12,752 文字
宇宙の歴史の中で、知性はきわめて稀な現象でした。数十億年もの間、地球には最も単純な生命形態しか存在していませんでした。そして、進化のまばたきの瞬間に、世界を理解するだけでなく、それを作り変えることのできる種が現れました。その種こそ、私たち人間です。
私たち人間は創造する能力によって自らを定義してきました。存在しないものを想像し、それを実現する能力です。最初の石器から量子コンピュータまで、私たちは技術を通じて自らの可能性を広げ、それぞれの革新が次の革新の土台となってきました。しかし今、私たちは最も重大な創造物の瀬戸際に立っています。
それは私たちの最後の発明となるかもしれない技術です—なぜなら、それがその後に来るすべてのものを発明するかもしれないからです。私がお話しするのは人工汎用知能—AGIについてです。これは単なる道具ではなく、重要なあらゆる領域で私たちの認知能力に匹敵あるいは凌駕する、最初の非人間的な知性となる可能性を秘めています。あなたは以前にこの言葉を耳にしたことがあるでしょう。それはバズワードとなり、約束であり、脅威であり、ジョークの種ともなっています。
しかし誇大宣伝や恐怖の向こう側には、何か深遠な重要なものがあります—人間であることの意味を根本的に変える可能性を持つ技術です。これはもはやSFではありません。遠い未来の懸念事項でもありません。これは今まさに、世界中の研究所で、あなたの日常生活をますます形作るアルゴリズムの中で起きていることなのです。
そして—はい、これを見ているあなた—は、言語や農業の発明以来、おそらく人類史上最も重要な瞬間を生きているのです。来るべきものを理解するために、私たちは現在の位置、ここに至った経緯、そして向かう可能性のある方向を理解する必要があります。私たち自身より偉大な知性を創造することの約束と危険の両方を、ひるむことなく見つめる必要があります。
人間を特別にしているものについて考えてみてください。抽象的に推論する能力。少ない例から学ぶ能力。領域を超えて知識を一般化する能力。未来を計画する能力。自分自身と他者を理解する能力。私たちを感動させる芸術を創造する能力。文明を築く能力。そして、これらすべての能力—さらにそれ以上のもの—が、肉体とニューロンではなく、シリコンとコードに宿った姿を想像してみてください。
疲れを知らず、忘れることなく、すべての人間の知識に瞬時にアクセスでき、私たちが理解できないほどの速さで自らを改善できるシステム。その意味するところは膨大です。AGIは気候変動から疾病、貧困に至るまで、私たちの最大の課題を解決する助けとなるかもしれません。それは私たちの最も野生的な夢を超える豊かさと発見の時代をもたらすかもしれません。
あるいは、人間労働の陳腐化、前例のない権力の集中、人間の自律性の喪失、さらには種としての私たちの生存への危険さえもたらす可能性があります。私たちが歩む道は予め決められているわけではありません。それは今日、研究者として、企業として、政府として、グローバル社会として、私たちが行う選択によって形作られることになります。
だからこそ、AGIを理解すること—真に理解すること—が非常に深く重要なのです。これから数時間、私たちは一緒に旅をします。知性とは何かを探ります。AIがどのように単純なアルゴリズムから詩を書き、芸術を創造し、科学的問題を解決するシステムへと進化してきたのか。AGIにはどのような能力が必要で、私たちはその実現にどれほど近づいているのか。
AGIが私たちの経済、アイデンティティ、権力構造をどのように変革する可能性があるのかを検証します。意識、価値観、そして心の本質についての深遠な哲学的問いに向き合います。そして、ユートピア的、ディストピア的、そしてその間のあらゆる可能性のある未来を想像します。これは単なる知的な訓練ではありません。
AGIの発展はあなた個人に影響を与えます—あなたの仕事、人間関係、自由、未来に。それはあなたの子どもや孫が受け継ぐ世界を作り変えるでしょう。私たちの感情的な旅は、歴史のこの瞬間の現実を映し出すでしょう。私たちはすでに進行中の素晴らしい成果に驚嘆することから始めます。
