Kecerdasan Buatan: Revolusi Industri Keempat

Pengantar

Revolusi Industri Keempat mewakili perubahan mendasar dalam cara kita hidup, bekerja dan berhubungan satu sama lain. Ini adalah babak baru dalam pengembangan manusia, yang dimungkinkan oleh kemajuan teknologi luar biasa yang sepadan dengan revolusi industri pertama, kedua dan ketiga. Kemajuan ini menggabungkan dunia fisik, digital, dan biologis dengan cara yang menciptakan janji besar dan potensi bahaya. Kecepatan, luas dan kedalaman revolusi ini memaksa kita untuk memikirkan kembali bagaimana negara berkembang, bagaimana organisasi menciptakan nilai dan bahkan apa artinya menjadi manusia.

Dari SIRI ke mobil self-driving, kecerdasan buatan (AI) berkembang pesat. Sementara fiksi ilmiah sering menggambarkan AI sebagai robot dengan karakteristik mirip manusia, AI dapat mencakup apa saja dari algoritma pencarian Google hingga Watson IBM hingga senjata otonom.

Kecerdasan buatan saat ini dikenal sebagai AI sempit (atau AI lemah), karena dirancang untuk melakukan tugas sempit (mis. Hanya pengenalan wajah atau hanya pencarian internet atau hanya mengendarai mobil). Namun, tujuan jangka panjang dari banyak peneliti adalah untuk menciptakan AI umum (AGI atau AI kuat). Sementara AI yang sempit mungkin mengungguli manusia di apa pun tugas spesifiknya, seperti bermain catur atau memecahkan persamaan, AGI akan mengungguli manusia di hampir setiap tugas kognitif.

Revolusi Industri Keempat adalah lebih dari sekedar perubahan yang didorong oleh teknologi; ini adalah kesempatan untuk membantu semua orang, termasuk para pemimpin, pembuat kebijakan, dan orang-orang dari semua kelompok pendapatan dan negara, untuk memanfaatkan teknologi konvergen untuk menciptakan masa depan yang inklusif dan berpusat pada manusia. Peluang nyata adalah untuk melihat melampaui teknologi, dan menemukan cara untuk memberikan jumlah terbesar orang kemampuan untuk memberikan dampak positif bagi keluarga, organisasi, dan komunitas mereka.

Kecerdasan umum buatan

Inteligensi Buatan Buatan (AGI) adalah kecerdasan mesin yang dapat memahami atau mempelajari tugas intelektual apa pun yang dapat dilakukan manusia. Ini adalah tujuan utama dari beberapa penelitian kecerdasan buatan dan topik umum dalam fiksi ilmiah dan studi berjangka. AGI juga bisa disebut sebagai AI kuat, AI penuh, atau tindakan cerdas umum. (Beberapa sumber akademis mencadangkan istilah AI kuat untuk mesin yang dapat mengalami kesadaran.). Beberapa otoritas menekankan perbedaan antara AI kuat dan AI terapan (juga disebut AI sempit atau AI lemah): penggunaan perangkat lunak untuk mempelajari atau menyelesaikan tugas pemecahan masalah atau penalaran tertentu. AI yang lemah, berbeda dengan AI yang kuat, tidak berusaha melakukan berbagai kemampuan kognitif manusia.

Berbagai kriteria untuk kecerdasan telah diusulkan (paling terkenal dengan tes Turing) tetapi sampai saat ini, tidak ada definisi yang memuaskan semua orang. Namun, ada kesepakatan luas di antara para peneliti kecerdasan buatan bahwa kecerdasan diperlukan untuk melakukan hal berikut:

Alasan, gunakan strategi, pecahkan teka-teki, dan buat penilaian di bawah ketidakpastian;

Mewakili pengetahuan, termasuk pengetahuan akal sehat;

Rencana;

Belajar;

Berkomunikasi dalam bahasa alami;

Dan mengintegrasikan semua keterampilan ini ke arah tujuan bersama.

Kemampuan penting lainnya termasuk kemampuan untuk merasakan (misalnya melihat) dan kemampuan untuk bertindak (misalnya memindahkan dan memanipulasi objek) di dunia di mana perilaku cerdas harus diamati. Ini akan mencakup kemampuan untuk mendeteksi dan merespons bahaya. Banyak pendekatan interdisipliner untuk kecerdasan (misalnya ilmu kognitif, kecerdasan komputasi dan pengambilan keputusan) cenderung menekankan perlunya mempertimbangkan sifat-sifat tambahan seperti imajinasi (diambil sebagai kemampuan untuk membentuk citra mental dan konsep yang tidak diprogram dalam) dan otonomi. Berbasis komputer sistem yang menunjukkan banyak kemampuan ini memang ada (misalnya melihat kreativitas komputasi, penalaran otomatis, sistem pendukung keputusan, robot, perhitungan evolusi, agen cerdas), tetapi belum pada tingkat manusia.

