هوش مصنوعی در سال‌های اخیر پیشرفت چشمگیری داشته است؛ از حل مسائل پیچیده ریاضی و تولید کدهای برنامه‌نویسی گرفته تا تحلیل متون علمی و کمک به پژوهشگران. بااین‌حال، همین سیستم‌های پیشرفته گاهی در کارهایی به‌ظاهر ساده، مانند تشخیص درست زمان از روی ساعت عقربه‌ای، اشتباه می‌کنند. این تناقض نشان می‌دهد که سنجش هوش مصنوعی به‌اندازه مقایسه آن با انسان ساده نیست.
برای درک بهتر مسیر پیشرفت این فناوری، سه اصطلاح مهم وجود دارد: AI، AGI و ASI. این مفاهیم به‌ترتیب به هوش مصنوعی به‌طور کلی، هوش عمومی مصنوعی و ابرهوش مصنوعی اشاره دارند. اما تفاوت آن‌ها دقیقاً چیست؟ آیا مدل‌های امروزی به هوش انسانی رسیده‌اند؟ و چه زمانی ممکن است با هوشی روبه‌رو شویم که از توانایی‌های انسان در تقریباً تمام زمینه‌ها فراتر برود؟
در این مقاله، تفاوت این سه مفهوم، وضعیت فعلی هوش مصنوعی و پیش‌بینی پژوهشگران درباره آینده AGI و ASI را بررسی می‌کنیم.
AI چیست؟ آشنایی با مفهوم هوش مصنوعی
هوش مصنوعی (Artificial Intelligence) اصطلاحی عمومی برای مجموعه‌ای از روش‌ها و سیستم‌های رایانه‌ای است که می‌توانند وظایفی را انجام دهند که معمولاً به توانایی‌های شناختی انسان، مانند یادگیری، تشخیص الگو، درک زبان، برنامه‌ریزی یا حل مسئله، نیاز دارند.
هوش مصنوعی برخلاف تصور رایج، یک مرحله مشخص در مسیر رسیدن به هوش عمومی یا ابرهوش نیست؛ بلکه عنوانی گسترده برای فناوری‌ها و سیستم‌های مختلف است.
برای مثال، کاربردهای زیر همگی در حوزه هوش مصنوعی قرار می‌گیرند:
- سیستم‌های تشخیص چهره و شناسایی اشیا در تصاویر
- الگوریتم‌های پیشنهاد فیلم، موسیقی و محصولات
- دستیارهای هوشمند مانند ChatGPT و Claude
- ابزارهای تولید تصویر، ویدئو، صدا و متن
- سامانه‌های تشخیص تقلب و تحلیل داده
- مدل‌های پیشرفته‌ای که در برنامه‌نویسی، ریاضیات و پژوهش علمی به کار می‌روند
تفاوت مهم این سیستم‌ها در گستره توانایی‌های آن‌هاست. یک مدل ممکن است فقط برای تشخیص تصاویر پزشکی آموزش دیده باشد، درحالی‌که یک مدل زبانی عمومی می‌تواند به پرسش‌ها پاسخ دهد، متن بنویسد، کد تولید کند و در حل مسائل ریاضی کمک کند.
بااین‌حال، گستردگی قابلیت‌ها به‌تنهایی اثبات نمی‌کند که یک سیستم از هوش عمومی مشابه انسان برخوردار است. ممکن است مدلی در آزمون‌های دشوار عملکردی فوق‌العاده داشته باشد، اما هنگام مواجهه با شرایط ناآشنا، اطلاعات ناقص یا وظایفی که به ترکیب چند مهارت نیاز دارند، با مشکل روبه‌رو شود.
AGI چیست؟ آیا هوش مصنوعی می‌تواند مانند انسان فکر کند؟
هوش عمومی مصنوعی (Artificial General Intelligence یا AGI) به نوعی از هوش مصنوعی اشاره دارد که بتواند در طیف گسترده‌ای از وظایف شناختی، توانایی‌هایی در سطح انسان یا بالاتر از آن داشته باشد. این مفهوم برخلاف بسیاری از کاربردهای تخصصی هوش مصنوعی، بر قابلیت یادگیری، سازگاری و استفاده از دانش در موقعیت‌های متفاوت تأکید می‌کند.
برای مثال، تصور کنید یک سیستم هوش مصنوعی بتواند برنامه‌نویسی کند، یک نظریه علمی را بررسی کند، زبان جدیدی بیاموزد، برای یک مسئله ناشناخته راه‌حل پیدا کند و سپس آموخته‌های خود را در زمینه‌ای متفاوت به کار بگیرد؛ آن هم بدون اینکه برای هر وظیفه به آموزش اختصاصی و راهنمایی گسترده نیاز داشته باشد.
چنین توانایی‌هایی به ایده هوش عمومی نزدیک هستند، اما برای اینکه یک سیستم را AGI بدانیم، باید معیارهای مشخصی داشته باشیم.
تفاوت AGI با مدل‌های هوش مصنوعی امروزی چیست؟
مدل‌های امروزی در بسیاری از زمینه‌ها توانایی‌های چشمگیری دارند. بعضی از آن‌ها می‌توانند در آزمون‌های پیشرفته ریاضی موفق شوند، کدهای پیچیده تولید کنند یا اطلاعات علمی را تحلیل کنند. بااین‌حال، عملکرد این مدل‌ها در همه وظایف یکسان نیست.
گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۶ نمونه جالبی از این وضعیت ارائه می‌دهد: مدل‌های پیشرفته در برخی آزمون‌های دشوار ریاضی به سطح مدال طلای المپیاد جهانی ریاضی رسیده‌اند، اما در تشخیص زمان از روی ساعت عقربه‌ای همچنان خطاهای زیادی دارند. در یکی از ارزیابی‌های گزارش، دقت بهترین مدل در خواندن ساعت حدود ۵۰ درصد بود؛ درحالی‌که دقت انسان‌ها بسیار بیشتر گزارش شده است.
این اختلاف نشان می‌دهد که هوش مصنوعی توانایی‌های یکنواختی ندارد و عملکرد عالی در یک آزمون لزوماً به معنای برخورداری از درک عمومی و قابل اتکا نیست.
تفاوت دیگر، قابلیت تعمیم و سازگاری است. یک سیستم عمومی باید بتواند با مسئله‌ای که قبلاً با آن روبه‌رو نشده است مواجه شود، اطلاعات مرتبط را تشخیص دهد و راهبرد مناسبی انتخاب کند. همچنین، برای انجام کارهای طولانی باید بتواند مراحل مختلف را هماهنگ کند، اشتباهاتش را تشخیص دهد و در صورت نیاز مسیر خود را اصلاح کند.
آیا AGI در سال ۲۰۲۶ ساخته شده است؟
پاسخ به این سؤال به تعریف AGI بستگی دارد. هنوز تعریف واحد و آزمون مورد توافقی وجود ندارد که تمام پژوهشگران آن را معیار قطعی دستیابی به هوش عمومی مصنوعی بدانند. به همین دلیل، اعلام اینکه یک مدل مشخص قطعاً به AGI رسیده است، نیازمند شواهدی فراتر از موفقیت در چند آزمون یا نمایش قابلیت‌های چشمگیر است.
در حال حاضر، می‌توان گفت سیستم‌های هوش مصنوعی عمومی‌منظوره به‌سرعت در حال پیشرفت‌اند؛ اما توانایی انجام وظایف گوناگون با داشتن هوشی عمومی، سازگار و قابل اتکا در تمام شرایط یکسان نیست.
ASI چیست؟ آشنایی با ابرهوش مصنوعی
ابرهوش مصنوعی (Artificial Superintelligence یا ASI) به یک سیستم فرضی اشاره دارد که توانایی‌های شناختی آن در تقریباً تمام زمینه‌های مهم، از توانمندترین انسان‌ها فراتر می‌رود.
در این سناریو، صحبت فقط از ماشینی نیست که در محاسبات سریع‌تر باشد یا بتواند حجم زیادی از اطلاعات را در چند ثانیه تحلیل کند. ابرهوش مصنوعی ممکن است در پژوهش علمی، طراحی فناوری، حل مسائل پیچیده، برنامه‌ریزی و ابداع راه‌حل‌های تازه نیز از بهترین متخصصان انسانی عملکرد بهتری داشته باشد.
