مدیرعامل انویدیا ادعا کرد: «ما به AGI دست‌یافته‌ایم»

به نقل از فورچون، AGI مدت‌هاست که هدف نهایی بسیاری از پژوهشگران هوش مصنوعی به شمار می‌رود؛ حتی باوجوداینکه هیچ تعریف پذیرفته‌شده جهانی برای این اصطلاح وجود ندارد. این مفهوم عموماً به معنای نوعی از هوش مصنوعی است که به‌اندازه انسان‌ها هوشمند است، اما بر سر نحوه دقیق تعریف و اندازه‌گیری «هوش» بحث‌های زیادی وجود دارد.

سؤال میلیارددلاری

فریدمن معیار بسیار نامتعارفی را برای AGI به هوانگ پیشنهاد داده بود:
آیا هوش مصنوعی می‌تواند یک کسب‌وکار فناوری را راه‌اندازی کرده و تا جایی توسعه دهد که ارزش آن به ۱ میلیارد دلار برسد؟
فریدمن پرسید که آیا هوانگ فکر می‌کند AGI با این تعریف می‌تواند در طی ۵ تا ۲۰ سال آینده محقق شود. هوانگ پاسخ داد که فکر نمی‌کند چنین زمان طولانی‌ای نیاز باشد و گفت: «من فکر می‌کنم همین حالا زمان آن است. من فکر می‌کنم ما به AGI دست‌یافته‌ایم.»

پژوهشگران هوش مصنوعی، اندکی با تعریف AGI که فریدمن به هوانگ ارائه داد موافق هستند؛ تعریفی که هم خاص‌تر بود (یک شرکت به ارزش ۱ میلیارد دلار) و هم نسبت به اکثر تعاریف AGI محدودتر بود. تعاریفی متداول AGI معمولاً به تطبیق با طیف گسترده‌ای از مهارت‌های شناختی انسانی اشاره دارند که ممکن است همه آن‌ها برای ساخت یک کسب‌وکار موفق موردنیاز نباشند. اما پژوهشگران هوش مصنوعی همچنین بر سر اینکه تعریف بهتر چه باید باشد، با یکدیگر اختلاف‌نظر دارند. این اصطلاح همچنان به شکلی سرسختانه مبهم باقی مانده است. برخی از دانشمندان علوم کامپیوتر دقیقاً به این دلیل که می‌گویند این مفهوم برای همیشه تعریف‌نشده و غیرقابل‌سنجش است، کلاً از به‌کاربردن آن اجتناب می‌کنند. دیگران نیز می‌گویند شرکت‌های فناوری به دلایل کاملاً سودجویانه از این اصطلاح استفاده می‌کنند؛ دقیقاً به این دلیل که تعریف دقیقی ندارد، برای شرکت‌ها آسان است که با ادعای برداشتن گام‌های بزرگ به‌سوی دستیابی به این نقطه عطف افسانه‌ای، هیاهو به پا کنند. اما هیاهوی پیرامون اظهارات هوانگ درباره AGI تنها به برجسته‌تر شدن این معضل در قلب رونق هوش مصنوعی کمک می‌کند.

تلاش برای سنجش AGI

تنها چند روز پیش از انتشار پادکست فریدمن، پژوهشگران DeepMind از جمله «شین لگ» هم‌بنیان‌گذار DeepMind که در اوایل دهه ۲۰۰۰ میلادی به رواج اصطلاح AGI کمک کرد؛ مقاله پژوهشی جدیدی را منتشر کردند که روشی علمی‌تر برای تعریف و ارزیابی اینکه آیا مدل‌های هوش مصنوعی به هوش جامع دست یافته‌اند یا خیر را پیشنهاد می‌کرد. این مقاله با عنوان «Measuring Progress Toward AGI: A Cognitive Framework»، بر دهه‌ها پژوهش در روان‌شناسی، علوم اعصاب و علوم‌شناختی تکیه دارد تا آنچه را که نویسندگانش «آرایه‌شناسی شناختی» (Cognitive Taxonomy) می‌نامند، بنا کند.

این آرایه‌شناسی ۱۰ قوه شناختی کلیدی از جمله ادراک، استدلال، حافظه، یادگیری، توجه و شناخت اجتماعی را شناسایی می‌کند که پژوهشگران استدلال می‌کنند برای هوش جامع ضروری هستند. این چارچوب پیشنهاد می‌کند که سیستم‌های هوش مصنوعی در هر ۱۰ قوه ارزیابی شوند و عملکرد آن‌ها با یک نمونه معرف از بزرگسالان انسانی با حداقل تحصیلات معادل متوسطه مقایسه شود.

بینش کلیدی این مقاله آن است که مدل‌های هوش مصنوعی امروزی دارای یک نمایه شناختی «ناهموار» (Jagged) هستند. نمایه شناختی ناهموار یعنی ممکن است مدل‌ها در برخی زمینه‌ها مانند ریاضیات یا یادآوری حقایق از اکثر انسان‌ها فراتر بروند، درحالی‌که در زمینه‌های دیگر مانند یادگیری از تجربه، حفظ حافظه بلندمدت یا درک موقعیت‌های اجتماعی به‌شدت از سطح متوسط انسان‌ها عقب‌تر هستند. پژوهشگران DeepMind پیشنهاد می‌کنند که یک مدل هوش مصنوعی برای اینکه AGI در نظر گرفته شود، باید حداقل با عملکرد میانه انسانی در هر ۱۰ حوزه برابری کند.

این پژوهشگران همچنین مسابقه‌ای با مجموع جوایز ۲۰۰,۰۰۰ دلار را در Kaggle برای پژوهشگران آزاد برگزار کردند تا به ساخت ارزیابی‌هایی برای ۵ قوه شناختی که در آزمون‌های بنچمارک موجود جزء ضعیف‌ترین موارد هستند، کمک بگیرند.

مقاله DeepMind تنها جدیدترین مورد از سلسله تلاش‌های اخیر برای قراردادن سنجش هوش بر پایه‌ای دقیق‌تر و علمی‌تر است. سال گذشته میلادی، تیمی به رهبری «دن هندریکس» (Dan Hendrycks) در Center for AI، بنچمارک ARC-AGI را معرفی کرد که شامل وظایف حل‌کردن پازل بصری از شبکه‌هایی از سلول‌های رنگی است. هر وظیفه چند نمونه از یک شبکه ورودی را نشان می‌دهد که طبق یک قانون پنهان به یک شبکه خروجی تبدیل می‌شود و آزمون‌دهنده باید قانون را کشف کرده و آن را در یک ورودی جدید اعمال کند. برای یک انسان، درک این الگو معمولاً چند ثانیه طول می‌کشد. برای مدل‌های پیشرفته هوش مصنوعی، این پازل‌ها به طرز شگفت‌آوری دشوار باقی می‌مانند، زیرا آن‌ها به‌نوعی استدلال انتزاعی و انعطاف‌پذیر از جمله تشخیص تقارن‌ها، درک روابط فضایی و استنتاج قوانین از معدود نمونه‌ها نیاز دارند که سیستم‌های فعلی نسبت به آن‌ها با مشکل مواجه هستند.

گزارش «باید برای پیامدهای ژئوپلیتیکی هوش مصنوعی آماده شویم» به قلم «دن هندریکس» در نسخه فارسی «ویژه‌نامه هوش مصنوعی مجله تایم» در هوشیو

اخیراً نیز «شوله» و همکارانش ARC-AGI-3 را که جدیدترین و دشوارترین نسخه از این بنچمارک است، راه‌اندازی کردند. بر خلاف نسخه‌های قبلی که پازل‌های استاتیک ارائه می‌کردند، ARC-AGI-3 تعاملی است. عامل‌های هوش مصنوعی باید محیط‌های جدید را کاوش کنند، اهداف را در لحظه به دست آورند، مدل‌های جهانی سازگار بسازند و به طور مداوم در مراحل متعدد یاد بگیرند؛ توانایی‌هایی که برای انسان‌ها طبیعی هستند، اما در مرزهای پژوهش‌های هوش مصنوعی باقی‌مانده‌اند.

در مجموع، این بنچمارک‌های جدید نشان‌دهنده تلاشی روبه‌رشد در جامعه پژوهشی هوش مصنوعی برای جایگزینی تعاریف مبهم درباره AGI با چیزی نزدیک‌تر به اندازه‌گیری علمی است. اما همان‌طور که این پژوهشگران اولین کسانی هستند که اعتراف می‌کنند، دشواری تعریف هوش به‌اندازه قدمت خودِ مطالعه تفکر است و هوش مصنوعی را به‌عنوان یک حوزه از همان روزهای اولیه‌اش آزار داده است.

