به نظر می رسد تیترهایی که هشدار می دهند هوش مصنوعی (AI) بشریت را به آینده ای دو طرفه سوق می دهد همه جا وجود دارد. رهبران برجسته اندیشه، از چهره های دره سیلیکون گرفته تا دانشمندان افسانه ای، هشدار داده اند که اگر هوش مصنوعی به هوش عمومی مصنوعی یا artificial general intelligence (AGI) تبدیل شود - به اندازه انسان توانایی یادگیری وظایف فکری را دارد و این تهدیدی جدی خواهد بود.
 
با دیدن این هشدارها، داستان ها و تصاویر، کمتر کسی را می توان به دلیل باورِ قریب الوقوع بودن ظهور AGI مقصر دانست. بنابراین تعجب آور نیست که بسیاری از گزارش های رسانه ای و ارائه های تجاری در مورد یادگیری ماشین با تصاویر ناراحت کننده ای از روبات های انسان نما همراه است.
 
با این حال بسیاری از معتبرترین محققان و دانشگاهیان مسائل را متفاوت می بینند. آنها استدلال می کنند که ما دهه ها با تحقق AGI فاصله داریم و حتی برخی پیش بینی می کنند که AGI را در این قرن نخواهیم دید. با این همه عدم اطمینان، چرا مدیران باید امروز به AGI اهمیت دهند؟ پاسخ این است که، گر چه زمان AGI نامشخص است، اما اثرات مخربی که می تواند بر جامعه داشته باشد قابل اغماض نیست.
 
تاکنون در باره تأثیر احتمالی هوش مصنوعی و اهمیت مدیریت دقیق انتقال به دنیایی خودکارتر، مطالب زیادی نوشته شده است. هدف از این مقاله تهیه یک مقدمه بر AGI برای کمک به مدیران در درک مسیر دستیابی ماشین ها به هوش در سطح انسانی، شاخص های اندازه گیری پیشرفت و اقداماتی است که خواننده می تواند برای شروع آماده سازی امروز انجام دهد.
 

هوش عمومی مصنوعی چقدر قریب الوقوع است؟

در پیش بینی این که AGI تا سال 2300 نخواهد رسید، رادنی بروکس، متخصص روباتیک MIT و بنیانگذار iRobot ، صراحتاً بیان می کند: "این زمانی کافی برای درک بیم و امیدهای هوش مصنوعی است. به اعتقاد من، بیشتر آنچه در عناوین می خوانیم ... کاملاً بی ربط است. "
 
بروکس تنها صدای مخالف نیست. محققان برجسته هوش مصنوعی مانند جفری هینتون و دمیس حسابیس اظهار داشته اند که AGI  در هیچ کجا به واقعیت نزدیک نیست. در پاسخ به یکی از پست های بروکس، یان لکون، استاد مؤسسه علوم ریاضی کورانت در دانشگاه نیویورک (NYU) ، بسیار صریح تر بیان داشت: "توضیح دادن به غیر متخصصان دشوار است که AGI یک «چیز» نیست،" " و این که اکثر مواردی که AGI را در نام خود دارند با موضوعاتی بسیار نظری و انتزاعی سروکار دارند..."
 
هنوز هم اما  بسیاری از دانشگاهیان و محققان معتقدند که حداقل فرصتی برای دستیابی به هوش مصنوعی در سطح انسانی در دهه آینده وجود دارد. ریچارد ساتون، استاد علوم کامپیوتر دانشگاه آلبرتا، در یک سخنرانی در سال 2017 اظهار داشت: "رسیدن به هوش مصنوعی در سطح انسانی یک موفقیت علمی عمیق (و یک مزیت اقتصادی) خواهد بود و ممکن است تا سال 2030 (با احتمال 25٪) یا 2040 (با احتمال 50٪) - یا به طور کلی در هر زمانی (با 10٪ احتمال) واقع شود. "
 