البته ASI هنوز یک مفهوم فرضی است و هیچ سیستم شناخته‌شده‌ای به‌طور علمی و مورد توافق به‌عنوان ابرهوش مصنوعی تأیید نشده است.
ابرهوش مصنوعی چه کاربردهایی می‌تواند داشته باشد؟
اگر روزی چنین سیستمی توسعه پیدا کند، پیامدهای احتمالی آن می‌تواند گسترده باشد. برخی از کاربردهای مورد تصور عبارت‌اند از:
- پژوهش پزشکی: کمک به شناسایی اهداف درمانی، طراحی داروها و تحلیل سازوکار بیماری‌ها.
- پیشرفت علمی: بررسی فرضیه‌های پیچیده و پیشنهاد آزمایش‌هایی که پژوهشگران انسانی به‌راحتی به آن‌ها نمی‌رسند.
- مهندسی و فناوری: طراحی مواد جدید، بهبود سامانه‌های انرژی و یافتن راه‌حل‌هایی برای مسائل دشوار صنعتی.
- حل مسائل جهانی: کمک به مدل‌سازی تغییرات اقلیمی، بهینه‌سازی مصرف منابع و تحلیل سناریوهای پیچیده.
- توسعه هوش مصنوعی: کمک به طراحی، ارزیابی و بهبود نسل‌های بعدی مدل‌های هوش مصنوعی.
این موارد، فرصت‌های احتمالی هستند، نه دستاوردهایی که تحقق آن‌ها با ساخت ASI تضمین شده باشد. نتیجه واقعی به قابلیت‌های سیستم، دسترسی آن به منابع، کیفیت داده‌ها و نحوه استفاده انسان‌ها از آن بستگی خواهد داشت.
آیا ASI به آگاهی و احساس نیاز دارد؟
خیر. ابرهوش مصنوعی لزوماً به معنای ماشینی خودآگاه یا دارای احساسات انسانی نیست.
هوش، آگاهی، تجربه ذهنی و انگیزه مفاهیم متفاوتی هستند. یک سیستم ممکن است در حل مسائل از انسان بهتر عمل کند، بدون اینکه شواهدی مبنی بر تجربه ذهنی یا احساسات انسانی درباره آن وجود داشته باشد.
همچنین، توانایی بالاتر به‌خودی‌خود به معنی داشتن اراده مستقل، میل به قدرت یا دشمنی با انسان‌ها نیست. چنین پیامدهایی را نمی‌توان صرفاً از هوشمندتر بودن یک سیستم نتیجه گرفت؛ آن‌ها به طراحی، اهداف، دسترسی‌ها و نحوه عملکرد آن نیز وابسته‌اند.
تفاوت AI، AGI و ASI در یک نگاه
برای جمع‌بندی تفاوت این سه اصطلاح، جدول زیر را در نظر بگیرید.
| ویژگی | AI | AGI | ASI |
|---|---|---|---|
| مفهوم | هوش مصنوعی به‌طور کلی | هوش عمومی مصنوعی | ابرهوش مصنوعی |
| گستره توانایی | از وظایف محدود تا طیف گسترده‌ای از کارها | توانایی عمومی در حوزه‌های شناختی مختلف | فراتر رفتن از بهترین توانایی‌های انسانی در تقریباً تمام حوزه‌های شناختی |
| یادگیری و سازگاری | وابسته به نوع سیستم و وظیفه | انتظار می‌رود گسترده و انعطاف‌پذیر باشد | انتظار می‌رود بسیار پیشرفته باشد |
| وضعیت فعلی | فناوری موجود و در حال توسعه | تحقق آن محل اختلاف و فاقد تأیید مورد توافق است | فرضی و تحقق‌نیافته |
| نمونه | دستیارهای هوشمند و ابزارهای تولید محتوا | یک هوش عمومی فرضی با توانایی یادگیری گسترده | یک ابرهوش فرضی که از بهترین متخصصان انسانی فراتر می‌رود |
نکته مهم این است که AI، AGI و ASI را نباید سه نسل قطعی با مرزهای کاملاً مشخص دانست. AI نام حوزه‌ای گسترده است؛ AGI و ASI مفاهیمی برای توصیف سطوح فرضی از توانایی‌های هوش مصنوعی هستند و تعریف دقیق آن‌ها همچنان موضوع بحث پژوهشگران است.
