Google의 인공 지능(AI) 자회사 DeepMind는 몇 주 전에 Gato(동일한 훈련 모델을 사용하여 다양한 작업을 수행할 수 있는 에이전트)라고 부르는 "일반주의" 에이전트를 설명하는 논문을 발표한 이후 일반 인공 지능(AGI)을 주장합니다. 순수 규모를 통해 달성할 수 있다는 점은 인공지능 업계에서 치열한 논쟁을 불러일으켰습니다. 다소 학문적으로 보일 수도 있지만 현실은 일반 인공 지능이 코앞에 있다면 법, 규정, 경제 모델을 포함한 우리 사회가 준비가 되어 있지 않을 것이라는 것입니다.
실제로 동일한 훈련된 모델 덕분에 일반 요원 Gato는 Atari를 플레이하고, 사진에 캡션을 추가하고, 실제 로봇 팔로 채팅하거나 블록을 쌓을 수 있습니다. 또한 컨텍스트에 따라 텍스트 출력, 토크 연결, 버튼 누르기 또는 기타 마커를 결정할 수도 있습니다. 따라서 인기 있는 GPT-3, DALL-E 2, PaLM 또는 Flamingo보다 더 일반적인 AI 모델로 보입니다. 이들은 자연어 쓰기, 언어 이해 또는 이미지 기반 생성과 같은 매우 좁은 특정 작업에 매우 능숙합니다. 설명에.
이로 인해 DeepMind 과학자이자 옥스퍼드 대학교 교수인 Nando de Freitas는 "이제 모든 것은 규모에 관한 것입니다. 게임 끝입니다!"라고 주장하고 인공 일반 지능(AGI)이 전체 규모(예: 더 큰 모델, 더 큰 규모)를 통해 달성될 수 있다고 믿었습니다. 교육 데이터 세트 및 더 큰 컴퓨팅 성능). 그런데 데 프레이타스가 말하는 '게임이란 무엇인가? 이 논쟁은 실제로 무엇에 관한 것입니까?
이 논쟁의 세부 사항과 그것이 더 넓은 사회에 미치는 영향을 논의하기 전에 한 발 물러서서 맥락을 이해하는 것이 좋습니다.
"인공 지능"이라는 용어의 의미는 수년에 걸쳐 바뀌었지만 높은 수준의 일반적인 관점에서 지능 에이전트의 연구 분야로 정의할 수 있습니다. 환경과 목표 달성 가능성을 극대화하기 위해 조치를 취하는 시스템입니다. 이 정의는 오랫동안 열띤 논쟁의 주제였던 에이전트나 기계가 실제로 "생각"할 수 있는지 여부에 대한 질문을 의도적으로 제쳐두었습니다. 1950년 영국의 수학자 앨런 튜링(Alan Turing)은 그의 유명한 논문 "모방 게임(The Imitation Game)"에서 기계가 생각할 수 있는지 여부를 고려하는 대신 "기계가 지능적인 행동을 보일 가능성이 있는지 여부"에 초점을 맞추는 것이 더 낫다고 주장했습니다.
이 구별은 개념적으로 인공 지능의 두 가지 주요 분야, 즉 강한 인공 지능과 약한 인공 지능으로 이어집니다. AGI(Artificial General Intelligence)라고도 알려진 Strong AI는 기계가 인간과 동일한 지능을 요구하는 이론적 형태의 인공 지능입니다. 그러므로 자기를 인식하고 문제를 해결하고 학습하며 미래를 계획하는 능력을 갖게 됩니다. 이는 인공지능에 대한 가장 야심찬 정의이자 '인공지능의 성배'이지만 현재로서는 순수한 이론으로만 남아 있다. 강력한 AI를 달성하기 위한 접근 방식은 종종 상징적 AI를 중심으로 진행됩니다. 여기서 기계는 물리적이고 추상적인 "세계"에 대한 내부 상징적 표현을 형성하여 규칙이나 추론을 적용하여 추가 학습과 결정을 내릴 수 있습니다.
이 분야에 대한 연구가 계속되는 동안, 세계의 내부적 또는 상징적 표현은 규모가 커짐에 따라 빠르게 관리하기 어려워지기 때문에 실제 문제를 해결하는 데는 제한적인 성공을 거두었습니다.