تعریف هوش

در سال ۱۹۵۰، پیش از آنکه حتی اصطلاح «هوش مصنوعی» ابداع شود و زمانی که ریاضی‌دانان و مهندسان برق تازه در حال شروع ساخت اولین کامپیوترهای مدرن بودند، «آلن تورینگ»، ریاضی‌دان مشهور بریتانیایی و از پیشگامان کامپیوتر، با این واقعیت دست‌وپنجه نرم می‌کرد که فرمول‌بندی تعریفی از هوش بسیار دشوار است.

در هوشیو بخوانید:
نابغه‌ای که نازی‌ها را شکست داد
مروری بر زندگی آلن تورینگ؛ پدر علم کامپیوتر و هوش مصنوعی

تورینگ به‌جای تلاش برای ارائه یک تعریف، ارزیابی‌ای را پیشنهاد کرد که آن را «بازی تقلید» (Imitation Game) نامید که بعدها به نام «آزمون تورینگ» (Turing Test) مشهور شد. آزمون تورینگ مقرر می‌کرد که یک ماشین در صورتی باید هوشمند تلقی شود که بتواند از طریق متن با یک فرد مکالمه‌ای عمومی داشته باشد و شخص دیگری که صرفاً فقط در حال خواندن این مکالمه است، نتواند تشخیص دهد که کدام شرکت‌کننده ماشین و کدام انسان است. این آزمون در اصل رویکردی بر پایه «هر وقت آن را ببینم، آن را می‌شناسم» (I’ll know it when I see it) نسبت به هوش بود.

اما آزمون تورینگ نیز به‌سرعت دردسرساز شد. Eliza، چت‌باتی که در اواسط دهه ۱۹۶۰ در MIT توسعه یافت، برای تقلید از یک روان‌درمانگر طراحی شده بود. بیشتر پاسخ‌های آن از قوانین منطقیِ کدنویسی‌شده پیروی می‌کرد؛ Eliza اغلب با پرسش‌هایی مانند «چرا این‌طور فکر می‌کنی؟» یا «بیشتر برایم بگو» به کاربران پاسخ می‌داد تا درک ضعیف زبانی خود را پنهان کند. بااین‌حال، Eliza برخی از افراد را فریب داد تا باور کنند که واقعاً آن‌ها را درک می‌کند. Eliza به قبولی در آزمون تورینگ نزدیک شد، اگرچه تقریباً در هیچ معیار دیگری هیچ شباهتی به توانایی‌های شناختی انسان نداشت. در حقیقت یک چت‌بات پیچیده‌تر به نام Eugene Goostman در سال ۲۰۱۴ به طور رسمی در یک رقابت زنده آزمون تورینگ پذیرفته شد، اما باز هم بدون آنکه به بیشتر مهارت‌های شناختی انسانی نزدیک شود.

مدل‌های زبان بزرگ امروزی بسیار روان‌تر از آن چیزی که Eliza می‌توانست، مکالمه می‌کنند؛ اما هنوز نمی‌توانند با انسان‌ها در طیف کامل توانایی‌های شناختی برابری کنند. آن‌ها راجع به حقایق& توهم (Hallucinate) می‌زنند، در برنامه‌ریزی‌های بلندمدت مشکل دارند و نمی‌توانند مانند یک انسان از تجربه‌های خود یاد بگیرند.

در مقایسه با آزمون تورینگ، اصطلاح «هوش جامع مصنوعی» نسبتاً جدید است. این اصطلاح اولین‌بار در سال ۱۹۹۷ توسط «مارک گوبرود» (Mark Gubrud) که در آن زمان دانشجوی تحصیلات تکمیلی در دانشگاه مریلند بود، ابداع شد که از این واژه نوساخته در مقاله‌ای در سال ۱۹۹۷ که در یک کنفرانس فناوری نانو ارائه کرد، استفاده کرد. او از عبارت «هوش جامع مصنوعی پیشرفته» برای توصیف سیستم‌های هوش مصنوعی استفاده کرد که می‌توانند «در پیچیدگی و سرعت با مغز انسان رقابت کنند یا از آن پیشی بگیرند، بتوانند دانش عمومی را کسب کنند، آن را دست‌کاری و به کمکش استدلال کنند و اساساً در هر مرحله از عملیاتی که در غیر این صورت به هوش انسانی نیاز است، قابل‌استفاده باشند.» اما این مقاله به‌سرعت به دست فراموشی سپرده شد.

