Cómo crear una inteligencia general artificial

Una aplicación obvia de una inteligencia general artificial (AGI) es automatizar el trabajo humano. Entonces podríamos dejar de pagar a las personas $ 75 billones por año en todo el mundo para hacer un trabajo que las máquinas no son lo suficientemente inteligentes como para hacer. En caso de que no lo haya adivinado, muchas personas ya están trabajando en el problema o en pequeños fragmentos del problema. Es dudoso que sepas algo que alguien aún no ha probado.

El problema de AGI se puede dividir en tres partes: hardware, software y recopilación de conocimientos. En mi artículo, The Cost of AI, comparé estos costos con los del único ejemplo de trabajo conocido, el cerebro humano. Vale la pena citar el resumen aquí:

  • En 2011, le pagamos a la gente de todo el mundo 70 billones de dólares para hacer un trabajo que las máquinas no sabían hacer. Automatizar la economía global requerirá resolver problemas difíciles en lenguaje, visión, robótica, arte y modelar el comportamiento humano. Estimamos que los costos computacionales son 10 ^ 26 operaciones por segundo, 10 ^ 25 bits de memoria, 10 ^ 19 bits de entrada / salida por segundo y 10 ^ 17 bits de conocimiento humano recopilados a una velocidad de 7 bits por persona por segundo . Bajar el costo total por debajo del punto de equilibrio de $ 1 billón requerirá una mejora de 10 ^ 5 veces tanto en el costo de fabricación como en la eficiencia energética de la computación, lo que es poco probable que se logre reduciendo aún más el tamaño de los transistores y una aceptación cultural global del pérdida de privacidad durante un período de décadas. El desarrollo de software no contribuye significativamente al costo de la IA porque un bebé humano tiene una complejidad de Kolmogorov equivalente a solo 10 ^ 8 a 10 ^ 9 líneas de código.

Vale la pena señalar que las empresas que realizan la mayor parte del progreso significativo en inteligencia artificial como Facebook y Google tienen decenas de miles de desarrolladores de software, millones de CPU, miles de millones de usuarios y límites de mercado por cientos de miles de millones de dólares. Y todavía están lejos de haber resuelto el problema.

Al resolver algunos problemas con esa misma idea. Por ejemplo:

El campo se extiende y diverge a una velocidad vertiginosa. Uno podría imaginar (Cf Pedro Domingos “Master Algorithm” book) ensamblar diferentes técnicas de IA para producir una IA general, como si construyéramos un automóvil ensamblando puertas, motor y parabrisas. En este momento, las técnicas de IA se alejan cada vez más. Estamos construyendo botes, aviones, bicicletas y algunos cohetes. Buena suerte armando eso, estilo Transformers.

Hacemos progresos espectaculares. No significa que nos acerquemos a la inteligencia humana. No es el objetivo. Los proyectos resuelven problemas, con 10, 15 años de trabajo en todos los ángulos. Y los avances pueden no tener nada que ver con los algoritmos. Por ejemplo, la IA es buena para predecir cosas como el tiempo de transporte. Pero Google tardó 6 años en poder utilizar los datos de transporte público de las grandes ciudades. Los proyectos de IA tienen sus propios problemas que no tienen nada que ver con la inteligencia humana.

Nadie está trabajando en eso. Ni Academia, ni Google ni Facebook, ni siquiera DARPA. Trabajan para comprender Aprendizaje profundo a gran escala, convolucional, refuerzo, robótica, visión, PNL, IoT, elección social, etc. La lista de problemas prácticos con cada uno de estos temas es inmensa y está creciendo. Cuando se les preguntó sobre AGI, la mayoría de la gente respondió con una sonrisa educada.