Tes untuk mengkonfirmasi AGI tingkat manusia

The Turing Test (Turing) Sebuah mesin dan seorang manusia sama-sama tidak bisa melihat dengan manusia kedua, yang harus mengevaluasi yang mana dari keduanya adalah mesin, yang lulus tes jika ia dapat menipu evaluator dalam waktu singkat. Catatan: Turing tidak menentukan apa yang harus memenuhi syarat sebagai intelijen, hanya mengetahui bahwa itu adalah mesin harus mendiskualifikasi itu. Tes Kopi (Wozniak) Sebuah mesin diperlukan untuk memasuki rumah orang Amerika pada umumnya dan mencari cara untuk membuat kopi: temukan mesin kopi, temukan kopi, tambahkan air, temukan cangkir, dan buat kopi dengan menekan tombol yang tepat. Tes Siswa Perguruan Tinggi Robot (Goertzel) Sebuah mesin mendaftar di sebuah universitas, mengambil dan lulus kelas yang sama seperti manusia, dan mendapatkan gelar. Tes Ketenagakerjaan (Nilsson) Sebuah mesin mengerjakan pekerjaan yang penting secara ekonomi, berkinerja setidaknya sama baiknya dengan manusia dalam pekerjaan yang sama.

Tes IQ AGI

Peneliti Cina Feng Liu, Yong Shi dan Ying Liu melakukan tes intelijen pada musim panas 2017 dengan AI yang lemah yang tersedia untuk umum dan dapat diakses secara bebas seperti Google AI atau Apple Siri dan lainnya. Maksimal, AI ini mencapai nilai sekitar 47, yang sesuai kira-kira dengan anak berusia enam tahun di kelas satu. Seorang dewasa rata-rata mencapai sekitar 100. Pada tahun 2014, tes serupa dilakukan di mana AI mencapai nilai maksimum 27.

Masalah yang membutuhkan AGI untuk dipecahkan

Masalah yang paling sulit untuk komputer secara informal dikenal sebagai AI-complete atau AI-hard, menyiratkan bahwa menyelesaikannya setara dengan kecerdasan umum kecerdasan manusia, atau AI yang kuat, di luar kemampuan algoritma tujuan-spesifik.

Masalah AI-complete dihipotesiskan untuk memasukkan visi komputer umum, pemahaman bahasa alami, dan berurusan dengan keadaan yang tidak terduga sambil memecahkan masalah dunia nyata.

Masalah AI-complete tidak dapat diselesaikan dengan teknologi komputer saat ini saja, dan juga membutuhkan perhitungan manusia. Properti ini dapat berguna, misalnya, untuk menguji keberadaan manusia, sebagaimana yang ingin dilakukan CAPTCHA; dan untuk keamanan komputer untuk mengusir serangan brute-force.

Penelitian AGI

AI klasik

Penelitian AI modern dimulai pada pertengahan 1950. Generasi pertama peneliti AI yakin bahwa kecerdasan umum buatan adalah mungkin dan bahwa itu akan ada hanya dalam beberapa dekade. Sebagai perintis AI, Herbert A. Simon menulis pada tahun 1965: mesin akan mampu, dalam waktu dua puluh tahun, melakukan pekerjaan apa pun yang dapat dilakukan manusia. Prediksi mereka adalah inspirasi untuk karakter Stanley Kubrick dan Arthur C. Clarke HAL 9000, yang mewujudkan apa yang peneliti AI percaya dapat mereka ciptakan pada tahun 2001. Pelopor AI Marvin Minsky adalah seorang konsultan proyek yang membuat HAL 9000 se serealistis mungkin sesuai dengan kenyataan. prediksi konsensus waktu; Crevier mengutip dia yang mengatakan tentang subjek ini pada tahun 1967, Dalam satu generasi... masalah menciptakan 'kecerdasan buatan' akan secara substansial diselesaikan, meskipun Minsky menyatakan bahwa ia salah mengutip.

Namun, pada awal 1970-an, menjadi jelas bahwa para peneliti telah terlalu meremehkan kesulitan proyek. Lembaga-lembaga pendanaan menjadi skeptis terhadap AGI dan menempatkan para peneliti di bawah tekanan yang meningkat untuk menghasilkan AI terapan yang bermanfaat. Ketika 1980-an dimulai, Proyek Komputer Generasi Kelima Jepang menghidupkan kembali minat pada AGI, menetapkan timeline sepuluh tahun yang mencakup tujuan AGI seperti melakukan percakapan biasa. Menanggapi ini dan keberhasilan sistem pakar, baik industri dan pemerintah memompa uang kembali ke lapangan. Namun, kepercayaan terhadap AI secara spektakuler runtuh pada akhir 1980-an, dan tujuan Proyek Komputer Generasi Kelima tidak pernah terpenuhi. Untuk yang kedua dalam 20 tahun, para peneliti AI yang meramalkan pencapaian AGI dalam waktu dekat terbukti secara fundamental keliru. Pada tahun 1990-an, para peneliti AI telah mendapatkan reputasi karena membuat janji-janji yang sia-sia. Mereka menjadi enggan untuk membuat prediksi sama sekali dan untuk menghindari penyebutan kecerdasan buatan tingkat manusia karena takut disebut pemimpi bermata liar.