سپس در اوایل دهه ۲۰۰۰، شین لگ نیز مستقلاً همین اصطلاح را ابداع کرد. او چند دانشمند علوم کامپیوتر دیگر از جمله «بن گوئرتزل»، «کاسیو پناچین» و… روی کتابی درباره راه‌های بالقوه برای ایجاد سیستم‌های یادگیری ماشین که بتوانند به طیف وسیعی از مشکلات و وظایف رسیدگی کنند، همکاری می‌کرد. آن‌ها خواهان اصطلاحی بودند که جاه‌طلبی این سیستم‌ها را از الگوریتم‌های محدود یادگیری ماشین که در آن زمان رواج داشتند متمایز کند؛ زیرا الگوریتم‌های یادگیری ماشین پس از آموزش تنها می‌توانستند به یک وظیفه محدود واحد بپردازند. گوئرتزل در نظر داشت که این هوش جامع‌تر مصنوعی را «هوش مصنوعی واقعی» (Real AI) یا «هوش مصنوعی قوی» (Strong AI) بنامد، اما لگ به‌جای آن «هوش جامع مصنوعی» را پیشنهاد داد، درحالی‌که از پیشنهاد قبلی گوبرود بی‌اطلاع بود. او همچنین پیشنهاد کرد که این اصطلاح به‌صورت AGI مخفف شود. این دفعه بود که AGI به‌شدت موردتوجه قرار گرفت.

نشریه اکونومیست در گزارش «مغز متفکر پشت پرده DeepMind کیست؟» گریزی به منشا واژه AGI زده است.

گوئرتزل در کتاب خود AGI را به‌عنوان «سیستم‌های هوش مصنوعی که دارای درجه معقولی از خودفهمی و خودکنترلیِ خودمختار هستند و توانایی حل انواع مشکلات پیچیده در زمینه‌های مختلف و یادگیری برای حل مشکلات جدیدی که در زمان ایجادشان از آن‌ها اطلاعی نداشتند را دارند» تعریف کرد.

این تعریف هرچند برای تفکیک کار بر روی سیستم‌های هوش جامع مصنوعی از سیستم‌های محدود یادگیری ماشین مفید بود؛ اما نقاط ابهام قابل‌توجهی را نیز در خود داشت.
منظور از «درجه معقول» چه بود؟
کدام مشکلات پیچیده در کدام زمینه‌ها جزو این استاندارد به‌حساب می‌آمدند؟

لگ بعدها با ارائه یک تعریف غیررسمی‌تر از AGI که از برخی جهات محدودتر بود (مثلاً درباره خودفهمی صحبت نمی‌کرد) اما به همان اندازه مبهم بود؛ باز هم به این ابهام افزود. به‌عنوان‌مثال، او سال گذشته میلادی به «نیک تامپسون» از آتلانتیک گفت: «من AGI را به‌عنوان یک عامل مصنوعی تعریف می‌کنم که می‌تواند کارهای شناختی‌ای را انجام دهد که افراد معمولاً می‌توانند انجام دهند. من این را حداقل سطح طبیعی می‌دانم.»
اما کدام کارها؟
و کدام افراد؟

پرسش‌هایی ازاین‌دست همیشه پیرامون AGI بوده‌اند.
آیا این اصطلاح به معنای نرم‌افزاری است که با توانایی‌های شناختی یک انسان در سطح متوسط برابری می‌کند؟ یا توانایی‌های انسان‌هایی با بالاترین IQ و بهره هوشی؟ یا بهترین متخصص در هر حوزه فردی از دانش؟
به‌عنوان‌مثال، مقاله پژوهشی هندریکس و بنجیو، AGI را به‌عنوان تطابق با یا فراتر رفتن از «تطبیق‌پذیری شناختی و مهارت یک بزرگسال تحصیل‌کرده» تعریف می‌کند؛ اما مقاله DeepMind اندازه‌گیری در برابر یک نمونه معرف از بزرگسالان را پیشنهاد می‌کند. دیگران از فرمول‌بندی‌های با دقت کمتری استفاده کرده‌اند.