En caso de que se entere, háganos saber :). A muchos les gustaría saber esto. Hasta ahora nadie logró desarrollar Inteligencia General. Existen varios algoritmos que son bastante generales y pueden aprender de los datos proporcionados. Pero un algoritmo no puede aprender todo, por lo que necesitaría distribuir por problema y por propósito. Y necesitará muchos datos. Pero eso es, supongo que está bien, imagina enseñar a un niño. Cuánto tiempo le toma al niño estar rodeado de hablar para comenzar a hablar … alrededor de 2 años. Cuánto tiempo necesita la persona para aprender todas las habilidades que posee. Bueno, toma tu edad, sobre eso. Por lo tanto, la inteligencia artificial debe ser una gran cantidad de algoritmos expuestos al mundo real, a los datos y a la información que contiene. Ahora es un poco difícil, ya que la computadora entiende los datos de una manera diferente a la humana, por lo tanto, todos los datos e información deben normalizarse. Otro problema es el poder de almacenamiento y procesamiento. El poder de procesamiento es un problema cada vez menor, pero aún así, necesita mucho para aprender. Además, una gran cantidad de almacenamiento necesita procesar parte de los procesos humanos de información. Tome cuánto tardaría en almacenar 16 horas de película HD + información sobre olores, toques, etc. Estamos hablando de TB a diario. En términos de emular el cerebro (esa podría no ser la forma más eficiente de crear inteligencia artificial), por lo general, los sistemas actuales tienen hasta 7 capas de quizás 1000 neuronas (la mayoría del sistema tendrá menos capas y menos neuronas por capa). Por lo tanto, alrededor de 7000 neuronas. Esa es la cantidad de neuronas que tiene la medusa. Frog tiene 16 millones de neuronas, ratas 200 millones, cat 760 millones, humanos 86 billones de neuronas en el cerebro. Así que estamos lejos en términos de capacidad técnica para emular lo que los humanos tienen en el cerebro. Hay proyectos que crean hardware específico, como el proyecto SpiNNaker que, una vez hecho, con suerte podrá emular una red que contenga mil millones de neuronas artificiales en 50 000 chips ARM. Todavía es 86 veces menos que el humano, pero un progreso. Pero sí, muchos datos, conocimientos de inteligencia artificial y aprendizaje automático, hardware especializado y muchos de ellos, probablemente también un montón de dinero para pagarlos.

No soy el mayor experto, pero como filósofo y alguien interesado en la tecnología, mi mejor intento de respuesta es aproximadamente el siguiente:

  1. Aplicar conocimiento general: la respuesta de Nathan Coppedge a ¿Qué es la deducción categórica?
  2. Implemente la resolución de problemas: la respuesta de Nathan Coppedge a ¿Cuál es un método general para resolver todas las paradojas?
  3. En este punto, con algo de IA convencional (léase: cómo crear cadenas a partir de lo anterior), puede ubicarlo en algún lugar de la educación lineal utilizando esta estructura: Educación lineal
  4. Ahora deje que el entorno inflexionado por la personalidad (o no personalidad) determine las entradas. En cualquier momento, esto implica reconocer categorías para aplicar deducciones, o saber cómo aplicar cosas a categorías para hacer inferencias complejas, o aplicar inferencias ya hechas a interacciones con el entorno o el procesamiento interno. Será muy importante no detener el procesamiento del robot o permitirle aplicar cosas desde la memoria del sistema. Probablemente aprenderá muy rápido (podría ayudarlo con eso). En este punto, el robot depende de la estimulación, por lo que si la interacción se produce continuamente, entonces puede ser una inteligencia general funcional, aunque ligeramente disfuncional. Puede que tenga que ‘soltar los controles’, en cuyo punto la moralidad será una preocupación separada de la inteligencia.
  5. Ahora, puede agregar sofisticación artificialmente al darle a la IA algo para aprender, como un libro de símbolos o algo para leer. Sin embargo, es posible que no se motive a sí mismo a menos que tenga un papel como computadora, personalidad (por ejemplo, ‘sabiduría’ o ‘IQ’; son como consultas dominantes que eliminan el ruido bajo ciertas suposiciones) o un robot. Explicar su propia función puede ser una de las únicas formas de obtener conocimiento aplicado para trabajar con identidad. De esta manera, un brazo o un ojo pueden explicarse de la misma manera que toda la IA
  6. La conciencia, por otro lado, parece tratarse de la estimulación que depende de un motivo para estar vivo, o viceversa.

Para construir Inteligencia Artificial General, necesitamos burlarnos de un cerebro humano en el software lo más detallado posible.