Penelitian AI yang sempit

Pada 1990-an dan awal abad ke-21, AI arus utama telah mencapai kesuksesan komersial yang jauh lebih besar dan kehormatan akademis dengan berfokus pada sub-masalah spesifik di mana mereka dapat menghasilkan hasil yang dapat diverifikasi dan aplikasi komersial, seperti jaringan saraf tiruan, visi komputer atau penambangan data. sistem AI "yang diterapkan sekarang digunakan secara luas di seluruh industri teknologi, dan penelitian dalam bidang ini sangat banyak didanai oleh akademisi dan industri. Saat ini, pengembangan di bidang ini dianggap sebagai tren yang muncul, dan tahap matang diharapkan terjadi dalam lebih dari 10 tahun.

Sebagian besar peneliti AI arus utama berharap bahwa AI yang kuat dapat dikembangkan dengan menggabungkan program-program yang memecahkan berbagai sub-masalah menggunakan arsitektur agen terintegrasi, arsitektur kognitif atau arsitektur subsumsi. Hans Moravec menulis pada tahun 1988:

Saya yakin bahwa rute bottom-up untuk kecerdasan buatan ini suatu hari akan memenuhi rute top-down tradisional lebih dari setengah jalan, siap untuk memberikan kompetensi dunia nyata dan pengetahuan akal sehat yang telah begitu sulit dipahami dalam program penalaran. Mesin yang sepenuhnya cerdas akan terjadi ketika lonjakan emas metaforis didorong menyatukan dua upaya.

Namun, bahkan filosofi dasar ini telah diperdebatkan; misalnya, Stevan Harnad dari Princeton menyimpulkan makalahnya tahun 1990 tentang Symbol Grounding Hypothesis dengan menyatakan:

Ekspektasi ini sering disuarakan bahwa pendekatan top-down (simbolis) untuk pemodelan kognisi entah bagaimana akan memenuhi pendekatan bottom-up (sensorik) di suatu tempat di antara keduanya. Jika pertimbangan dasar dalam kertas ini valid, maka harapan ini modular dan tanpa harapan hanya ada satu rute yang layak dari akal ke simbol: dari bawah ke atas. Tingkat simbol mengambang bebas seperti tingkat perangkat lunak komputer tidak akan pernah dijangkau oleh rute ini (atau sebaliknya) - juga tidak jelas mengapa kita harus bahkan mencoba untuk mencapai tingkat seperti itu, karena tampaknya seolah-olah hanya akan mencabut simbol-simbol kita dari makna intrinsiknya (dengan demikian hanya mengurangi diri kita menjadi setara fungsional komputer yang dapat diprogram).

Penelitian kecerdasan umum artifisial modern

Kecerdasan umum buatan (AGI) menggambarkan penelitian yang bertujuan untuk menciptakan mesin yang mampu melakukan tindakan cerdas umum. Istilah ini digunakan pada awal tahun 1997, oleh Mark Gubrudin sebuah diskusi tentang implikasi produksi dan operasi militer sepenuhnya otomatis. Istilah ini diperkenalkan kembali dan dipopulerkan olehhane Legg dan Ben Goertzel sekitar tahun 2002. Tujuan penelitian ini jauh lebih tua, misalnya proyek Cyc Doug Lenat (yang dimulai pada tahun 1984), dan proyek Melambung Allen Newell dianggap sebagai dalam ruang lingkup AGI. Aktivitas penelitian AGI pada tahun 2006 dijelaskan oleh Pei Wang dan Ben Goertzelas menghasilkan publikasi dan hasil awal. Sekolah musim panas pertama di AGI diselenggarakan di Xiamen, Cina pada 2009 oleh Laboratorium Otak Buatan dan OpenCog. Kursus universitas pertama diberikan pada 2010 dan 2011 di Universitas Plovdiv, Bulgaria oleh Todor Arnaudov. MIT mempresentasikan kursus di AGI pada tahun 2018, yang diselenggarakan oleh Lex Fridman dan menampilkan sejumlah dosen tamu. Namun, hingga saat ini, sebagian besar peneliti AI telah mencurahkan sedikit perhatian pada AGI, dengan beberapa mengklaim bahwa kecerdasan terlalu rumit untuk sepenuhnya ditiru dalam waktu dekat. Namun, sejumlah kecil ilmuwan komputer aktif dalam penelitian AGI, dan banyak dari kelompok ini berkontribusi pada serangkaian konferensi AGI. Penelitian ini sangat beragam dan sering merintis di alam. Dalam pengantar bukunya, Goertzel mengatakan bahwa perkiraan waktu yang diperlukan sebelum AGI yang benar-benar fleksibel dibangun bervariasi dari 10 tahun hingga lebih dari seabad, tetapi konsensus dalam komunitas riset AGI tampaknya adalah bahwa garis waktu yang dibahas oleh Ray Kurzweil dalam The Singularity Dekat (yaitu antara 2015 dan 2045) masuk akal.

