Cos'è l'intelligenza artificiale generale?

L'intelligenza artificiale generale (AGI) è un campo di ricerca teorica sull'intelligenza artificiale che tenta di creare software dotato di un'intelligenza simile a quella umana e della capacità di autoapprendimento. L'obiettivo è sviluppare software che sia capace di eseguire attività per le quali non è stato specificamente addestrato o sviluppato. 

Le tecnologie attuali di intelligenza artificiale (IA) operano tutte all'interno di una gamma di parametri predeterminati. Ad esempio, i modelli di intelligenza artificiale addestrati al riconoscimento e alla generazione di immagini non possono creare siti web. L'AGI è una ricerca teorica per sviluppare sistemi di intelligenza artificiale che possiedano un autocontrollo autonomo, un ragionevole grado di comprensione di sé e la capacità di apprendere nuove competenze. Può risolvere problemi complessi in ambienti e contesti che non gli sono stati insegnati al momento della sua creazione. L'AGI con capacità umane rimane un concetto teorico e un obiettivo di ricerca.

Qual è la differenza tra intelligenza artificiale e intelligenza artificiale generale?

Nel corso dei decenni, i ricercatori di intelligenza artificiale hanno tracciato diverse pietre miliari che hanno fatto avanzare in modo significativo l'intelligenza delle macchine, anche a livelli che imitano l'intelligenza umana in compiti specifici. Ad esempio, i riepilogatori di intelligenza artificiale utilizzano modelli di machine learning (ML) per estrarre punti importanti dai documenti e generare un riepilogo comprensibile. L'intelligenza artificiale è quindi una disciplina informatica che consente al software di risolvere compiti nuovi e difficili con prestazioni a livello umano. 

Al contrario, un sistema AGI può risolvere problemi in vari domini, come un essere umano, senza intervento manuale. Invece di limitarsi a un ambito specifico, l'AGI può imparare da sola e risolvere problemi per i quali non è mai stata addestrata. L'AGI è quindi una rappresentazione teorica di un'intelligenza artificiale completa che risolve compiti complessi con capacità cognitive umane generalizzate. 

Alcuni informatici ritengono che l'AGI sia un ipotetico programma informatico con capacità cognitive e di comprensione umana. I sistemi di intelligenza artificiale possono imparare a gestire attività sconosciute senza una formazione aggiuntiva su tali teorie. In alternativa, i sistemi di intelligenza artificiale che utilizziamo oggi richiedono una formazione approfondita prima di poter gestire attività correlate all'interno dello stesso dominio. Ad esempio, è necessario eseguire il fine-tuning di un modello linguistico di grandi dimensioni (LLM) preaddestrato con set di dati medici prima che possa funzionare in modo coerente come chatbot medico. 

IA forte rispetto a IA debole

L'intelligenza artificiale forte è un'intelligenza artificiale completa, o AGI, in grado di svolgere compiti con livelli cognitivi umani nonostante abbia poche conoscenze di base. La fantascienza spesso descrive l'intelligenza artificiale forte come una macchina pensante con una comprensione umana non limitata a limitazioni di dominio. 

Al contrario, l'IA debole o l'IA ristretta sono sistemi di intelligenza artificiale limitati a specifiche di calcolo, algoritmi e attività specifiche per cui sono progettati. Ad esempio, i precedenti modelli di intelligenza artificiale hanno una memoria limitata e si basano solo su dati in tempo reale per prendere decisioni. Anche le applicazioni emergenti di IA generativa con una migliore conservazione della memoria sono considerate IA deboli perché non possono essere riutilizzate per altri domini. 

Quali sono gli approcci teorici alla ricerca sull'intelligenza artificiale generale?

Il raggiungimento dell'AGI richiede uno spettro più ampio di tecnologie, dati e interconnettività rispetto a quello che alimenta i modelli di intelligenza artificiale odierni. La creatività, la percezione, l'apprendimento e la memoria sono essenziali per creare un'intelligenza artificiale che imiti il comportamento umano complesso. Gli esperti di intelligenza artificiale hanno proposto diversi metodi per guidare la ricerca sull'AGI. 

