AGI is de logische conclusie van AI-onderzoek: een set digitale algoritmen die problemen kunnen aanpakken en informatie kritisch kunnen beoordelen met de flexibiliteit en diepte van menselijke cognitie. Met andere woorden, AGI bootst niet alleen intelligentie na, maar toont die net zo duidelijk en onmiskenbaar als een persoon.
Als dit vergezocht klinkt, dan is dat omdat AGI nog steeds een theoretisch veld is. Er is nog geen echte AGI gecreëerd. De huidige artificial intelligence is indrukwekkend, maar toont geen echte cognitieve vaardigheden aan. Het kan dus niet echt voor zichzelf denken zoals de menselijke gebruikers dat kunnen. De AI is zich niet bewust van zichzelf als een denkend wezen.
Dit is het belangrijkste verschil tussen AI en AGI. Meer specifiek kunnen de verschillen tussen artificial general intelligence en artificial intelligence als volgt worden samengevat:
- AI werkt op basis van vooraf gedefinieerde regels en gegevenspatronen. AI kan alleen beslissingen nemen binnen de grenzen van de trainingsgegevens.
- AGI zou hypothetisch in staat zijn tot verfijnd, domeinoverschrijdend redeneren en zou mogelijk tot nieuwe probleemoplossende benaderingen kunnen komen die verschillen van menselijke redeneringspatronen. AGI zou abstracte concepten kunnen hanteren, kunnen deelnemen aan complexe logische analyses en potentieel nieuwe manieren van denken kunnen ontdekken die mensen niet hebben overwogen.
De ontwikkeling van AI is stevig geworteld in de wens om systemen te creëren die complexe taken kunnen automatiseren. AI en AGI hebben verschillende beperkingen wat betreft de resultaten die ze zouden kunnen bereiken.
- AI is ontworpen voor specifieke taken zoals beeldherkenning of vertaling. AI kan informatie niet omzetten in kennis en vaardigheden niet overdragen van het ene op het andere domein.
- AGI zou een breed scala aan taken kunnen uitvoeren en daarmee de veelzijdigheid van menselijke intelligentie nabootsen. AGI zou zich autonoom aanpassen aan nieuwe taken zonder dat omscholing of meer specifieke programmering nodig is.
Alle AI-modellen zijn gebaseerd op initiële trainingsgegevens, maar ze kunnen ook hun prestaties verbeteren op basis van nieuwe gegevens. Hierdoor kunnen ze zich in de loop van de tijd ontwikkelen en verbeteren.
- AI leert van grote datasets binnen een klein domein. Sommige AI omvat machine learning om patronen te identificeren wanneer nieuwe gegevens worden aangetroffen. Dit verbetert het vermogen om specifieke taken met toenemende nauwkeurigheid uit te voeren.
- AGI zou leerpunten uit nieuwe gegevens kunnen verwerken, maar daarbij niet beperkt blijven tot een specifiek domein. Net als bij menselijk leren zou AGI in staat zijn om te leren en te ontwikkelen met betrekking tot elk onderwerp waaraan het wordt blootgesteld.
Context begrijpen betekent informatie interpreteren en daarop reageren op basis van de omstandigheden en nuances, rekening houdend met vormen van genuanceerde informatie die moeilijk te kwantificeren kunnen zijn.
AI heeft een beperkt contextueel begrip en worstelt vaak met nuances. AI vereist doorgaans duidelijke en gestructureerde input om nauwkeurig te kunnen functioneren.
AGI heeft als doel context te begrijpen en te interpreteren op een manier die aansluit bij het menselijk begrip. Hierdoor zou AGI in staat zijn om op een natuurlijkere manier met mensen te communiceren.
Algemene probleemoplossing houdt in dat een breed scala aan uitdagingen moet worden behandeld volgens een veelzijdige aanpak. Dit is het vermogen om nieuwe problemen effectief te beoordelen en te beginnen met de ontwikkeling van haalbare oplossingen.
AI lost specifieke problemen op waarvoor het is getraind. De technologie heeft niet de flexibiliteit om onverwachte problemen buiten de programmering aan te pakken.
AGI zou theoretisch een breed spectrum van problemen kunnen oplossen door gebruik te maken van algemene intelligentie met behulp van menselijke vaardigheden voor probleemoplossing. AGI zou kennis en vaardigheden dynamisch kunnen toepassen op nieuwe en uiteenlopende uitdagingen.
De term artificial general intelligence dateert uit 2007, maar als een naamloos concept bestaat het al veel langer. In die tijd is dit altijd meer een theorie geweest dan iets dat dicht bij de werkelijkheid lag. Voor veel theoretici heeft GenAI het concept weer binnen de mogelijkheden gebracht en zou GenAI de eerste opmerkelijke stappen in jaren kunnen vormen naar het realiseren van ware AGI.
Het vermogen van GenAI om deep learning-technieken toe te passen om nieuwe inhoud (zoals tekst, afbeeldingen, video en audio) te genereren die goed vergelijkbaar is met de trainingsgegevens en tegelijk origineel en duidelijk is, brengt de wereld dichter bij AGI. Dat wil niet zeggen dat generatieve AI en AGI hetzelfde zijn.
Ondanks hun indrukwekkende mogelijkheden hebben GenAI-systemen nog steeds dezelfde beperkingen als AI. Daarentegen zou artificial general intelligence theoretisch het volledige scala van menselijke cognitieve vaardigheden en meer kunnen repliceren. De technologie zou de flexibiliteit hebben om kennis te begrijpen, te leren en toe te passen voor diverse taken en contexten en daarmee blijk geven van redeneren en probleemoplossende vaardigheden op gelijke voet met menselijke intelligentie. Dit zou ook kunnen worden toegepast om generatieve vermogens te verbeteren en zelfs te overstijgen wat huidige generatieve AI kan.
De verbazingwekkende vooruitgang die AI alleen in het afgelopen jaar al heeft geboekt, kan makkelijk leiden tot de conclusie dat AGI onvermijdelijk en zelfs nabij is. Maar de realiteit is dat er nog steeds verschillende vorderingen nodig zijn voordat AI eindelijk de sprong naar ware algemene intelligentie kan maken. De volgende elementen zijn van cruciaal belang om de kloof te overbruggen tussen smalle AI en de veelzijdige, menselijke denkprocessen die AGI belooft:
AI-systemen moeten geluiden kunnen interpreteren en verwerken met hetzelfde ruimtelijke bewustzijn en dezelfde nuance als mensen. Hierbij hoort onder meer het onderscheiden van overlappende geluiden en het identificeren van geluidsbronnen in complexe omgevingen. Dit is essentieel voor toepassingen zoals geavanceerde virtuele assistenten en autonome systemen die in dynamische scenario’s werken.
AI moet visuele input, inclusief subtiele verschillen in kleur en structuur, nauwkeurig herkennen en interpreteren om taken uit te voeren zoals geavanceerde medische beeldvorming, kwaliteitscontrole in de maakindustrie en real-time videoanalyse.
AI-systemen hebben echte ruimtelijke intelligentie nodig, zodat ze kunnen navigeren en reageren in fysieke omgevingen zoals mensen dat doen. Het gaat hier niet alleen om het 'zien' van de fysieke wereld maar ook het volledig begrijpen van de 3D-ruimte, het herkennen van objectrelaties en het voorspellen van fysieke interacties. Met ruimtelijke intelligentie zou AGI ruimtelijke dynamiek in real time interpreteren en acties aanpassen op basis van de inrichting en veranderingen in de omgeving, in plaats van alleen te vertrouwen op GPS of vooraf gedefinieerde kaarten.
AGI moet in staat zijn problemen te herkennen en zelfstandig effectieve oplossingen te bedenken. Dit vereist niet alleen inzicht in de context van problemen, maar ook het toepassen van gezond verstand en voorspellende redenering om nooit eerder ondervonden problemen op te lossen, vergelijkbaar met hoe mensen problemen oplossen en innoveren als onderdeel van het probleemoplossingsproces.
Mobiele AI-systemen moeten zonder menselijke tussenkomst zelfstandig en veilig kunnen navigeren in complexe omgevingen. Hierbij hoort niet alleen het volgen van GPS-coördinaten, maar ook het dynamisch aanpassen aan nieuwe obstakels, veranderende omstandigheden en onvoorziene gebeurtenissen. Dit alles is cruciaal voor toepassingen zoals volledig autonome voertuigen en robotische afleveringssystemen.
Het ontwikkelen van fijne motorische vaardigheden is minder belangrijk voor zuiver computergebaseerde systemen, maar essentieel voor fysieke taken die precisie en behendigheid vereisen. Deze vooruitgang zal robots in staat stellen complexe activiteiten uit te voeren, zoals chirurgische procedures en delicate assemblagewerkzaamheden in de productie.
Voordat AGI mogelijk is, moet AI uitstijgen boven het verwerken van geïsoleerde stukjes informatie en in staat zijn om de volledige context te begrijpen. Dit omvat het begrijpen van de impliciete betekenissen, sociale signalen en complexe taalstructuren die in de menselijke taal voorkomen.
Generatieve AI kan creativiteit nabootsen, maar is zelf niet creatief. AGI moet in staat zijn volledig nieuwe ideeën en creatieve oplossingen te genereren. Dit vereist een gevarieerde kennisset en het vermogen om die kennis op innovatieve manieren te synthetiseren.
De laatste ontwikkeling (die van dit alles waarschijnlijk nog het meest veraf ligt) is om AGI om naadloos te laten communiceren met mensen op een emotioneel niveau. Het herkennen van en reageren op onuitgesproken emotionele signalen en het begrijpen van sociale dynamiek is een uiterst subtiel en complex gebied van sociale interactie en iets waar ook veel mensen moeite mee hebben. Dit maakt het des te ingewikkelder om AI-systemen in deze interacties te trainen.
AGI ligt nog veraf, maar er zijn wel al geavanceerde AI-oplossingen beschikbaar. ServiceNow levert deze AI-oplossingen aan je bedrijf via de kracht van het Now Platform®. De uitgebreide ServiceNow-suite integreert AI in de kern van de gecentraliseerde toepassingen, waardoor organisaties van elke omvang meer mogelijkheden krijgen.
Automatiseer complexe workflows. Verbeter de klantenservice met 24/7 virtuele agents. Classificeer en stuur aanvragen eenvoudig door naar de juiste vertegenwoordigers. Geef snelle en nauwkeurige antwoorden op gedetailleerde vragen. Haal bruikbare inzichten uit bedrijfsgegevens om klant- en markttrends op te sporen. En dit alles terwijl je je bedrijfsactiviteiten verbetert en de kosten over de hele linie verlaagt. Het Now Platform is geen AGI voor zaken, maar het komt al aardig in de buurt.
Plan vandaag nog een demo met ServiceNow om alle voordelen van de meest geavanceerde AI-oplossingen van vandaag te ervaren!