Namun, sebagian besar peneliti AI arus utama ragu bahwa kemajuan akan secepat ini. Organisasi yang secara eksplisit mengejar AGI termasuk laboratorium Swiss AI IDSIA, Nnaisense, Vicarious, Maluuba, Yayasan OpenCog, Adaptive AI, LIDA, dan Numenta dan Redwood Neuroscience Institute yang terkait. Selain itu, organisasi seperti Machine Intelligence Research Institute dan OpenAI telah didirikan untuk mempengaruhi jalur pengembangan AGI. Akhirnya, proyek-proyek seperti Proyek Otak Manusia memiliki tujuan membangun simulasi otak manusia yang berfungsi. A2017 survei AGI dikategorikan empat puluh lima proyek R&D aktif yang dikenal yang secara eksplisit atau implisit (melalui penelitian yang diterbitkan) penelitian AGI, dengan tiga terbesar adalah DeepMind, Proyek Otak Manusia, dan OpenAI (berdasarkan artikel).

Pada 2019, programmer video game dan insinyur kedirgantaraan John Carmack mengumumkan rencana untuk meneliti AGI.

Yaitu DeepMind dengan keberhasilan mereka dalam Simulasi Pemain Manusia untuk misalnya AlphaGo menggunakan konsep-konsep baru:

Penguatan pembelajaran untuk meningkatkan jaringan yang sudah terlatih dengan data baru atau

Pembelajaran tanpa pengawasan, misalnya oleh jaringan permusuhan generatif untuk mendapatkan jaringan yang ditingkatkan dengan kompetisi.

Kekuatan pemrosesan diperlukan untuk mensimulasikan otak

Emulasi seluruh otak

Pendekatan populer yang didiskusikan untuk mencapai tindakan cerdas umum adalah emulasi seluruh otak. Model otak tingkat rendah dibuat dengan memindai dan memetakan otak biologis secara terperinci dan menyalin keadaannya ke dalam sistem komputer atau perangkat komputasi lain. Komputer menjalankan model simulasi yang begitu setia pada aslinya sehingga pada dasarnya akan berperilaku sama seperti otak asli, atau untuk semua tujuan praktis, tidak dapat dibedakan. Emulasi seluruh otak dibahas dalam ilmu saraf komputasi dan neuroinformatika, dalam konteks simulasi otak untuk tujuan penelitian medis. Ini dibahas dalam penelitian kecerdasan buatan sebagai pendekatan terhadap AI yang kuat. Teknologi neuroimaging yang dapat memberikan pemahaman terperinci yang diperlukan meningkat dengan cepat, dan futuris Ray Kurzweil dalam buku The Singularity Is Near memperkirakan bahwa peta kualitas yang memadai akan tersedia pada skala waktu yang sama dengan daya komputasi yang diperlukan.

Perkiraan awal

Untuk simulasi otak tingkat rendah, diperlukan komputer yang sangat kuat. Otak manusia memiliki sejumlah besar sinapsis. Masing-masing dari 10 (seratus miliar) neurons rata-rata memiliki 7, 000 koneksi sinaptik ke neuron lain. Telah diperkirakan bahwa otak seorang anak berusia tiga tahun memiliki sekitar 10 sinapsis (1 kuadriliun). Jumlah ini menurun seiring bertambahnya usia, stabil pada usia dewasa. Perkiraan bervariasi untuk orang dewasa, mulai dari 10 hingga 5 × 10 sinapsis (100 hingga 500 triliun). Perkiraan kekuatan pemrosesan otak, berdasarkan model sakelar sederhana untuk aktivitas neuron, adalah sekitar 10 (100 triliun) pembaruan sinaptik per detik (SUPS). Pada tahun 1997 Kurzweil melihat berbagai perkiraan untuk perangkat keras yang dibutuhkan untuk menyamai otak manusia dan mengadopsi angka 10 perhitungan per detik (cps). (Sebagai perbandingan, jika perhitungan setara dengan satu operasi titik mengambang - ukuran yang digunakan untuk menilai superkomputer saat ini - maka 10 perhitungan akan setara dengan 10 petaFLOPS, dicapai pada 2011). Ia menggunakan angka ini untuk memprediksi perangkat keras yang diperlukan akan tersedia antara tahun 2015 dan 2025, jika pertumbuhan eksponensial dalam daya komputer pada saat penulisan berlanjut.

Pemodelan neuron secara lebih rinci

Model neuron buatan diasumsikan oleh Kurzweil dan digunakan dalam banyak implementasi jaringan saraf tiruan saat ini adalah sederhana dibandingkan dengan neuron biologis. Simulasi otak kemungkinan harus menangkap perilaku sel terinci neuron biologis, yang saat ini hanya dipahami dalam garis besar terluas. Overhead yang diperkenalkan oleh pemodelan penuh dari rincian biologis, kimia, dan fisik dari perilaku saraf (terutama pada skala molekuler) akan membutuhkan kekuatan komputasi beberapa urutan besarnya lebih besar dari perkiraan Kurzweil. Selain itu perkiraan tidak memperhitungkan sel glial, yang setidaknya sebanyak neuron, dan yang mungkin melebihi jumlah neuron sebanyak 10: 1, dan sekarang diketahui memainkan peran dalam proses kognitif.

