Artificial General Intelligence (AGI)

يمثل الذكاء الاصطناعي العام (AGI) إنجازًا نظريًا بارزًا في علوم الحاسوب، حيث تمتلك الآلة مرونةً معرفية تمكّنها من فهم المعرفة وتعلّمها وتطبيقها عبر مجموعة واسعة من المهام، بما يضاهي قدرات الإنسان أو يتجاوزها. وعلى خلاف أنظمة الذكاء الاصطناعي الحالية المصممة لأداء وظائف محددة، سيكون نظام AGI قادرًا على الاستدلال الذاتي، وحل المشكلات في بيئات غير مألوفة، وتعميم الخبرات من مجال إلى آخر. وبينما لا يزال AGI موضوعًا لبحوث ونقاشات مكثفة، فإنه يمثل الهدف النهائي لمؤسسات بحثية كبرى مثل OpenAI وGoogle DeepMind، مع وعود بإعادة تشكيل طريقة تفاعلنا مع التكنولوجيا.

التمييز بين AGI والذكاء الاصطناعي الضيق#

لفهم القفزة اللازمة للوصول إلى AGI، من الضروري تمييزه عن الذكاء الاصطناعي (AI) الذي نتفاعل معه اليوم.

• الذكاء الاصطناعي الضيق (ANI): يُعرف أيضًا باسم الذكاء الاصطناعي الضعيف، وتشمل هذه الفئة جميع تطبيقات الذكاء الاصطناعي الحالية. تتفوق هذه الأنظمة في أداء مهام محددة ومعرّفة مسبقًا. فعلى سبيل المثال، يُعد Ultralytics YOLO26 نموذج ANI متطورًا للغاية ومحسّنًا بدرجة كبيرة من أجل اكتشاف الكائنات وتجزئة الصور. وعلى الرغم من أن YOLO26 يستطيع تحديد الكائنات بسرعة ودقة أكبر من الإنسان، فإنه لا يستطيع لعب الشطرنج أو كتابة قصيدة ما لم يُعاد تدريبه صراحةً على هذه المهام.
• AGI (الذكاء الاصطناعي القوي): يُشار إلى نظام AGI غالبًا باسم الذكاء الاصطناعي القوي، ولن يكون محدودًا بنمط واحد. وسيُظهر التعلّم بالنقل الحقيقي، مما يتيح له تطبيق المنطق الذي تعلّمه في محاكاة فيزيائية على الأسواق المالية. وتحاكي هذه الدرجة من التنوع قدرات الحوسبة المعرفية الواسعة لدى الدماغ البشري.

الخصائص الأساسية والتحديات#

يتطلب تطوير AGI التغلب على عقبات تقنية كبيرة تتجاوز مجرد إضافة المزيد من البيانات إلى الشبكة العصبية (NN). وينطوي ذلك على إنشاء بنيات تدعم ما يلي:

• الاستدلال التجريدي: القدرة على تحليل المواقف المعقدة والمستجدة والتوصل إلى استنتاجات منطقية دون بيانات تدريب محددة مسبقًا.
• الحس السليم: فهم حدسي للسببية والقوانين الفيزيائية، وهي سمة لا تزال نماذج التعلّم العميق (DL) الحالية تجد صعوبة في استيعابها بالكامل.
• الوعي: تحدٍّ فلسفي وتقني يتعلق بما إذا كان بإمكان الآلة امتلاك الإحساس، وغالبًا ما يُناقش في تجارب فكرية مثل حجة الغرفة الصينية.

يتطلب تحقيق هذه السمات على الأرجح موارد حوسبة هائلة، بالاعتماد على أجهزة متقدمة من مبتكرين مثل NVIDIA وتقنيات فعّالة في تحسين النماذج.

تطبيقات افتراضية في العالم الحقيقي#

نظرًا إلى أن AGI غير موجود بعد، فإن تطبيقاته لا تزال افتراضية، لكنها قد تكون تحويلية. ويشير خبراء في مؤسسات مثل Stanford HAI إلى أن AGI قد يُحدث ثورة في الصناعات من خلال عمله كوكيل مستقل بالكامل.

1. البحث العلمي المستقل: بخلاف الذكاء الاصطناعي في الرعاية الصحية الحالي، الذي يساعد الأطباء على إبراز الحالات الشاذة في الصور والفحوصات، يمكن لـ AGI مراجعة الأدبيات الطبية بصورة مستقلة، وصياغة الفرضيات، وتصميم التجارب لعلاج الأمراض.

2. الروبوتات متعددة الأغراض: في مجال الروبوتات، سيتيح AGI للآلات التنقل في البيئات غير المهيكلة. ويمكن لروبوت مدعوم بـ AGI أداء الأعمال المنزلية والطهي وتقديم الرعاية لكبار السن، والتكيف مع التصميم الفريد لكل منزل واحتياجاته دون إعادة برمجة. وهذا يفتح إمكانات جديدة أمام الذكاء الاصطناعي في الروبوتات.

تصوير حدود الذكاء الاصطناعي الحالي#

على الرغم من أننا لا نستطيع بعد كتابة تعليمات برمجية لـ AGI، يمكننا عرض قدرات الذكاء الاصطناعي الضيق المتقدم. يستخدم مقتطف التعليمات البرمجية التالي الحزمة ultralytics لتنفيذ مهمة استدلال. وهذا يمثل ANI لأن النموذج مقيد باكتشاف الكائنات التي دُرّب عليها تحديدًا، 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()

المسار إلى الأمام: من ANI إلى AGI#

تعمل الأبحاث الحالية على سد الفجوة بين التطبيقات الضيقة والذكاء العام من خلال التعلّم متعدد الوسائط. وبدأت نماذج مثل GPT-4 ونماذج اللغة الكبيرة (LLMs) في إظهار بوادر الاستدلال العام من خلال معالجة النصوص والتعليمات البرمجية والصور في الوقت نفسه. وتُمكّن أدوات مثل Ultralytics Platform المطورين من تدريب نماذج متزايدة التطور، مما يسهم في الأبحاث الأساسية التي قد تقود يومًا ما إلى AGI حقيقي. وفي الوقت الراهن، يظل إتقان التعلّم الخاضع للإشراف وتحسين المهام المحددة الطريقة الأكثر فعالية للاستفادة من قيمة الذكاء الاصطناعي.