약한 AI("좁은 AI"라고도 함)는 사용자 입력을 기반으로 질문에 답하기, 얼굴 인식 또는 체스 게임과 같은 특정 작업을 수행하는 데 초점을 맞추는 동시에 인간의 개입에 의존하여 정의하는 AI에 대한 덜 야심찬 접근 방식입니다. 학습 알고리즘의 매개변수를 파악하고 관련 교육 데이터를 제공하여 정확성을 보장합니다.
그러나 약한 인공 지능에서는 상당한 진전이 있었고 잘 알려진 예로는 얼굴 인식 알고리즘, 자연어 모델(예: OpenAI의 GPT-n), 가상 비서(예: Siri 또는 Alexa), Google/DeepMind의 체스 프로그램이 있습니다. AlphaZero 및 어느 정도 무인 자동차.
약한 인공 지능을 달성하는 방법은 동물의 뇌를 구성하는 생물학적 신경망에서 영감을 얻은 시스템인 인공 신경망을 사용하는 경우가 많습니다. 이는 "입력 레이어"에 표시된 데이터와 상호 연결의 가중치를 기반으로 출력을 결정하는 활성화 함수와 결합된 상호 연결된 노드 또는 뉴런의 모음입니다. "출력"이 유용하거나 정확하도록 상호 연결의 가중치를 조정하기 위해 네트워크를 많은 데이터 예제에 노출하고 출력 손실을 "역전파"하여 "훈련"할 수 있습니다.
신경망과 규칙 기반 인공 지능을 결합한 "신경 기호 인공 지능"이라는 세 번째 가지가 있다고 할 수 있습니다. 개념적으로는 유망하고 타당하지만 생물학적 두뇌가 작동하는 방식에 더 가까워 보이기 때문에 아직 초기 단계에 있습니다.
현재 논쟁의 핵심은 충분한 규모의 AI와 머신러닝 모델을 통해 인공 일반 지능(AGI)이 진정으로 달성되어 상징적 인공 지능을 완전히 제거할 수 있는지 여부입니다. 이제 하드웨어 확장과 최적화의 문제일까요, 아니면 AI 알고리즘과 모델에서 더 많은 것을 발견하고 개발해야 할까요?
Tesla도 Google/DeepMind의 관점을 받아들이는 것 같습니다. Tesla는 2021년 인공지능(AI) 데이 행사에서 Tesla가 개발할 범용 휴머노이드 로봇인 Optimus라고도 알려진 Tesla Bot의 출시를 발표했습니다. 자동차. 흥미롭게도 이 회사의 CEO인 Elon Musk는 Optimus Prime이 결국 "인간이 하고 싶지 않은 모든 일"을 할 수 있을 것이라고 주장하면서 2023년까지 로봇을 생산할 수 있기를 희망한다고 밝혔습니다. 가능한.
그러나 덜 야심 찬 용어인 HLAI(인간형 인공 지능)를 선호하는 Meta의 수석 AI 과학자이자 뉴욕 대학의 교수인 Yann LeCun을 비롯한 다른 AI 연구 그룹은 여전히 많은 질문이 있다고 주장합니다. 해결해야 할 문제와 순수한 컴퓨팅 능력으로는 해결할 수 없는 문제에는 새로운 모델이나 소프트웨어 패러다임이 필요할 수도 있습니다.
이러한 문제에서 기계는 아기와 같은 관찰을 통해 세상이 어떻게 돌아가는지 이해하고, 자신의 행동을 통해 세상에 어떤 영향을 미칠지 예측하고, 세상에 내재된 예측 불가능성을 처리하고, 세상이 미치는 영향을 예측하는 능력을 갖추고 있습니다. 일련의 행동을 통해 추상적인 공간에서 추론과 계획, 표현과 예측이 가능해집니다. 궁극적으로 논쟁은 이것이 기존 인공 신경망만을 이용한 경사 기반 학습으로 달성할 수 있는지, 아니면 더 많은 혁신이 필요한지 여부입니다.
딥 러닝 모델은 실제로 사람의 개입 없이 데이터에서 "핵심 기능"을 생성할 수 있지만, 더 많은 데이터와 컴퓨팅 성능을 활용하여 나머지 문제를 채굴하고 해결할 수 있다고 믿기 쉽습니다. 질문이지만 사실이 되기에는 너무 좋을 수도 있습니다. 간단한 비유를 사용하자면, 더 빠르고 더 강력한 자동차를 설계하고 제작한다고 해서 그 자동차가 날 수 있는 것은 아닙니다. 왜냐하면 비행 문제를 해결하려면 우선 공기역학을 완전히 이해해야 하기 때문입니다.
