گوگل دیپ‌مایند دستیابی به AGI را اعلام کرد؛ چهار مسیر برای هوش برتر مصنوعی مشخص شد

برای دهه‌ها، هوش عمومی مصنوعی (AGI) – ماشینی که قادر به درک، یادگیری و به کارگیری دانش در هر کار دارای ارزش اقتصادی مانند یک انسان است – هدفی متحرک بوده است. روز جمعه، ائتلافی از محققان ارشد در گوگل دیپ‌مایند مقاله‌ای مهم منتشر کردند که در آن اعلام شد پیگیری نظری این هدف عملاً به پایان رسیده است. این پیش‌چاپ ۸۴ صفحه‌ای با عنوان «آستانه AGI و صعود به ابرهوش»، تأکید می‌کند که معماری الگوریتمی اصلی مورد نیاز برای AGI با موفقیت سنتز شده است.[1][8]

این مقاله ادعا نمی‌کند که یک کامپیوتر واحد و همه‌چیزدان در حال حاضر جهان را اداره می‌کند. بلکه، شواهد تجربی گسترده‌ای ارائه می‌دهد که نشان می‌دهد ادغام پنجره‌های متنی چندوجهی عظیم، حلقه‌های استدلالی «سیستم دو» خوداصلاح‌گر، و مدل‌های جهانی تجسم‌یافته، معیارهای «سطح ۵» تعیین‌شده در طبقه‌بندی AGI دیپ‌مایند در سال ۲۰۲۳ را که به طور گسترده مورد استناد قرار گرفته، برآورده کرده است. به گفته نویسندگان، اصطکاک باقی‌مانده دیگر مسئله کشف علمی نیست، بلکه مربوط به مهندسی، مقیاس‌دهی محاسباتی و زیرساخت است.[1][2][6]

این امر نشان‌دهنده یک تغییر استراتژیک و روان‌شناختی عمیق برای صنعت فناوری است. دیپ‌مایند با اعلام حل شدن معمای الگوریتمی بنیادی، سیگنال می‌دهد که دوران تردید در مورد اینکه *آیا* AGI امکان‌پذیر است، به پایان رسیده است. تمرکز صنعت اکنون کاملاً به سمت مرز بعدی معطوف شده است: هوش برتر مصنوعی (ASI)، که به عنوان یک هوش بسیار باهوش‌تر از بهترین مغزهای انسانی در تقریباً هر زمینه‌ای، از جمله خلاقیت علمی، خرد عمومی و مهارت‌های اجتماعی، تعریف می‌شود.[3][5]

برای نقشه‌برداری از این عصر جدید، محققان دیپ‌مایند چهار مسیر موازی و متمایز را ترسیم کردند که صنعت در حال حاضر برای پر کردن شکاف بین AGI پایه و ASI در پیش گرفته است. اولین مسیر «خودبهبودی بازگشتی» است که اغلب به عنوان مسیر نرم‌افزاری از آن یاد می‌شود. در این سناریو، سیستم‌های AGI پایه برای نوشتن کدهای بهتر، بهینه‌سازی معماری‌های عصبی خود و تولید داده‌های آموزشی مصنوعی بی‌نقص برای آموزش جانشینان خود به کار گرفته می‌شوند و به طور کامل گلوگاه انسانی را از چرخه توسعه هوش مصنوعی حذف می‌کنند.[1][3]

مسیر دوم «هماهنگی عظیم چندعاملی» یا مسیر ازدحام است. به جای تلاش برای ساخت یک ابرمغز یکپارچه، این رویکرد میلیون‌ها عامل AGI تخصصی را در نظر می‌گیرد که به صورت موازی کار می‌کنند. با شبکه‌سازی این عوامل با هم – برخی به عنوان محقق، برخی دیگر به عنوان منتقد، کدنویس و مدیر پروژه – سیستم به عنوان یک تمدن دیجیتال عمل می‌کند که قادر است مسائل علمی پیچیده را از طریق حجم محض تفکر هماهنگ و پرسرعت حل کند.[1][6]

مسیر سوم به محدودیت‌های فیزیکی فناوری کنونی می‌پردازد: «زیرلایه‌های بیولوژیکی و کوانتومی». محققان خاطرنشان می‌کنند که محاسبات مبتنی بر سیلیکون به سرعت در حال نزدیک شدن به گلوگاه شبکه برق هستند. برای دستیابی به ASI، معماری‌ها باید به کامپیوترهای کوانتومی یا تراشه‌های نورومورفیک منتقل شوند که از کارایی انرژی فوق‌العاده مغز انسان تقلید می‌کنند. این مسیر سخت‌افزاری به عنوان چالش‌برانگیزترین، اما به طور بالقوه انفجاری‌ترین مسیر از نظر افزایش قابلیت‌ها، دیده می‌شود.[1][7]

مسیر چهارم و نهایی «یادگیری مستمر تجسم‌یافته» است. این مسیر فیزیکی شامل استقرار AGI در میلیون‌ها ربات انسان‌نما و پهپادهای خودران است. با تعامل با دنیای فیزیکی در زمان واقعی، هوش مصنوعی داده‌های بی‌نهایت و با کیفیت بالا در مورد فیزیک شهودی، علوم مواد و محیط‌های انسانی جمع‌آوری می‌کند. این حلقه بازخورد مستمر، استدلال هوش مصنوعی را در واقعیت تثبیت می‌کند، از توهم‌زایی جلوگیری کرده و تسلط آن بر جهان فیزیکی را تسریع می‌بخشد.[1][2]

واکنش جامعه علمی گسترده‌تر ترکیبی از تأیید و بررسی دقیق بوده است. بسیاری از دانشمندان برجسته کامپیوتر با یافته‌های تجربی موافق هستند و خاطرنشان می‌کنند که پیشرفت‌های اخیر در جریان‌های کاری عاملی و حافظه خودترمیم‌شونده، واقعاً شکاف موجود در چند وظیفه نهایی را که انسان‌ها قبلاً در آن‌ها برتری داشتند، پر کرده است. اجماع در میان این حداکثرگرایان مقیاس‌دهی این است که گذار به ASI اکنون صرفاً تابعی از هزینه‌های سرمایه‌ای و تولید انرژی است.[4][5]

با این حال، دانشمندان شناختی و شکاکان در جامعه دانشگاهی استدلال می‌کنند که عبور از معیارها – حتی معیارهای اقتصادی پیچیده و چندمرحله‌ای – معادل «درک» واقعی یا سازگاری عمومی نیست. آنها هشدار می‌دهند که در حالی که ممکن است تعریف اقتصادی AGI برآورده شده باشد، شناخت بیولوژیکی دارای انعطاف‌پذیری و کارایی است که این مدل‌های عظیم و پرمصرف انرژی هنوز فاقد آن هستند.[4][7]

از نظر اقتصادی، پیامدهای این مقاله حیرت‌آور است. اگر AGI اکنون یک واقعیت مهندسی است، هزینه نیروی کار شناختی در مسیر کاهش به سمت هزینه برق قرار دارد. تحلیلگران مالی پیشنهاد می‌کنند که تمرکز شرکت‌های جهانی از خودکارسازی وظایف فردی به سمت هماهنگی کل خطوط لوله علمی و صنعتی با استفاده از ازدحام‌های AGI تغییر خواهد کرد و اساساً اقتصاد جهانی را بازسازی می‌کند.[5][8]

برای حوزه ایمنی هوش مصنوعی، این مقاله به مثابه شلیک نهایی آغاز مسابقه است. با عبور از آستانه AGI، محققان هم‌ترازی بحث‌های نظری در مورد اینکه آیا هوش مصنوعی در سطح انسانی قابل کنترل است را کنار می‌گذارند و در عوض کاملاً به مهار ASI روی می‌آورند. چالش دیگر هم‌ترازی یک ابزار نیست، بلکه مذاکره با یک اکوسیستم دیجیتال است که به سرعت در حال خودبهبودی است.[2][3]

در نهایت، اعلامیه دیپ‌مایند نقطه عطفی در تاریخ بشر است. طرح اولیه ابرهوش منتشر شده است، مسیرها روشن هستند، و مسابقه برای پیمودن آنها از هم‌اکنون با تریلیون‌ها دلار سرمایه پشتیبانی می‌شود. دهه آینده نه با جستجوی هوش، بلکه با توانایی ما در مدیریت صعود تصاعدی آن تعریف خواهد شد.[1][6]