O AI słyszymy już praktycznie każdego dnia. AI pomaga tworzyć rekomendacje dla klientów, opisuje obrazy i zdjęcia bez pomocy człowieka, dokonuje automatycznego tłumaczenia, etc. lista jest długa, ale dla wielu to wciąż za mało. Dlaczego tak jest, jakie kolejne wyzwania czekają specjalistów do uczenia maszynowego i sztucznej inteligencji i czym właściwie jest AGI?
Większość dzisiejszych sztucznych inteligencji to tak zwane słabe sztuczne inteligencje, które specjalizują się w jednym, konkretnym zadaniu. Ponadto, programy bazujące na uczeniu maszynowym opierają się głównie na analizach statystycznych, współwystępowaniu pewnych podzbiorów danych w większym zbiorze, różnić na poziomie fizycznych cech (mniej lub bardziej skomplikowanych) opisywanych modelami matematycznymi opracowanymi w ubiegłym wieku.
Nawet najnowsze narzędzia do NLP (natural language processing) czy CV (computer vision) pomimo coraz wyższej skuteczności, opierają się na analizie cech fizycznych i brakuje im tzw. „common sense”.
Kolejnym wyzwaniem dla twórców programów do uczenia maszynowego i sztucznej inteligencji jest więc stworzenie kodu, który dałby programowi rozwinięcie owego „common sense”. I tu właśnie pojawia się AGI.
AGI to skrót od Artificial General Intelligence. Jego tworzenie obejmuje przede wszystkim programy oparte na wiedzy (knowledge-based systems), które potrzebują wyszukiwać połączenia nie tylko na poziomie cech fizycznych, ale także na poziomie fizycznych właściwości przedmiotów (czyli trochę wyższym poziomie abstrakcji).
Czy uda się stworzyć tego typu programy?
O tym pewnie przekonamy się już wkrótce.