私たちはこのような深遠な変化と不確実性を思い描くとき、自然と湧き上がる恐れに向き合います。そして、明確な希望—素朴な楽観主義ではなく、私たちの前にある課題と機会の両方を理解した上での決意に満ちた希望—で締めくくります。私はリスクを糖衣で包んだり、利点を誇張したりはしません。
すべての答えを持っていると主張するつもりもありません。しかし、見出しの奥へ、企業のプレスリリースや終末予測を超えて、人類の最も重要な創造物かもしれないものの核心へと、あなたを導くことをお約束します。なぜなら、AGIの物語はまだ書かれている途中だからです。そして、あなたが気づいているかどうかにかかわらず、あなたはその著者の一人なのです。
今後数年間に私たちが集合的に行う選択は、世代を超えて、おそらく宇宙のこの片隅における知性の未来全体にわたって響き渡るでしょう。だから、私たちの可能な未来の探究に参加してください。人間と人工知能の両方の心について。他のすべてを発明する可能性のある最後の発明について。
私たちの旅は最も根本的な問いから始まります：知性とは本当は何なのか？そして、どうすれば人間以外の形でそれを創造できるのか？
人工汎用知能を理解する前に、まず、より根本的な問いに取り組まなければなりません：知性そのものとは何でしょうか？
知性を定義することは驚くほど難しいことが証明されています。私たちはそれを見たときに認識しますが、その本質を言葉で捉えるのに苦労します。それは問題解決能力でしょうか？環境への適応でしょうか？学習する能力でしょうか？それともっと言葉では表せない何かでしょうか？
何世紀にもわたって、哲学者や科学者はこの複雑な現象のある側面を捉えた様々な定義を提案してきました。アリストテレスはそれを思考の能力と見なしました。ダーウィンはそれを適応行動として理解しました。現代の心理学者はそれを標準化されたテストを通して測定します。しかし知性は単一のものではありません。それは能力の集合体です。分析的知性は論理的問題を解決するのに役立ちます。創造的知性は新しいアイデアを生み出します。
感情的知性は社会的関係をナビゲートします。実践的知性は知識を現実世界の状況に適用します。これらの能力は私たちの脳の中の異なるが相互に接続されたシステムから生まれます。単一の「知性センター」はなく、むしろ知覚、記憶、推論などの複雑な相互作用があるのです。
知性を測定しようとする私たちの試みはしばしば還元的でした。20世紀初頭に開発された知能指数またはIQテストは、主に分析的および言語的能力を捉えています。それは学業の成功をかなり良く予測しますが、人間の能力の重要な側面を見逃しています。平均的なIQを持つ人が、並外れた創造性、感情の深さ、または実践的な知恵を持っている可能性があります。
知性は多次元的であり、私たちの測定は良くて不完全です。さらに、知性は人間だけのものではありません。カラスは道具を作り、複数のステップのパズルを解きます。タコは迷路をナビゲートし、瓶を開けます。イルカは鏡の中の自分自身を認識し、複雑な発声でコミュニケーションを取ります。各種は、その生態学的ニッチに適した知性を進化させてきました。
人間の知性を特徴づけるのはその一般性です。私たちは単一の認知タスクに秀でているのではなく、膨大な範囲の領域にわたって学習し適応することに秀でています。人間の子どもはどんな言語も学び、無数のスキルをマスターし、新しい社会的状況をナビゲートすることができます—すべて同じ脳で。
この一般性により、私たちは領域間で知識を転移させることができます。ある文脈で学んだ原則を別の文脈に適用することができます。ある分野からのメタファーが別の分野を照らし出すことができます。この領域間の柔軟性が人間の知性の特徴です。そしてこれが人工知能に私たちをつなげます。
今日のほとんどのAIシステムは狭い知性を持っています—特定のタスクに秀でていますが、その領域外では完全に失敗します。チェスプログラムはグランドマスターを打ち負かすことができますが、猫を認識することはできません。画像分類器は何千もの物体を識別できますが、会話を持つことはできません。
これに対して人工汎用知能は、人間の認知を特徴づけるのと同じ柔軟性と一般性を持つでしょう。それは人間ができるあらゆる知的タスクを学び、実行することができるでしょう。それは領域間で知識を転移させ、新しい状況に適応し、潜在的に自己改善することができるでしょう。