برای افزودن به این سردرگمی، AGI در بحث‌های عمومی اغلب با مفهومی که پژوهشگران هوش مصنوعی آن را «ابر هوش مصنوعی» یا ASI می‌نامند (Artificial Superintelligence: یک هوش مصنوعی که از مجموع همه انسان‌ها باهوش‌تر است) اشتباه گرفته می‌شود. اکثر پژوهشگران هوش مصنوعی، AGI و ASI را نقاط عطف جداگانه‌ای می‌دانند و از نظر میزان پیچیدگی بسیار متفاوت در نظر می‌گیرند، اما در تصور عموم، این دو اغلب با هم آمیخته می‌شوند.

AGI به یک هدف سازمانی و یک شعار بازاریابی تبدیل می‌شود

اگر بحث دانشگاهی بر سر تعریف AGI طولانی و ظریف بوده است، دنیای شرکت‌ها تعاریفی را معرفی کرده‌اند که اگر بخواهیم منصفانه بگوییم، کاملاً سلیقه‌ای و نامتعارف هستند. DeepMind اولین شرکتی شد که پیگیری «هوش جامع مصنوعی» را به یک هدف تجاری تبدیل کرد. لگ این عبارت را در صفحه اول اولین طرح تجاری شرکت زمانی که به همراه «دمیس هاسابیس» و «مصطفی سلیمان» این شرکت را در سال ۲۰۱۰ تأسیس کردند، قرار داد.

پنج سال بعد، OpenAI نیز ساخت AGI را به مأموریت صریح خود تبدیل کرد. اصول بنیان‌گذاری اولیه OpenAI در سال ۲۰۱۵ می‌گفت که این آزمایشگاه جدید که در آن زمان غیرانتفاعی بود به حصول اطمینان از اینکه «هوش جامع مصنوعی به نفع تمام بشریت است» اختصاص دارد. سه سال بعد، زمانی که این آزمایشگاه برای اولین‌بار یک بازوی انتفاعی راه‌اندازی کرد، منشوری را منتشر کرد که AGI را «به‌عنوان سیستم‌های بسیار خودمختاری که در بیشتر کارهای دارای ارزش اقتصادی از انسان‌ها بهتر عمل می‌کنند» تعریف می‌کرد. اینجا بود که برای اولین‌بار، AGI با معیارهای مالی سنجیده می‌شد، نه صرفاً معیارهای شناختی.

همان‌طور که مشخص شد، OpenAI پس از مدتی به طور مخفیانه یک آستانه مالی بسیار خاص برای AGI تعیین کرد. در سال ۲۰۱۹ و هنگامی که مایکروسافت برای اولین‌بار ۱ میلیارد دلار در بازوی انتفاعی OpenAI سرمایه‌گذاری کرد، این توافق مایکروسافت را به شریک ترجیحی تجاری‌سازی OpenAI برای هر مدل هوش مصنوعی که این آزمایشگاه تا سطح AGI توسعه می‌داد؛ اما به طور کلیدی شامل خود AGI نمی‌شد، تبدیل کرد. در آن زمان گزارش شد که تصمیم‌گیری درباره اینکه چه زمانی AGI محقق شده است، در اختیار هیئت‌مدیره غیرانتفاعی OpenAI خواهد بود.

اما بر اساس گزارش The Information در سال ۲۰۲۴، یک نکته کلیدی این بود که زمانی که مایکروسافت موافقت کرد مبلغ ۱۰ میلیارد دلار دیگر در سال ۲۰۲۳ روی OpenAI سرمایه‌گذاری کند، قرارداد آن با OpenAI حاوی بندی بود که AGI را به‌عنوان فناوری‌ای تعریف می‌کرد که می‌تواند حداقل ۱۰۰ میلیارد دلار سود ایجاد کند. OpenAI به‌هیچ‌وجه حتی نزدیک به این رقم هم نیست. بر اساس گزارش‌ها، این شرکت به سرمایه‌گذاران گفته است که سال گذشته ۱۳ میلیارد دلار درآمد داشته است، اما همچنان ۸ میلیارد دلار پول نقد سوزانده است. انتظار نمی‌رود این شرکت تا سال ۲۰۳۰ به نقطه سربه‌سری برسد.