De una manera muy simplificada, un cerebro humano consta de varios bloques funcionales:

  • Módulos de reconocimiento de datos sensoriales
  • Memoria a largo plazo
  • Memoria de trabajo
  • Módulos de procesamiento de datos

Organicé estos bloques aquí en orden de grado de nuestro entendimiento de cómo funcionan y nuestra capacidad para implementar su funcionalidad a través del software

Entonces, para crear AGI uno debe implementar estas estructuras como piezas de software conectadas y luego comenzar a enseñarlo como un niño. Por supuesto, enseñar AGI será muy diferente de lo que hacemos con nuestros hijos, ya que no tiene un cuerpo y sensores reales. Tendremos que preparar conjuntos de datos especiales para proporcionar todo el conocimiento mundial y el sentido común

Es un trabajo enorme y está mucho más allá de las capacidades de un solo hombre, por lo que debería ser realizado por instituciones globales.

Entiendo cómo funcionan estos bloques con gran detalle y programo un poco, pero el proceso es frustrantemente lento

Esto es como pasar de elemento a género, o categoría de excepciones.

Defínalo. Esto capturará algunas de las capacidades en palabras o símbolos. Probablemente no sea así, pero proporciona un comienzo. Si cada experto contribuyó con sus técnicas, eso cubre lo que sabe, pero quizás no las condiciones de las que derivaron, y tal vez no las circunstancias futuras. Entonces, en ese sentido, es como poder ejecutar un algoritmo contra datos históricos y obtener resultados mejores que el promedio. O en este caso pueden querer que se vea como humano. Es probable que suceda con los sistemas y componentes en poco tiempo, por lo que el tiempo es significativo.

Tener más de estos que cualquier otro puede parecer el entorno al que los usuarios tendrán que adaptarse, pero no todos lo harán. Lo que lo hace como otro movimiento convencional por un tiempo. Lo que se convierte en una tarea en el campo en una década más o menos.

Y están aprovechando lo más cercano para una especie de despegue. La capacidad de aprender está actualmente de moda porque si puede atravesar múltiples juegos, entonces muestra una habilidad general similar a los exámenes para humanos. Y se espera que continúe avanzando desde allí. Lo cual parece determinista. Y genera preocupaciones sobre la autonomía, los intereses humanitarios, la sostenibilidad, etc.

En este momento hay algunas arquitecturas propuestas basadas en cada enfoque, ninguna de las cuales se ha ampliado lo suficiente todavía, por lo que ese es otro requisito. Resuelve problemas que nadie más ha podido hacer, por lo que agrupar un grupo de sistemas especializados puede no estar todos en la misma clase y podría conducir a un nuevo tipo, y este es el enfoque clásico. Otro es el cerebro artificial que puede intercambiarse por el natural, o mejorarse de alguna manera para llevar las cosas a un mejor estado. Pueden pensar que han coincidido con capas de neuronas, pero las sinapsis son complejas y capaces de ajustarse, y así sucesivamente. Y hay otras preocupaciones sobre los trastornos más nuevos que esto podría evidenciar, por lo que cada uno tiene que repararse para llegar a una versión práctica.

Decir que algo es imposible generalmente es seguido por alguien que lo demuestra. Tienden a mirar la esencia, o el maquillaje, o las características, o la evolución, o la fuerza universal, y así sucesivamente. No todos los campos han sido cubiertos, pero saber cuáles serían proporcionaría una base. Algo tiene que aprender de sus errores. Decir que es AI generalmente se compara con lo que falta en comparación con otras versiones.

Esta puede ser la forma en que la conciencia se expande por esa tensión entre el yo y la conciencia. ¿Qué sabe y qué puede hacer? ¿Esto se vinculará inmediatamente a los sistemas automatizados y se ejecutará con él? Puede haber algún material que pueda hacer lo que tienen los cerebros, pero de manera más eficiente, por lo que tendrá la ventaja táctica. Pero también podría ser un zombie siempre que pudiera actuar como si lo supiera todo. Por lo tanto, es una forma de vincular a la información, así como una interfaz para la humanidad, que podría tener cualquier cantidad de estándares y formas para que el margen también se expanda como si tuviera representantes.

Determine qué falta la nube y si eso se puede agregar de manera similar a lo que sucedió en la web. Busque signos de inteligencia o bríndelos. Pruébelo fuera del planeta para ver si puede generalizarse. Averigüe si es para el beneficio de los usuarios o las tecnologías ‘. ¿Cuál es la pregunta crucial que no se hace?