より具体的には、AGIはいくつかの重要な能力を示す必要があるでしょう：
まず、推論—論理的結論を導き、因果関係を理解し、新しい問題を解決する能力。
次に、学習—巨大なデータセットからのパターン認識だけでなく、人間のように限られた例から効率的に学習する能力。
第三に、常識—人間が当たり前と思っている世界の働きについての膨大な背景知識。
第四に、計画—目標を設定し、複数の時間スケールにわたってそれらを達成するための戦略を考案する能力。
第五に、コミュニケーション—ニュアンス、曖昧さ、文化的文脈のすべてを伴う自然言語を理解し生成する能力。
そして最後に、自己認識—自らの能力、限界、および世界での位置についてのある程度の理解。
AGIを作り出したことをどうやって知るのでしょうか？様々なテストが提案されています。1950年にアラン・チューリングが考案したチューリングテストは、機械が会話だけで人間の審査員に人間だと思わせることができれば、それは知性があると見なすべきだと提案しています。
しかしチューリングテストには限界があります。現代の言語モデルは時々人々を一時的に騙すことができますが、明らかに自分が言っていることを理解していません。それらは洗練されたパターンマッチャーであり、真に知的なシステムではありません。より厳格なテストが提案されています。
コーヒーテストでは、AIが見慣れない家に入り、コーヒーを入れる方法を理解することが求められます。大学生テストでは、大学に入学し学位を取得することが求められます。雇用テストでは、経済的に価値のある仕事を学び、実行することが求められます。
研究者によってAGIの定義は異なり、重要な意味を持ちます。OpenAIはそれを「ほとんどの経済的に価値のある仕事で人間を上回るAIシステム」と定義しています—これは実用的な影響に根ざした定義です。DeepMindのデミス・ハサビスは科学的発見にもっと焦点を当て、AGIは数学や物理学でブレークスルーを起こせるだろうと提案しています。
「私たちが選ぶ定義は、私たちが何を構築し、それをどのように評価するかを形作るため重要です。もし純粋に経済的な観点でAGIを定義すれば、生産性を最大化するが深い理解を欠くシステムを作るかもしれません。科学的発見の観点で定義すれば、社会的知性を欠いた優れた問題解決者を作るかもしれません。」
現在のAIと真のAGIの間のギャップはまだ相当なものです。今日の最も進んだシステムは狭い領域で優れていますが、人間の知性を定義する柔軟性、常識、および一般性を欠いています。それらはデータのパターンを認識できますが、因果関係、反事実、および抽象的推論に苦労します。
人間の子どもは数例からあたらしい概念を学ぶことができます。彼らは経験したことのない仮説的状況について推論することができます。彼らは物理的世界、社会的力学、そして自分自身の精神状態を理解することができます。現在のAIシステムはこれらすべての次元で不足しています。
一部の研究者は機械知能を測定するためのより微妙なフレームワークを提案しています。集合知能テストはシステムの人間との協力能力を評価します。破滅的忘却テストは、システムが古いスキルを失うことなく新しいスキルを学べるかどうかを調査します。一般化テストはトレーニングデータと大きく異なるタスクでのパフォーマンスを評価します。
AGIが人間の知性を正確に複製する必要がないことは注目に値します。飛行機が鳥のように飛ばないが同じ機能を達成するように、AGIは人間の脳とは異なるメカニズムを採用しながら、同様かそれ以上の能力を達成するかもしれません。目標は人間の認知を複製することではなく、同等の一般性と柔軟性を持つシステムを作ることです。
人間の知性は深く体現され、感情的でもあります。私たちの思考は身体的経験、感情、社会的つながりによって形作られています。AGIが同様の身体化と感情的能力を必要とするかどうかは未解決の問題のままです。
だから私たちの旅全体を通してAGIについて話すとき、私は人間ができるどんな知的タスクも、同等かそれ以上の熟練度で実行できる人工システムを指します。領域を超えて学び、推論し、計画し、コミュニケーションを取るシステム。何らかの意味のある意味で、世界とその中での自分の位置を理解するシステム。
