Vanaf de vroegste stadia van kunstmatige intelligentie, en in het bredere spectrum van computertechnologie, hebben denkers altijd aangenomen dat intelligentie in machines een vergelijkbaar pad zou volgen als de menselijke gedachtegang. Dit is immers niet onlogisch, gezien we tot nu toe geen grotere cognitieve kracht kennen dan die van het menselijk brein. Het lijkt dan ook een logische keuze om te proberen deze te repliceren, vooral als het doel is om intensieve cognitieve verwerking te ontwikkelen.
Toch is er tegenwoordig een levendig debat gaande over de meest effectieve manier om ware Artificiële Algemene Intelligentie (AGI) te realiseren. Specifiek hebben recente ontwikkelingen in deep learning, die weliswaar geïnspireerd zijn door de werking van het menselijk brein maar daar toch aanzienlijk van afwijken, aangetoond dat er alternatieve benaderingen mogelijk zijn. Deze ontwikkelingen suggereren dat we niet per se het menselijk denken hoeven na te bootsen om machines te ontwikkelen die kunnen redeneren en problemen oplossen op manieren die tot voor kort ondenkbaar waren. Deze nieuwe inzichten openen deuren naar ongekende mogelijkheden in de wereld van kunstmatige intelligentie en beloven een toekomst waarin machines niet alleen onze denkwijze repliceren, maar ons ook kunnen assisteren en aanvullen op manieren die onze menselijke capaciteiten overstijgen.
Ontdek Kunstmatige Algemene Intelligentie (AGI): De Toekomst van AI
Voor velen onder ons vertegenwoordigt Artificiële Algemene Intelligentie (AGI) de ultieme bekroning in de evolutie van kunstmatige intelligentie. Terugblikkend naar de begindagen van AI in de vroege jaren ’50, was er een droombeeld bij ingenieurs en wetenschappers over intelligente robots. Deze machines zouden in staat zijn tot het uitvoeren van een breed scala aan taken en zouden moeiteloos kunnen switchen tussen verschillende activiteiten. Een AGI zou beschikken over de capaciteit om te leren, te redeneren, te plannen, menselijke talen te interpreteren, en logisch te denken.
De essentie van AGI zou liggen in haar vermogen om bijna menselijk te denken en te leren. Deze geavanceerde machine zou complexe situatiegebonden contexten kunnen begrijpen en zou het vermogen hebben om de kennis en ervaringen opgedaan bij het volbrengen van een bepaalde taak over te dragen en toe te passen op geheel nieuwe taken. In essentie zou de AGI niet alleen een toonbeeld van technische innovatie zijn, maar ook een stap dichter bij het simuleren van het menselijke denkvermogen, een brug slaand tussen mens en machine in een harmonieuze symfonie van intelligentie en technologie.
De Huidige Status van AGI: Een Overzicht van de Ontwikkelingsfase
Het bereiken van kunstmatige algemene intelligentie (AGI) blijft een uitdagende en nog niet bereikte doelstelling in de wereld van kunstmatige intelligentie. Tegenwoordig zien we dat zelfs de meest geavanceerde AI-systemen tekortschieten bij het aangaan van nieuwe, onbekende taken. Dit staat in schril contrast met jonge kinderen, die moeiteloos de vaardigheden en kennis die ze in de ene situatie leren, kunnen toepassen op totaal verschillende omstandigheden. Deze flexibiliteit is iets waar de meest geavanceerde AI-systemen van vandaag nog steeds naar streven.
Onderzoekers zetten aanzienlijke stappen om deze kloof te overbruggen. Er zijn diverse benaderingen, waarbij veel nadruk ligt op deep learning technieken, met als doel het repliceren van bepaalde aspecten van menselijke intelligentie. Neurale netwerken, bijvoorbeeld, worden breed erkend als uiterst effectief voor het ontdekke
n van correlaties binnen grote datasets. Anderzijds biedt reinforcement learning een robuuste methode voor het onderwijzen van machines in het autonoom uitvoeren van taken met duidelijk gedefinieerde regels. Generatieve adversariële netwerken (GAN’s) openen deuren naar meer creatieve en innovatieve benaderingen voor probleemoplossing.
Desondanks is er een beperking: de huidige AI-technologieën combineren zelden deze technieken op een geïntegreerde manier. Dit leidt tot AI-systemen die vaak gespecialiseerd zijn in specifieke taken, maar niet de veelzijdigheid en aanpassingsvermogen hebben die nodig zijn om de belofte van AGI waar te maken. De reis naar het realiseren van AGI is nog lang en vol uitdagingen, maar de vooruitgang in het onderzoek biedt hoopvolle perspectieven voor de toekomst.
Mensachtige AGI: Een Nieuwe Benadering in Kunstmatige Intelligentie
Gary Marcus, de oprichter en CEO van Robust.ai, een toonaangevend technologiebedrijf gevestigd in Palo Alto, Californië, speelt een cruciale rol in de poging om een geavanceerd cognitief platform te ontwikkelen. Dit platform is bedoeld om een breed scala aan geautomatiseerde systemen, of ‘bots’, te ondersteunen. Marcus, een fervent voorstander van het concept van Kunstmatige Algemene Intelligentie (AGI), gelooft sterk in het ontwikkelen van AGI-systemen die functioneren op een manier die meer overeenkomt met de menselijke geest. Tijdens een digitale conferentie georganiseerd door MIT Technology Review EmTech Digital, bracht hij een belangrijk punt naar voren over de huidige staat van deep learning-algoritmen. Hij betoogde dat deze algoritmen tekortschieten in het contextualiseren en generaliseren van informatie, wat hij ziet als een fundamenteel kenmerk van menselijk denken.
