اگر می‌توانستیم هوش عمومی مصنوعی یا AGI بسازیم،  هوش مصنوعی حل تکالیف باید مشخص بود که این امر به اندازه محاسبات، برق یا شاید بخار مهم است. امروز ما ریزتراشه‌ها را چاپ می‌کنیم، اما اگر می‌توانستید مغزهای دیجیتال را در سطح یک انسان یا بیشتر از سطح یک انسان چاپ کنید و این کار را میلیاردها نفر انجام دهید، چه؟ حداقل، این یک تغییر بزرگ در آنچه ما می‌توانیم خودکار کنیم، خواهد بود، و همانطور که پدربزرگ من و هزاران نویسنده علمی تخیلی دیگر اشاره کرده‌اند، ممکن است معنای بسیار بیشتری داشته باشد: موتورهای بخار در مورد مردم نظری نداشتند.

از سال 1946، هر چند دهه یک بار، موجی از هیجان  هوش مصنوعی حل تکالیف وجود دارد که ممکن است نزدیک باشد (در سال 1970، پیشگام هوش مصنوعی، ماروین مینسکی ادعا کرد که ما ظرف سه تا هشت سال آینده AGI در سطح انسانی خواهیم داشت). مدل های زبان بزرگ (LLM) که 18 ماه پیش شروع به کار کردند، موج دیگری از این دست را آغاز کرده اند. این هفته، OpenAI و Meta نشان دادند که در آستانه انتشار مدل های جدیدی هستند که ممکن است توانایی استدلال و برنامه ریزی را داشته باشند. دانشمندان جدی هوش مصنوعی که قبلاً فکر می‌کردند AGI چندین  هوش مصنوعی حل تکالیف دهه دورتر است، اکنون می‌گویند که ممکن است بسیار نزدیک‌تر باشد.

در نهایت، به‌اصطلاح «قطاع‌کنندگان» استدلال می‌کنند که خطر واقعی ظهور AGI خود به خود از تحقیقات فعلی وجود دارد و این می‌تواند تهدیدی برای بشریت باشد. آنها خواستار اقدام فوری دولت هستند. برخی از اینها ناشی از شرکت‌های خودخواه هستند که به دنبال موانعی برای رقابت هستند ("این بسیار خطرناک است و ما در  هوش مصنوعی حل تکالیف سریع‌ترین زمان ممکن آن را ایجاد می‌کنیم، اما اجازه ندهید دیگران این کار را انجام دهند")، اما بسیاری از آنها صادقانه هستند.

با این حال، برای هر متخصصی که فکر می‌کند AGI ممکن است نزدیک باشد، دیگری وجود دارد که این کار را نمی‌کند. عده‌ای هستند که فکر می‌کنند ممکن است LLM تا AGI برسد، و برخی دیگر فکر می‌کنند که ما هنوز به تعداد ناشناخته‌ای از پیشرفت‌های ناشناخته بیشتر نیاز داریم. مهمتر از همه، همه آنها موافقند که ما واقعاً نمی دانیم.

مشکل این است که ما یک مدل نظری منسجم در مورد اینکه هوش مصنوعی حل تکالیف  هوش عمومی واقعا چیست، و همچنین اینکه چرا مردم در آن بهتر از سگ هستند، نداریم. به همین ترتیب، ما نمی دانیم چرا به نظر می رسد LLM ها اینقدر خوب کار می کنند، و نمی دانیم که چقدر می توانند پیشرفت کنند. ما تئوری های زیادی برای بخش هایی از اینها داریم، اما کل سیستم را نمی دانیم. ما نمی توانیم افراد و ChatGPT را روی نمودار ترسیم کنیم و بگوییم چه زمانی یکی به دیگری می رسد.

مدل های آموزشی هوش مصنوعی

وقتی کسب‌وکارها درباره هوش مصنوعی صحبت می‌کنند، ا هوش مصنوعی حل تکالیف غلب درباره «داده‌های آموزشی» صحبت می‌کنند. اما به چه معنا است؟ به یاد داشته باشید که هوش مصنوعی با حافظه محدود، هوش مصنوعی است که در طول زمان با آموزش داده‌های جدید بهبود می‌یابد. یادگیری ماشینی زیرر آموزش برنامه نویسی کودکان و نوجوانان ر مجموعه ای از هوش مصنوعی است که از الگوریتم هایی برای آموزش داده ها برای به دست آوردن نتایج استفاده می کند.

در سکته های وسیع، سه نوع مدل یادگیری اغلب در یادگیری ماشین استفاده می شود:

یادگیری نظارت شده یک مدل یادگیری ماشینی است که یک  هوش مصنوعی حل تکالیف ورودی خاص را با استفاده از داده های آموزشی برچسب گذاری شده (داده های ساختاریافته) به یک خروجی ترسیم می کند. به زبان ساده، برای آموزش الگوریتم برای تشخیص تصاویر گربه ها، به آن عکس هایی با برچسب گربه بدهید.

یادگیری بدون نظارت یک مدل یادگیری ماشینی است که الگوهایی را بر اساس داده های بدون برچسب (داده های بدون ساختار) یاد می گیرد. برخلاف یادگیری تحت نظارت، نتیجه نهایی از قبل مشخص نیست. در عوض، الگوریتم از داده‌ها یاد می‌گیرد و آن‌ها را بر اساس ویژگی‌ها به گروه‌هایی دسته‌بندی می‌کند. به عنوان مثال، یادگیری بدون نظارت در تطبیق الگو و مدل سازی توصیفی خوب است.

علاوه بر یادگیری تحت نظارت و بدون نظارت، یک رو هوش مصنوعی حل تکالیف یکرد ترکیبی به نام یادگیری نیمه نظارتی اغلب استفاده می شود، که در آن فقط برخی

در واقع، AGI خود یک آزمایش فکری است: ما واقعاً چه نوع AGI را دریافت خواهیم کرد؟ ممکن است تا 100 برابر باهوش تر از یک شخص باشد، یا ممکن است سریعتر باشد اArtificial intelligence to solve homework ما هوشمندانه تر نباشد. ما فقط ممکن است AGI تولید کنیم که خیر