Simbolico

L'approccio simbolico presuppone che i sistemi informatici possano sviluppare l'AGI rappresentando i pensieri umani con reti logiche in espansione. La rete logica simboleggia gli oggetti fisici con una logica if-else, che consente al sistema di intelligenza artificiale di interpretare le idee a un livello di pensiero superiore. Tuttavia, la rappresentazione simbolica non può replicare le abilità cognitive sottili al livello inferiore, come la percezione.

Connessionista

L'approccio connessionista (o emergentista) si concentra sulla replica della struttura del cervello umano con un'architettura di rete neurale. I neuroni cerebrali possono alterare i loro percorsi di trasmissione quando gli esseri umani interagiscono con gli stimoli esterni. Gli scienziati sperano che i modelli di intelligenza artificiale che adottano questo approccio sub-simbolico possano replicare un'intelligenza simile a quella umana e dimostrare capacità cognitive di basso livello. I modelli linguistici di grandi dimensioni sono un esempio di intelligenza artificiale che utilizza il metodo connessionista per comprendere i linguaggi naturali. 

Universalisti

I ricercatori che adottano l'approccio universalista si concentrano sull'affrontare le complessità dell'AGI a livello di calcolo. Tentano di formulare soluzioni teoriche che possano riutilizzare in sistemi AGI pratici. 

Architettura dell'intero organismo

L'approccio all'architettura dell'intero organismo prevede l'integrazione di modelli di intelligenza artificiale con una rappresentazione fisica del corpo umano. Gli scienziati che sostengono questa teoria ritengono che l'AGI sia realizzabile solo quando il sistema impara dalle interazioni fisiche. 

Ibrido

L'approccio ibrido studia i metodi simbolici e sub-simbolici di rappresentazione dei pensieri umani per ottenere risultati al di là di un singolo approccio. I ricercatori di intelligenza artificiale possono tentare di assimilare diversi principi e metodi noti per sviluppare l'AGI.

Quali sono le tecnologie che guidano la ricerca sull'intelligenza artificiale generale?

L'AGI rimane un obiettivo lontano per i ricercatori. Gli sforzi per costruire sistemi AGI sono in corso e incoraggiati dagli sviluppi emergenti. Le sezioni seguenti descrivono le tecnologie emergenti. 

Deep learning 

Il deep learning è una disciplina di intelligenza artificiale che si concentra sull'addestramento di reti neurali con più livelli nascosti per estrarre e comprendere relazioni complesse dai dati grezzi. Gli esperti di intelligenza artificiale utilizzano il deep learning per creare sistemi in grado di comprendere testo, audio, immagini, video e altri tipi di informazioni. Ad esempio, gli sviluppatori utilizzano Amazon SageMaker per creare modelli di deep learning leggeri per l'Internet delle cose (IoT) e i dispositivi mobili. 

IA generativa

L'intelligenza artificiale generativa (IA generativa) è un sottoinsieme del deep learning in cui un sistema di intelligenza artificiale può produrre contenuti unici e realistici a partire dalle conoscenze apprese. I modelli di IA generativa si allenano con enormi set di dati, che consentono loro di rispondere alle domande umane con testo, audio o immagini che assomigliano naturalmente alle creazioni umane. Ad esempio, gli LLM di AI21 Labs, Anthropic, Cohere e Meta sono algoritmi di IA generativa che le organizzazioni possono utilizzare per risolvere compiti complessi. I team di software utilizzano Amazon Bedrock per distribuire rapidamente questi modelli sul cloud senza dover fornire server. 

NLP

L'elaborazione del linguaggio naturale (NLP) è una branca dell'intelligenza artificiale che consente ai sistemi informatici di comprendere e generare il linguaggio umano. I sistemi NLP utilizzano la linguistica computazionale e le tecnologie di machine learning per trasformare i dati linguistici in semplici rappresentazioni chiamate token e comprenderne la relazione contestuale. Ad esempio, Amazon Lex è un motore di NLP che consente alle organizzazioni di creare chatbot di IA conversazionale.  

Visione artificiale

La visione artificiale è una tecnologia che consente ai sistemi di estrarre, analizzare e comprendere le informazioni spaziali dai dati visivi. Le auto a guida autonoma utilizzano modelli di visione artificiale per analizzare i feed in tempo reale delle telecamere e guidare il veicolo in sicurezza lontano dagli ostacoli. Le tecnologie di deep learning consentono ai sistemi di visione artificiale di automatizzare il riconoscimento, la classificazione, il monitoraggio degli oggetti su larga scala e altre attività di elaborazione delle immagini. Ad esempio, gli ingegneri utilizzano Amazon Rekognition per automatizzare l'analisi delle immagini per varie applicazioni di visione artificiale. 