Penelitian saat ini

Ada beberapa proyek penelitian yang menyelidiki simulasi otak menggunakan model saraf yang lebih canggih, diimplementasikan pada arsitektur komputasi konvensional. Proyek Artificial Intelligence System mengimplementasikan simulasi waktu tidak nyata dari sebuah otak (dengan 10 neuron) pada tahun 2005. Butuh 50 hari pada sekelompok 27 prosesor untuk mensimulasikan 1 detik model. Proyek Blue Brain menggunakan salah satu arsitektur superkomputer tercepat di dunia, platform Blue Gene IBM, untuk membuat simulasi waktu nyata dari satu kolom neokortikal tikus yang terdiri dari sekitar 10.000 neuron dan 10 sinapsis pada tahun 2006. Tujuan jangka panjang adalah untuk membangun simulasi fungsional proses-proses fisiologis yang terperinci dalam otak manusia: Bukan tidak mungkin untuk membangun otak manusia dan kita dapat melakukannya dalam 10 tahun, kata Henry Markram, direktur Blue Brain Project pada 2009 di TED. konferensi di Oxford. Ada juga klaim kontroversial untuk mensimulasikan otak kucing. Antarmuka neuro-silikon telah diusulkan sebagai strategi implementasi alternatif yang dapat meningkatkan skala.

Hans Moravmenambahkan argumen di atas (otak lebih rumit , neuron harus dimodelkan secara lebih rinci) dalam makalahnya tahun 1997 Kapan perangkat keras komputer cocok dengan otak manusia?. Dia mengukur kemampuan perangkat lunak yang ada untuk mensimulasikan fungsi dari jaringan saraf, khususnya retina. Hasil-hasilnya tidak bergantung pada jumlah sel glial, atau pada jenis pemrosesan neuron apa yang dilakukan.

Kompleksitas aktual pemodelan neuron biologis telah dieksplorasi dalam proyek OpenWorm yang ditujukan untuk simulasi lengkap cacing yang hanya memiliki 302 neuron dalam jaringan sarafnya (di antara sekitar total 1000 sel). Jaringan saraf hewan telah didokumentasikan dengan baik sebelum dimulainya proyek. Namun, meskipun tugas itu tampak sederhana pada awalnya, model yang didasarkan pada jaringan saraf generik tidak berfungsi. Saat ini, upaya difokuskan pada emulasi neuron biologis yang tepat (sebagian pada tingkat molekuler), tetapi hasilnya belum dapat disebut sebagai keberhasilan total. Bahkan jika jumlah masalah yang harus diselesaikan dalam model skala manusia-otak tidak sebanding dengan jumlah neuron, jumlah pekerjaan di sepanjang jalur ini jelas.

Kritik terhadap pendekatan berbasis simulasi

Kritik mendasar terhadap pendekatan otak yang disimulasikan berasal dari kognisi yang diwujudkan di mana perwujudan manusia diambil sebagai aspek penting dari kecerdasan manusia. Banyak peneliti percaya bahwa perwujudan diperlukan untuk membumikan makna. Jika pandangan ini benar, setiap model otak yang berfungsi penuh perlu mencakup lebih dari sekadar neuron (yaitu, tubuh robot). Goertzel mengusulkan perwujudan virtual (seperti Second Life), tetapi belum diketahui apakah ini akan cukup.

Komputer desktop yang menggunakan mikroprosesor yang mampu lebih dari 10cps (unit non-standar Kurzweil perhitungan per detik, lihat di atas) telah tersedia sejak 2005. Menurut perkiraan kekuatan otak yang digunakan oleh Kurzweil (dan Moravec), komputer ini harus mampu mendukung simulasi otak lebah, tetapi meskipun ada minat, tidak ada simulasi seperti itu. Setidaknya ada tiga alasan untuk ini:

Model neuron tampaknya terlalu disederhanakan (lihat bagian selanjutnya).

Tidak ada pemahaman yang cukup tentang proses kognitif yang lebih tinggi untuk menetapkan secara akurat apa aktivitas saraf otak, yang diamati menggunakan teknik seperti pencitraan resonansi magnetik fungsional, berkorelasi dengan.

Bahkan jika pemahaman kita tentang kognisi maju cukup, program simulasi awal cenderung sangat tidak efisien dan karena itu akan membutuhkan lebih banyak perangkat keras.

Otak suatu organisme, walaupun kritis, mungkin bukan batas yang tepat untuk model kognitif. Untuk mensimulasikan otak lebah, mungkin perlu untuk mensimulasikan tubuh, dan lingkungan. Tesis Extended Mind memformalkan konsep filosofis, dan penelitian tentang cephalopoda telah menunjukkan contoh yang jelas dari sistem desentralisasi.

Selain itu, skala otak manusia saat ini tidak dibatasi dengan baik. Satu perkiraan menempatkan otak manusia sekitar 100 miliar euro dan 100 triliun sinapsis. Perkiraan lain adalah 86 miliar neuron di mana 16,3 miliar di korteks serebral dan 69 miliar di otak kecil. Sinapsis sel glial saat ini tidak dikuantifikasi tetapi diketahui sangat banyak.

Penelitian kesadaran buatan

Meskipun peran kesadaran dalam AI / AGI yang kuat masih bisa diperdebatkan, banyak peneliti AGI menganggap penelitian yang menyelidiki kemungkinan untuk menerapkan kesadaran sebagai hal yang vital. Dalam upaya awal, Igor Aleksander menyatakan bahwa prinsip-prinsip untuk menciptakan mesin sadar sudah ada tetapi perlu waktu empat puluh tahun untuk melatih mesin semacam itu untuk memahami bahasa.