딥 러닝 AI 모델을 사용하여 이루어지고 있는 진전은 인상적이지만, 약한 AI 실무자의 낙관적인 견해가 단순히 Maslow의 망치의 사례인지 아니면 "도구의 법칙"인지 생각해 볼 가치가 있습니다. 가진 것은 망치이고 모든 문제를 못으로 보는 경향이 있습니다.”
Google/DeepMind, Meta 또는 Tesla와 같은 기초 연구는 대규모 예산에도 불구하고 학문적 협력 및 장기적인 사고보다 경쟁 및 시장 출시 속도에 더 중점을 두기 때문에 민간 업계를 불편하게 만드는 경우가 많습니다.
일반 인공지능을 해결하려면 AI 지지자들의 강자와 약자 간의 경쟁보다는 두 가지 접근 방식이 필요할 수 있습니다. 의식적 학습 능력과 무의식적 학습 능력을 모두 갖고 있는 인간의 뇌에 비유하는 것은 무리가 없습니다. 소뇌는 뇌 부피의 약 10%를 차지하지만 전체 뉴런 수의 50% 이상을 포함하고 있으며 운동 기술, 특히 손과 발과 관련된 조정 및 움직임은 물론 자세와 균형 유지를 담당합니다. 이 작업은 무의식적으로 신속하게 수행되며 실제로 어떻게 수행하는지 설명할 수 없습니다. 그러나 우리의 의식적인 두뇌는 비록 훨씬 느리긴 하지만 추상적인 개념, 계획, 예측을 처리할 수 있습니다. 또한, 의식적으로 지식을 습득하고 훈련과 반복을 통해 자동화를 달성하는 것도 가능합니다. 이는 프로 운동선수들이 잘하는 일입니다.
자연이 수십만 년에 걸쳐 인간의 두뇌를 하이브리드 방식으로 진화시켰다면 왜 평균 인공 지능 시스템이 단일 모델이나 알고리즘에 의존하는지 묻지 않을 수 없습니다.
궁극적으로 인공 일반 지능을 가능하게 하는 구체적인 기본 AI 기술에 관계없이, 이 이벤트는 바퀴, 증기 기관, 전기 또는 컴퓨터와 마찬가지로 우리 사회에 큰 영향을 미칠 것입니다. 틀림없이 기업이 인간을 로봇으로 완전히 대체할 수 있다면 자본주의 경제 모델이 바뀌어야 할 것입니다. 그렇지 않으면 결국 사회 불안이 뒤따르게 될 것입니다.
그러고보니 지금 진행되고 있는 논쟁이 약간 기업 PR과 비슷할 수도 있고, 현실적으로 일반 인공지능은 우리가 생각하는 것보다 훨씬 더 멀리 떨어져 있기 때문에 그 잠재적인 영향을 다룰 시간이 있습니다. 그러나 단기적으로는 일반 인공지능 추구가 소프트웨어, 반도체 등 특정 기술 분야에 대한 투자를 지속적으로 주도할 것이 분명하다.
약한 AI 프레임워크 하에서 특정 사용 사례의 성공으로 인해 기존 하드웨어 기능에 대한 압박이 커졌습니다. 예를 들어, 2020년에 출시된 인기 있는 Generative Pre-Trained Transformer 3(GPT-3) 모델 OpenAI는 이미 인간과 같은 유창함으로 원시 산문을 작성할 수 있으며 1,750억 개의 매개변수를 가지고 있으며 훈련하는 데 몇 달이 걸립니다.
CPU, GPU, FPGA 등 오늘날의 기존 반도체 제품 중 일부는 딥 러닝 알고리즘을 다소 효율적으로 컴퓨팅할 수 있다고 말할 수 있습니다. 그러나 모델 크기가 커질수록 성능이 만족스럽지 못해지고, AI 워크로드에 최적화된 맞춤형 설계에 대한 필요성이 대두됩니다. Amazon, Alibaba, Baidu 및 Google과 같은 주요 클라우드 제공업체는 물론 Tesla와 Cambrian, Cerebras, Esperanto, Graphcore, Groq, Mythic 및 Sambanova와 같은 다양한 반도체 스타트업도 이 경로를 택했습니다.
위 내용은 게임 끝? 강한 AI와 약한 AI의 대결의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