Marcus benadrukt dat het niet noodzakelijkerwijs essentieel is voor machines om het menselijk brein exact te repliceren, neuron voor neuron. Echter, hij suggereert dat bepaalde aspecten van menselijk denken, zoals het gebruik van symbolische representatie van informatie, cruciaal kunnen zijn. Door deze aanpak te integreren, kunnen we dichter bij het realiseren van wat kunstmatige algemene intelligentie echt zou moeten inhouden.
Een van de uitdagingen waar deep learning momenteel voor staat, zoals Marcus aangeeft, is de moeilijkheid om redeneren of generaliseren van informatie effectief toe te passen. Dit komt omdat algoritmen beperkt zijn tot het uitvoeren van taken die expliciet zijn aangetoond. Bijvoorbeeld, voor het trainen van een beeldherkenningsmodel zijn er vaak duizenden, zo niet miljoenen, gelabelde foto’s nodig. Maar zelfs nadat het leren is voltooid, blijven deze modellen beperkt en kunnen ze niet gemakkelijk andere taken uitvoeren, zoals het begrijpen van natuurlijke taal.
Luc Julia, mede-ontwikkelaar van Siri, onderstreept een vergelijkbaar punt. Hij haalt aan dat, terwijl een deep learning-model in 1997 honderdduizend gelabelde afbeeldingen nodig had om een kat te herkennen, een tweejarig kind slechts een paar voorbeelden nodig heeft om hetzelfde te doen. Dit verschil benadrukt het vermogen van mensen om een rijke verscheidenheid aan informatie waar te nemen – zoals de positie, beweging, geur en het gevoel van een kat – waardoor ze snel een levend wezen kunnen categoriseren.
Ondanks deze beperkingen in deep learning, pleit Marcus er niet voor om deze technologie volledig op te geven. Integendeel, hij stelt voor dat ontwikkelaars onderzoeken hoe ze deep learning kunnen integreren met meer traditionele benaderingen van kunstmatige intelligentie. Dit zou kunnen inhouden dat meer symbolische interpretaties van informatie, zoals kennisgrafieken, worden gecombineerd met deep learning-modellen. Dit zou kunnen helpen bij het contextualiseren van data, het koppelen van semantisch vergelijkbare informatie, en het begrijpen van hoe mensen omgaan met informatie, om zo deze systemen geleidelijk te verbeteren.
Marcus benadrukt ook het belang van het verschuiven van de focus in AI-ontwikkeling. “We moeten stoppen met het ontwikkelen van AI-applicaties voor advertentietechnologie en nieuwsfeeds, en beginnen met het ontwikkelen van applicaties die echt een verschil kunnen maken”, aldus Marcus. Om dit te bereiken is het noodzakelijk om systemen te bouwen die gebaseerd zijn op een diepgaand begrip, en niet alleen op diepgaand leren.
Zie meer over:
Argumenten voor Diepgaand Leren: De Kracht van Geavanceerde AI
Het betoog van Danny Lange tijdens de conferentie, een hooggeplaatste professional in de sector van AI en machine learning bij Unity Technologies, kaart een belangrijke kwestie aan over de mogelijk beperkende invloed van menselijke redenatie in het nabootsen van deep learning-modellen. Hij illustreert hoe deze modellen, ondanks hun ongelijkheid met het menselijk brein, met adequate data en computercapaciteit, potentieel onbegrensde mogelijkheden kunnen ontgrendelen. Het concept van kunstmatige algemene intelligentie, hoewel nog niet verwezenlijkt, komt dichterbij door ontwikkelingen in deep learning, zoals geïllustreerd door het voorbeeld van AlphaGo van DeepMind, die opzien baarde door de Koreaanse Go-kampioen Lee Sedol te verslaan met ongeziene strategieën.
Danny Lange benadrukt de kracht van deep learning, vooral in zijn vermogen om abstracties te leren die menselijke interpretatie te boven gaan. Hij ziet een bijzondere waarde in versterkend leren, een aspect van diepgaand leren, dat gelijkenissen vertoont met menselijke cognitieve processen in het leren van nieuwe taken. Hij gelooft dat de evolutie in deze technologieën, met name in de optimalisatie van trainingsdatasets, de efficiëntie en effectiviteit van deep learning-modellen aanzienlijk kan verhogen. Dit zou kunnen leiden tot een reductie in de noodzaak van het verwerken van miljoenen voorbeelden om bepaalde objecten te leren herkennen.
De technische beperkingen, zoals benadrukt door het gebruik van aanzienlijke rekenkracht en energie in projecten zoals AlphaGo en het GPT-3 taalgeneratiemodel van OpenAI, blijven echter een uitdaging. Het contrast tussen het energieverbruik van deze systemen en de efficiëntie van het menselijk brein is opmerkelijk. Desondanks werkt Microsoft, met zijn exclusieve exploitatielicentie voor GPT-3, aan optimalisatietechnieken om de kosten en trainingstijd voor deze geavanceerde algoritmen te verminderen.
Danny Lange concludeert optimistisch dat, ondanks de huidige beperkingen in data- en rekenkracht, we nog maar aan het begin staan van het tijdperk van diepgaand leren. De toekomst belooft meer geavanceerde ontwikkelingen en doorbraken in de wereld van kunstmatige intelligentie en machine learning.