Hubungan dengan AI kuat

Pada tahun 1980, filsuf John Searle menciptakan istilah AI yang kuat sebagai bagian dari argumen kamar Cina-nya. Dia ingin membedakan antara dua hipotesis berbeda tentang kecerdasan buatan:

Sistem kecerdasan buatan dapat berpikir dan memiliki pikiran. (Kata pikiran memiliki arti khusus bagi para filsuf, seperti yang digunakan dalam masalah tubuh pikiran atau filsafat pikiran.)

Sistem kecerdasan buatan dapat (hanya) bertindak seperti yang dipikirkan dan dipikirkannya.

Yang pertama disebut hipotesis AI yang kuat dan yang kedua adalah hipotesis AI yang lemah karena yang pertama membuat pernyataan kuat: ia mengasumsikan sesuatu yang istimewa telah terjadi pada mesin yang melampaui semua kemampuannya yang dapat kami uji. Searle menyebut hipotesis AI kuat sebagai AI kuat. Penggunaan ini juga umum dalam penelitian AI akademik dan buku pelajaran.

Hipotesis AI yang lemah setara dengan hipotesis bahwa kecerdasan umum buatan adalah mungkin. Menurut Russell dan Norvig, Sebagian besar peneliti AI menerima hipotesis AI yang lemah begitu saja, dan tidak peduli dengan hipotesis AI yang kuat.

Berbeda dengan Searle, Kurzweil menggunakan istilah AI kuat untuk menggambarkan setiap sistem kecerdasan buatan yang bertindak seperti itu memiliki pikiran, terlepas dari apakah seorang filsuf akan dapat menentukan apakah itu benar-benar memiliki pikiran atau tidak.

Kemungkinan penjelasan untuk kemajuan lambat dari penelitian AI

Sejak peluncuran penelitian AI pada tahun 1956, pertumbuhan bidang ini telah merosot seiring waktu dan telah menghentikan tujuan menciptakan mesin yang terampil dengan tindakan cerdas di tingkat manusia. Penjelasan yang mungkin untuk keterlambatan ini adalah bahwa komputer tidak memiliki ruang memori atau daya pemrosesan yang memadai. Selain itu, tingkat kompleksitas yang terhubung dengan proses penelitian AI juga dapat membatasi kemajuan penelitian AI.

Sementara sebagian besar peneliti AI percaya AI yang kuat dapat dicapai di masa depan, ada beberapa individu seperti Hubert Dreyfus dan Roger Penrose yang menyangkal kemungkinan mencapai AI yang kuat. John McCarthy adalah salah satu dari berbagai ilmuwan komputer yang percaya AI tingkat manusia akan tercapai, tetapi tanggal tidak dapat diprediksi secara akurat.

Keterbatasan konseptual adalah alasan lain yang mungkin untuk kelambatan dalam penelitian AI. Para peneliti AAI mungkin perlu memodifikasi kerangka kerja konseptual dari disiplin mereka untuk memberikan dasar yang lebih kuat dan kontribusi pada upaya mencapai AI yang kuat. Seperti yang ditulis William Clocksin pada 2003: kerangka kerja dimulai dari pengamatan Weizenbaum bahwa kecerdasan memanifestasikan dirinya hanya relatif terhadap konteks sosial dan budaya tertentu.

Lebih lanjut, para peneliti AI telah mampu menciptakan komputer yang dapat melakukan pekerjaan yang rumit bagi orang untuk melakukannya, tetapi sebaliknya mereka telah berjuang untuk mengembangkan komputer yang mampu melakukan tugas-tugas yang mudah dilakukan manusia (paradigma Moravec). Masalah yang dijelaskan oleh David Gelernter adalah bahwa beberapa orang menganggap berpikir dan bernalar adalah setara. Namun, gagasan apakah pikiran dan pencipta pikiran-pikiran itu diisolasi secara individual telah membangkitkan minat para peneliti AI.

Masalah-masalah yang telah ditemui dalam penelitian AI selama beberapa dekade terakhir telah semakin menghambat kemajuan AI. Prediksi yang gagal yang telah dijanjikan oleh para peneliti AI dan kurangnya pemahaman yang lengkap tentang perilaku manusia telah membantu mengurangi gagasan utama AI tingkat manusia. Meskipun kemajuan penelitian AI telah membawa perbaikan dan kekecewaan, sebagian besar peneliti telah menetapkan optimisme. tentang berpotensi mencapai tujuan AI di abad ke-21.

Alasan lain yang mungkin telah diajukan untuk penelitian panjang dalam kemajuan AI yang kuat. Kerumitan masalah ilmiah dan kebutuhan untuk sepenuhnya memahami otak manusia melalui psikologi dan neurofisiologi telah membatasi banyak peneliti untuk meniru fungsi otak manusia menjadi perangkat keras komputer. Banyak peneliti cenderung meremehkan keraguan yang terkait dengan prediksi AI di masa depan., tetapi tanpa menanggapi masalah-masalah itu dengan serius, orang dapat mengabaikan solusi untuk pertanyaan yang bermasalah.