مدیران باید چه مواردی را از این بحث دور کنند؟ با توجه به نقطه عطف بالقوه چشمگیری که AGI می تواند در جامعه ایجاد کند، وجود حتی احتمالی کم برای دستیابی به AGI در دهه آینده توجیه کننده توجه به تحولات در این زمینه است. همان طور که لکون توضیح می دهد: "یک حوزه تحقیقاتی باریک وجود دارد که اگر چه اهداف بلند پروازانه ای برای پیشرفت در سطح هوش انسانی دارد، اما در روش های علمی و مهندسی نیز به آن اندازه کافی پایه ریزی شده است تا بتواند پیشرفت واقعی در فناوری به دست آورد. این، نقطه‌ی شیرین است. "
 
برای رهبران تجارت، شناسایی محققانی که در این نقطه شیرین فعالیت می کنند بسیار حیاتی است. برای موفقیت روبات ها و هوش مصنوعی در دنیای ما، انسان ها باید تمایل داشته باشند با آنها تعامل داشته باشند و از آنها نترسند. در این راهنمای اجرایی به سویAGI ، هدف ما این است که با مرور تاریخچه این رشته به خوانندگان کمک کنیم تا ارزیابی لازم را در مورد مشکلاتی که قبل از اینکه محققان ادعا کنند نزدیک به توسعه هوش مصنوعی در سطح انسان هستند باید حل شوند، انجام دهند، و آنچه مدیران باید با توجه به این بینش انجام دهند، انجام شود.
 
 

چه توانایی هایی AI را به AGI تبدیل می کند؟

برای درک پیچیدگی دستیابی به هوش واقعی در سطح انسانی، لازم است برخی از قابلیت هایی را که AGI واقعی برای تسلط بر آنها نیاز دارد، بررسی کنید.
 
ادراک حسی
در حالی که یاد گیری عمیق پیشرفت های چشمگیری را در رایانه ایجاد کرده است، در حال حاضر سیستم های هوش مصنوعی بسیار دور از توسعه قابلیتهای درک حسی مشابه با انسان هستند. به عنوان مثال، سیستم هایی که از طریق یادگیری عمیق آموزش داده شده اند هنوز همخوانی رنگی ضعیفی دارند: سیستم های اتومبیل خود ران توسط قطعات کوچک نوار سیاه یا برچسب های روی یک علامت توقف قرمز فریب خورده اند. برای هر انسانی، قرمزی علامت توقف هنوز کاملاً مشهود است، اما سیستم مبتنی بر یادگیری عمیق فریب می خورد که علامت توقف چیز دیگری است. سیستم های دید رایانه ای فعلی نیز تا حد زیادی قادر به استخراج اطلاعات عمقی و سه بعدی از تصاویر ثابت نیستند.
 
بشر همچنین می تواند خصوصیات فضایی یک محیط را، حتی هنگام گوش دادن به یک کانال تلفنی تک صوتی، از طریق صدا تعیین کند. می توانیم صدای پس زمینه را درک کنیم و یک تصویر ذهنی از جای شخص هنگام مکالمه تلفنی با او (مثلاً در پیاده رو، با نزدیک شدن اتومبیل در پس زمینه) تشکیل دهیم. سیستم های هوش مصنوعی هنوز قادر به تکرار این درک مشخص انسانی نیستند.
 
مهارت های حرکتی خوب
هر انسانی به راحتی می تواند مجموعه ای از کلیدهای موجود در جیب خود را بازیابی کند. اما تعداد بسیار کمی از ما اجازه می دهیم که هر یک از دست کاری کنندگان روباتی یا دست های انسان نما، این کار را برای ما انجام دهند. محققان این حوزه در حال کار بر روی این مشکل هستند که چرا انجام این کارِ راحت توسط آنها مشکل است. در نمایشی اخیر نشان داده شد که چگونه یادگیری تقویت می تواند به یک دست روباتی آموزش دهد تا مکعب  روبیک را حل کند. اگر چه کلود شانون ده سال پیش یک روبات برای حل این مکعب ساخت، این نمایش، مهارت در برنامه ریزی انگشتان روبات را روی یک دست برای دستکاری یک جسم پیچیده نشان می دهد.
 
