ما الذكاء الاصطناعي العام (AGI)؟

لقد تم استكشاف الذكاء الاصطناعي العام بشكل نشط منذ الأيام الأولى لأبحاث الذكاء الاصطناعي. ومع ذلك، لا يوجد إجماع داخل المجتمع الأكاديمي في ما يتعلق بما يمكن اعتباره بالضبط ذكاءً اصطناعيًا عامًا أو أفضل طريقة لتحقيق ذلك. وعلى الرغم من أن الهدف الواسع للذكاء الشبيه بالإنسان واضح إلى حد ما، إلا أن التفاصيل دقيقة وذاتية. ومن ثَمَّ، فإن السعي وراء الذكاء الاصطناعي العام يشمل تطوير إطار عمل لفهم الذكاء في الآلات والنماذج القادرة على تلبية هذا الإطار.

التحدي فلسفي وتكنولوجي على حد سواء. من الناحية الفلسفية، يتطلب التعريف الرسمي للذكاء الاصطناعي العام تعريفًا رسميًا لـ "الذكاء" واتفاقًا عامًا حول كيفية تجسيد هذا الذكاء في الذكاء الاصطناعي. ومن الناحية التقنية، يتطلب الذكاء الاصطناعي العام إنشاء نماذج الذكاء الاصطناعي بمستوى غير مسبوق من التطور والتنوع، والمقاييس والاختبارات للتحقق بشكل موثوق من إدراك النموذج وقوة الحوسبة اللازمة لاستدامته.

يمكن فهم مفهوم الذكاء "العام" أو الذكاء الاصطناعي العام على أفضل وجه على النقيض من الذكاء الاصطناعي الضيق: وهو مصطلح يصف بفعالية جميع أشكال الذكاء الاصطناعي الحالي تقريبًا، والذي لا يظهر "ذكاؤها" إلا في مجالات متخصصة.

يُعد مشروع Dartmouth الصيفي للبحث حول الذكاء الاصطناعي لعام 1956، والذي جمع علماء الرياضيات والعلماء من مؤسسات بما في ذلك Dartmouth، وIBM، وHarvard، وBell Labs، أصل مصطلح "الذكاء الاصطناعي". وكما هو موصوف في الاقتراح، "كانت الدراسة ستتم على أساس تخمين أن كل جانب من جوانب التعلم أو أي ميزة أخرى من ميزات الذكاء يمكن وصفها بدقة بحيث يمكن صنع آلة لمحاكاتها".

سعى هذا المجال المزدهر من "الذكاء الاصطناعي" إلى تطوير خارطة الطريق للآلات التي يمكنها التفكير بنفسها. ولكن في العقود التالية، ثبت أن التقدم نحو الذكاء الشبيه بالإنسان في الآلات بعيد المنال.

لقد تم تحقيق تقدم أكبر بكثير في السعي وراء الآلات الحاسوبية التي تؤدي مهام محددة تتطلب عادة ذكاءً كبيرًا لدى البشر، مثل لعب الشطرنج، أو تشخيص الرعاية الصحية، أو التوقعات أو قيادة السيارات. لكن هذه النماذج—على سبيل المثال، تلك التي تعمل بالسيارات ذاتية القيادة—تظهر الذكاء فقط في مجالاتها المحددة.

في عام 2007، قام الباحث في مجال الذكاء الاصطناعي Ben Goertzel بترويج مصطلح "الذكاء الاصطناعي العام" (AGI)، بناءً على اقتراح المؤسس المشارك Shane Legg لشركة DeepMind، في كتاب مؤثر يحمل الاسم نفسه. وعلى النقيض مما أطلق عليه "الذكاء الاصطناعي الضيق"، فإن الذكاء الاصطناعي العام سيكون نوعًا جديدًا من الذكاء الاصطناعي يتمتع، من بين صفات أخرى، "بالقدرة على حل المشكلات العامة بطريقة غير مقيدة بمجال معين، بالمعنى نفسه الذي يستطيع الإنسان القيام به."

يرتبط الذكاء الاصطناعي العام ارتباطًا وثيقًا بمفاهيم أخرى في التعلم الآلي، وغالبًا ما يتم دمجه أو حتى استخدامه بالتبادل مع الذكاء الاصطناعي القوي أو الذكاء الاصطناعي الفائق. في حين أن هذه المفاهيم لها قدر لا بأس به من التداخل، إلا أن كل منها يشكل مفهومًا متميزًا للذكاء الاصطناعي في حد ذاته.

"الذكاء الاصطناعي القوي،" وهو مفهوم تمت مناقشته بشكل بارز في عمل الفيلسوف John Searle، إلى نظام الذكاء الاصطناعي الذي يظهر الوعي ويعمل في الغالب كنقطة مقابلة للذكاء الاصطناعي الضعيف. وفي حين أن الذكاء الاصطناعي القوي يشبه عمومًا الذكاء الاصطناعي العام (والذكاء الاصطناعي الضعيف يشبه عمومًا الذكاء الاصطناعي الضيق)، إلا أنهما ليسا مجرد مرادفين لبعضهما البعض.

من حيث الجوهر، في حين أن الذكاء الاصطناعي الضعيف هو مجرد أداة يستخدمها العقل الواعي—أي الإنسان—فإن الذكاء الاصطناعي القوي هو في حد ذاته عقل واعٍ. وعلى الرغم من أنه عادةً ما يُفهم ضمنًا أن هذا الوعي يستلزم ذكاءً مساويًا أو متفوقًا على ذكاء البشر، إلا أن الذكاء الاصطناعي القوي لا يهتم صراحةً بالأداء النسبي في المهام المختلفة. وغالبًا ما يتم الخلط بين المفهومين لأن الوعي عادةً ما يؤخذ على أنه إما شرط أساسي أو نتيجة لـ "الذكاء العام".

وعلى الرغم من أوجه التشابه بينهما، فإن الذكاء الاصطناعي العام والذكاء الاصطناعي القوي يصفان في نهاية المطاف مفاهيم متكاملة وليس مفاهيم متطابقة.

يشكل الذكاء الاصطناعي الفائق، كما يوحي اسمه، نظام ذكاء اصطناعي تفوق قدراته قدرات البشر إلى حد كبير.

تجدر الإشارة إلى أن هذا المفهوم لا يفترض بالضرورة مسبقًا وجود ذكاء فائق "عام". ومن بين هذه المراحل الثلاث المتماثلة للذكاء الاصطناعي—الذكاء الاصطناعي العام والذكاء الاصطناعي القوي والذكاء الاصطناعي الفائق—فإن الذكاء الاصطناعي الفائق هو الوحيد الذي يمكن القول إنه قد تحقق بالفعل. فبدلاً من أن تكون مجالاً وحيدًا للخيال العلمي، توجد نماذج ذكاء اصطناعي ضيقة توضح ما يمكن تسميته بالذكاء الفائق من حيث أنها تتجاوز أداء أي إنسان في مهمته المحددة.

على سبيل المثال،

• يتجاوز AlphaFold جميع العلماء البشريين في التنبؤ ببنية البروتين ثلاثية الأبعاد من تسلسل الأحماض الأمينية.
• هزم حاسوب Deep Blue من شركة IBM بطل العالم Garry Kasparov في لعبة الشطرنج عام 1997.
• تغلب IBM® Watson على برنامج Jeopardy! الأبطال Ken Jennings وBrad Rutter في عام 2013.
• يُعد AlphaGo (والنموذج اللاحق AlphaZero) أعظم لاعب على مستوى العالم في Go.

على الرغم من أن هذه النماذج قد تمثل اختراقات في الذكاء الاصطناعي الفائق، إلا أنها لم تحقق الذكاء الاصطناعي "العام" ، حيث لا يمكن لأنظمة الذكاء الاصطناعي هذه أن تتعلم مهام جديدة بشكل مستقل أو توسع قدراتها على حل المشكلات خارج نطاقها المحدد بشكل ضيق.

إضافة إلى ذلك، تجدر الإشارة إلى أن الذكاء الفائق ليس شرطًا أساسيًا للذكاء الاصطناعي العام. من الناحية النظرية، فإن نظام الذكاء الاصطناعي الذي يُظهر وعيًا ومستوى ذكاء يضاهي مستوى ذكاء الإنسان العادي غير الملحوظ سيمثل كلاً من الذكاء الاصطناعي العام والذكاء الاصطناعي القوي—ولكن ليس الذكاء الاصطناعي الفائق.

لا يوجد إجماع بين الخبراء بشأن ما ينبغي أن يُعد ذكاءً اصطناعيًا عامًا على وجه التحديد، على الرغم من اقتراح الكثير من التعريفات عبر تاريخ علوم الكمبيوتر. وتركز هذه التعريفات بشكل عام على المفهوم المجرد لذكاء الآلة، بدلاً من الخوارزميات المحددة أو نماذج التعلم الآلي التي يجب استخدامها لتحقيق ذلك.

في عام 2023، نُشرت ورقة بحثية من Google Deepmindقامت بمسح الأدبيات الأكاديمية الموجودة وحددت عدة فئات لأطر عمل تعريف الذكاء الاصطناعي العام:

• اختبار The Turing Test: الآلات التي يمكن أن تتصرف بشكل مقنع مثل البشر
• الذكاء الاصطناعي القوي: الأنظمة التي تمتلك الوعي
• المقارنات بالدماغ البشري
• الأداء على مستوى الإنسان في المهام المعرفية
• القدرة على تعلم مهام جديدة
• عمل ذو قيمة اقتصادية
• قدرات مرنة وعامة
• "الذكاء الاصطناعي القادر" (ACI)

نشر Alan Turing، وهو شخصية أساسية في تاريخ علوم الكمبيوتر النظرية، أحد أقدم تعريفات ذكاء الآلة وأكثرها تأثيرًا في ورقته البحثية عام 1950، "آلات الكمبيوتر والذكاء". وكان جوهر حجته هو أن الذكاء يمكن تعريفه بالسلوك، بدلاً من الصفات الفلسفية الغامضة. واعترافًا بصعوبة تحديد تعريفات ثابتة لمفاهيم مثل الآلات والتفكير، اقترح Turing طريقة بسيطة للتغلب على المشكلة بناءً على لعبة جماعية تسمى لعبة التقليد.

"اختبار“Turing Test" بسيط: يجب على المراقب البشري قراءة عينات النص وتحديد ما إذا كانت قد تم إنشاؤها بواسطة إنسان أو آلة. واقترح Turing أنه إذا لم يتمكن الإنسان من التمييز بين مخرجات البرنامج ومخرجات إنسان آخر، فيمكن القول إن البرنامج يظهر ذكاءً شبيهًا بالإنسان.

انتقادات اختبار Turing Test
على الرغم من تأثيره الهائل، لا يُعد علماء الكمبيوتر اليوم اختبار Turing Test مقياسًا مناسبًا للذكاء الاصطناعي العام. وبدلاً من إظهار قدرة الآلات على الفكر، وغالبًا ما يسلط الاختبار الضوء ببساطة على مدى سهولة خداع البشر.

على سبيل المثال، في عام 1966 أنشأ Joseph Weizelbaum برنامج محادثة آلي يسمى ELIZA يطبق قواعد بسيطة لتحويل اللغة البشرية إلى استجابة من روبوت المحادثة. وكان البرنامج الأول الذي صممه مع روبوت المحادثة هذا يسمى DOCTOR، وهو مصمم لتقليد معالج نفسي على طريقة روجر، إما عن طريق الاستجابة بشكل عام أو إعادة صياغة الإدخال في شكل سؤال:

الإنسان: حسنًا، لقد أجبرني صديقي على المجيء إلى هنا.
ELIZA: هل حقًا أجبرك صديقك على المجيء إلى هنا؟
الإنسان: يقول إنني مكتئب معظم الوقت.
ELIZA: يؤسفني سماع أنك مكتئب.
الإنسان: هذا صحيح. أنا غير سعيد.
ELIZA: هل تعتقد أن مجيئك إلى هنا سيساعدك على ألا تكون غير سعيد؟

وكما أوضح Weizelbaum في عمله، قوة الحاسوب والعقل البشري، الصادر عام 1976، فقد "اندهش عندما رأى مدى سرعة انخراط الأشخاص الذين يتحدثون مع "DOCTOR" وعمقه في التورط العاطفي مع الحاسوب وكيف أنهم قاموا بتجسيده بشكل لا لبس فيه. وأشار إلى أنه حتى سكرتيرته التي راقبته وهو يعمل على البرنامج لأشهر طويلة وكان من الواضح أنها تعرف منهجيته البسيطة، طلبت منه مغادرة الغرفة من أجل الخصوصية عندما بدأت في التحدث معه.¹ وأصبحت هذه الظاهرة تعرف باسم تأثير ELIZA.

يضع تعريف مقترح آخر معيارًا أعلى للذكاء الاصطناعي العام: نظام الذكاء الاصطناعي الذي يمتلك الوعي. وكما أوضح Searles، "وفقًا للذكاء الاصطناعي القوي، فإن الحاسوب ليس مجرد أداة في دراسة العقل، بل إن الحاسوب المبرمج بشكل مناسب هو عقل بالفعل".²

قام Searles بتأليف دحض فلسفي بارز لقدرة اختبار Turing Test على إثبات قوة الذكاء الاصطناعي في عام 1980. ويصف متحدثًا باللغة الإنجليزية لا يفهم اللغة الصينية على الإطلاق، محبوسًا في غرفة مليئة بكتب الرموز الصينية والتعليمات (باللغة الإنجليزية) للتلاعب بالرموز. ويجادل بأن المتحدث باللغة الإنجليزية يمكن أن يخدع شخصًا ما في غرفة مختلفة للاعتقاد بأنه يستطيع التحدث باللغة الصينية ببساطة عن طريق اتباع التعليمات للتلاعب بالأرقام والرموز، على الرغم من عدم فهم رسائل الشخص الآخر ولا حتى ردوده.³

توضح عقود من الجدل حول حجة الغرفة الصينية، الملخصة في مقالة موسوعة ستانفورد للفلسفة ، عدم وجود إجماع علمي حول تعريف "الفهم" وما إذا كان برنامج الكمبيوتر يمكنه امتلاكه. وهذا الخلاف، إلى جانب احتمال أن الوعي قد لا يكون حتى شرطًا للأداء الشبيه بالإنسان، يجعل من الذكاء الاصطناعي القوي وحده إطارًا غير عملي لتعريف الذكاء الاصطناعي العام.

إن المقاربة البديهية للذكاء الاصطناعي العام، التي تهدف إلى تكرار نوع الذكاء الذي لم يحققه (على حد علمنا) سوى الدماغ البشري فقط، هي تكرار الدماغ البشري نفسه.⁴ وقد أدى هذا الحدس إلى ظهور الشبكات العصبية الاصطناعية الأصلية، التي أسفرت بدورها عن نماذج التعلم العميق التي تمثل حاليًا أحدث التقنيات في كل مجال فرعي من مجالات الذكاء الاصطناعي تقريبًا.

يوضح نجاح الشبكات العصبية للتعلم العميق، ولا سيما نماذج اللغة الكبيرة (LLMs) والنماذج متعددة الوسائط في طليعة الذكاء الاصطناعي التوليدي (gen AI)، فوائد استلهام الدماغ البشري من خلال شبكات التنظيم الذاتي من الخلايا العصبية الاصطناعية. ومع ذلك، فإن العديد من نماذج التعلم العميق الأكثر كفاءة حتى الآن تستخدم هياكل تعتمد على المحولات، التي لا تحاكي بشكل صارم الهياكل الشبيهة بالدماغ. ويشير هذا إلى أن تقليد الدماغ البشري بشكل صريح قد لا يكون ضروريًا بطبيعته لتحقيق الذكاء الاصطناعي العام.

إن النهج الأكثر شمولية هو تعريف الذكاء الاصطناعي العام ببساطة بصفته نظام ذكاء اصطناعي يمكنه القيام بجميع المهام المعرفية التي يمكن للبشر القيام بها. وفي حين أن هذا التعريف مرن وبديهي بشكل مفيد، إلا أنه غامض: ما المقصود بالمهام؟ أي أشخاص؟ ويحد هذا الغموض من استخدامه العملي كإطار رسمي للذكاء الاصطناعي العام.

تتمثل المساهمة الأبرز لإطار العمل هذا في أنه يحد من تركيز الذكاء الاصطناعي العام على المهام غير المادية. إن القيام بذلك يتجاهل قدرات مثل استخدام الأدوات الجسدية أو الحركة أو التلاعب بالأشياء، التي غالبًا ما تُعد مظاهر "للذكاء الجسدي".⁵ وهذا يلغي المزيد من التطورات في التشغيل الآلي كشرط أساسي لتطوير الذكاء الاصطناعي العام.

ومن المقاربات البديهية الأخرى للذكاء الاصطناعي العام، وللذكاء نفسه، التأكيد على القدرة على التعلم—وتحديدًا، على تعلم مجموعة واسعة من المهام والمفاهيم التي يمكن للبشر تعلمها. وهذا يردد صدى ما ذكره Turing في كتابه "آلات الحوسبة والذكاء"، حيث يتكهن بأنه قد يكون من الحكمة برمجة ذكاء اصطناعي يشبه الأطفال وإخضاعه لفترة من التعليم، بدلاً من برمجة نظام حاسوبي مباشرة كعقل بالغ.⁶

يتعارض هذا النهج مع الذكاء الاصطناعي الضيق، الذي يخضع للتدريب صراحة على أداء مهمة محددة. وعلى سبيل المثال، حتى LLM مثل GPT-4، الذي يوضح ظاهريًا القدرة على التعلم بمجهود ضئيل أو حتى التعلم بمجهود معدوم في المهام "الجديدة"، يقتصر على الوظائف المجاورة لمهمته الرئيسية: التنبؤ الذاتي بالكلمة التالية في تسلسل.

على الرغم من أن نماذج الذكاء الاصطناعي متعددة الوسائط الحديثة يمكنها أداء مهام متنوعة بشكل متزايد، من معالجة اللغة الطبيعية (NLP) إلى رؤية الكمبيوتر إلى التعرف على الكلام، إلا أنها لا تزال تقتصر على قائمة محدودة من المهارات الأساسية الممثلة في مجموعات بيانات التدريب الخاصة بهم. ولا يمكنهم، على سبيل المثال، تعلم قيادة السيارة أيضًا. الذكاء الاصطناعي العام الحقيقي قادر على التعلم من تجربة جديدة في الوقت الفعلي—وهو إنجاز غير ملحوظ بالنسبة إلى الأطفال من البشر وحتى العديد من الحيوانات.

يقدم الباحث Pei Wang في مجال الذكاء الاصطناعي تعريفًا مفيدًا للذكاء الآلي في إطار العمل هذا: "قدرة نظام معالجة المعلومات على التكيف مع بيئته مع عدم كفاية المعرفة والموارد".⁷

يُعرّف الذكاء الاصطناعي المفتوح، الذي غالبًا ما يُنسب إلى نموذج GPT-3 الخاص به الفضل في بدء عصر الذكاء الاصطناعي التوليدي الحالي عند إطلاق ChatGPT، الذكاء الاصطناعي العام في ميثاقه بأنه "أنظمة ذاتية التشغيل تتفوق على البشر في معظم الأعمال ذات القيمة الاقتصادية".⁸

كما تلاحظ ورقة DeepMind، فإن هذا التعريف يغفل عناصر الذكاء البشري التي يصعب تحديد قيمتها الاقتصادية، مثل الإبداع الفني أو الذكاء العاطفي. وفي أفضل الأحوال، يمكن أن تحقق جوانب الذكاء هذه قيمة اقتصادية بطريقة غير مباشرة—مثل الإبداع الذي ينتج أفلامًا مربحة أو الذكاء العاطفي الذي يشغّل آلات تقوم بالعلاج النفسي.