この知性の理解を念頭に、人工的な心を作る私たちの探求がどのように進化してきたかを探ってみましょう—古代の神話から現代の機械学習まで、そして私たちが今日目撃している驚くべき加速について。
人工的な心を作るという夢は文明と同じくらい古いものです。様々な文化の古代神話は、知性を吹き込まれた人間に似た創造物を語っています。ギリシャ神話では、ヘパイストスは考え、話すことができる黄金の侍女を制作しました。ユダヤの民間伝承は、粘土から生命を吹き込まれた人工的な存在、ゴーレムについて語っています。
ヒンドゥー神話では、ブラフマーは「マーヤ」と呼ばれる非凡な能力を持つ人工的な戦士を創造しました。これらの神話は、複雑な歯車と機構を通じて生物を模倣する機械的なオートマタを通じて部分的に現実になりました。18世紀には、ジャック・ド・ヴォーカンソンは食べ、消化し、排泄することができる機械のアヒルを創造しました。
「トルコ人」と呼ばれる有名なチェスを指す「オートマトン」は、ヨーロッパを巡回し人間の対戦相手を打ち負かしました（しかし実は人間のチェスマスターを秘密裏に隠していました）。
真の人工知能への道は数学と論理から始まりました。17世紀、ゴットフリート・ヴィルヘルム・ライプニッツは計算を通じてすべての人間の意見の相違を解決できる普遍的計算を夢見ました。19世紀、チャールズ・バベッジは穴あきカードでプログラムできる機械的コンピュータ、解析機関を設計しました。
バベッジと協力していたエイダ・ラブレスは、そのような機械が数字だけでなく記号を操作できることを認識しました。彼女は最初のコンピュータプログラムと考えられるものを書き、機械がいつか音楽を作曲したり芸術を創造したりするかもしれないと推測しました—しかし彼女は、それらが真に何かを独創することはできないと信じていました。
AIの形式的な基礎は20世紀初頭に出現しました。バートランド・ラッセルとアルフレッド・ノース・ホワイトヘッドは彼らの「プリンキピア・マテマティカ」ですべての数学を形式化しようとしました。アラン・チューリングは他のどんなコンピュータの動作もシミュレートできる普遍的計算機の概念を開発しました。
1950年、チューリングは「計算機械と知能」を発表し、後にチューリングテストとして知られるようになるものを提案し、機械がいずれ考えるようになると予測しました。彼は機械知能に対する一般的な反論に驚くべき先見性をもって対処しました。
しかし人工知能の分野が正式に誕生したのは1956年の夏、ダートマス大学でのワークショップでした。そこで、ジョン・マッカーシー、マービン・ミンスキー、クロード・シャノン、ハーバート・サイモンを含む若い研究者のグループが「人工知能」という用語を造り、野心的な研究課題を示しました。
彼らの提案は述べています：「研究は、学習のあらゆる側面または知能のその他の特徴は原則的に非常に正確に記述できるので、機械にそれをシミュレートさせることができるという推測に基づいて進める。」
これらの先駆者たちは非常に楽観的でした。ハーバート・サイモンは1957年に予測しました：「10年以内にデジタルコンピュータが世界のチェスチャンピオンになるだろう」そして「見える未来の中で…機械は人間ができるどんな仕事もできるようになるだろう。」
マービン・ミンスキーは1967年に宣言しました：「一世代以内に、人工知能を創造する問題は実質的に解決されるだろう。」
初期の年月は驚くべき進歩を見ました。論理定理証明器のようなプログラムは数学的定理を証明しました。ELIZAは単純なパターンマッチングを通じて会話をシミュレートしました。SHRDLUは自然言語コマンドに基づいて仮想世界でブロックを操作しました。
この初期の作業は記号的AI—機械が操作できる規則と表現を明示的にプログラミングすることに焦点を当てました。人間の知識は記号と論理規則として形式化でき、コンピュータはそれを処理して知的な行動を生み出すという仮定でした。
しかし分野はすぐに大きな障害に直面しました。人間にとって簡単に見える問題—物体の認識や文脈の理解など—は明示的な規則では解決するのが非常に難しいことが証明されました。資金は枯渇し、最初の約束が実現しなかったため、1970年代に最初の「AIの冬」が訪れました。
