Unha intelixencia xeral artificial (IXA, AGI polas siglas en inglés de artificial general intelligence) é un tipo hipotético de axente intelixente. En caso de se materializar, unha AGI podería aprender a realizar calquera tarefa intelectual que poidan realizar os seres humanos ou os animais. Alternativamente, AGI definiuse como un sistema autónomo que supera as capacidades humanas na maioría das tarefas economicamente valiosas. A creación da AGI é un obxectivo principal dalgunhas investigacións en intelixencia artificial e de empresas como OpenAI, DeepMind e Anthropic. A AGI é un tema común na ciencia ficción e estudos sobre o futuro.
O calendario para o desenvolvemento de AGI segue sendo un tema de debate continuo entre investigadores e expertos. Algúns argumentan que se poderá acadar en anos ou décadas; outros sosteñen que pode levar un século ou máis; e unha minoría cre que nunca se conseguirá. Ademais, hai debate sobre se os modelos modernos de grandes linguas, como o GPT-4 do ChatGPT, son formas temperás aínda que incompletas de AGI ou se son necesarios novos enfoques.
Existe unha disputa sobre o potencial de que a AGI supoña unha ameaza para a humanidade; por exemplo, OpenAI trátao como un risco existencial, mentres que outros consideran que o desenvolvemento dunha AGI é demasiado remoto para presentar un risco. Unha enquisa de 2020 identificou 72 proxectos de I+D AGI activos repartidos en 37 países.
Terminoloxía A AGI tamén se coñece como IA forte (strong AI), Kurzweil describe a strong AI como "machine intelligence with the full range of human intelligence." IA completa, (full AI) AI de nivel humano (human-level AI) ou acción intelixente xeral (general intelligent action). Porén, algunhas fontes académicas reservan o termo "IA forte" para programas informáticos que experimentan sensibilidade ou conciencia. Pola contra, a IA débil ou a IA estreita (weak AI, narrow AI) é capaz de resolver un problema específico, pero carece de capacidades cognitivas xerais. Algunhas fontes académicas usan a "IA débil" para referirse de xeito máis amplo a calquera programa que nin experimenta conciencia nin ten unha mente no mesmo sentido que os seres humanos.
Os conceptos relacionados inclúen a superintelixencia artificial e a IA transformadora. Unha superintelixencia artificial (ASI, artificial superintelligence) é un tipo hipotético de AGI que é moito máis intelixente en xeral que os humanos. E a noción de IA transformadora refírese a que a IA teña un grande impacto na sociedade, por exemplo similar á revolución agrícola.
Características Propuxéronse varios criterios para a intelixencia (o máis famoso é o test de Turing) pero ningunha definición é amplamente aceptada.
Trazos de intelixencia Porén, os investigadores xeralmente sosteñen que a intelixencia é necesaria para facer todo o seguinte:Esta lista de trazos intelixentes está baseada nos temas cubertos polos principais libros de texto de IA, incluíndo: , , e .
razoar, utilizar estratexias, resolver crebacabezas e emitir xuízos baixo a incerteza representar o coñecemento, incluíndo o sentido común plan aprender comunicarse en linguaxe natural se é necesario, integre estas habilidades para acadar calquera obxectivo
Moitos enfoques interdisciplinares (por exemplo, a ciencia cognitiva, a intelixencia computacional e a toma de decisións) consideran trazos adicionais como a imaxinación (a capacidade de formar imaxes e conceptos mentais novos) e a autonomía.de Charms, R. (1968). Personal causation. Nova York: Academic Press. Existen sistemas baseados en computadoras que presentan moitas destas capacidades (por exemplo, véxase creatividade computacional, razoamento automatizado, sistema de apoio á decisión, robot/ robótica, computación evolutiva, axente intelixente...). Porén, non hai consenso sobre que os sistemas modernos de IA as posúan nun grao adecuado.
