίες AGI, αυτή η τεχνητή νοημοσύνη θα διαφέρει με τους ακόλουθους τρόπους.

Ταχύτητα: Απεριόριστη (ή, τουλάχιστον στα όρια του υλικού στο οποίο έχει πρόσβαση).
Μνήμη: Απεριόριστη
Απόδοση: Αύξηση της ποιότητας λήψης αποφάσεων χάρη στην πρόσβασή του σε κέντρα υπερυπολογιστών.
Δυνατότητα αναβάθμισης: Απόλυτη, σε πραγματικό χρόνο και με απεριόριστη επιλογή γνωστικών αναβαθμίσεων. Φυσικά, δεδομένου ότι αυτή η κατηγορία AGI δεν έχει φυσική μορφή ρομπότ, δεν θα χρειάζεται τις διαθέσιμες φυσικές αναβαθμίσεις, εκτός εάν αυτές οι αναβαθμίσεις αφορούν τους υπερυπολογιστές στους οποίους λειτουργεί.
Συλλογικό: Παρόμοια με την προηγούμενη κατηγορία AGI, αυτό το άσωμο AGI θα συνεργαστεί αποτελεσματικά με τους συναδέλφους του AGI. Ωστόσο, δεδομένης της πιο άμεσης πρόσβασής τους σε απεριόριστη υπολογιστική ισχύ και πρόσβαση σε διαδικτυακούς πόρους, αυτά τα AGI συνήθως αναλαμβάνουν ηγετικούς ρόλους σε μια συνολική συλλογικότητα AGI.

Πότε θα δημιουργήσει η ανθρωπότητα την πρώτη τεχνητή γενική νοημοσύνη;

Δεν υπάρχει συγκεκριμένη ημερομηνία για το πότε η ερευνητική κοινότητα AI πιστεύει ότι θα εφεύρει ένα νόμιμο AGI. Ωστόσο, α 2013 έρευνα από τους 550 κορυφαίους ερευνητές τεχνητής νοημοσύνης στον κόσμο, που διεξήχθη από τους κορυφαίους ερευνητές της τεχνητής νοημοσύνης, Nick Bostrom και Vincent C. Müller, υπολόγισαν κατά μέσο όρο το εύρος των απόψεων σε τρία πιθανά έτη:

Μέσο αισιόδοξο έτος (10% πιθανότητα): 2022
Μέσο ρεαλιστικό έτος (50% πιθανότητα): 2040
Μέσο απαισιόδοξο έτος (90% πιθανότητα): 2075

Το πόσο ακριβείς είναι αυτές οι προβλέψεις δεν έχει πραγματικά σημασία. Αυτό που έχει σημασία είναι ότι η συντριπτική πλειοψηφία της ερευνητικής κοινότητας της τεχνητής νοημοσύνης πιστεύει ότι θα εφεύρουμε ένα AGI στη διάρκεια της ζωής μας και σχετικά νωρίς σε αυτόν τον αιώνα.

Πώς η δημιουργία μιας τεχνητής γενικής νοημοσύνης θα αλλάξει την ανθρωπότητα

Εξερευνούμε τον αντίκτυπο αυτών των νέων AI λεπτομερώς σε όλο το τελευταίο κεφάλαιο αυτής της σειράς. Τούτου λεχθέντος, για αυτό το κεφάλαιο, θα πούμε ότι η δημιουργία ενός AGI θα μοιάζει πολύ με την κοινωνική αντίδραση που θα βιώσουμε εάν οι άνθρωποι βρουν ζωή στον Άρη.

Ένα στρατόπεδο δεν θα καταλάβει τη σημασία και θα συνεχίσει να πιστεύει ότι οι επιστήμονες κάνουν πολλά για τη δημιουργία ενός ακόμη πιο ισχυρού υπολογιστή.

Ένα άλλο στρατόπεδο, πιθανότατα αποτελούμενο από Λουδίτες και άτομα με θρησκευτικό πνεύμα, θα φοβάται αυτό το AGI, νομίζοντας ότι είναι βδέλυγμα το ότι θα προσπαθήσει να εξοντώσει την ανθρωπότητα όπως το SkyNet. Αυτό το στρατόπεδο θα υποστηρίξει ενεργά τη διαγραφή/καταστροφή των AGI σε όλες τις μορφές τους.

Από την άλλη πλευρά, το τρίτο στρατόπεδο θα δει αυτή τη δημιουργία ως ένα σύγχρονο πνευματικό γεγονός. Με όλους τους τρόπους που έχουν σημασία, αυτό το AGI θα είναι μια νέα μορφή ζωής, μια που σκέφτεται διαφορετικά από εμάς και της οποίας οι στόχοι είναι διαφορετικοί από τους δικούς μας. Μόλις ανακοινωθεί η δημιουργία ενός AGI, οι άνθρωποι δεν θα μοιράζονται πλέον τη Γη μόνο με ζώα, αλλά και μαζί με μια νέα κατηγορία τεχνητών όντων των οποίων η νοημοσύνη είναι εφάμιλλη ή ανώτερη από τη δική μας.

Το τέταρτο στρατόπεδο θα περιλαμβάνει επιχειρηματικά συμφέροντα που θα διερευνήσουν πώς μπορούν να χρησιμοποιήσουν τα AGI για την αντιμετώπιση διαφόρων επιχειρηματικών αναγκών, όπως η κάλυψη κενών στην αγορά εργασίας και η επιτάχυνση της ανάπτυξης νέων αγαθών και υπηρεσιών.

Στη συνέχεια, έχουμε εκπροσώπους από όλα τα επίπεδα διακυβέρνησης που θα σκοντάψουν προσπαθώντας να καταλάβουν πώς να ρυθμίσουν τα AGI. Αυτό είναι το επίπεδο όπου όλες οι ηθικολογικές και φιλοσοφικές συζητήσεις θα καταλήξουν, ειδικά σχετικά με το αν θα πρέπει να αντιμετωπίζονται αυτά τα AGI ως ιδιοκτησία ή ως πρόσωπα.

Και τέλος, το τελευταίο στρατόπεδο θα είναι οι στρατιωτικοί και οι υπηρεσίες εθνικής ασφάλειας. Στην πραγματικότητα, υπάρχει μεγάλη πιθανότητα η δημόσια ανακοίνωση του πρώτου AGI να καθυστερήσει από μήνες έως χρόνια λόγω αυτού του στρατοπέδου και μόνο. Γιατί; Επειδή η εφεύρεση ενός AGI, θα οδηγήσει σε σύντομο χρονικό διάστημα στη δημιουργία μιας τεχνητής υπερνοημοσύνης (ASI), που θα αντιπροσωπεύει μια τεράστια γεωπολιτική απειλή και μια ευκαιρία που θα ξεπερνά κατά πολύ την εφεύρεση της πυρηνικής βόμβας.

Για το λόγο αυτό, τα επόμενα κεφάλαια θα επικεντρωθούν εξ ολοκλήρου στο θέμα των ASIs και στο αν η ανθρωπότητα θα επιβιώσει μετά την εφεύρεσή της.

(Υπερβολικά δραματικός τρόπος για να τελειώσετε ένα κεφάλαιο; Είστε betcha.)