در سال ۲۰۲۶ چقدر با AGI و ASI فاصله داریم؟
پاسخ دقیق این است که هنوز نمی‌دانیم. پیشرفت هوش مصنوعی سریع است، اما سرعت پیشرفت به‌تنهایی مشخص نمی‌کند که چه زمانی به هوش عمومی مصنوعی یا ابرهوش خواهیم رسید.
گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۶ نشان می‌دهد که عملکرد مدل‌های پیشرفته در بسیاری از ارزیابی‌ها رشد کرده است. برای مثال، توانایی انجام وظایف رایانه‌ای در برخی آزمون‌های عامل‌های هوش مصنوعی بهبود قابل‌توجهی داشته، اما این سیستم‌ها هنوز در انجام مستقل و قابل اتکای وظایف پیچیده با محدودیت روبه‌رو هستند.
برای ارزیابی فاصله تا AGI، تنها بررسی نمره آزمون‌های ریاضی یا دانش عمومی کافی نیست. باید دید سیستم تا چه اندازه می‌تواند:
- در شرایط ناآشنا عملکرد مناسبی داشته باشد.
- مهارت‌های آموخته‌شده را به مسائل جدید منتقل کند.
- وظایف چندمرحله‌ای را بدون نظارت مداوم انجام دهد.
- خطاهای خود را تشخیص دهد و آن‌ها را اصلاح کند.
- در طول زمان عملکرد پایدار و قابل پیش‌بینی داشته باشد.
حتی اگر یک مدل در تمام این زمینه‌ها پیشرفت کند، همچنان باید روشن شود که تعریف مورد استفاده از AGI دقیقاً چیست و چه شواهدی برای تأیید آن لازم است.
پیش‌بینی پژوهشگران درباره زمان ظهور AGI و ASI
یکی از مطالعات مهم در این زمینه، نظرسنجی سال ۲۰۲۳ از پژوهشگران هوش مصنوعی است که نتایج آن در ژانویه ۲۰۲۴ منتشر شد. در این پژوهش، ۲۷۷۸ پژوهشگر درباره سرعت پیشرفت هوش مصنوعی و زمان دستیابی به قابلیت‌های پیشرفته نظر دادند.
بر اساس برآورد تجمیعی این نظرسنجی، احتمال دستیابی به ماشین‌هایی که بتوانند تمام وظایف انسان را بهتر و ارزان‌تر از نیروی انسانی انجام دهند، تا سال ۲۰۴۷ به ۵۰ درصد می‌رسید.
اما در تفسیر این عدد باید دقت کرد. منظور از این پیش‌بینی، تعریف مشخصی از «هوش ماشینی سطح‌بالا» بود که بر توانایی انجام همه وظایف شغلی انسان با عملکرد بهتر و هزینه کمتر تمرکز داشت. این تعریف الزاماً با تمام تعاریف AGI یکسان نیست.
همچنین، این عدد به معنی آن نیست که پژوهشگران مطمئن‌اند AGI در سال ۲۰۴۷ ساخته می‌شود؛ بلکه نشان‌دهنده میانه یک برآورد احتمالاتی بر اساس پاسخ‌های شرکت‌کنندگان در آن زمان است.
احتمال ظهور ASI چقدر است؟
پیش‌بینی ابرهوش مصنوعی دشوارتر است؛ زیرا هنوز تجربه مستقیمی از ساخت چنین سیستمی نداریم و مسیر پیشرفت آن به عوامل متعددی وابسته است.
در بخش دیگری از پژوهش سال ۲۰۲۳، از گروهی شامل ۲۸۲ نفر درباره زمان رسیدن به ابرهوش، با فرض تحقق هوش ماشینی سطح‌بالا، سؤال شد. طبق برآوردهای گزارش‌شده در متن اولیه این نظرسنجی، میانه احتمال رسیدن به ابرهوش در فاصله دو سال پس از آن نقطه ۱۰ درصد و در فاصله ۳۰ سال پس از آن ۶۰ درصد بود.