Trazos físicos
Outras capacidades considéranse desexables en sistemas intelixentes, xa que poden afectar á intelixencia ou axudar na súa expresión. Estes inclúen:Pfeifer, R. and Bongard J. C., How the body shapes the way we think: a new view of intelligence (The MIT Press, 2007).
a capacidade de sentir (por exemplo, ver, escoitar, etc.), e a capacidade de actuar (por exemplo, mover e manipular obxectos, cambiar de lugar para explorar, etc.)
Probas para AGI a nivel humano Consideráronse varias probas destinadas a confirmar AGI a nivel humano, incluíndo:
A proba de Turing (Alan Turing) Unha máquina e un humano conversan sen ser vistos cun segundo humano, que debe avaliar cal dos dous é a máquina, que pasa a proba se pode enganar ao avaliador unha fracción significativa do tempo. Nota: Turing non prescribe o que debe cualificar como intelixencia, só que saber que é unha máquina debería descualificala. A IA de Eugene Goostman logrou a estimación de Turing de convencer ao 30% dos xuíces de que era humano en 2014. The Robot College Student Test (Goertzel) Unha máquina inscríbese nunha universidade, tomando e aprobando as mesmas clases que os humanos, e obtendo un título. Os LLM agora poden aprobar exames de grao universitario sen sequera asistir ás clases. A proba de emprego (Nilsson) Unha máquina realiza un traballo economicamente importante polo menos tan ben como os humanos no mesmo traballo. Agora as IAs están a substituír os humanos en moitos papeis tan variados como a comida rápida e o marketing A proba de Ikea (Marcus) Tamén coñecido como 'Flat Pack Furniture Test'. Unha IA ve as pezas e as instrucións dun produto de paquete plano de Ikea e despois controla un robot para montar os mobles correctamente. A proba do café (Wozniak) Requírese unha máquina para entrar nunha casa americana media e descubrir como facer café: atopar a máquina de café, atopar o café, engadir auga, atopar unha cunca e preparar o café premendo os botóns axeitados. Isto aínda non se completou.
Problemas de IA completa
Hai moitos problemas que poden requirir intelixencia xeral para resolver os problemas tan ben como o fan os humanos. Por exemplo, mesmo tarefas sinxelas e específicas, como a tradución automática, requiren que unha máquina lea e escriba nos dous idiomas (NLP), siga o argumento do autor (razoamento), saiba do que se fala (coñecemento) e reproduza fielmente a orixinal intención do autor (intelixencia social). Todos estes problemas deben ser resoltos simultaneamente para alcanzar o rendemento da máquina a nivel humano.
Un problema chámase informalmente "AI-complete" ou "AI-hard" ("IA completa" ou "IA-dura" se se cre que para resolvelo é necesario implementar unha IA forte, porque a solución está máis aló das capacidades dun algoritmo específico para o propósito. (Section 4 is on "AI-Complete Tasks".)
Suponse que os problemas de intelixencia artificial inclúen a visión xeral por ordenador, a comprensión da linguaxe natural e o tratamento de circunstancias inesperadas mentres se resolve calquera problema do mundo real.
Os problemas de intelixencia artificial non se poden resolver só coa tecnoloxía informática actual e requiren computación humana. Esta limitación podería ser útil para probar a presenza de humanos, como pretenden facer os CAPTCHA; e para que a seguridade informática repela ataques de forza bruta.
Historia
IA clásica
A investigación moderna da IA comezou a mediados da década de 1950. A primeira xeración de investigadores de IA estaba convencida de que a intelixencia xeral artificial era posíbel e de que existiría en poucas décadas. O pioneiro da intelixencia artificial Herbert A. Simon escribiu en 1965: "as máquinas serán capaces, dentro de vinte anos, de facer calquera traballo que poida facer un home". citado en
As súas predicións foron a inspiración para o personaxe HAL 9000 de Stanley Kubrick e Arthur C. Clarke, que encarnaron o que os investigadores de IA crían que poderían crear para o ano 2001. O pioneiro da intelixencia artificial, Marvin Minsky, foi un consultor no proxecto de facer que HAL (A. C. Clarke afirmou que seren as letras previas a IBM foi só casualidade) fose o máis realista posíbel segundo as previsións de consenso da época. Dixo en 1967: "Dentro dunha xeración... o problema de crear "intelixencia artificial" resolverase substancialmente".Marvin Minsky en , citado en .
