Если мы хотим построить искусственный общий интеллект, нам нужно понять компоненты общего интеллекта.
Начнем с очень широкого определения общего интеллекта. Я понимаю, что некоторые могут поспорить с этим определением, но пока, пожалуйста, пошутите над ним. Это фольга для создания основы понимания, а не текст, вырванный из словаря Вебстера, как точный термин, с которым согласны все:
Общий интеллект — это способность изучать знания из нескольких областей и использовать эти знания в них.
Если мы хотим создать искусственный общий интеллект (AGI), нам необходимо определить компоненты общего интеллекта, которые обеспечивают выполнение вышеуказанных функций. Это может показаться не таким уж большим, но из этого определения можно многое извлечь, что поможет нам сделать именно это.
(Для тех, кто хочет лучше понять ОИИ, прочитайте Общий искусственный интеллект: (пере)определение.)
Есть 9 необходимых компонентов общего интеллекта. Каждый из них должен быть закодирован в машинном интеллекте:
- наблюдения
- обучение
- сопоставление с образцом
- предсказания
- абстракции
- рассуждение
- эмоции
- креативность
- агентство
Я начну с самого простого, то есть с необходимости наблюдать. Любой общий интеллект должен иметь доступ к своей среде, иначе не будет «домена» для обучения. Итак, самое первое, что нужно общему интеллекту, — это наблюдения.
В приведенном выше определении я специально включил обучение как часть «общего интеллекта», а не как отдельную функцию, как это делается с «машинным обучением» как ветвью «искусственного интеллекта». Обучение является ключевым компонентом общего интеллекта просто потому, что ДНК недостаточно для кодирования всей информации, необходимой агенту для выживания во вселенной при многих возможных обстоятельствах.
Возьмите пчел в качестве контрпримера. Они рождаются, «зная», как делать определенные вещи, например сообщать расстояние и направление цветов другим пчелам, создавать шестиугольные ячейки для хранения меда, строить ульи и т. д. Каждая из этих способностей может показаться разумной, но она очень неразумный эволюционный процесс, который наделил их этими способностями благодаря генетике. Они не научились этому поведению. На самом деле известно, что они слепо следуют некоторым компонентам этого поведения, даже если они не могут выполнить задачу полностью из-за генетической мутации. Если бы они могли научиться новому поведению, скажем, построить другую структуру, например, термитник (что, как я полагаю, у них есть для этого физические атрибуты), то они были бы способны к общему интеллекту. Но, конечно, они не способны к обучению новому поведению и, следовательно, не способны к общему интеллекту.
Таким образом, общий интеллект состоит из обучения. Это второй компонент. Есть несколько вещей, которые вы можете сделать из этого, например, кратковременная и долговременная память как свои собственные вещи. Но давайте превратим все это в «обучение» как вещь, не рассматривая детали реализации. Мы оставляем это для инженеров-программистов!
Из чего еще он состоит? Учитывая наблюдение и обучение как вещи, другим было бы вспоминать, чему он научился, когда наблюдает нечто подобное. Это требует сопоставления модели того, что он наблюдает в настоящее время, с тем, что он наблюдал в прошлом, чтобы выявить сходство. Итак, еще одна вещь, из которой состоит общий интеллект, — это сопоставление с образцом.
Учитывая сопоставление с образцом как вещь, нам нужно что-то сделать с ней, чтобы сделать ее полезной для агента. Мы можем использовать его, чтобы сравнить поведение того, что он видит, с ожидаемым поведением того, что он узнал в прошлом. Это не только сходство, но и различия. Сравнение сходств и различий, в том числе еще не наблюдаемых различий, то есть будущего, позволяет нам делать прогнозы о том, что может произойти дальше. Итак, четвертый, пожалуй, самый важный компонент интеллекта — это прогнозирование.
В этот момент любой агент, обладающий способностью делать прогнозы, вполне способен выживать и даже процветать в хаотической, изначально чуждой среде. Тем не менее, этот агент, который мы рассматривали, не специализируется на каком-то одном домене. Действительно, следуя приведенному выше рецепту, он может учиться и преуспевать в своей среде, но только в том случае, если большинство уроков этой среды дается несмертельным образом. На любых ошибках, которые он делает, он просто учится, чтобы в следующий раз применить меры по их устранению.
Но реальный мир очень суров и смертелен для грубых ошибок. Если бы агент мог понять, как избежать этих суровых уроков, он мог бы увеличить свои шансы на выживание. Вот где следующие компоненты играют свою роль.
Теперь, когда мы многому научились, у нас может быть много-много прогнозов, и нам нужно извлекать информацию из всех этих прогнозов эффективным способом, чтобы применять ее для выживания без потерь. времени или энергии, обрабатывая все детали. Мы не хотим запоминать каждое услышанное рычание, прежде чем бежать в укрытие! Мы хотим пометить все эти тихие урчащие звуки как потенциально опасные. Мы можем абстрагироваться от этих многочисленных прогнозов, чтобы сделать это. Пятое — это абстракция.
Учитывая эти абстракции как сводку гораздо более подробных вещей, мы хотим иметь возможность принимать решения о том, как они сопоставимы, связаны, связаны или взаимодействуют друг с другом в нескольких областях, даже если мы не видели каждое взаимодействие, итерированное для нашего наблюдения. Для этого требуется шестая вещь, обоснование.
Разумные решения нуждаются в параметрах, ограничивающих то, что важно для нас, по сравнению с тем, что не имеет значения. Мы получаем это благодаря седьмому элементу: эмоциям. Эти эмоции не просто пришли на таком высоком уровне. Они с самого начала требовались любому агенту, которому необходимо принимать решения. Будь то базовые эмоции, такие как страх и голод, или эмоции более высокого уровня, такие как любовь и сочувствие, эмоции определяют, где мы сосредотачиваем наше ограниченное время и энергию для совершения действий. (Забавно, как нужны эмоции для разумных решений, не так ли?)
Эмоции открывают возможность создавать новые вещи, очень далекие от тех вещей, которые мы узнали в результате наблюдений. Это приводит к нашей восьмой вещи: творчеству. Креативность дает агенту возможность увеличивать свои знания за счет внутренних процессов, а не за счет внешних наблюдений, как раньше.
Не может быть по-настоящему умного агента без агентства. Способность действовать в своем окружении, а затем наблюдать, как его действия изменили мир, возвращает нас к первому компоненту и к определению, которое мы привели выше: «использование знаний» требует от агента действий в надежде. что это повышает его шансы на выживание в потенциально суровых условиях.
Недостаточно, чтобы агент имел доступ ко всем этим компонентам. Все они должны быть сплоченно интегрированы для надлежащего функционирования общего интеллекта. Именно это мы и сделали в Intelligent Artifacts. Мы называем наш фреймворк GAIuS. Вместо того, чтобы пытаться имитировать интеллект с помощью, скажем, нейронных сетей, GAIuS эмулирует 9 функций, которые мы описали выше, и связно интегрирует их вместе в четко определенный, надежный, повторяемый процесс.
Используя подход функциональной эмуляции, как описано выше, а не подход статистического моделирования, как это делается с другими подходами искусственного интеллекта, можно получить дополнительные преимущества прозрачности, объяснимости, интерпретируемости и всех других функций ExCITE AI.
Севак Авакянс имеет опыт работы в области физики, телекоммуникаций, теории информации, кибербезопасности и искусственного интеллекта. В 2008 году эти ключевые навыки позволили ему создать GAIuS, символическую модель общего искусственного интеллекта (AGI), которая представляет собой как программное обеспечение, так и теоретическую основу для интеллекта.
В 2010 году Севак основал Intelligent Artifacts изначально как R&D и консультационную службу для когнитивных вычислений. На протяжении многих лет он создавал GAIuS Cognitive Computing Platform как коммерческий продукт, запущенный в 2016 году. GAIuS Cognitive Computing Platform позволяет разработчикам быстро создавать, тестировать, развертывать и поддерживать машинный интеллект, обучение, классификацию, прогнозы, аналитику и т. д. в их продукты.
В 2020 году команда Intelligent Artifacts встроила механизм рассуждений в GAIuS, создав самую первую модульную, воспроизводимую, независимую от прецедентов, полную платформу искусственного интеллекта / машинного обучения / рассуждений (AI / ML / R), которая придерживается Принципы ExCITE AI.
GAIuS справляется со всей сложностью машинного интеллекта за 4 вызова API. Агенты GAIuS можно создать и развернуть менее чем за 3 минуты. Разработчики копируют и вставляют URL-адрес API агента GAIuS в свое приложение. Агенты GAIuS имеют ДНК и развиваются в своей среде, устраняя многие препятствия на пути к истинному машинному интеллекту.