Clocksin mengatakan bahwa batasan konseptual yang dapat menghambat kemajuan penelitian AI adalah bahwa orang mungkin menggunakan teknik yang salah untuk program komputer dan implementasi peralatan. Ketika peneliti AI pertama kali mulai bertujuan untuk tujuan kecerdasan buatan, minat utama adalah penalaran manusia. Para peneliti berharap untuk membangun model komputasi pengetahuan manusia melalui penalaran dan untuk mengetahui bagaimana merancang komputer dengan tugas kognitif spesifik.

Praktek abstraksi, yang orang cenderung untuk mendefinisikan kembali ketika bekerja dengan konteks tertentu dalam penelitian, memberikan para peneliti konsentrasi hanya pada beberapa konsep. Penggunaan abstraksi yang paling produktif dalam penelitian AI berasal dari perencanaan dan penyelesaian masalah. Meskipun tujuannya adalah untuk meningkatkan kecepatan perhitungan, peran abstraksi telah mengajukan pertanyaan tentang keterlibatan operator abstraksi.

Alasan yang mungkin untuk kelambatan dalam AI berkaitan dengan pengakuan oleh banyak peneliti AI bahwa heuristik adalah bagian yang memuat pelanggaran signifikan antara kinerja komputer dan kinerja manusia. Fungsi spesifik yang diprogram untuk komputer mungkin dapat menghitung banyak persyaratan. yang memungkinkannya untuk menyamai kecerdasan manusia. Penjelasan ini tidak selalu dijamin menjadi penyebab mendasar bagi keterlambatan dalam mencapai AI yang kuat, tetapi mereka secara luas disetujui oleh banyak peneliti.

Ada banyak peneliti AI yang memperdebatkan gagasan apakah mesin harus dibuat dengan emosi. Tidak ada emosi dalam model AI yang khas dan beberapa peneliti mengatakan memprogram emosi ke dalam mesin memungkinkan mereka memiliki pikiran sendiri. Emosi meringkas pengalaman manusia karena memungkinkan mereka untuk mengingat pengalaman-pengalaman itu. David Gelernter menulis, Tidak ada komputer yang akan kreatif kecuali ia dapat mensimulasikan semua nuansa emosi manusia. Kekhawatiran tentang emosi ini telah menimbulkan masalah bagi para peneliti AI dan menghubungkannya dengan konsep AI yang kuat ketika penelitiannya berkembang ke masa depan.

Kesadaran

Ada aspek lain dari pikiran manusia selain kecerdasan yang relevan dengan konsep AI kuat yang memainkan peran utama dalam fiksi ilmiah dan etika kecerdasan buatan:

Kesadaran: Untuk memiliki pengalaman dan pemikiran subyektif.

Kesadaran diri: Menyadari diri sendiri sebagai individu yang terpisah, terutama untuk menyadari pikirannya sendiri.

Sentience: Kemampuan untuk merasakan persepsi atau emosi secara subyektif.

Sapience: Kapasitas untuk kebijaksanaan.

Ciri-ciri ini memiliki dimensi moral, karena mesin dengan bentuk AI yang kuat ini dapat memiliki hak hukum, analog dengan hak-hak hewan non-manusia. Bill Joy, antara lain, berpendapat bahwa mesin dengan sifat-sifat ini dapat menjadi ancaman bagi kehidupan atau martabat manusia. Masih harus diperlihatkan apakah sifat-sifat ini diperlukan untuk AI yang kuat. Peran kesadaran tidak jelas, dan saat ini tidak ada tes yang disepakati untuk kehadirannya. Jika sebuah mesin dibangun dengan perangkat yang mensimulasikan korelasi saraf kesadaran, akankah ia secara otomatis memiliki kesadaran diri? Ada kemungkinan juga bahwa beberapa sifat ini, seperti perasaan, muncul secara alami dari mesin yang sepenuhnya cerdas, atau menjadi alami untuk menganggap sifat-sifat ini dari mesin begitu mereka mulai bertindak dengan cara yang jelas-jelas cerdas. Sebagai contoh, tindakan cerdas mungkin cukup untuk perasaan, bukan sebaliknya.

Dalam fiksi ilmiah, AGI dikaitkan dengan sifat-sifat seperti kesadaran, perasaan, sapience, dan kesadaran diri yang diamati pada makhluk hidup. Namun, menurut filsuf John Searle, itu adalah pertanyaan terbuka apakah kecerdasan umum cukup untuk kesadaran. AI Kuat (sebagaimana didefinisikan di atas oleh Ray Kurzweil) tidak boleh dikacaukan dengan hipotesis AI kuat Searle. Hipotesis AI yang kuat adalah klaim bahwa komputer yang berperilaku secerdas seseorang harus juga memiliki pikiran dan kesadaran. AGI hanya mengacu pada jumlah kecerdasan yang ditampilkan mesin, dengan atau tanpa pikiran.