Varios proxectos clásicos de IA, como o proxecto Cyc de Doug Lenat (que comezou en 1984) e o proxecto Soar de Allen Newell, foron dirixidos á AGI. Porén, a principios dos anos 70, fíxose obvio que os investigadores subestimaran enormemente a dificultade do proxecto. As axencias de financiamento volvéronse escépticas con respecto a AGI e someteron aos investigadores a unha presión crecente para producir unha "IA aplicada" útil. A principios dos anos 80, o Proxecto informático de quinta xeración do Xapón reavivou o interese en AGI, establecendo un calendario de dez anos que incluía obxectivos de AGI como "continuar unha conversación casual"., e véxase tamén En resposta a isto e ao éxito dos sistemas expertos, tanto a industria como o goberno inxectaron diñeiro no campo. ; .
Con todo, a confianza na IA derrubouse espectacularmente a finais dos anos 80, e os obxectivos do Proxecto informático de quinta xeración nunca se cumpriron. Por segunda vez en 20 anos, os investigadores de IA que predixeron o logro inminente de AGI equivocaron. Na década de 1990, os investigadores de IA tiñan a reputación de facer promesas vanas. Fixéronse reticentes a facer predicións en absoluto e evitaron mencionar a intelixencia artificial de "nivel humano" por medo a ser etiquetados como "soñador[es] de ollos salvaxes".
Investigación estreita da IA Na década de 1990 e principios do século XXI, a IA convencional logrou éxito comercial e respectabilidade académica centrándose en subproblemas específicos nos que a IA pode producir resultados verificables e aplicacións comerciais, como o recoñecemento de voz e os algoritmos de recomendación. Estes sistemas de "IA aplicada" utilízanse agora amplamente en toda a industria tecnolóxica, e a investigación nesta liña está moi financiada tanto no ámbito académico como na industria. A partir de 2018, o desenvolvemento neste campo considerouse unha tendencia emerxente e espérase que en máis de 10 anos se alcanzara unha etapa madura. A principios de século, moitos dos principais investigadores de IA esperaban que se puidese desenvolver unha IA forte combinando programas que resolvían varios subproblemas. Hans Moravec escribiu en 1988:
Confío en que esta ruta de abaixo cara á intelixencia artificial atopará algún día a ruta tradicional de arriba abaixo máis da metade do camiño, lista para proporcionar a competencia do mundo real e o coñecemento do sentido común que foi tan frustrantemente esquivo nos programas de razoamento. Máquinas totalmente intelixentes resultarán cando o metafórico pico dourado sexa impulsado unindo os dous esforzos.Porén, mesmo nese momento, isto foi disputado. Por exemplo, Stevan Harnad, da Universidade de Princeton, concluíu o seu artigo de 1990 sobre a hipótese do fundamento do símbolo afirmando:Moitas veces expresouse a expectativa de que os enfoques "de arriba abaixo" (simbólicos) para modelar a cognición atoparán dalgún xeito os enfoques "de abaixo a arriba" (sensorial) nalgún lugar intermedio. Se as consideracións fundamentais deste traballo son válidas, entón esta expectativa é irremediablemente modular e realmente só hai unha ruta viable desde o sentido até os símbolos: desde o principio. Nunca se chegará por esta vía (ou viceversa) a un nivel simbólico flotante como o nivel de software dunha computadora; tampouco está claro por que deberíamos tratar de alcanzar tal nivel, xa que parece que chegar até alí só sería necesario. equivalen a arrincar os nosos símbolos dos seus significados intrínsecos (reducíndonos simplemente ao equivalente funcional dun ordenador programábel).
Investigación moderna en intelixencia artificial xeral