از AGI تا ASI: خلاصهای از مقاله Google DeepMind
بیشتر مردم از AGI به عنوان هدف نهایی یاد میکنند.
مقاله اخیر Google DeepMind تمرکز را تغییر میدهد. این مقاله سوال دشوارتری را مطرح میکند: بعد از AGI چه اتفاقی میافتد؟
این مقاله بین دو مرحله تمایز قائل میشود:
- AGI (هوش مصنوعی عمومی): هوش مصنوعیای که در انجام وظایف مختلف، در سطح یک انسان معمولی عمل میکند. این سیستم میتواند استدلال کند، برنامهریزی کند و مسائل را حل نماید.
- ASI (ابر هوش مصنوعی): هوش مصنوعیای که در تقریباً تمام حوزهها، از گروههای بزرگی از متخصصان انسانی پیشی میگیرد.
ASI صرفاً مدلی نیست که در شطرنج برنده شود یا کد بنویسد؛ بلکه سیستمی است که میتواند از کل آزمایشگاههای تحقیقاتی یا شرکتها برتر باشد.
این مقاله چهار روش را برای گذار از AGI به ASI ترسیم میکند:
- مقیاسپذیری (Scaling): استفاده از دادههای بیشتر، توان محاسباتی بیشتر و سختافزار بهتر.
- تغییرات الگوریتمی (Algorithmic Shifts): یافتن معماریهای بهتر مانند Transformer، به جای اینکه فقط مدلها را بزرگتر کنیم.
- خوداصلاحی بازگشتی (Recursive Self-Improvement): کمک هوش مصنوعی به پژوهشگران برای نوشتن کدهای بهتر برای هوش مصنوعی. این امر یک حلقه بازخورد ایجاد میکند که در آن هوش مصنوعی توسعه خود را تسریع میکند.
- سیستمهای چندعاملی (Multi-Agent Systems): گذار از یک مدل عظیم به هزاران عامل هوش مصنوعی متخصص که مانند یک سازمان انسانی با هم همکاری میکنند.
با این حال، چندین گلوگاه میتواند این پیشرفت را کند کند:
- محدودیتهای داده: ممکن است با کمبود متنهای باکیفیت انسانی مواجه شویم.
- محدودیتهای فیزیکی: مقیاسپذیری نیازمند مقادیر عظیمی از انرژی، تراشهها و مراکز داده است.
- دشواری تحقیق: با بهبود هوش مصنوعی، مسائل باقیمانده ممکن است برای حل شدن بسیار دشوارتر شوند.
- عوامل انسانی: ایمنی، مقررات و مقاومتهای اجتماعی، سرعت توسعه را تعیین خواهند کرد.
برای مهندسان و توسعهدهندگان، این صرفاً یک بحث فلسفی نیست، بلکه یک چالش مهندسی است.
آینده هوش مصنوعی به موارد زیر بستگی خواهد داشت:
- ساخت معماریهای قابل اعتماد برای عاملها (agents).
- بهبود حافظه بلندمدت و استفاده از ابزارها.
- ایجاد روشهای بهتر برای ارزیابی سیستمهایی که از تواناییهای انسانی فراتر میروند.
- مدیریت سیستمهای توزیعشده متشکل از چندین عامل.
AGI یک نقطه عطف است. ASI تغییری در مقیاس است.
منبع: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd