Russian - A Short History of Foundational AGI Theories

Translations
1

Source article: A Short History of Foundational AGI Theories | by SingularityNet | SingularityNET
Translation by: Apex
Dework task link: https://app.dework.xyz/singularitynet-ambas/test-38287?taskId=1c5f8e5c-b805-439b-b66d-48e7367ba4a3
Community review: Please leave comments below about translation quality or like this post if it is well translated

700×358 330 KB

Мечта об искусственном интеллекте (AGI), машине с интеллектом, подобным человеческому, — это то, что мы можем проследить до ранних вычислительных теорий 1950-х годов, когда пионеры, такие как Джон фон Нейман, исследовали возможности воспроизведения функций человеческого мозга.

Сегодня AGI представляет собой смену парадигмы по сравнению с широким спектром узких инструментов и алгоритмов искусственного интеллекта, которые мы используем сегодня, которые превосходно справляются с конкретными задачами. Сдвиг в сторону формы интеллекта, которая может учиться, понимать и применять свои знания в широком спектре задач на человеческом уровне или за его пределами.

Несмотря на то, что точное определение или характеристика AGI не являются общепризнанными, термин «общий искусственный интеллект» имеет множество тесно связанных значений, относящихся к способности спроектированной системы для:

· Проявляйте тот же грубый общий интеллект, что и люди;

· Отображайте интеллект, который не привязан к узкоконкретному набору задач;

· обобщить то, что он узнал, включая обобщение на контексты качественно

· Очень отличается от тех, которые он видел раньше;

· Смотрите шире и гибко интерпретируйте поставленные задачи в контексте мира в целом и его отношения к нему.

Путь к AGI был отмечен множеством теорий и концептуальных рамок, каждая из которых внесла свой вклад в наше понимание и стремления к этой, казалось бы, неминуемой революции в технологиях.

Давайте оглянемся назад и исследуем некоторые из основных теорий и концептуализаций, которые в течение долгого времени породили концепцию, которую мы знаем сегодня как AGI.

Самые ранние концептуализации AGI

Тьюринг и тест Тьюринга (1950) В основополагающей статье Алана Тьюринга «Вычислительная техника и интеллект» была представлена идея о том, что машины потенциально могут демонстрировать интеллектуальное поведение, неотличимое от человеческого.

Тест Тьюринга, который оценивает способность машины проявлять реакции, подобные человеческим, стал основополагающей концепцией, подчеркивающей важность поведения в определении интеллекта.

Вскоре после этого, в 1958 году, Джон фон Нейман в своей книге «Компьютер и мозг» исследовал параллели между нейронными процессами и вычислительными системами, что вызвало ранний интерес к нейровычислительным моделям.

Эти первоначальные концептуализации положили начало эре символического ИИ

В 1950-х — 1960-х годах Аллен Ньюэлл и Герберт А. Саймон предложили гипотезу физической системы символов, утверждая, что физическая система символов обладает необходимыми и достаточными средствами для общего разумного действия.

Эта теория легла в основу многих ранних исследований ИИ, что привело к развитию символического ИИ, который фокусируется на высокоуровневых символических (удобочитаемых) представлениях проблем и логики.

К концу 1960-х годов Марвин Мински и Сеймур Пейперт в своей книге «Перцептроны» критически подвергли критике ранние модели нейронных сетей, подчеркнув их ограничения. Эта работа, хотя первоначально рассматривалась как неудача для коннекционистских моделей, в конечном итоге стимулировала более глубокие исследования нейронных сетей и их возможностей, повлияв на более поздние разработки в области машинного обучения.

В 1956 году Ньюэлл и Саймон разработали Logic Theorist, которую многие считают первой реальной программой искусственного интеллекта. Он смог доказать теоремы в символьной логике, что стало довольно важной вехой в исследованиях и разработках в области искусственного интеллекта. А чуть позже, в 1958 году, Джон Маккарти разработал LISP, язык программирования, который стал фундаментальным для исследований ИИ в то время.

В 70-х годах первые перспективы ИИ столкнулись со значительными неудачами. Ожидания были высокими, но технология не смогла обеспечить некоторые грандиозные преимущества, которые ей обещали.

Системы боролись со сложными проблемами, и стали очевидны ограничения ранних нейронных сетей и символического ИИ. Из-за отсутствия прогресса и завышенных ожиданий финансирование исследований в области ИИ было значительно сокращено. Этот период сокращения финансирования и процентов называется первой AI-зимой.

Нейронные сети и коннекционизм

В 1980-х годах произошло возрождение исследований в области нейронных сетей.

Разработка и коммерциализация экспертных систем вновь привлекли внимание к искусственному интеллекту. Эти системы, которые использовали базы знаний и правила вывода для имитации человеческого опыта в конкретных областях, оказались практически полезными в таких отраслях, как медицина, финансы и производство.

Не говоря уже о том, что достижения в области компьютерного оборудования в то время обеспечили необходимую вычислительную мощность для запуска более сложных алгоритмов искусственного интеллекта. Это привело к появлению новых методов и алгоритмов, повышению коммерческого интереса и увеличению инвестиций в продукты искусственного интеллекта.

Возрождение было вызвано разработкой Дэвидом Румельхартом, Джеффри Хинтоном и Рональдом Уильямсом алгоритма обратного распространения.

Этот прорыв позволил многоуровневым нейронным сетям учиться на данных, эффективно обучая сложные модели и возрождая интерес к коннекционистским подходам к искусственному интеллекту.

Джон Хопфилд представил сети Хопфилда в 1982 году, продемонстрировав, как нейронные сети могут решать задачи оптимизации. Между 1983 и 1985 годами Джеффри Хинтон и Терри Сейновски разработали машины Больцмана, еще больше продвинув теорию нейронных сетей, продемонстрировав потенциал нейронных сетей для решения сложных проблем с помощью распределенных представлений и вероятностных рассуждений.

Появление машинного обучения и глубокого обучения

Обучение Хеббиана и самоорганизующиеся карты (1949, 1982)

Принцип Дональда Хебба, который часто обобщают как «клетки, которые возбуждаются вместе, соединяются вместе», заложил основу для алгоритмов неконтролируемого обучения. Самоорганизующиеся карты финского профессора Теуво Кохонена в 1982 году основывались на этих принципах, показывая, как системы могут самоорганизовываться для формирования осмысленных паттернов без явного контроля.

Глубокое обучение и прорыв в ImageNet (2012)

Прорыв в создании ImageNet в 2012 году, ознаменованный успехом AlexNet, произвел революцию в области искусственного интеллекта и глубокого обучения. Разработанная Алексом Крижевским, Ильей Суцкевером и Джеффри Хинтоном, архитектура глубокой сверточной нейронной сети AlexNet, включающая такие инновации, как активация ReLU, отсев и использование графического процессора, достигла уровня ошибок в топ-5 15,3%, значительно превзойдя предыдущие модели.

Этот успех продемонстрировал возможности глубокого обучения для классификации изображений и вызвал широкий интерес и достижения в области компьютерного зрения и обработки естественного языка.

Когнитивные архитектуры и интегрированный искусственный интеллект

SOAR и ACT-R (1980-е годы)

Когнитивные архитектуры, такие как SOAR (State, Operator, And Result) и ACT-R (Adaptive Control of Thought-Rational), появились как всеобъемлющие модели человеческого познания. Разработанный Джоном Лэрдом, Алленом Ньюэллом и Полом Розенблумом, SOAR был направлен на воспроизведение общего интеллектуального поведения через решение проблем и обучение. ACT-R, разработанный Джоном Андерсоном, был направлен на моделирование когнитивных процессов человека, обеспечивая понимание памяти, внимания и обучения.

Теории воплощенного познания (1990-е годы)

Теории воплощенного познания подчеркивали роль тела и окружающей среды в формировании разумного поведения. Исследователи, такие как Родни Брукс, утверждали, что истинный интеллект возникает в результате взаимодействия между агентом и его окружением, что приводит к разработке воплощенных систем искусственного интеллекта, которые обучаются и адаптируются через физический опыт.

Современные исследования и теории AGI

Универсальный искусственный интеллект и AIXI (2005)

Теория универсального искусственного интеллекта Маркуса Хуттера и модель AIXI обеспечили математическую основу для AGI. AIXI, идеализированный агент, предназначен для достижения оптимального поведения за счет максимизации ожидаемого вознаграждения на основе алгоритмической вероятности. Несмотря на то, что AIXI не является вычислительно возможным, он предлагает теоретический эталон для исследований AGI.

Классика OpenCog (2008)

Одним из важных достижений в теории AGI является создание OpenCog, программного фреймворка с открытым исходным кодом для исследований общего искусственного интеллекта. Основанная Беном Герцелем, который придумал термин AGI, OpenCog Classic фокусируется на интеграции различных методологий искусственного интеллекта, включая символический искусственный интеллект, нейронные сети и эволюционное программирование. Цель состоит в том, чтобы создать единую архитектуру, способную достичь интеллекта, подобного человеческому.

Нейросимвольная интеграция (2010-е годы)

Усилия по интеграции нейронного и символического подходов были направлены на объединение сильных сторон обеих парадигм. Нейросимволические системы используют возможности обучения нейронных сетей с интерпретируемостью и рассуждением символьного ИИ, предлагая многообещающий путь к AGI.

Современные рубежи в области искусственного интеллекта и AGI

2000-2010-е годы: инженерные специализированные возможности искусственного интеллекта Алгоритмические архитектуры продемонстрировали сверхчеловеческое мастерство в специализированных игровых турнирах, классификации изображений, статистических прогнозах и т. д., но остаются ограниченными в обобщенности и им не хватает универсальной многодоменной адаптивности.

2020-е годы: большие языковые модели Базовые модели, такие как GPT-3, демонстрируют первоначальные перспективы в приложениях для генерации текста, демонстрируя некоторое кросс-контекстуальное трансферное обучение. Тем не менее, они по-прежнему ограничены в полном спектре рассуждений, эмоциональном интеллекте и прозрачности, подчеркивая проблемы ответственного подхода к безопасной интеграции.

2020-е годы: OpenCog Hyperon Построенный на основе OpenCog Classic, OpenCog Hyperon представляет собой следующее поколение архитектуры AGI. Эта программная среда с открытым исходным кодом объединяет несколько парадигм искусственного интеллекта в рамках единой когнитивной архитектуры, продвигая нас к реализации AGI на уровне человека и за его пределами. С недавним выпуском OpenCog Hyperon Alpha компания SingularityNET создала надежную основу для совместных инноваций в сообществе AGI.

Для доктора Бена Герцеля все было ясно с самого начала.

Он считает, что большинство ключевых идей в коммерческой области уже существовали в 1960-х и 1970-х годах, поскольку именно тогда были развернуты первые практические системы искусственного интеллекта. С учетом сказанного, ИИ прошел долгий путь с момента своего создания в середине 20-го века.

Например, в 1960-х годах уже существовали нейронные сети, в том числе глубокие нейронные сети с несколькими слоями смоделированных нейронов, пытающихся смоделировать клетки мозга. Существовали также автоматические системы логических рассуждений, использующие формальную логику для получения выводов на основе доказательств.

Он также рассказал о текущем состоянии ИИ, подчеркнув, как системы ИИ способны делать невероятные вещи, даже если они еще не достигли человеческого уровня: «То, что происходит сейчас, — это большая вычислительная мощность и много данных, которые используются для того, чтобы эти старые подходы к ИИ достигли новых уровней успеха».

Хорошим примером этого являются большие языковые модели (LLM). Они могут генерировать тексты, переводить языки, писать различные виды творческого контента и отвечать на ваши вопросы в информативной форме, но они могут быть очень умными только в контексте выполнения одной из этих узких функций. Так что же дальше?

Д-р Герцель заявил: «Интуитивно ясно, что AGI теперь в пределах досягаемости, и он, вероятно, будет достигнут в течение следующих нескольких лет». Это связано с тем, что у нас есть ряд различных подходов к AGI, которые кажутся правдоподобными прямо сейчас. Один из подходов, который преследуют исследовательские группы и такие компании, как OpenAI, заключается в том, чтобы модернизировать LLM, которые уже показали свою способность на некоторые впечатляющие вещи. Другой подход заключается в том, чтобы соединить различные виды глубоких нейронных сетей вместе. Третий подход заключается в соединении нейронных сетей с другими видами инструментов искусственного интеллекта в распределенной архитектуре, основанной на метаграфах, такой как OpenCog Hyperon.

Он напоминает всем, что достижение AGI создает некоторые интересные социальные, экономические и этические проблемы, но что он «не так беспокоится об этом, как некоторые люди», потому что, если мы сможем сохранить развертывание AGI децентрализованным, а управление — партисипативным и демократическим, мы можем иметь большую веру в то, что AGI вырастет и принесет пользу человечеству и поможет нам вести более полноценную жизнь.

В SingularityNET мы усердно работаем над тем, чтобы раздвинуть границы того, что в настоящее время считается возможным в AGI.

Но ясно одно — мы стоим на плечах гигантов. Начиная с первых дней Тьюринга и фон Неймана и заканчивая новаторской работой в области символического искусственного интеллекта, нейронных сетей и глубокого обучения, каждая веха приближала нас к осуществлению мечты об ОИИ.

По мере того, как мы продолжаем раздвигать эти границы с помощью больших языковых моделей и интегрированных когнитивных архитектур, таких как OpenCog Hyperon, горизонт AGI приближается. Этот путь сопряжен с трудностями, но коллективные усилия исследователей, визионеров и практиков продолжают двигать нас вперед.

Вместе мы создаем будущее интеллекта, превращая абстрактное в осязаемое и приближаясь к машинам, которые могут думать, учиться и понимать так же глубоко, как люди.

700×39 3.73 KB

О компании SingularityNET

SingularityNET была основана доктором Беном Герцелем с миссией создания децентрализованного, демократического, инклюзивного и полезного общего искусственного интеллекта (AGI). ОИИ не зависит от какого-либо центрального органа, открыт для всех и не ограничен узкими целями одной корпорации или даже одной страны. В команду SingularityNET входят опытные инженеры, ученые, исследователи, предприниматели и маркетологи. Наши основные команды по платформам и искусственному интеллекту дополняются специализированными командами, занимающимися такими прикладными областями, как финансы, робототехника, биомедицинский искусственный интеллект, медиа, искусство и развлечения.

Децентрализованная платформа искусственного интеллекта | Гиперон OpenCog | Экосистема | Альянс АСИ

Оставайтесь в курсе последних новостей и обновлений SingularityNET:

Добавьте календарь событий сообщества SingularityNET, чтобы быть в курсе событий сообщества, амбассадора и глубокого финансирования!