این اعداد باید با احتیاط تفسیر شوند: آن‌ها پیش‌بینی‌های شرطی پژوهشگران هستند، نه احتمال قطعی وقوع ASI تا سال مشخصی مانند ۲۰۵۰ یا ۲۰۶۰. همچنین، برآوردهای یک نظرسنجی را نمی‌توان بدون توجه به تعریف‌ها، روش تجمیع پاسخ‌ها و عدم‌قطعیت‌های موجود به تمام پژوهشگران تعمیم داد.
خطرات و چالش‌های احتمالی ابرهوش مصنوعی
هرچه قابلیت‌های سیستم‌های هوش مصنوعی افزایش پیدا کند، اهمیت ایمنی و نظارت بر آن‌ها نیز بیشتر می‌شود. در مورد ASI، مسئله فقط جلوگیری از خطاهای معمول نیست؛ بلکه باید بررسی کرد که چگونه می‌توان عملکرد سیستمی بسیار توانمند را با اهداف و منافع انسان هماهنگ نگه داشت.
یکی از موضوعات مهم، هم‌راستاسازی اهداف (AI Alignment) است. منظور این است که رفتار سیستم با اهداف موردنظر طراحان و محدودیت‌های ایمنی سازگار باشد. حتی اگر یک سیستم توانایی حل مسئله بسیار بالایی داشته باشد، این موضوع به‌تنهایی تضمین نمی‌کند که در تمام شرایط مطابق انتظار عمل کند.
چالش‌های مهم دیگر عبارت‌اند از:
- امنیت: جلوگیری از سوءاستفاده از قابلیت‌های پیشرفته برای حملات سایبری یا فعالیت‌های مخرب.
- قابلیت کنترل: اطمینان از اینکه انسان‌ها می‌توانند رفتار سیستم را ارزیابی و در صورت لزوم محدود یا متوقف کنند.
- پیامدهای اقتصادی: مدیریت تغییرات بازار کار و توزیع منافع حاصل از اتوماسیون.
- تمرکز قدرت: جلوگیری از انحصار قابلیت‌های بسیار قدرتمند در دست تعداد محدودی از شرکت‌ها یا دولت‌ها.
- قابلیت ارزیابی: توسعه روش‌هایی برای سنجش قابل اعتماد توانایی‌ها و خطرات سیستم‌های پیشرفته.
در مقابل، نباید تمام سناریوهای نگران‌کننده را قطعی فرض کرد. ابرهوش مصنوعی هنوز تحقق نیافته و میزان خطرات آن به ویژگی‌های واقعی سیستم‌های آینده و نحوه توسعه و استفاده از آن‌ها وابسته است.
جمع‌بندی؛ آیا باید منتظر ظهور ابرهوش مصنوعی باشیم؟
هوش مصنوعی در سال ۲۰۲۶ توانایی‌هایی دارد که تا چند سال پیش دست‌نیافتنی به نظر می‌رسیدند. مدل‌های پیشرفته می‌توانند در برخی مسائل پیچیده علمی و ریاضی عملکردی در سطح متخصصان یا بالاتر داشته باشند، اما همچنان در بعضی وظایف ساده‌تر اشتباه می‌کنند و در انجام مستقل کارهای طولانی محدودیت دارند.
AGI هنوز یک نقطه عطف با تعریف و معیار مورد توافق همگانی نیست و ASI نیز همچنان مفهومی فرضی است. نظرسنجی‌های پژوهشگران می‌توانند درباره زمان‌بندی احتمالی این فناوری‌ها دیدگاه‌هایی ارائه دهند، اما هیچ‌کدام تاریخ قطعی ظهور آن‌ها را مشخص نمی‌کنند.
در نهایت، مسئله فقط این نیست که هوش مصنوعی چه زمانی از انسان توانمندتر می‌شود. موضوع مهم‌تر این است که چگونه می‌توان قابلیت‌های آن را توسعه داد، محدودیت‌هایش را شناخت و اطمینان حاصل کرد که استفاده از آن به شکلی ایمن، مسئولانه و سودمند برای جامعه انجام می‌شود.
بیشتر بخوانید:
ابزار تخصصی گوگل برای تشخیص تصاویر، ویدیوها و صداهای تولیدشده با هوش مصنوعی
راهنمای جامع اصطلاحات و مفاهیم کلیدی هوش مصنوعی
راهنمای نوشتن پرامپت برای مدل‌های هوش مصنوعی
