Source article: A Short History of Foundational AGI Theories
Translation by: cryptobeijing
Dework task link: https://app.dework.xyz/singularitynet-ambas/test-38287?taskId=72761ebd-e267-4945-a122-d0e212090fc2
Community review: Please leave comments below about translation quality or like this post if it is well translated
基础通用人工智能(AGI)理论简史
人工智能通用智能(AGI)的梦想,即具有类似人类智能的机器,可以追溯到20世纪50年代的早期计算理论,当时像约翰·冯·诺伊曼这样的先驱探索了复制人脑功能的可能。
今天,AGI代表了从我们今天使用的多种狭窄AI工具和算法的范式转变,这些工具和算法在特定任务上表现出色。转向一种可以学习、理解和应用其知识的形式,这种智能跨越广泛的任务范围,达到或超越人类水平。
虽然AGI的精确定义或特征并没有广泛达成共识,但“人工智能通用智能”这个术语有多个密切相关的含义,指的是一个工程系统的能力:
·展示与人类大致相同的通用智能;
·展示的智能不局限于高度特定的任务集;
·将其学到的东西泛化,包括泛化到与其之前所见截然不同的情境;
·采取广泛视角,并在更广阔的世界背景下灵活解释手头的任务及其与世界的关系。
通往AGI的旅程被许多理论和概念框架所标记,每一种都为我们对这场看似即将到来的技术革命的理解和愿望做出了贡献。
让我们回顾并探索一些核心理论和概念,它们在长期内孕育了我们今天所知的AGI概念。
AGI的最早概念化
图灵与图灵测试(1950年) 艾伦·图灵的开创性论文《计算机器与智能》引入了这样一种观点:机器有潜力表现出与人类无法区分的智能行为。
图灵测试评估机器展示类似人类反应的能力,成为基础概念,强调了在定义智能时行为的重要性。
不久之后,1958年,约翰·冯·诺伊曼的著作《计算机与大脑》探讨了神经过程与计算系统之间的相似性,激发了对神经计算模型的早期兴趣。
这些最初的概念化为符号人工智能时代奠定了基础。
在20世纪50年代至60年代,艾伦·纽厄尔和赫伯特·A·西蒙提出了物理符号系统假说,断言物理符号系统具有通用智能行为的必要和充分手段。
这一理论支撑了早期人工智能研究的大部分工作,导致了符号人工智能的发展,它专注于问题的高层次符号(人类可读)表示和逻辑。
到了1960年代末,马文·明斯基和西摩·佩珀特的著作《感知器》批判性地审视了早期神经网络模型,突显了它们的局限性。这项工作虽然最初被视为连接主义模型的挫折,但最终激发了对神经网络及其能力的更深入研究,影响了后来在机器学习方面的发展。
1956年,纽厄尔和西蒙开发了逻辑理论,许多人认为这是第一个真正的人工智能程序。它能够证明符号逻辑中的定理,标志着人工智能研发中相当重要的里程碑。稍后,在1958年,约翰·麦卡锡开发了LISP,这是一种编程语言,成为当时人工智能研究的基础。
在70年代,人工智能的早期承诺面临了重大挫折。期望很高,但技术无法提供它所承诺的一些宏伟好处。
系统在复杂问题上挣扎,早期神经网络和符号人工智能的局限性变得明显。由于缺乏进展和过度炒作的期望,人工智能研究的资金大幅减少。这一资金和兴趣减少的时期被称为第一次人工智能寒冬。
神经网络与连接主义
在20世纪80年代,神经网络研究经历了一次复兴。
专家系统的开发和商业化使人工智能重新成为焦点。这些系统使用知识库和推理规则来模仿特定领域内的人类专业知识,在医学、金融和制造业等行业中被证明是实用有效的。
更不用说,当时的计算机硬件进步提供了运行更复杂人工智能算法所需的计算能力。这导致了新技术和算法的出现,商业兴趣的增加,以及对人工智能产品的投资增加。
这次复兴是由David Rumelhart、Geoffrey Hinton和Ronald Williams开发的反向传播算法推动的。
这一突破使多层神经网络能够从数据中学习,有效地训练复杂模型,并重新点燃了对人工智能连接主义方法的兴趣。
John Hopfield在1982年引入了Hopfield网络,展示了神经网络如何能够解决优化问题。在1983年至1985年之间,Geoffrey Hinton和Terry Sejnowski开发了Boltzmann机,通过展示神经网络通过分布式表示和概率推理解决复杂问题的潜力,进一步推进了神经网络理论。
机器学习与深度学习的兴起
Hebbian学习与自组织映射(1949年,1982年)
Donald Hebb的原则,通常概括为“一起放电的细胞,一起连接”,为无监督学习算法奠定了基础。芬兰教授Teuvo Kohonen在1982年的自组织映射建立在这些原则之上,展示了系统如何在没有明确监督的情况下自我组织形成有意义的模式。
深度学习与ImageNet突破(2012年)
2012年的ImageNet突破,以AlexNet的成功为标志,彻底改变了人工智能和深度学习领域。由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton开发的AlexNet的深度卷积神经网络架构,具有ReLU激活、dropout和GPU利用等创新,实现了15.3%的前5错误率,大大超越了以前的模型。
这一成果展示了深度学习在图像分类方面的强大能力,并激发了计算机视觉和自然语言处理领域的广泛兴趣和进步。
认知架构与集成人工智能
SOAR与ACT-R(1980年代)
像SOAR(状态、操作符和结果)和ACT-R(思想适应控制-理性)这样的认知架构作为人类认知的全面模型出现。由John Laird、Allen Newell和Paul Rosenbloom开发的SOAR旨在通过解决问题和学习来复制通用智能行为。由John Anderson开发的ACT-R专注于模拟人类的认知过程,为记忆、注意力和学习提供了洞见。
具身认知理论(1990年代)
具身认知理论强调了身体和环境在塑造智能行为中的作用。像Rodney Brooks这样的研究人员认为,真正的智能源于代理与其环境之间的互动,这导致了通过物理体验学习和适应的具身AI系统的开发。
现代AGI研究与理论
通用人工智能与AIXI(2005年)
Marcus Hutter的通用人工智能理论和AIXI模型为AGI提供了数学框架。AIXI是一个理想化的代理,旨在通过基于算法概率最大化预期奖励来实现最佳行为。尽管AIXI在计算上是不可行的,但它为AGI研究提供了理论基准。
OpenCog经典(2008年)
在AGI理论中的一个重要发展是创建了OpenCog,这是一个用于人工通用智能研究的开源软件框架。由Ben Goertzel创立,他创造了AGI这个术语,OpenCog经典专注于整合各种人工智能方法,包括符号人工智能、神经网络和进化编程。目标是创建一个能够实现类似人类智能的统一架构。
神经-符号集成(2010年代)
努力将神经和符号方法结合起来,旨在结合两种范式的优势。神经-符号系统利用神经网络的学习能力与符号人工智能的可解释性和推理能力,为实现AGI提供了一条有希望的途径。
当前人工智能与通用人工智能的前沿
2000年代至2010年代:工程化专业人工智能能力 算法架构在专业游戏比赛、图像分类、统计预测等方面表现出超人类的能力,但在泛化能力和缺乏跨领域适应性方面仍受限。
2020年代:大型语言模型 GPT-3等基础模型在文本生成应用中显示出初步的潜力,展现了一些跨上下文的迁移学习能力。然而,它们在全谱系推理、情感智能和透明度方面仍有限制,凸显了安全整合和负责任集成的挑战。
2020年代:OpenCog Hyperon 在OpenCog Classic的基础上,OpenCog Hyperon代表了下一代通用人工智能架构。这个开源软件框架在一个统一的认知架构中协同多种人工智能范式,推动我们朝着实现人类水平的通用人工智能更高水平迈进。随着OpenCog Hyperon Alpha的最近发布,SingularityNET为AGI社区内的协作创新创造了一个强大的框架。
对于Ben Goertzel博士来说,一切从一开始就很清楚。
他认为,自20世纪60年代和70年代以来,商业领域中的大多数关键思想就已经存在,因为那是第一个实用的人工智能系统推出的时候。话虽如此,自20世纪中叶诞生以来,人工智能已经取得了长足的进步。
例如,在1960年代,已经有了神经网络,包括具有多层模拟神经元的深层神经网络,试图模拟大脑细胞。还有使用形式逻辑的自动逻辑推理系统,根据证据得出结论。
他还讨论了人工智能的当前状态,强调了即使人工智能系统尚未达到人类水平,它们也能够做一些令人难以置信的事情:“现在的情况是大量的处理能力和大量的数据被用来使这些旧的人工智能方法达到新的成功水平。”
大型语言模型(LLMs)就是一个很好的例子。它们可以生成文本,翻译语言,编写各种类型的创意内容,并以信息丰富的方式回答问题,但它们只能“在执行这些狭窄功能之一的上下文中非常聪明”。那么接下来呢?
Goertzel博士曾表示:“直观上很明显,通用人工智能现在触手可及,很可能在未来几年内实现。”这是因为我们现在有几种看似合理的方法来实现通用人工智能。一种由研究团队和公司如OpenAI正在追求的方法是升级已经被证明能够做一些令人印象深刻的事情的LLMs。另一种方法是将不同类型的深层神经网络连接在一起。第三种方法是将神经网络与其他类型的人工智能工具连接在一起,形成一个分布式的基于元图的架构,如OpenCog Hyperon。
他提醒大家,实现通用人工智能带来了一些有趣的社会、经济和伦理问题,但他“不像一些人那样担心这些问题”,因为如果我们能够保持通用人工智能的部署分散化,治理参与性和民主化,我们可以有很大信心认为通用人工智能将对人类有益,并帮助我们过上更充实的生活。
在SingularityNET,我们正在努力推动通用人工智能(AGI)目前被认为可能的边界。
但有一点是明确的——我们是站在巨人的肩膀上。从图灵和冯·诺伊曼的早期时代到符号人工智能、神经网络和深度学习的开创性工作,每一个里程碑都使我们更接近实现AGI的梦想。
随着我们继续使用大型语言模型和集成认知架构如OpenCog Hyperon来推动这些边界,AGI的视野越来越近。道路充满了挑战,然而,研究人员、有远见者和实践者的集体努力继续推动我们前进。
我们一起创造智能的未来,将抽象转化为具体,并且越来越接近能够像人类一样深刻地思考、学习和理解的机器。