درک زبان طبیعی
انسان ها مهارت ها و دانش خود را از طریق کتاب، مقاله، پست وبلاگ و اخیراً نحوه دستیابی به ویدئو، ضبط کرده و انتقال می دهند. هوش مصنوعی باید بتواند این منابع اطلاعاتی را با درک کامل به کار گیرد. انسان ها با فرض ضمنی دانش عمومی خواننده می نویسند، و مقدار زیادی از اطلاعات فرض می شود و گفته نشده است. اگر هوش مصنوعی فاقد این پایه از دانش عقل سلیم باشد، قادر به فعالیت در دنیای واقعی نخواهد بود.
 
استادانNYU ، گری مارکوس و ارنست دیویس، این نیاز را در کتاب "راه اندازی مجدد هوش مصنوعی" با جزئیات بیشتر شرح می دهند و خاطر نشان می کنند که این دانش عادی حتی برای پیش پا افتاده ترین وظایفی که هر کسی انتظار دارد که سیستم های هوش مصنوعی انجام دهند، مهم است. همان طور که داگلاس هافستادتر یاد آور می شود، این واقعیت که خدمات رایگان ترجمه ماشینی از طریق یاد گیری عمیق نسبتاً دقیق شده اند، به این معنی نیست که هوش مصنوعی به درک واقعی خواندن نزدیک شده است، زیرا هیچ درک درستی از متن در مورد چندین جمله ندارد - چیزی که حتی کودکان نو پا نیز به راحتی از پس آن بر می آیند. گزارش های مختلف از شرکت هوش مصنوعی در امتحانات ورودی یا عملکرد آن در آزمون های علوم پایه هشتم، نمونه هایی است که در آنها نشان داده شد که چگونه یک راه حل باریک  هوش مصنوعی می تواند برای هوش انسانی مغشوش باشد.
 
حل مسئله
در هر برنامه کاربردی عمومی، یک روبات (یا یک موتور AI که در ابر زندگی می کند) باید بتواند مشکلات را تشخیص داده و سپس آنها را برطرف کند. یک روبات خانگی باید تشخیص دهد که یک لامپ سوخته است و یا لامپ را تعویض کند یا به یک تعمیرکار اطلاع دهد که این کار را انجام دهد. برای انجام این وظایف، روبات یا به برخی از جنبه های عقل سلیم که در بالا توضیح داده شد، یا به توانایی اجرای شبیه سازی برای تعیین امکانات، احتمال پذیری و احتمالات احتیاج دارد. امروزه، هنوز هیچ سیستم هوش مصنوعی شناخته شده ای از چنین عقل سلیم، یا چنین توانایی شبیه سازی برای اهداف عمومی برخوردار نیست.
 
جهت یابی
GPS ، همراه با قابلیت هایی مانند محلی سازی و نقشه برداری همزمان (SLAM) ، پیشرفت خوبی در این زمینه داشته است. اما انجام این گونه اقدامات از طریق فضاهای فیزیکی تصور شده، در مقایسه با توانایی های فعلی بازی های ویدیویی پیشرفت چندانی ندارد. برای ساخت سیستم های مقاوم که بدون استفاده از بتونه کاری انسانی قابل استفاده باشند، هنوز سال ها کار لازم است. نمایش های آکادمیک فعلی هنوز تا رسیدن به این هدف فاصله دارند.
 
خلاقیت
مفسرانِ ترس از اَبَر هوشمندی، این نظریه را مطرح می کنند که هرگاه هوش مصنوعی به هوش سطح انسانی برسد به سرعت با یک فرآیند راه انداز خود را بهبود می بخشد تا به سطح هوشی بسیار بالاتر از هوش هر انسانی برسد. اما برای رسیدن به این خود سازی، سیستم های AI باید کد خود را دو باره بنویسند. این سطح از درون نگری، به یک سیستم هوش مصنوعی نیاز دارد که بتواند مقدار زیادی از کدهایی را که انسان در کنار هم قرار می دهد درک کند و روش های جدیدی را برای بهبود آنها شناسایی کند. ماشین آلات توانایی ترسیم تصاویر و ساخت موسیقی را نشان داده اند، اما برای خلاقیت در سطح انسان پیشرفت های بیشتری لازم است.
 
