AGIからASIへ：Google DeepMindの要約
多くの人は、AGIを最終目標として語ります。
最近のGoogle DeepMindの論文は、その焦点を変えています。それは、より困難な問いを投げかけています。「AGIの後に何が起こるのか？」という問いです。
この論文では、2つの段階を区別しています。
- AGI (Artificial General Intelligence / 人工汎用知能): 多様なタスクにおいて、平均的な人間と同等のパフォーマンスを発揮するAI。推論、計画、問題解決が可能です。
- ASI (Artificial Superintelligence / 人工超知能): ほぼすべての領域において、大規模な人間の専門家集団を凌駕するAI。
ASIは、単にチェスに勝ったりコードを書いたりするモデルではありません。研究室全体や企業全体を凌駕する可能性を持つシステムです。
論文では、AGIからASIへと移行する4つの方法が概説されています。
- スケーリング：より多くのデータ、より多くの計算資源、そしてより優れたハードウェアの使用。
- アルゴリズムの転換：単にモデルを巨大化させるのではなく、Transformerのようなより優れたアーキテクチャを見出すこと。
- 再帰的な自己改善：AIが研究者のより優れたAIコード作成を支援すること。これにより、AIが自らの開発を加速させるフィードバックループが生まれます。
- マルチエージェント・システム：一つの巨大なモデルから、人間の組織のように連携して働く数千の特化型AIエージェントへと移行すること。
しかし、いくつかのボトルネックがこの進歩を遅らせる可能性があります。
- データのリミット：高品質な人間によるテキストが枯渇する可能性があります。
- 物理的な制約：スケーリングには、膨大なエネルギー、チップ、そしてデータセンターが必要です。
- 研究の難化：AIが向上するにつれ、残された問題の解決はより困難になる可能性があります。
- 人間的要因：安全性、規制、そして社会的な抵抗が、開発のスピードを左右することになります。
エンジニアや開発者にとって、これは単なる哲学的な議論ではありません。エンジニアリング上の挑戦なのです。
AIの未来は、以下の要素にかかっています。
- 信頼性の高いエージェント・アーキテクチャの構築。
- 長期記憶とツール利用の向上。
- 人間の能力を超えるシステムを評価するための、より優れた手法の確立。
- 複数のエージェントによる分散システムの管理。
AGIは一つのマイルストーンです。ASIは規模の転換です。
出典: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd