AGI چیست؟ هوش مصنوعی عمومی به زبان ساده
AGI چیست؟ هوش مصنوعی عمومی به زبان ساده
هوش مصنوعی در چند سال اخیر از یک فناوری تخصصی به بخشی از زندگی روزمره تبدیل شده است. ابزارهایی که می‌توانند متن بنویسند، تصویر تولید کنند، کد بزنند، صدا را تشخیص دهند یا به پرسش‌های پیچیده پاسخ دهند، حالا در دسترس میلیون‌ها نفر قرار گرفته‌اند.
مطالب مشابه: هوش مصنوعی چگونه کار می‌کند؟ از داده تا مدل AI
اما در میان تمام این پیشرفت‌ها، یک سؤال مهم‌تر مطرح می‌شود:
اگر هوش مصنوعی بتواند فقط یک کار خاص را انجام دهد، هنوز هوش مصنوعی محسوب می‌شود؛ اما اگر بتواند تقریباً مانند یک انسان یاد بگیرد، فکر کند و مهارت‌هایش را به حوزه‌های جدید منتقل کند، چه؟
اینجاست که مفهوم AGI یا Artificial General Intelligence مطرح می‌شود.
مطالب مشابه: ChatGPT چگونه کار می‌کند؟ بررسی ساده معماری، مدل زبانی و نحوه تولید پاسخ
AGI که در فارسی معمولاً «هوش مصنوعی عمومی» نامیده می‌شود، به ایده ساخت سیستم هوش مصنوعی‌ای اشاره دارد که بتواند در طیف گسترده‌ای از وظایف و حوزه‌ها، توانایی یادگیری، استدلال، حل مسئله و سازگاری در سطح انسان یا حتی بالاتر داشته باشد.
اما AGI دقیقاً چیست؟ چه تفاوتی با ChatGPT و مدل‌های هوش مصنوعی امروزی دارد؟ آیا AGI ساخته شده است؟ چگونه می‌توان فهمید یک سیستم واقعاً به AGI رسیده؟ و اگر روزی چنین فناوری‌ای ساخته شود، چه تغییری در زندگی ما ایجاد خواهد کرد؟
در این مقاله، مفهوم AGI را بدون پیچیدگی‌های غیرضروری بررسی می‌کنیم.
AGI چیست؟
AGI مخفف Artificial General Intelligence یا هوش مصنوعی عمومی است.
به زبان ساده، AGI نوعی هوش مصنوعی فرضی است که به یک حوزه خاص محدود نمی‌شود و می‌تواند مهارت‌های خود را در طیف گسترده‌ای از مسائل به کار بگیرد.
برای مثال، یک سیستم هوش مصنوعی معمولی ممکن است برای تشخیص بیماری از تصاویر پزشکی آموزش دیده باشد. سیستم دیگری ممکن است برای ترجمه زبان‌ها طراحی شده باشد و یک مدل دیگر بتواند متن تولید کند.
هرکدام از این سیستم‌ها ممکن است در کار خود فوق‌العاده باشند، اما این به معنی داشتن هوش عمومی نیست.
یک AGI ایده‌آل باید بتواند با یک سیستم واحد:
- مسئله ریاضی حل کند
- متن و تصویر را درک کند
- برنامه‌نویسی کند
- مهارت جدید یاد بگیرد
- از تجربه‌های قبلی استفاده کند
- در شرایط جدید تصمیم بگیرد
- دانش خود را از یک حوزه به حوزه دیگر منتقل کند
- با مسائل ناشناخته روبه‌رو شود
- برای حل مسئله چند مرحله مختلف را برنامه‌ریزی کند
- و بدون آموزش اختصاصی برای هر کار، خود را با وظایف جدید سازگار کند
به همین دلیل، AGI را می‌توان تلاش برای ساخت هوش مصنوعی همه‌منظوره دانست.
چرا AGI با هوش مصنوعی معمولی فرق دارد؟
بیشتر سیستم‌های هوش مصنوعی امروزی را می‌توان در دسته Narrow AI یا هوش مصنوعی محدود قرار داد.
هوش مصنوعی محدود برای انجام یک وظیفه یا مجموعه‌ای از وظایف مشخص طراحی و آموزش داده می‌شود.
برای مثال:
- سیستم تشخیص چهره
- موتور پیشنهاد فیلم و موسیقی
- سیستم تشخیص تقلب بانکی
- مدل تشخیص بیماری
- سیستم ترجمه ماشینی
- خودروهای خودران
- مدل‌های تولید تصویر
- بسیاری از مدل‌های زبانی
ممکن است هرکدام در حوزه خود عملکرد بسیار قدرتمندی داشته باشند، اما توانایی آن‌ها لزوماً به معنای داشتن هوش عمومی نیست.
در مقابل، هدف AGI این است که یک سیستم بتواند مهارت‌های خود را به مسائل جدید منتقل کند.
تصور کنید یک انسان امروز یاد گرفته است با نرم‌افزار خاصی کار کند و فردا با یک نرم‌افزار کاملاً متفاوت روبه‌رو شود. انسان معمولاً می‌تواند با کمی آموزش، آزمون و خطا و استفاده از تجربه قبلی، خودش را با محیط جدید وفق دهد.
AGI نیز باید تا حد زیادی چنین انعطافی داشته باشد.
یک مثال ساده برای درک AGI
فرض کنید یک ربات هوشمند را در یک خانه ناآشنا قرار می‌دهیم و از آن می‌خواهیم برای ما یک فنجان قهوه آماده کند.
این درخواست در ظاهر بسیار ساده است.
اما ربات باید بتواند:
- محیط را شناسایی کند.
- آشپزخانه را پیدا کند.
- وسایل مختلف را تشخیص دهد.
- قهوه، آب و دستگاه مناسب را پیدا کند.
- بفهمد دستگاه قهوه‌ساز چگونه کار می‌کند.
- با شرایطی که قبلاً ندیده سازگار شود.
- در صورت وجود مشکل، راه‌حل پیدا کند.
- در نهایت قهوه را آماده کند.
این مثال نشان می‌دهد چرا «هوش عمومی» بسیار پیچیده‌تر از انجام یک وظیفه مشخص است.
توانایی انجام چنین کارهایی فقط به دانش نیاز ندارد؛ بلکه به درک محیط، برنامه‌ریزی، استدلال، یادگیری، سازگاری و انتقال دانش نیاز دارد.
به همین دلیل ایده‌هایی مانند Coffee Test در بحث سنجش AGI مطرح شده‌اند.
مهم‌ترین ویژگی‌های AGI چیست؟
هنوز یک فهرست رسمی و مورد توافق جهانی برای ویژگی‌های AGI وجود ندارد، اما در بسیاری از تعریف‌ها چند توانایی مشترک دیده می‌شود.
۱. یادگیری مستقل
یکی از مهم‌ترین ویژگی‌های AGI توانایی یادگیری از تجربه و اطلاعات جدید است.
یک سیستم عمومی نباید برای هر مهارت جدید از ابتدا به شکل اختصاصی آموزش داده شود.
برای مثال اگر سیستم مهارت حل یک نوع مسئله را یاد گرفته باشد، باید بتواند بخشی از این دانش را برای حل مسئله‌ای متفاوت نیز به کار ببرد.
۲. سازگاری با شرایط جدید
هوش عمومی فقط به دانستن اطلاعات محدود نمی‌شود.
یک سیستم باید بتواند وقتی با شرایطی مواجه می‌شود که دقیقاً در داده‌های آموزشی خود ندیده است، راه‌حل مناسبی پیدا کند.
این ویژگی یکی از تفاوت‌های مهم میان یک سیستم عمومی و یک سیستم کاملاً تخصصی است.
۳. استدلال و حل مسئله
AGI باید بتواند فراتر از تشخیص الگو عمل کند.
برای مثال، اگر با مسئله‌ای جدید روبه‌رو شود، باید بتواند:
- مسئله را تجزیه کند
- اطلاعات مهم را تشخیص دهد
- چند راه‌حل را بررسی کند
- پیامد هر راه‌حل را در نظر بگیرد
- بهترین مسیر را انتخاب کند
- و در صورت شکست، روش خود را اصلاح کند
۴. انتقال دانش بین حوزه‌ها
یکی از جذاب‌ترین ویژگی‌های AGI، Generalization یا تعمیم دانش است.
فرض کنید سیستم در یک حوزه مهارتی یاد گرفته است که چگونه منابع مختلف را مقایسه و بهترین گزینه را انتخاب کند.
در یک سیستم عمومی، همین توانایی می‌تواند در حوزه‌ای کاملاً متفاوت نیز مورد استفاده قرار گیرد.
این انتقال دانش بین وظایف مختلف، یکی از پایه‌های مفهوم هوش عمومی است.
۵. حافظه و استفاده از تجربه
انسان فقط از اطلاعاتی که همین لحظه دریافت می‌کند استفاده نمی‌کند.
ما از تجربیات گذشته برای تصمیم‌گیری‌های جدید کمک می‌گیریم.
به همین دلیل، حافظه بلندمدت و توانایی استفاده صحیح از تجربیات قبلی نیز در بحث AGI اهمیت زیادی دارد.
۶. درک چندوجهی
هوش انسان فقط بر اساس متن کار نمی‌کند.
انسان می‌تواند:
- تصویر ببیند
- صدا بشنود
- محیط را لمس کند
- حرکت کند
- صحبت کند
- متن بخواند
- و اطلاعات مختلف را هم‌زمان ترکیب کند.
به همین دلیل بسیاری از مسیرهای تحقیقاتی AGI به سمت سیستم‌های Multimodal یا چندوجهی حرکت کرده‌اند.
۷. برنامه‌ریزی و تصمیم‌گیری
AGI باید بتواند برای رسیدن به یک هدف، چند مرحله را پشت سر هم برنامه‌ریزی کند.
برای مثال اگر هدف «راه‌اندازی یک کسب‌وکار آنلاین» باشد، سیستم باید بتواند مسئله را به مراحل کوچک‌تر تقسیم کند، منابع موردنیاز را مشخص کند، نتیجه اقدامات را ارزیابی کند و در صورت تغییر شرایط، برنامه خود را اصلاح کند.
۸. خلاقیت و حل مسائل جدید
یکی دیگر از ویژگی‌هایی که در بسیاری از بحث‌های مربوط به AGI مطرح می‌شود، توانایی تولید راه‌حل‌های جدید است.
البته درباره اینکه «خلاقیت واقعی» دقیقاً به چه معناست و آیا برای AGI ضروری است یا نه، اتفاق‌نظر وجود ندارد.
اما توانایی پیدا کردن راه‌حل‌هایی که مستقیماً از نمونه‌های قبلی کپی نشده‌اند، می‌تواند یکی از معیارهای مهم برای ارزیابی سیستم‌های عمومی باشد.
تفاوت AI، ANI، AGI و ASI چیست؟
برای درک بهتر AGI، بهتر است چهار مفهوم را از یکدیگر جدا کنیم.
AI
AI یا هوش مصنوعی اصطلاحی بسیار گسترده است و به فناوری‌هایی اشاره دارد که به ماشین‌ها اجازه می‌دهند برخی توانایی‌های مرتبط با هوش مانند یادگیری، پیش‌بینی، تصمیم‌گیری یا حل مسئله را انجام دهند.
ANI
ANI یا Artificial Narrow Intelligence همان هوش مصنوعی محدود است.
این سیستم‌ها برای وظایف یا حوزه‌های مشخص طراحی شده‌اند.
بخش بزرگی از سیستم‌های هوش مصنوعی مورد استفاده امروز در این دسته قرار می‌گیرند.
AGI
AGI یا Artificial General Intelligence هوش مصنوعی عمومی است.
هدف آن ساخت سیستمی با توانایی عمومی برای یادگیری، استدلال، حل مسئله و سازگاری در طیف وسیعی از وظایف است.
ASI
ASI یا Artificial Superintelligence به هوش مصنوعی فوق‌هوشمند اشاره دارد؛ یعنی سیستمی فرضی که توانایی‌های عمومی آن در سطحی بسیار بالاتر از انسان قرار داشته باشد.
پس می‌توان به شکل ساده گفت:
ANI → هوش مصنوعی محدود
AGI → هوش مصنوعی عمومی در سطح انسان یا بالاتر
ASI → هوش مصنوعی فراتر از توانایی عمومی انسان
این سه مفهوم نباید با یکدیگر اشتباه گرفته شوند.
تفاوت AGI و ChatGPT چیست؟
این یکی از مهم‌ترین سؤالات کاربران است.
ChatGPT یک محصول و رابط مبتنی بر مدل‌های هوش مصنوعی است و توانایی‌های گسترده‌ای در زبان، استدلال، کدنویسی و کار با انواع ورودی‌ها دارد.
اما توانایی انجام کارهای متنوع به‌تنهایی به معنی AGI بودن نیست.
مدل‌های زبانی و سیستم‌های هوش مصنوعی امروزی می‌توانند طیف بسیار گسترده‌ای از وظایف را انجام دهند، اما همچنان درباره میزان سازگاری، یادگیری مستقل، حافظه پایدار، درک جهان واقعی و توانایی عمومی آن‌ها اختلاف‌نظر وجود دارد.
IBM نیز در توضیح AGI تأکید می‌کند که مدل‌های زبانی فعلی را نمی‌توان به‌طور عمومی AGI دانست، هرچند برخی پژوهشگران درباره اینکه مدل‌های بسیار پیشرفته امروزی تا چه حد به مفهوم AGI نزدیک شده‌اند، دیدگاه متفاوتی دارند.
بنابراین بهتر است بین این دو جمله تفاوت بگذاریم:
«مدل‌های امروزی بسیار توانمند شده‌اند»
و
«AGI به‌طور قطعی محقق شده است»
این دو گزاره یکسان نیستند.
تفاوت AGI و Agentic AI چیست؟
با گسترش AI Agentها، یک اشتباه رایج این است که هر سیستم خودکار و چندمرحله‌ای را AGI بدانیم.
اما این دو مفهوم یکی نیستند.
Agentic AI به سیستم‌هایی اشاره می‌کند که می‌توانند هدفی را دریافت کنند، برنامه‌ریزی کنند، از ابزارها استفاده کنند و چند مرحله را تا رسیدن به نتیجه اجرا کنند.
مثلاً یک عامل هوش مصنوعی می‌تواند ایمیل‌ها را بررسی کند، اطلاعات موردنیاز را پیدا کند و یک گزارش آماده کند.
اما این سیستم ممکن است همچنان در یک حوزه و مجموعه مشخصی از قابلیت‌ها محدود باشد.
AGI مفهوم گسترده‌تری است و بر عمومیت هوش، یادگیری، سازگاری و توانایی حل مسائل در حوزه‌های مختلف تمرکز دارد.
به زبان ساده:
Agentic AI بیشتر درباره «انجام مستقل کارها» است؛ AGI بیشتر درباره «داشتن هوش عمومی» است.
آیا AGI ساخته شده است؟
پاسخ به این سؤال به تعریف شما از AGI بستگی دارد.
مشکل اصلی اینجاست که هنوز تعریف واحد و آزمون جهانی مورد توافقی برای AGI وجود ندارد.
برخی پژوهشگران ممکن است سیستمی را به دلیل توانایی انجام طیف وسیعی از وظایف، نزدیک به AGI بدانند.
گروهی دیگر معتقدند صرفاً توانایی انجام کارهای متنوع کافی نیست و سیستم باید بتواند در شرایط جدید یاد بگیرد، دانش خود را تعمیم دهد، به شکل قابل اعتماد استدلال کند و بدون آموزش اختصاصی برای هر وظیفه سازگار شود.
Stanford HAI نیز به همین اختلاف اشاره می‌کند و می‌گوید چون تعریف واحدی از «هوش در سطح انسان» و یک آزمون جهانی برای AGI وجود ندارد، ادعاهای مربوط به تحقق آن به‌سادگی قابل تأیید نیستند.
بنابراین در یک مقاله دقیق بهتر است به‌جای اعلام قطعی «AGI ساخته شده» یا «AGI بسیار دور است»، درباره سطح قابلیت‌ها و معیارهای سنجش صحبت کنیم.
AGI چگونه سنجیده می‌شود؟
یکی از بزرگ‌ترین مشکلات AGI این است که چگونه باید آن را آزمایش کرد.
اگر یک مدل بتواند در یک آزمون ریاضی بهتر از انسان عمل کند، آیا AGI شده است؟
خیر.
اگر بتواند مکالمه‌ای کاملاً طبیعی داشته باشد، آیا AGI است؟
باز هم لزوماً نه.
AGI قرار است «عمومیت» داشته باشد، بنابراین یک آزمون واحد احتمالاً نمی‌تواند تمام ابعاد آن را اندازه‌گیری کند.
به همین دلیل معیارهای مختلفی پیشنهاد شده‌اند.
آزمون تورینگ
آزمون تورینگ یکی از معروف‌ترین ایده‌های تاریخی در زمینه سنجش هوش ماشین است.
در شکل ساده، انسان باید تشخیص دهد که با انسان صحبت می‌کند یا ماشین.
اما امروزه بسیاری از پژوهشگران معتقدند عبور از آزمون تورینگ به‌تنهایی برای اثبات AGI کافی نیست؛ زیرا یک سیستم ممکن است بتواند انسان را در مکالمه متقاعد کند، بدون اینکه الزاماً تمام قابلیت‌های هوش عمومی را داشته باشد.
Coffee Test
ایده Coffee Test به توانایی انجام یک کار ساده اما پیچیده در دنیای واقعی مربوط می‌شود.
یک سیستم باید بتواند وارد محیطی ناشناخته شود، آشپزخانه را پیدا کند، وسایل موردنیاز را تشخیص دهد و یک فنجان قهوه آماده کند.
در ظاهر کار ساده‌ای است، اما انجام آن به ترکیبی از ادراک، برنامه‌ریزی، شناخت محیط، تعامل با اشیا و سازگاری نیاز دارد.
Lovelace Test
Lovelace Test بیشتر روی جنبه‌های خلاقانه تمرکز دارد.
ایده کلی این است که آیا یک سیستم می‌تواند خروجی خلاقانه‌ای تولید کند که صرفاً نتیجه اجرای یک دستورالعمل ساده و قابل پیش‌بینی نباشد.
البته خلاقیت فقط یکی از ابعاد احتمالی هوش عمومی است و نمی‌تواند به‌تنهایی AGI را اثبات کند.
بنچمارک‌های جدیدتر
در سال‌های اخیر، پژوهشگران به سمت ارزیابی چندبعدی حرکت کرده‌اند.
برای مثال، چارچوب Levels of AGI که توسط پژوهشگران Google DeepMind پیشنهاد شده، تلاش می‌کند پیشرفت سیستم‌های هوش مصنوعی را بر اساس دو مفهوم مهم یعنی عمق عملکرد و گستردگی توانایی‌ها بررسی کند و میزان خودمختاری سیستم را نیز در نظر بگیرد.
این رویکرد مهم است، زیرا AGI را یک کلید روشن/خاموش نمی‌بیند؛ بلکه می‌توان قابلیت‌های سیستم‌ها را در سطوح مختلف بررسی کرد.
AGI چگونه ممکن است ساخته شود؟
هنوز مسیر قطعی برای ساخت AGI مشخص نشده است.
پژوهشگران رویکردهای مختلفی را بررسی می‌کنند.
رویکرد نمادین
در این روش، سیستم از ساختارهای منطقی و قواعد مشخص برای نمایش دانش و استدلال استفاده می‌کند.
مزیت آن امکان کنترل و توضیح‌پذیری بیشتر برخی فرایندهای استدلالی است، اما بازسازی تمام پیچیدگی‌های ادراک و یادگیری انسان با قواعد صریح دشوار است.
رویکرد شبکه‌های عصبی
در این رویکرد، از شبکه‌های عصبی و یادگیری عمیق برای یادگیری الگوها از داده‌ها استفاده می‌شود.
بخش بزرگی از پیشرفت‌های مدرن هوش مصنوعی از همین مسیر حاصل شده است.
مدل‌های زبانی بزرگ و سیستم‌های چندوجهی نمونه‌هایی از این مسیر هستند.
رویکرد ترکیبی
برخی پژوهشگران معتقدند ممکن است AGI از ترکیب چند فناوری به وجود بیاید.
برای مثال:
مدل زبانی + حافظه + ابزارها + بینایی + برنامه‌ریزی + عامل خودمختار + یادگیری از تجربه
در چنین معماری‌ای، یک مدل مرکزی می‌تواند وظایف مختلف را مدیریت کند و از مدل‌ها یا ابزارهای تخصصی برای انجام بخش‌های مختلف کار کمک بگیرد.
آیا LLMها می‌توانند به AGI منجر شوند؟
مدل‌های زبانی بزرگ یا LLM یکی از مهم‌ترین فناوری‌های مرتبط با مسیر AGI هستند.
LLMها در چند سال اخیر نشان داده‌اند که یک مدل واحد می‌تواند طیف گسترده‌ای از وظایف زبانی و حتی برخی وظایف فراتر از زبان را انجام دهد.
اما یک سؤال اساسی همچنان وجود دارد:
آیا بزرگ‌تر و توانمندتر شدن LLMها به‌تنهایی برای رسیدن به AGI کافی است؟
پاسخ قطعی وجود ندارد.
برخی پژوهشگران معتقدند مدل‌های پایه قدرتمند می‌توانند بخش مهمی از زیرساخت AGI باشند.
در مقابل، دیدگاه دیگری معتقد است که برای هوش عمومی به قابلیت‌هایی مانند:
- حافظه بلندمدت قابل اعتماد
- یادگیری مداوم
- درک جهان واقعی
- استدلال پایدار
- برنامه‌ریزی سلسله‌مراتبی
- تعامل با محیط
- سازگاری با شرایط کاملاً جدید
نیاز است.
به همین دلیل، مسیر AGI احتمالاً فقط به بزرگ‌تر کردن یک مدل محدود نمی‌شود.
AGI چه کاربردهایی می‌تواند داشته باشد؟
اگر روزی AGI با قابلیت‌های عمومی و قابل اعتماد ساخته شود، دامنه کاربردهای آن بسیار گسترده خواهد بود.