Robotica

La robotica è una disciplina ingegneristica in cui le organizzazioni possono costruire sistemi meccanici che eseguono automaticamente manovre fisiche. In AGI, i sistemi robotici consentono all'intelligenza artificiale di manifestarsi fisicamente. È fondamentale per introdurre la percezione sensoriale e le capacità di manipolazione fisica richieste dai sistemi AGI. Ad esempio, incorporare un braccio robotico con AGI può consentire al braccio di percepire, afferrare e sbucciare le arance come fanno gli umani. Durante la ricerca sull'AGI, i team di ingegneri utilizzano AWS RoboMaker per simulare virtualmente i sistemi robotici prima di assemblarli. 

Quali sono le sfide nella ricerca sull'intelligenza artificiale generale?

Gli informatici affrontano alcune delle seguenti sfide nello sviluppo dell'AGI. 

Effettuare connessioni

Gli attuali modelli di intelligenza artificiale sono limitati al loro dominio specifico e non possono effettuare connessioni tra domini. Tuttavia, gli umani possono applicare la conoscenza e l'esperienza da un dominio all'altro. Ad esempio, le teorie educative vengono applicate nella progettazione di giochi per creare esperienze di apprendimento coinvolgenti. Gli esseri umani possono anche adattare ciò che imparano dall'istruzione teorica alle situazioni della vita reale. Tuttavia, i modelli di deep learning richiedono una formazione approfondita con set di dati specifici per funzionare in modo affidabile con dati non familiari. 

Intelligenza emotiva

I modelli di deep learning suggeriscono la possibilità dell'AGI, ma devono ancora dimostrare l'autentica creatività che gli umani possiedono. La creatività richiede un pensiero emotivo, che l'architettura della rete neurale non è ancora in grado di replicare. Ad esempio, gli umani rispondono a una conversazione in base a ciò che percepiscono emotivamente, ma i modelli di PNL generano output di testo in base ai set di dati linguistici e ai modelli su cui si allenano. 

Percezione sensoriale

L'AGI richiede che i sistemi di intelligenza artificiale interagiscano fisicamente con l'ambiente esterno. Oltre alle abilità robotiche, il sistema deve percepire il mondo come fanno gli umani. Le tecnologie informatiche esistenti necessitano di ulteriori progressi prima di poter differenziare forme, colori, sapori, odori e suoni in modo accurato come gli umani.  

In che modo AWS può aiutarti nelle tue attività di intelligenza artificiale e AGI?

AWS fornisce servizi di intelligenza artificiale gestiti che ti aiutano a formare, distribuire e scalare applicazioni di IA generativa. Le organizzazioni utilizzano i nostri strumenti di intelligenza artificiale e i nostri modelli fondamentali per innovare i sistemi di intelligenza artificiale con i propri dati per casi d'uso personalizzati.

  • Amazon Bedrock è un servizio completamente gestito in cui gli sviluppatori possono utilizzare le chiamate API per accedere ai modelli di IA generativa che implementano. Puoi selezionare, personalizzare, addestrare e implementare modelli di fondazione leader del settore su Bedrock per lavorare con dati proprietari. 
  • Amazon SageMaker Jumpstart aiuta i team software ad accelerare lo sviluppo dell'intelligenza artificiale creando, addestrando e implementando modelli di fondazione in un hub di machine learning. 
  • Usa Amazon Elastic Compute Cloud UltraClusters per potenziare i tuoi carichi di lavoro di IA generativa con GPU di supercalcolo per elaborare set di dati di grandi dimensioni con bassa latenza.

Inizia a usare AGI registrandoti per un account AWS oggi stesso.

Fasi successive su AWS

Consulta ulteriori risorse correlate al prodotto
Accelera l'innovazione con il pacchetto più completo di servizi di IA 
Registrati per creare un account gratuito

Ottieni accesso istantaneo al Piano gratuito di AWS.

Registrati 
Inizia a lavorare nella console

Inizia subito a creare nella Console di gestione AWS.

Accedi