كما أن التركيز على القيمة الاقتصادية يعني أيضًا أن القدرات التي تضم الذكاء الاصطناعي العام لا يمكن احتسابها إلا إذا تم نشرها فعليًا في العالم الحقيقي. إذا كان بإمكان نظام الذكاء الاصطناعي أن ينافس البشر في مهمة معينة، ولكن من غير العملي أن يتم نشره فعليًا في تلك المهمة لأسباب قانونية أو أخلاقية أو اجتماعية، فهل يمكن القول بأنه "يتفوق" على البشر؟

تشير ورقة DeepMind البحثية أيضًا إلى أن OpenAI أغلقت قسم التشغيل الآلي التابع لها في عام 2021، ما يعني أن تكرار العمل البدني—وما يترتب عليه من آثار في دور الذكاء المادي في الذكاء الاصطناعي العام—ليس جزءًا من هذا التفسير للقيمة الاقتصادية.

قام Gary Marcus، عالم النفس وعالم الإدراك والباحث في مجال الذكاء الاصطناعي، بتعريف الذكاء الاصطناعي العام بأنه "اختصار لأي ذكاء...يتسم بالمرونة والعمومية، مع سعة الحيلة والموثوقية التي تضاهي (أو تفوق) الذكاء البشري".⁹ واقترح Marcus مجموعة من المهام المعيارية التي تهدف إلى إظهار تلك القدرة على التكيف والكفاءة العامة، وهي أقرب إلى تنفيذ محدد وعملي لإطار العمل.

يذكرنا هذا القياس الكمي للذكاء الاصطناعي العام بتجربة فكرية اقترحها المؤسس المشارك Steve Wozniak لشركة Apple، الذي سأل: "هل يمكن للكمبيوتر صنع فنجان من القهوة؟" ويلاحظ Wozniak أن هذه المهمة التي تبدو بسيطة معقدة للغاية في الواقع: يجب أن يكون قادرًا على المشي، ومعرفة ماهية المطابخ، ومعرفة الشكل الذي قد تبدو عليه آلة القهوة أو القهوة والتفاعل مع الأدراج والخزائن. باختصار، يجب على الإنسان أن يستفيد من تجربة حياته كلها فقط ليتمكن من تحضير كوب من القهوة.¹⁰

على وجه التحديد، اقترح Marcus مجموعة من 5 مهام معيارية من شأنها إظهار الذكاء الاصطناعي العام إذا تم تنفيذه بواسطة نظام ذكاء اصطناعي واحد.¹¹

• مشاهدة فيلم وفهم الشخصيات وصراعاتها ودوافعها.
• قراءة رواية والإجابة بشكل موثوق عن الأسئلة، مع رؤى حول الحبكة والشخصيات والصراعات والدوافع.
• العمل كطاهٍ ماهر في مطبخ عشوائي (على غرار معيار القهوة الخاص بـ Wozniak’).
• إنشاء 10,000 سطر من التعليمات البرمجية الخالية من الأخطاء بشكل موثوق من تعليمات اللغة الطبيعية، دون تجميع التعليمات البرمجية من المكتبات الموجودة.
• تحويل البراهين الرياضية المكتوبة بلغة طبيعية إلى صيغة رمزية.

في حين أن إطار العمل الموجه نحو المهام هذا يقدم بعض الموضوعية المطلوبة بشدة في التحقق من صحة الذكاء الاصطناعي العام، فمن الصعب الاتفاق على ما إذا كانت هذه المهام المحددة تغطي كل الذكاء البشري. المهمة الثالثة، العمل كطاهٍ، تعني أن التشغيل الآلي—ومن ثَمَّ، الذكاء البدني—سيكون جزءًا ضروريًا من الذكاء الاصطناعي العام.

في عام 2023، اقترح Mustafa Suleyman المدير التنفيذي لشركة Microsoft للذكاء الاصطناعي والشريك المؤسس لشركة DeepMind، مصطلح "الذكاء الاصطناعي القادر" (ACI) لوصف أنظمة الذكاء الاصطناعي التي يمكنها إنجاز مهام معقدة ومفتوحة ومتعددة الخطوات في العالم الحقيقي. وبشكل أكثر تحديدًا، اقترح "اختبار Modern Turning Test" الذي يتم فيه منح الذكاء الاصطناعي 100,000 دولار أمريكي من رأس المال التأسيسي وتكليفه بتنمية ذلك المبلغ ليصبح مليون دولار أمريكي.¹² وبشكل عام، يمزج هذا الاختبار بين مفهوم OpenAI للقيمة الاقتصادية وتركيز Marcus على المرونة والذكاء العام.

