Artificial General Intelligence (AGI)

يمثل الذكاء الاصطناعي العام (AGI) علامة فارقة نظرية في علوم الكمبيوتر، حيث تمتلك الآلة مرونة معرفية تمكنها من فهم وتعلم وتطبيق المعرفة عبر مجموعة واسعة من المهام، بما يضاهي أو يتجاوز القدرات البشرية. على عكس أنظمة الذكاء الاصطناعي الحالية المصممة لوظائف محددة، سيكون الذكاء الاصطناعي العام قادراً على الاستنتاج الذاتي، وحل المشكلات في بيئات غير مألوفة، وتعميم الخبرات من مجال إلى آخر. ورغم أن AGI لا يزال موضوعاً للبحث والنقاش المكثف، إلا أنه يمثل الهدف النهائي للمنظمات البحثية الكبرى مثل OpenAI وGoogle DeepMind، مما يعد بإعادة تشكيل طريقة تفاعلنا مع التكنولوجيا.

Link to this sectionالتمييز بين الذكاء الاصطناعي العام (AGI) والذكاء الاصطناعي الضيق#

لفهم القفزة المطلوبة للوصول إلى AGI، من الضروري التمييز بينه وبين الذكاء الاصطناعي (AI) الذي نتفاعل معه اليوم.

• الذكاء الاصطناعي الضيق (ANI): يُعرف أيضاً باسم الذكاء الاصطناعي الضعيف، وتضم هذه الفئة جميع تطبيقات الذكاء الاصطناعي الحالية. تتفوق هذه الأنظمة في مهام محددة ومحددة مسبقاً. على سبيل المثال، يعد Ultralytics YOLO26 نموذجاً متطوراً من فئة ANI تم تحسينه بدرجة عالية لـ اكتشاف الكائنات وتجزئة الصور. ورغم أن YOLO26 يمكنه تحديد الكائنات بشكل أسرع وأكثر دقة من الإنسان، إلا أنه لا يستطيع لعب الشطرنج أو كتابة قصيدة ما لم يتم إعادة تدريبه صراحةً على هذه المهام.
• الذكاء الاصطناعي العام (AGI) (الذكاء الاصطناعي القوي): غالباً ما يُشار إليه باسم الذكاء الاصطناعي القوي، ولن يقتصر نظام AGI على نمط واحد. بل سيظهر تعليماً انتقالياً حقيقياً، مما يسمح له بأخذ المنطق المستفاد من محاكاة فيزيائية وتطبيقه على الأسواق المالية. يحاكي هذا المستوى من التنوع قدرات الحوسبة المعرفية الواسعة للعقل البشري.

Link to this sectionالخصائص الأساسية والتحديات#

يتطلب تطوير AGI التغلب على عقبات تقنية كبيرة تتجاوز مجرد إضافة المزيد من البيانات إلى شبكة عصبية (NN). إنه ينطوي على إنشاء هياكل تدعم:

• الاستدلال التجريدي: القدرة على تحليل مواقف معقدة وجديدة وتشكيل استنتاجات منطقية دون بيانات تدريب محددة مسبقاً.
• الحس السليم: فهم حدسي للسببية والقوانين الفيزيائية، وهي سمة لا يزال من الصعب على نماذج التعلم العميق (DL) الحالية استيعابها بالكامل.
• الوعي: تحدٍ فلسفي وتقني فيما يتعلق بما إذا كانت الآلة قادرة على امتلاك الإدراك، وغالباً ما يتم مناقشته في تجارب فكرية مثل حجة الغرفة الصينية.

تحقيق هذه السمات يتطلب على الأرجح موارد حوسبة هائلة، والاعتماد على أجهزة متطورة من مبتكرين مثل NVIDIA وتقنيات فعالة لـ تحسين النماذج.

Link to this sectionتطبيقات افتراضية في العالم الحقيقي#

بما أن AGI لم يوجد بعد، فإن تطبيقاته تكهنية ولكنها تحويلية. يشير الخبراء في مؤسسات مثل Stanford HAI إلى أن AGI يمكن أن يحدث ثورة في الصناعات من خلال العمل كوكيل مستقل تماماً.

1. البحث العلمي المستقل: على عكس الذكاء الاصطناعي في الرعاية الصحية الحالي، الذي يساعد الأطباء من خلال تسليط الضوء على الشذوذ في الفحوصات، يمكن لـ AGI مراجعة الأدبيات الطبية بشكل مستقل، وصياغة الفرضيات، وتصميم تجارب لعلاج الأمراض.

2. الروبوتات متعددة الأغراض: في مجال الروبوتات، سيمكن AGI الآلات من التنقل في بيئات غير منظمة. يمكن لروبوت يعمل بنظام AGI أداء الأعمال المنزلية، والطهي، وتوفير رعاية المسنين، والتكيف مع التصميم الفريد واحتياجات أي منزل دون إعادة برمجة. هذا يخلق إمكانيات جديدة لـ الذكاء الاصطناعي في الروبوتات.

Link to this sectionتصور حدود الذكاء الاصطناعي الحالي#

على الرغم من أننا لا نستطيع بعد برمجة AGI، يمكننا إظهار قدرات الذكاء الاصطناعي الضيق المتقدم. يستخدم مقتطف الكود التالي حزمة ultralytics لتنفيذ مهمة استنتاج. يمثل هذا ANI لأن النموذج مقيد باكتشاف الكائنات التي تم تدريبه عليها تحديداً، ويفتقر إلى الفهم العام الذي يتمتع به AGI.

from ultralytics import YOLO

# Load the YOLO26 model (Artificial Narrow Intelligence)
# This model excels at vision tasks but is limited to its training domain
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# The model identifies patterns, but does not 'understand' the scene context
results[0].show()

Link to this sectionالطريق إلى الأمام: من ANI إلى AGI#

تعمل الأبحاث الحالية على سد الفجوة بين التطبيقات الضيقة والذكاء العام من خلال التعلم متعدد الوسائط. بدأت نماذج مثل GPT-4 ونماذج اللغة الكبيرة (LLMs) في إظهار شرارات من الاستدلال العام من خلال معالجة النصوص، والأكواد، والصور في وقت واحد. تمكن الأدوات مثل منصة Ultralytics المطورين من تدريب نماذج متطورة بشكل متزايد، مما يساهم في البحث الأساسي الذي قد يؤدي يوماً ما إلى AGI حقيقي. في الوقت الحالي، يظل إتقان التعلم الخاضع للإشراف وتحسين مهام محددة هو الطريقة الأكثر فعالية للاستفادة من قيمة الذكاء الاصطناعي.