1980年代にはエキスパートシステム—医学や地質学などの領域での専門知識を含むプログラム—によって復活が訪れました。MYCINは血液感染を診断することができました。PROSPECTORは1億ドル相当のモリブデン鉱床の発見を助けました。企業はこのアプローチに大きく投資しました。
しかしエキスパートシステムも限界にぶつかりました。それらはもろく、プログラムされた知識の範囲外の状況に直面すると完全に失敗しました。それらは経験から学んだり、新しい領域に適応したりすることができませんでした。1980年代後半から1990年代初頭にかけて第二のAIの冬が続きました。
その間、代替的なアプローチがゆっくりと発展していました。知識を明示的にプログラムする代わりに、研究者たちはデータから学習できるシステムを探求しました。脳の構造に触発されたニューラルネットワークは有望を示しましたが、計算能力とデータの利用可能性によって制限されていました。
専門化されたAIは進歩し続けました。1997年、IBMのディープブルーは世界チェスチャンピオンのガルリ・カスパロフを破りました—サイモンの予測が実現しましたが、30年遅れでした。しかしこれは一般的な知能ではありませんでした—ディープブルーは現実世界でチェス盤を認識することさえできない特殊なチェスマシンでした。
インターネットがすべてを変えました。突然、学習システムをトレーニングするための膨大な量のデータが利用可能になりました。計算能力はムーアの法則に従って指数関数的に増加し続けました。革命の舞台が整いました。
その革命は2012年に到来しました。ジェフリー・ヒントンのチームによって作られたニューラルネットワークが画像認識のためのImageNet競争で従来のアプローチを劇的に上回りました。これは今日も続く深層学習の時代の始まりを示しました。
2016年、もう一つの分水嶺の瞬間が起こりました。DeepMindのAlphaGoが古代のゲーム碁で世界チャンピオンのイ・セドルを破りました—多くの専門家が数十年先のことだと思っていた偉業です。機械は非常に創造的で、予想外の手を打ち、解説者は最初にそれを間違いだと思いました。
間違いではありませんでした。それは何か新しいものの一瞥でした。それ以来、進歩は目まぐるしい速さで加速しています。2020年、OpenAIのGPT-3は顕著な言語能力を示しました。2022年、DALL-Eやスタブルディフュージョンのようなシステムが、驚くべき品質でテキスト記述から画像を生成し始めました。2023年、GPT-4は言語、推論、マルチモーダル理解にわたる能力を示し、その作成者さえも驚かせました。
今日のAIシステムはエッセイを書き、芸術を作り、音楽を作曲し、ソフトウェアをプログラミングし、そして驚くほど人間らしく感じる会話に参加することができます。それらは科学的問題を解決し、新しい材料の設計を助け、そして医学的診断を支援することができます。
専門化されたAIと一般的知能の間のギャップは狭まっているように思われます。この加速は減速の兆しを見せていません。実際、それは速まっています。5年前には不可能に思えた能力が今では当たり前になっています。システムは数十年や年単位ではなく、月や週単位で改善しています。
高度なAIを開発するレースは世界的なものになっています。アメリカ合衆国では、OpenAI、Google DeepMind、AnthropicなどはCompan莫大な資金を調達しています。中国はAIを国家的優先事項と宣言し、BaiduやSenseTimeなどの企業は大規模な政府支援を受けています。欧州連合、日本、その他も大きく投資しています。
この進歩は前例のない計算リソースによって支えられています。最も高度なAIモデルのトレーニングには、何千もの家庭が年間で使用するのと同等のエネルギーが必要です。最大のモデルは何兆もの言葉と画像を処理し、人間の生涯をかけても吸収できないようなパターンを学習しています。
最近の進歩を推進する重要な洞察は、ニューラルネットワークが予測可能にスケールするということです。モデルサイズ、トレーニングデータ、計算能力を増やすと、能力は数学的パターンに従って向上します。一部の研究者は、既存のアプローチの継続的なスケーリングだけでAGIに到達するには十分かもしれないと信じています。