وعلى الرغم من أن هذا المعيار يثبت على الأرجح براعة حقيقية وكفاءة متعددة التخصصات، إلا أنه من الناحية العملية، فإن هذا التأطير للذكاء كنوع محدد من المخرجات الاقتصادية ضيق للغاية. وإضافة إلى ذلك، فإن التركيز فقط على الربح ينطوي على مخاطر مواءمة كبيرة.¹³

وقد زعم بعض الباحثين، مثل Blase Agüera y Arcas وPeter Norvig، أن نماذج LLM مثل Llama من Meta وGPT من Open AI وClaude من Anthropic قد حققت بالفعل الذكاء الاصطناعي العام. ويفترضون أن العمومية هي العنصر الأساسي في الذكاء الاصطناعي العام وأن النماذج الحالية يمكنها بالفعل مناقشة مجموعة واسعة من الموضوعات، وأداء مجموعة واسعة من المهام ومعالجة مجموعة متنوعة من الإدخالات متعددة الوسائط. ويفترضون أنه "يجب التفكير في الذكاء العام من حيث بطاقة النتائج متعددة الأبعاد". "لا يوجد اقتراح واحد بنعم أو لا".¹⁴

هناك العديد من المنتقدين لهذا الموقف. يجادل مؤلفو ورقة DeepMind البحثية بأن العمومية في حد ذاتها لا ترقى إلى مستوى الذكاء الاصطناعي العام: يجب أن تقترن بدرجة معينة من الأداء. على سبيل المثال، إذا كان بإمكان LLM كتابة التعليمات البرمجية، لكن هذا الرمز البرمجي غير موثوق به، فإن هذه العمومية "ليست ذات أداء كافٍ بعد".

صرح Yann LeCun، كبير علماء الذكاء الاصطناعي في Meta، أن نماذج LLM تفتقر إلى الذكاء الاصطناعي العام لأنا لا تمتلك الفطرة السليمة: لا يمكنها التفكير قبل أن تتصرف، ولا يمكنها تنفيذ الإجراءات في العالم الحقيقي أو التعلم من خلال التجربة المجسدة وتفتقر إلى الذاكرة المستمرة والقدرة على التخطيط الهرمي.¹⁵ على مستوى أكثر جوهرية، جادل LeCun وJacob Browning بأن "النظام المدرب على اللغة وحدها لن يقترب أبدًا من الذكاء البشري، حتى لو تم تدريبه من الآن وحتى نهاية الزمان".¹⁶

يذكر Goertzel وPennachin أن هناك ثلاثة أساليب تقنية أساسية على الأقل لأنظمة الذكاء الاصطناعي العام، من حيث الخوارزميات وبنى النماذج.

• محاكاة قريبة للدماغ البشري في البرمجيات: بالنظر إلى أن الدماغ البشري هو النظام الوحيد الذي نعرفه القادر على الذكاء العام، فإن محاكاة شبه مثالية له ستنتج نظرياً ذكاءً مماثلاً. في حين أن الشبكات العصبية الاصطناعية تحاكي ظاهريًا الآليات الأساسية للدماغ، إلا أن طريقة العمل الفعلية للدماغ أكثر تنوعًا وتعقيدًا بكثير من نماذج التعلم العميق الحالية. بالإضافة إلى التحدي التقني المتمثل في محاكاة الدماغ حقًا، يتطلب هذا النهج أيضًا فهمًا أكبر لآليات الدماغ مما لدينا حاليًا.¹⁷
  