تعامل اجتماعی و عاطفی
برای موفقیت روبات ها و هوش مصنوعی در دنیای ما، انسان ها باید تمایل داشته باشند با آنها تعامل داشته باشند و از آنها نترسند. این روبات باید انسان را درک کند، و حالات صورت یا تغییر در لحن را که احساسات اساسی را نشان می دهند، تفسیر کند. رسیدن به هوش مصنوعی در سطح انسانی یک موفقیت علمی عمیق (و یک مزیت اقتصادی) خواهد بود. برخی از برنامه های محدود در این زمینه در حال استفاده هستند، مانند سیستم هایی که در مراکز تماس مستقر هستند و می توانند صدای عصبانی یا نگران بودن مشتری را تشخیص دهند و آنها را برای کمک، به صف مناسب هدایت کنند. اما با توجه به مشکلات خود انسان در تفسیر درست احساسات، و چالش های ادراکی که در بالا بحث شد، به نظر می رسد هوش مصنوعی‌ای که توانایی همدلی را داشته باشد، دورنمایی دور است.
 
 

چهار روش برای اندازه گیری پیشرفت

بروکس به جای تلاش برای استفاده از آزمون تورینگ، چهار روش ساده برای سنجش میزان پیشرفت ما به سمت هوش در سطح انسانی پیشنهاد می کند که در زیر خلاصه می شود. به همین ترتیب، بسیاری از شرکت ها و سازمان های تحقیقاتی در حال بررسی چارچوب های جایگزین برای اندازه گیری پیشرفت بر اساس توانایی معادل انسان، نیازهای انجام برخی از وظایف انسانی یا ترکیبی از توانایی ها برای انجام هر کار انسانی هستند.
 
قابلیت های تشخیص شیء توسط یک کودک دو ساله
در حالت اول، کودکان دو ساله که فقط به نشستن روی صندلی های سفید عادت کرده اند، متوجه می شوند که می توانند روی صندلی های سیاه، عسلی های قهوه ای سه پایه یا حتی روی سنگ ها یا پشته های کتاب نیز بنشینند.
 
توانایی درک زبان توسط کودک چهار ساله
کودکان چهار ساله به طور معمول با درک مناسب از ظرافت های زبان قادر به گفتگو و پیروی از زمینه و معنا در مبادلات متعدد هستند. نیازی نیست که هر جمله را ابتدا با ذکر نام آنها شروع کنیم (برخلاف سخنرانان "باهوش" امروز)، و آنها می توانند زمان پایان مکالمه یا تغییر شرکت کنندگان را بفهمند. کودکان می توانند آواز، فریاد و نجوا را درک کنند و هر یک از این فعالیت ها را انجام دهند. آنها حتی دروغ و شوخ طبعی را درک می کنند.
 
مهارت دستی یک کودک شش ساله
بیشتر کودکان شش ساله قادر به پوشیدن لباس خود هستند و حتی می توانند بند کفش های خود را نیز ببندند. آنها می توانند با استفاده از انواع مختلف مواد مختلف کارهای پیچیده ای را که نیاز به مهارت دستی دارند انجام دهند و از عهده مراقبت از حیوانات و حتی خواهر و برادر کوچکتر خود برآیند.
 
درک اجتماعی کودک هشت ساله
کودکان هشت ساله می توانند عقاید، خواسته ها و اهداف خود را داشته باشند، آنها را برای دیگران توضیح دهند و وقتی دیگران عقاید خود را توضیح می دهند درک کنند. آنها می توانند خواسته ها و اهداف دیگران را از عملکرد خود استنباط کنند و درک کنند که چرا آنها این آرزوها و اهداف را دارند. ما خواسته ها و اهداف خود را برای کودکان توضیح نمی دهیم زیرا انتظار داریم آنها آنچه را مشاهده می کنند درک کنند.
 
اگر چه جامعه هوش مصنوعی برای پرداختن به همه این جنبه ها در تحقیقات فعال است، اما به احتمال زیاد دهه ها با دستیابی به برخی از آنها فاصله داریم. در کاربردهای باریک تر، قابل قبول به نظر می رسد قبول کنیم که در میان مدت می توان در تشخیص شیء، درک زبان، و مهارت دستی به حد کافی به استادی رسید به گونه ای که  در موارد استفاده خاص به کار گرفته شوند.
 
منبع: توسط فدریکو بروتی، پیتر نل،  راب ویتمن، McKinsey & Company