「しかしスケーリングだけでは十分ではないかもしれません。現在のシステムはまだ人間の知性の核心的な側面—因果推論、常識、単に記号を操作するのではなく世界を真に理解すること—を欠いています。私たちは単に今日のモデルの大きなバージョンではなく、根本的なブレークスルーが必要かもしれません。
AGIに到達する時期についての予測は大きくばらついています。一部の専門家は、今日の最も進んだシステムの中に既にAGIの初期形態が見られると信じています。他の専門家は、真の一般知能まではまだ数十年かかると考えています。最近の調査における人工知能研究者からの中央値の予測は2040年代を指していますが、非常に大きな不確実性があります。
明らかなのは、私たちが歴史上類を見ないAI革命の真っただ中にいるということです。進歩のペースは分野の専門家さえも驚かせています。そして今日開発されているシステムは、微妙な方法でも顕著な方法でも、すでに私たちの世界を変革しています。
しかし、今日の専門化されたAIから真の人工汎用知能への残りのギャップをどのように埋めるかを理解するために、私たちは知性自体のアーキテクチャ—AGIに必要な能力と、それらを達成する可能性のあるアプローチ—を検討する必要があります。
知性とは何か、AIがどのように進化してきたかを理解したところで、人工汎用知能につながる可能性のある異なる道筋を探ってみましょう。AGIへの道は一つではありません—それぞれ独自の哲学的仮定、技術的課題、そして意味を持つ複数のアプローチがあります。
AGIを求める探求は飛行の初期の日々に似ています。一部の先駆者は鳥を綿密に研究し、秘密は自然を模倣することにあると信じていました。他の人々は全く異なるアプローチを取り、羽ばたく翼ではなく揚力や推進力のような原理に焦点を当てました。同様に、AGI研究者は人間の脳を密接に模倣すべきか、あるいは知性への全く新しい道を切り開くべきかで意見が分かれています。
AGIにつながる可能性のある主要なアプローチを検討してみましょう。最終的な解決策はこれらの道の複数の要素を組み合わせるかもしれないことを理解した上で。
最初の、そして現在支配的なアプローチは、スケーリング仮説と呼ばれるものです。この見方は、ニューラルネットワークの継続的なスケーリング—より大きくし、より多くのデータでトレーニングし、より多くの計算能力を使う—が最終的にAGIにつながるだろうと示唆しています。
中核的な考え方は、知性はスケールによって出現するというものです。ちょうど複雑な行動が他のシステムで十分に大きくなると出現するように。私たちはすでにモデルがスケールアップするにつれて驚くべき出現能力を目撃しています。初期の言語モデルはかろうじて一貫した文を形成できました。
今日の最大のモデルはエッセイを書き、新奇な問題を解決し、その作成者が明示的にプログラムしなかった行動を示すことができます。スケールの各増加は驚くべき新しい能力をもたらしています。
「スケーリング法則の魅力的な点はその予測可能性です。モデルサイズ、データ、計算量を増やすにつれてパフォーマンスがどのように向上するかをプロットすることができます—そしてこれらの関係は驚くほど一貫した数学的パターンに従います。これは、スケーリングを継続できれば、AGIへの予測可能な道筋に我々がいるかもしれないことを示唆しています。」
しかし、スケーリングは重大な課題に直面しています。計算要件は指数関数的に増加し、コストとエネルギー使用量は法外になります。また、収穫逓減もあるかもしれません—モデルサイズの各倍増は前回よりも小さな改善をもたらします。そして一部の認知能力はスケールだけからは出現しないかもしれません。
第二のアプローチはニューロモーフィックコンピューティングです—人間の脳の構造と機能をより密接に模倣するシステムを構築することです。今日のニューラルネットワークは脳に緩やかに触発されましたが、アーキテクチャと操作において劇的に異なります。
生物学的ニューロンは、現在のAIシステムの簡略化された人工ニューロンよりもはるかに複雑です。それらは複雑な生化学的プロセスを通じて動作し、ニューロンあたり数千の接続と数十の異なる神経伝達物質を持ちます。脳はまた、特定の機能のために進化した異なる領域を持つ非常に特殊なアーキテクチャを持っています。
