Artificial General Intelligence (AGI)

L'Artificial General Intelligence (AGI) rappresenta una pietra miliare teorica nell'informatica, in cui una macchina possiede la flessibilità cognitiva per comprendere, apprendere e applicare la conoscenza a un'ampia varietà di compiti, eguagliando o superando le capacità umane. A differenza degli attuali sistemi AI, progettati per funzioni specifiche, un'AGI sarebbe in grado di ragionare in autonomia, risolvere problemi in ambienti sconosciuti e generalizzare esperienze da un dominio all'altro. Sebbene l'AGI rimanga oggetto di intensa ricerca e dibattito, rappresenta l'obiettivo finale per importanti organizzazioni di ricerca come OpenAI e Google DeepMind, promettendo di rimodellare il modo in cui interagiamo con la tecnologia.

Link to this sectionDistinguere l'AGI dall'AI stretta#

Per comprendere il salto necessario per raggiungere l'AGI, è essenziale distinguerla dall'Artificial Intelligence (AI) con cui interagiamo oggi.

• Artificial Narrow Intelligence (ANI): Nota anche come Weak AI, questa categoria comprende tutte le applicazioni AI esistenti. Questi sistemi eccellono in compiti specifici e predefiniti. Ad esempio, Ultralytics YOLO26 è un modello ANI all'avanguardia altamente ottimizzato per l'object detection e l'image segmentation. Sebbene YOLO26 possa identificare oggetti più velocemente e con maggiore precisione di un essere umano, non può giocare a scacchi o scrivere una poesia a meno che non venga esplicitamente riaddestrato per tali compiti.
• AGI (Strong AI): Spesso definita come Strong AI, un sistema AGI non sarebbe limitato a una singola modalità. Mostrerebbe una vera transfer learning, permettendogli di prendere la logica appresa in una simulazione fisica e applicarla ai mercati finanziari. Questo livello di versatilità imita le ampie capacità di cognitive computing del cervello umano.

Link to this sectionCaratteristiche principali e sfide#

Sviluppare l'AGI richiede di superare ostacoli tecnici significativi che vanno oltre il semplice inserimento di più dati in una neural network (NN). Implica la creazione di architetture che supportino:

• Ragionamento astratto: La capacità di analizzare situazioni complesse e inedite e formare conclusioni logiche senza training data specifici precedenti.
• Senso comune: Una comprensione intuitiva della causalità e delle leggi fisiche, un tratto che rimane difficile da cogliere appieno per gli attuali modelli di deep learning (DL).
• Coscienza: Una sfida filosofica e tecnica riguardante la possibilità che una macchina possa possedere sensibilità, spesso discussa in esperimenti mentali come il Chinese Room Argument.

Raggiungere questi tratti richiede probabilmente enormi risorse computazionali, affidandosi ad hardware avanzato di innovatori come NVIDIA e tecniche efficienti di model optimization.

Link to this sectionIpotetiche applicazioni nel mondo reale#

Poiché l'AGI non esiste ancora, le sue applicazioni sono speculative ma trasformative. Gli esperti di istituzioni come Stanford HAI suggeriscono che l'AGI potrebbe rivoluzionare i settori agendo come un agente pienamente autonomo.

1. Ricerca scientifica autonoma: A differenza dell'AI in healthcare attuale, che assiste i medici evidenziando anomalie nelle scansioni, un'AGI potrebbe esaminare autonomamente la letteratura medica, formulare ipotesi e progettare esperimenti per curare malattie.

2. Robotica per scopi generali: Nel campo della robotics, l'AGI permetterebbe alle macchine di navigare in ambienti non strutturati. Un robot alimentato da AGI potrebbe svolgere faccende domestiche, cucinare e fornire assistenza agli anziani, adattandosi alla disposizione unica e alle esigenze di ogni casa senza essere riprogrammato. Questo crea nuove possibilità per l'AI in robotics.

Link to this sectionVisualizzare il limite dell'attuale AI#

Sebbene non possiamo ancora programmare un'AGI, possiamo dimostrare le capacità di una Narrow AI avanzata. Il seguente frammento di codice utilizza il pacchetto ultralytics per eseguire un'attività di inferenza. Questo rappresenta un'ANI perché il modello è limitato al rilevamento di oggetti su cui è stato specificamente addestrato, mancando della comprensione generale di un'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 sectionIl percorso da seguire: dall'ANI all'AGI#

La ricerca attuale sta colmando il divario tra applicazioni ristrette e intelligenza generale attraverso il multi-modal learning. Modelli come GPT-4 e large language models (LLMs) stanno iniziando a mostrare scintille di ragionamento generale elaborando simultaneamente testo, codice e immagini. Strumenti come l'Ultralytics Platform consentono agli sviluppatori di addestrare modelli sempre più sofisticati, contribuendo alla ricerca fondamentale che un giorno potrebbe portare a una vera AGI. Per ora, padroneggiare il supervised learning e ottimizzare compiti specifici rimane il modo più efficace per sfruttare il valore dell'AI.