Исследователи Google DeepMind предлагают рамки для классификации возможностей и поведения моделей их предшественников искусственного общего интеллекта (AGI)

Google DeepMind разрабатывает стандарты для классификации возможностей и поведения предшествующих моделей искусственного общего интеллекта (AGI)

Последние достижения в области искусственного интеллекта (AI) и моделей машинного обучения (ML) заставили обсуждение искусственного общего интеллекта (AGI) стать вопросом немедленной практической важности. В компьютерной науке искусственный общий интеллект, или AGI, является важной концепцией, которая относится к системе искусственного интеллекта, способной выполнять широкий спектр задач не хуже, чем люди. С ростом возможностей моделей машинного обучения становится все более актуальной необходимость в формальной моделировании и понимании поведения моделей AGI и их предшественников.

В ходе недавних исследований команда исследователей из Google DeepMind предложила рамки под названием “Уровни AGI”, разработав систематический подход, аналогичный уровням автономного вождения, для классификации навыков и поведения моделей искусственного общего интеллекта и их предшественников. Этот подход представляет три важных измерения: автономия, общность и производительность. Он предлагает общий словарь, который упрощает сравнение моделей, оценку рисков и отслеживание прогресса в области искусственного интеллекта.

Команда проанализировала предыдущие определения AGI, чтобы создать эту модель, выделив шесть идей, которые они считали необходимыми для практической онтологии AGI. Разработка предложенных рамок руководствовалась этими принципами, которые подчеркивают значимость сосредоточения на возможностях, а не на механизмах. Это включает оценку общности и производительности независимо друг от друга и определение не только конечной цели, но и последующих шагов при переходе к AGI.

Исследователи отмечают, что созданные уровни AGI основаны на двух фундаментальных аспектах: глубине, то есть производительности, и широте, которая представляет собой общность возможностей. Рамки облегчают понимание динамической среды систем искусственного интеллекта, классифицируя AGI на основе этих характеристик. Они предлагают отдельные шаги в зависимости от степени компетенции в области производительности и общности.

Команда признает сложности и сложность при оценке соответствия существующих систем искусственного интеллекта предложенному подходу. Обсуждаются также будущие эталоны, необходимые для точной оценки возможностей и поведения моделей AGI по сравнению с определенными порогами. Фокус на эталонных испытаниях является неотъемлемым условием для оценки развития, выявления областей, требующих развития, и обеспечения открытого и измеримого прогресса в области технологий искусственного интеллекта.

В рамках подхода были учтены вопросы развертывания, в частности риски и автономия, помимо технических соображений. Подчеркивая сложные взаимоотношения между факторами развертывания и уровнями AGI, команда подчеркивает важность тщательного выбора парадигм человеко-ИИ взаимодействия. Этический аспект внедрения высокоэффективных систем искусственного интеллекта также был выделен в связи с ответственным и безопасным развертыванием, требующим методичного и осторожного подхода.

В заключение, предложенная классификационная схема поведения и возможностей AGI является всесторонней и хорошо продуманной. Рамка подчеркивает необходимость ответственной и безопасной интеграции в контексты, сосредоточенные на человеке, и предоставляет структурированный путь для оценки, сравнения и руководства развитием и развертыванием систем AGI.