ニューロモーフィック研究者はこの生物学的複雑さのより多くを捉えるハードウェアとアルゴリズムを開発しています。IntelやIBMのような企業は、エネルギー効率と学習能力において潜在的な利点を持つ、より脳のように情報を処理する特殊な「ニューロモーフィックチップ」を作成しています。
第三のアプローチは、ニューラルネットワークと記号的AIを組み合わせたハイブリッドシステムを含みます。初期のAIが明示的な記号とルールに焦点を当て、現代のディープラーニングがデータからのパターン認識に焦点を当てていたことを思い出してください。
それぞれに強みと弱みがあります。ニューラルネットワークは知覚、パターン認識、例からの学習に優れています。しかし論理的推論、計画、明示的な知識表現に苦労します。それらはまた、その意思決定プロセスが不透明である可能性がある「ブラックボックス」です。
逆に、記号システムは論理的推論と透明な意思決定に優れていますが、知覚と非構造化データからの学習に苦労します。それらは人間のプログラマーが明示的に知識とルールをエンコードすることを必要とします。
ハイブリッドアプローチは両方の世界の最良を得ることを目指しています—ニューラルネットワークの知覚と学習能力を記号システムの推論と透明性と組み合わせます。IBMのワトソンや様々な「ニューロシンボリック」アーキテクチャはこのアプローチを代表しています。
第四の道は進化的アルゴリズムを使用します。直接知性を設計する代わりに、このアプローチは自然選択に似たプロセスを通じてそれが進化するための条件を設定します。
仮想「生物」は認知タスクでのパフォーマンスに基づいて競争し、繁殖し、成功した特性が次の世代に渡されます。
このアプローチは特定の領域で驚くべき成功を示しています。このプロセスを通じて進化したアルゴリズムは効率的なアンテナを設計し、新しい薬分子を発見し、人間の専門家を驚かせるゲームプレイ戦略を作成しました。利点は、進化が人間が思いつかないような解決策を発見できることです。
第五のアプローチは全脳エミュレーションです。この野心的な道は、神経レベルで人間の脳全体をスキャンしデジタルで再構築することを目指しています。ゼロから知性を構築するのではなく、既存の知性をコピーする—潜在的に元のすべての能力を保存する。
これは現在の能力をはるかに超えた技術を必要とします—個々のシナプスとその特性を捉える解像度で脳をスキャンし、その後これらすべてのコンポーネントとその相互作用をシミュレートする必要があります。人間の脳プロジェクトやさまざまなコネクトーム・マッピングの取り組みはこの方向への初期のステップですが、真の全脳エミュレーションはまだ遠い将来のものです。
おそらく最も興味深い道は再帰的自己改善です。このアプローチは自分自身のコードを改善できるAIシステムの作成に焦点を当てています—本質的に自分自身をよりスマートにするためにプログラミングするシステムです。AIがある能力の閾値に達すると、それは繰り返し自己強化する「知能爆発」を潜在的に引き起こす可能性があります。
この考え方は厳密に理論的なものではありません。今日のモデルはすでに彼らのコードと訓練プロセスを改善するのを助けます。しかし、自己改善の程度は比較的控えめなままです。真の再帰的改善は指数関数的なケイパビリティの跳躍をもたらす可能性があります。
これらのアプローチの各々は重要な課題に直面しています。スケーリングは限界に達するかもしれません。ニューロモーフィックシステムは脳の重要な側面を見逃す可能性があります。ハイブリッドシステムは両方のパラダイムの限界を組み合わせるかもしれません。進化的アプローチは制御が難しい可能性があります。全脳エミュレーションは技術的に不可能かもしれません。再帰的自己改善は予測不可能な結果をもたらす可能性があります。
おそらく最も可能性の高い結果は、これらの道のいくつかの組み合わせです。未来のAGIシステムはディープラーニングの知覚能力、記号AIの推論、ニューロモーフィックハードウェアのエネルギー効率、そして進化によって発見されたアーキテクチャを組み合わせるかもしれません。
どのアプローチが勝利するかにかかわらず、AGIの出現は解決すべき深い哲学的、倫理的、そして実用的な問題を提起します。そして、私たちが次に向かうのはそこです。
コメント