با وجود فاصله زیاد تا آستانه مالی AGI در قراردادش با مایکروسافت؛ سم آلتمن، مدیرعامل OpenAI، اغلب اظهاراتی داشته است که نشان می‌دهد OpenAI به دستیابی به این نقطه عطف هوش مصنوعی بر اساس سایر بنچمارک‌ها نزدیک است. آلتمن در پستی در وبلاگ شخصی خود در ژانویه ۲۰۲۵ با عنوان «Reflections»، نوشت: «OpenAI اکنون اطمینان دارد که می‌دانیم چگونه AGI را همان‌طور که به طور سنتی درک کرده‌ایم بسازیم» و این شرکت شروع به چرخاندن هدف خود به‌سوی ابرهوش مصنوعی کرده است. در مقاله بعدی با عنوان «Three Observations»، نوشت که سیستم‌هایی که به سمت AGI اشاره می‌کنند در حال «نمایان‌شدن» هستند. بااین‌حال به نظر می‌رسید که آلتمن ضعف AGI به‌عنوان یک مفهوم را تصدیق می‌کند. تقریباً در همان زمانِ پست وبلاگ «Reflections»، آلتمن به خبرنگار بلومبرگ گفت که «AGI به یک اصطلاح بسیار شلخته تبدیل شده است.»

مایکروسافت نیز ترجیح داده است زمانی که مطابق با اهداف بازاریابی شرکت بوده، تعریف مالی AGI که با OpenAI به توافق رسیده بود را نادیده بگیرد. در مارس ۲۰۲۳، تیمی از پژوهشگران مایکروسافت یک مقاله ۱۵۴ صفحه‌ای درباره GPT-4 با عنوان شیطنت‌آمیز «Sparks of Artificial General Intelligence» منتشر کردند که استدلال می‌کرد این مدل می‌تواند «به طور معقولی به‌عنوان یک نسخه اولیه (اما هنوز ناقص)» از AGI در نظر گرفته شود. این مقاله به دلیل هیاهو پیرامون توانایی‌های GPT-4 برای اهداف تجاری به طور گسترده‌ای مورد انتقاد قرار گرفت. حتی آلتمن نیز نسبت به آن جبهه گرفت و عنوان کرد که «GPT-4هنوز دارای نقص و محدود» است.

پژوهش‌ها و بنچمارک‌های جدید از سوی گوگل DeepMind و تیم هندریکس-بنجیو پیشرفت‌هایی را در جهت ایجاد یک معیار برای AGI انجام داده است؛ معیاری که ریشه در دهه‌ها مطالعه در مورد هوش انسانی دارد و آنچه روشن است؛ این است که بهترین مدل‌های هوش مصنوعی امروزی هنوز با گستردگی و عمق توانایی‌های شناختی انسانی مطابقت ندارند.

هوانگ این را می‌داند؛ همان‌طور که بدون‌شک از جنون شبانه‌روزی رسانه‌های اجتماعی و تیترهایی که با گفتن اینکه AGI محقق شده است ایجاد می‌کند، کاملاً آگاه بود. ما می‌دانیم هوانگ این را می‌داند؛ زیرا بعداً در همان پادکستی که در آن گفت «AGI محقق شده است» نیز گفت که عامل‌های هوش مصنوعی محبوب OpenClaw که می‌توانند توسط هر یک از بهترین مدل‌های هوش مصنوعی شرکت‌هایی مانند Anthropic و OpenAI پشتیبانی شوند، هرگز نمی‌توانند انویدیا را بازتولید کنند. هوانگ گفت: «اکنون، شانس اینکه ۱۰۰,۰۰۰ عدد از این عامل‌ها انویدیا را بسازند صفر درصد است.»

هوانگ فقط مدیرعامل انویدیا نیست. او همچنین بنیان‌گذار شرکت و فردی است که ۳۳ سال است این شرکت را اداره می‌کند و در یک مقطع آن را از مرز ورشکستگی عبور داده است تا اکنون ارزش آن را به بیش از ۴ تریلیون دلار برساند که آن را به یکی از باارزش‌ترین شرکت‌های جهان تبدیل می‌کند. از بسیاری جهات، هوانگ یک نابغه بی‌نظیر است. اما او همچنین یک انسان بسیار عادی است.