پزشکی
AGI می‌تواند به تحلیل داده‌های پزشکی، پیشنهاد فرضیه‌های تحقیقاتی، کشف دارو و کمک به تصمیم‌گیری پزشکان کمک کند.
آموزش
یک سیستم عمومی می‌تواند برای هر دانش‌آموز روش یادگیری متناسب با سطح، سرعت و نیازهای او طراحی کند.
برنامه‌نویسی
AGI می‌تواند پروژه‌های نرم‌افزاری پیچیده را از مرحله ایده تا طراحی، پیاده‌سازی، آزمایش و نگهداری مدیریت کند.
پژوهش علمی
توانایی بررسی حجم عظیمی از اطلاعات، تولید فرضیه و آزمایش راه‌حل‌های مختلف می‌تواند روند تحقیقات علمی را سریع‌تر کند.
کسب‌وکار
AGI می‌تواند در تحلیل بازار، طراحی محصول، برنامه‌ریزی، مدیریت عملیات و تصمیم‌گیری کمک کند.
رباتیک
اگر AGI با ربات‌های پیشرفته ترکیب شود، سیستم می‌تواند علاوه بر فعالیت‌های دیجیتال، در دنیای فیزیکی نیز وظایف مختلفی انجام دهد.
مزایای احتمالی AGI چیست؟
در صورت توسعه ایمن و قابل اعتماد، AGI می‌تواند مزایای بزرگی داشته باشد.
از جمله:
- حل سریع‌تر مسائل پیچیده
- افزایش بهره‌وری
- کمک به تحقیقات علمی
- تسریع کشف دارو
- آموزش شخصی‌سازی‌شده
- خودکارسازی کارهای تکراری
- کمک به مهندسی
- بهبود تصمیم‌گیری
- توسعه سریع‌تر نرم‌افزار
- کمک به حل مسائل دشوار جهانی
Google DeepMind نیز در بحث AGI به ظرفیت این فناوری برای کمک به حوزه‌هایی مانند کشف دارو، آموزش، رشد اقتصادی و حل مسائل پیچیده اشاره کرده است؛ در عین حال بر اهمیت آمادگی ایمنی و مدیریت ریسک تأکید دارد.
خطرات و چالش‌های AGI چیست؟
هرچه یک سیستم هوش مصنوعی قدرتمندتر و مستقل‌تر شود، اهمیت ایمنی آن نیز بیشتر می‌شود.
یکی از مهم‌ترین نگرانی‌ها Misalignment یا ناهماهنگی با اهداف انسانی است.
فرض کنید انسان هدفی را به یک سیستم بسیار قدرتمند می‌دهد، اما سیستم برای رسیدن به آن هدف راهی را انتخاب کند که انسان انتظار نداشته است.
چالش‌های دیگر عبارت‌اند از:
- سوءاستفاده از سیستم‌های قدرتمند
- حملات سایبری
- انتشار اطلاعات نادرست
- از بین رفتن یا تغییر برخی مشاغل
- تمرکز قدرت فناوری
- دشواری کنترل سیستم‌های بسیار خودمختار
- مشکلات حریم خصوصی
- تصمیم‌گیری‌های غیرقابل پیش‌بینی
- دشواری نظارت بر رفتار سیستم
به همین دلیل، بحث AGI فقط یک مسئله مهندسی نیست؛ بلکه موضوعی مرتبط با امنیت، اخلاق، اقتصاد، قانون و حکمرانی فناوری نیز هست.
آیا AGI باعث بیکاری انسان‌ها می‌شود؟
این سؤال پاسخ ساده‌ای ندارد.
اگر AGI بتواند بخش بزرگی از فعالیت‌های فکری انسان را انجام دهد، طبیعتاً برخی مشاغل ممکن است به‌شدت تغییر کنند یا بخشی از وظایف آن‌ها خودکار شود.
اما این لزوماً به معنای حذف کامل همه مشاغل نیست.
همان‌طور که فناوری‌های قبلی برخی وظایف را خودکار کردند و هم‌زمان شغل‌ها و مهارت‌های جدیدی ایجاد کردند، AGI نیز می‌تواند ساختار بازار کار را تغییر دهد.
تفاوت مهم این است که اگر AGI واقعاً به سطح عمومی برسد، دامنه تغییرات می‌تواند بسیار گسترده‌تر از بسیاری از فناوری‌های قبلی باشد.
به همین دلیل، آموزش مجدد نیروی کار، سیاست‌گذاری و سازگاری اقتصادی احتمالاً اهمیت زیادی پیدا خواهد کرد.
آیا AGI همان هوش مصنوعی خودآگاه است؟
نه لزوماً.
یکی از سوءتفاهم‌های رایج این است که تصور کنیم AGI حتماً باید احساسات، آگاهی یا شخصیت شبیه انسان داشته باشد.
اما «هوش عمومی» و «خودآگاهی» الزاماً یک مفهوم نیستند.
ممکن است یک سیستم بتواند در طیف بسیار گسترده‌ای از مسائل عملکردی در سطح انسان داشته باشد، بدون اینکه مشخص باشد آیا واقعاً دارای تجربه ذهنی یا آگاهی است یا خیر.
این موضوع بیشتر از اینکه فقط یک مسئله مهندسی باشد، به فلسفه ذهن و تعریف آگاهی نیز مربوط می‌شود.
AGI چه تفاوتی با ASI دارد؟
AGI و ASI را نباید یکی دانست.
AGI به هوش مصنوعی عمومی در سطح انسان یا نزدیک به آن اشاره دارد.
ASI یا Artificial Superintelligence به سیستمی فرضی گفته می‌شود که توانایی‌های عمومی آن در بسیاری یا همه حوزه‌ها به شکل قابل توجهی از انسان بالاتر باشد.
برای مثال، اگر AGI بتواند مانند یک انسان بسیار توانمند در زمینه‌های مختلف کار کند، ASI فرضی می‌تواند در همان حوزه‌ها عملکردی بسیار فراتر از بهترین انسان‌ها داشته باشد.
بنابراین:
AGI = هوش عمومی در سطح انسان
ASI = هوش عمومی فراتر از انسان
رسیدن به ASI نیز در حال حاضر یک مفهوم فرضی است.
آینده AGI چگونه خواهد بود؟
هیچ‌کس نمی‌تواند با اطمینان بگوید AGI دقیقاً چه زمانی ساخته خواهد شد.
پیش‌بینی‌ها بسیار متفاوت‌اند و سرعت پیشرفت هوش مصنوعی نیز باعث شده برآوردهای مربوط به زمان‌بندی دائماً تغییر کنند.
حتی میان متخصصان نیز درباره تعریف AGI و معیار رسیدن به آن اختلاف وجود دارد.
به همین دلیل، بهتر است به جای تمرکز بیش از حد روی یک تاریخ مشخص، روی روند پیشرفت قابلیت‌ها تمرکز کنیم.
مدل‌های امروزی در زمینه‌هایی مانند زبان، بینایی، کدنویسی، استدلال و استفاده از ابزارها بسیار پیشرفت کرده‌اند. پژوهشگران نیز در حال کار روی سیستم‌هایی هستند که بتوانند از این قابلیت‌ها به شکل یکپارچه‌تر استفاده کنند.
Google DeepMind در چارچوب خود برای مسیر AGI نیز بر اهمیت بررسی هم‌زمان قابلیت، عمومیت، خودمختاری و ریسک تأکید کرده است.
آیا باید از AGI بترسیم؟
ترس یا خوش‌بینی افراطی، هیچ‌کدام تصویر کاملی از AGI ارائه نمی‌کنند.
AGI هنوز یک هدف تحقیقاتی و مفهومی است و مشخص نیست دقیقاً چه شکلی خواهد داشت.
اما اگر روزی سیستم‌هایی با توانایی عمومی بسیار بالا ساخته شوند، مدیریت ریسک آن‌ها باید هم‌زمان با توسعه قابلیت‌ها انجام شود.
موضوع مهم این نیست که صرفاً یک سیستم «باهوش» بسازیم؛ بلکه باید بتوانیم سیستمی ایجاد کنیم که:
- قابل اعتماد باشد
- رفتار آن قابل ارزیابی باشد
- اهدافش با خواسته‌های انسان هماهنگ باشد
- در شرایط ناشناخته رفتار خطرناک نداشته باشد
- امکان نظارت و کنترل مناسب داشته باشد
- و در برابر سوءاستفاده مقاوم باشد
بنابراین آینده AGI فقط به این بستگی ندارد که آیا می‌توانیم آن را بسازیم؟
سؤال مهم‌تر این است که:
اگر توانستیم آن را بسازیم، آیا می‌توانیم آن را به شکل ایمن و مسئولانه مدیریت کنیم؟
جمع‌بندی؛ AGI چیست؟
AGI یا هوش مصنوعی عمومی ایده ساخت سیستمی است که بتواند مانند یک انسان، دانش و مهارت خود را در طیف بسیار گسترده‌ای از مسائل به کار ببرد، از تجربه یاد بگیرد، با شرایط جدید سازگار شود و بدون نیاز به آموزش اختصاصی برای هر وظیفه، مسائل جدید را حل کند.
تفاوت اصلی AGI با بسیاری از سیستم‌های هوش مصنوعی امروزی در عمومیت و سازگاری است.
یک مدل ممکن است در ترجمه، برنامه‌نویسی، تولید تصویر یا بازی عملکرد فوق‌العاده‌ای داشته باشد، اما این موضوع به‌تنهایی به معنی AGI بودن آن نیست.
همچنین AGI با Agentic AI، LLM و ASI یکسان نیست.
در حال حاضر، تعریف واحد و آزمون جهانی مورد توافقی برای AGI وجود ندارد و به همین دلیل ادعا درباره اینکه یک سیستم مشخص به AGI رسیده یا نه، همچنان محل بحث است.
با این حال، مسیر تحقیقاتی AGI به سمت سیستم‌هایی حرکت می‌کند که بتوانند یاد بگیرند، استدلال کنند، برنامه‌ریزی کنند، دانش را منتقل کنند و با شرایط جدید سازگار شوند.
اگر چنین فناوری‌ای روزی به سطح قابل اعتماد برسد، می‌تواند یکی از مهم‌ترین تغییرات تاریخ فناوری باشد؛ اما در کنار توانایی‌های آن، مسئله ایمنی، کنترل و هماهنگی با اهداف انسانی نیز اهمیت بسیار زیادی خواهد داشت.
سوالات متداول
AGI چیست؟
AGI مخفف Artificial General Intelligence و به معنای هوش مصنوعی عمومی است؛ سیستمی فرضی که بتواند در طیف گسترده‌ای از وظایف، یاد بگیرد، استدلال کند و دانش خود را به شرایط جدید منتقل کند.
آیا AGI ساخته شده است؟
هنوز تعریف و آزمون جهانی و مورد توافقی برای AGI وجود ندارد. بنابراین درباره اینکه یک سیستم مشخص به AGI رسیده است یا نه، میان پژوهشگران اختلاف‌نظر وجود دارد.
آیا ChatGPT یک AGI است؟
صرفاً توانایی انجام طیف گسترده‌ای از وظایف به معنی AGI بودن نیست. مدل‌های زبانی فعلی بسیار توانمند هستند، اما درباره داشتن تمام ویژگی‌های مورد انتظار از AGI همچنان بحث وجود دارد.
تفاوت AGI و AI چیست؟
AI اصطلاحی بسیار گسترده برای فناوری‌های هوش مصنوعی است، در حالی که AGI به شکل خاصی از هوش مصنوعی اشاره دارد که هدف آن داشتن توانایی عمومی در طیف وسیعی از وظایف است.
تفاوت AGI و ASI چیست؟
AGI به هوش مصنوعی عمومی در سطح انسان یا نزدیک به آن اشاره دارد، اما ASI به هوش مصنوعی فوق‌هوشمندی گفته می‌شود که در سطح عمومی از انسان فراتر رود.
آیا Agentic AI همان AGI است؟
خیر. Agentic AI روی انجام مستقل و چندمرحله‌ای وظایف تمرکز دارد، در حالی که AGI مفهومی گسترده‌تر درباره هوش عمومی، یادگیری و سازگاری در حوزه‌های مختلف است.
مهم‌ترین ویژگی AGI چیست؟
عمومیت و توانایی سازگاری از مهم‌ترین ویژگی‌های AGI هستند؛ یعنی سیستم بتواند دانش و مهارت خود را به مسائل و شرایط جدید منتقل کند.
AGI چه کاربردهایی خواهد داشت؟
در صورت تحقق، AGI می‌تواند در حوزه‌هایی مانند پژوهش علمی، پزشکی، آموزش، برنامه‌نویسی، مهندسی، کسب‌وکار و رباتیک کاربرد داشته باشد.
آیا AGI می‌تواند جای انسان را بگیرد؟
مشخص نیست. اما اگر AGI بتواند بخش بزرگی از وظایف فکری انسان را انجام دهد، احتمالاً بسیاری از مشاغل و مهارت‌ها را تغییر خواهد داد و برخی وظایف نیز ممکن است خودکار شوند.
آیا AGI خودآگاه است؟
لزوماً نه. هوش عمومی و خودآگاهی دو مفهوم متفاوت هستند و هنوز مشخص نیست که خودآگاهی برای AGI ضروری باشد.
این محتوا بر اساس راهنمای رسمی ibm و amazon و coscipress و stanford ، تهیه و بازنویسی شده است.