Kontroversi dan bahaya

Kelayakan

Pendapat bervariasi baik pada apakah dan kapan kecerdasan umum buatan akan tiba. Pada satu ekstrim, pelopor AI Herbert A. Simonwrote pada tahun 1965: mesin akan mampu, dalam waktu dua puluh tahun, untuk melakukan pekerjaan apa pun yang dapat dilakukan manusia. Namun, prediksi ini gagal menjadi kenyataan. Co-founder Microsoft Paul Allen percaya bahwa kecerdasan seperti itu tidak mungkin terjadi pada abad ke-21 karena itu akan membutuhkan terobosan yang tak terduga dan secara fundamental tidak dapat diprediksi dan pemahaman kognitif yang mendalam secara ilmiah. Menulis di The Guardian, ahli robotika Alan Winfield mengklaim jurang pemisah antara komputasi modern dan kecerdasan buatan tingkat manusia selebar jurang antara penerbangan ruang angkasa saat ini dan ruang angkasa praktis yang lebih cepat dari cahaya. Pandangan para ahli tentang kelayakan lilin AGI dan berkurang, dan mungkin telah melihat kebangkitan pada tahun 2010-an. Empat jajak pendapat yang dilakukan pada tahun 2012 dan 2013 menunjukkan bahwa median tebakan di antara para ahli ketika mereka akan 50% yakin AGI akan tiba adalah 2040 hingga 2050, tergantung pada jajak pendapat, dengan rata-rata 2081. Juga menarik untuk dicatat 16,5% para ahli menjawab dengan tidak pernah ketika ditanya pertanyaan yang sama tetapi dengan kepercayaan 90% sebagai gantinya. Pertimbangan kemajuan AGI saat ini dapat ditemukan di bawah Tes untuk mengkonfirmasi AGI tingkat manusia dan tes IQ AGI.

Ancaman potensial terhadap keberadaan manusia

Penciptaan kecerdasan umum artifisial mungkin memiliki dampak yang begitu besar dan kompleks sehingga tidak mungkin untuk meramalkan apa yang akan terjadi sesudahnya. Dengan demikian peristiwa dalam masa depan hipotetis untuk mencapai AI yang kuat disebut singularitas teknologi, karena secara teoritis orang tidak dapat melihat melewatinya. Tetapi ini tidak menghentikan para filsuf dan peneliti untuk menebak apa yang mungkin dilakukan oleh komputer pintar atau robot di masa depan, termasuk membentuk utopia dengan menjadi teman kita atau membuat kita kewalahan dalam pengambilalihan AI. Potensi terakhir sangat mengganggu karena menimbulkan risiko eksistensial bagi umat manusia.

Mesin replikasi diri

Komputer pintar atau robot akan dapat merancang dan memproduksi versi yang lebih baik dari diri mereka sendiri. Populasi robot cerdas yang terus berkembang dapat bersaing dengan manusia inferior di pasar kerja, dalam bisnis, dalam sains, dalam politik (mengejar hak robot), dan secara teknologi, sosiologis (dengan bertindak sebagai satu), dan secara militer. Bahkan saat ini, banyak pekerjaan telah diambil oleh mesin pseudo-intelligent yang ditenagai oleh AI yang lemah. Sebagai contoh, robot untuk rumah, perawatan kesehatan, hotel, dan restoran telah mengotomatisasi banyak bagian dari kehidupan kita: bot virtual mengubah layanan pelanggan menjadi mandiri. layanan, big data aplikasi AI digunakan untuk menggantikan manajer portofolio, dan robot sosial seperti Pepper digunakan untuk menggantikan penyambut manusia untuk tujuan layanan pelanggan.

Kecerdasan super yang muncul

Jika penelitian terhadap AI yang kuat menghasilkan perangkat lunak yang cukup cerdas, ia akan dapat memprogram ulang dan meningkatkan dirinya - sebuah fitur yang disebut perbaikan diri rekursif. Maka akan lebih baik dalam meningkatkan dirinya sendiri, dan mungkin akan terus melakukannya dalam siklus yang meningkat pesat, yang mengarah ke ledakan kecerdasan dan munculnya superintelijen. Kecerdasan seperti itu tidak akan memiliki keterbatasan kecerdasan manusia, dan mungkin bisa menemukan atau menemukan hampir semua hal.

Perangkat lunak hyper-intelligent mungkin tidak serta merta memutuskan untuk mendukung keberlangsungan keberadaan umat manusia, dan mungkin sangat sulit untuk dihentikan. Topik ini juga baru-baru ini mulai dibahas dalam publikasi akademis sebagai sumber risiko nyata bagi peradaban, manusia, dan planet Bumi.

Satu proposal untuk mengatasi ini adalah untuk memastikan bahwa AI yang umumnya cerdas pertama adalah AI ramah yang kemudian akan berusaha untuk memastikan bahwa AI yang dikembangkan kemudian juga baik bagi kita. Tetapi AI yang bersahabat lebih sulit untuk dibuat daripada AGI biasa, dan karena itu, kemungkinan, dalam perlombaan antara keduanya, bahwa non-friendlyAI akan dikembangkan terlebih dahulu. Juga, tidak ada jaminan bahwa AI ramah akan tetap ramah, atau bahwa keturunannya juga akan