  
• بنية نموذجية جديدة، متميزة عن كل من الدماغ وبنى الذكاء الاصطناعي الضيق: يفترض هذا النهج أن الدماغ ليس البنية الوحيدة المواتية للذكاء العام وأن النُهج الحالية للذكاء الاصطناعي الضيق لا يمكنها تجاوز حدودها التقنية أو المفاهيمية. ومن ثَمَّ، فإن الذكاء الاصطناعي العام يتطلب نوعًا جديدًا من الذكاء الاصطناعي. على سبيل المثال، اقترح LeCun تجنب بنى نماذج الذكاء الاصطناعي التوليدية والاحتمالية والتراجعية الذاتية والتحول بدلاً من ذلك إلى "أنظمة الذكاء الاصطناعي المدفوعة بالأهداف"التي تتعلم "نماذجها العالمية" بطريقة تشبه الحيوانات والأطفال.
  
  
• نهج تكاملي يجمع بين خوارزميات الذكاء الاصطناعي الضيقة: هذا النهج هو محور تركيز معظم المبادرات الحالية في العالم الحقيقي لتحقيق الذكاء الاصطناعي العام، في محاولة لربط التقدم المنفصل الذي تم إحرازه في أدوات الذكاء الاصطناعي الضيقة مثل نماذج LLM ونماذج الصور وعوامل التعلم المعزز. ويمكن النظر إلى النماذج الحالية متعددة الوسائط على أنها خطوات وسيطة على هذا المسار. وتستخدم هذه الأساليب التكاملية عادةً نموذج "وكيل" مركزي—غالبًا ما يكون نموذج LLM—لتوجيه عملية صناعة القرار وأتمتة تفويض المهام الفرعية إلى نماذج متخصصة.

إن التنبؤات حول مستقبل الذكاء الاصطناعي تنطوي دائمًا على درجة عالية من عدم اليقين، ولكن جميع الخبراء تقريبًا يتفقون على أنه سيكون من الممكن تحقيقه بحلول نهاية القرن، ويتوقع البعض أنه قد يحدث قبل ذلك بكثير.

في عام 2023، قام Max Roser من Our World in Data بتأليف ملخص لتوقعات الذكاء الاصطناعي العام لتلخيص كيفية تطور التفكير الخبير بشأن توقعات الذكاء الاصطناعي العام في السنوات الأخيرة. وسأل كل استطلاع المستجيبون—الباحثين في مجال الذكاء الاصطناعي والتعلم الآلي—عن المدة التي يعتقدون أن الأمر سيستغرقها للوصول إلى فرصة 50% لذكاء الآلة على مستوى الإنسان. والتغيير الأكثر أهمية من 2018–2022 هو اليقين المتزايد للمستجيبين بأن الذكاء الاصطناعي العام سيتحقق في غضون 100 عام.

ومع ذلك، تجدر الإشارة إلى أن هذه الدراسات الثلاث أُجريت كل واحدة منها قبل إطلاق ChatGPT وبداية عصر الذكاء الاصطناعي التوليدي (gen AI). ولقد أسفرت الوتيرة المتزايدة للتقدم في تقنية الذكاء الاصطناعي منذ أواخر عام 2022، لا سيما في مجال الذكاء الاصطناعي متعدد الوسائط، عن بيئة توقعات مختلفة كثيرًا.

في استطلاع أكبر أجراه Grace وآخرون على 2,778 من باحثي في مجال الذكاء الاصطناعي، أُجري في أكتوبر 2023 ونُشر في يناير 2024، قدر المستجيبون أن هناك فرصة بنسبة 50% "لتفوق الآلات غير المدعومة على البشر في كل مهمة ممكنة" بحلول عام 2047—قبل 13 عامًا من توقعات الخبراء في دراسة مماثلة أُجريت قبل عام واحد فقط.

ولكن كما يشير Roser، أظهر البحث أن الخبراء في العديد من المجالات لا يمكن الاعتماد عليهم بالضرورة عند توقعات مستقبل تخصصهم. ويستشهد بمثال الأخوين Wright، اللذين يعتبران عمومًا مخترعي أول طائرة ناجحة في العالم. وفي خطاب قبول الجائزة في 5 نوفمبر 1908 في Aéro Club de France في باريس، قيل إن Wilbur Wright أعلن: "أعترف أنني قلت لأخي Orville في عام 1901 إن الرجال لن يطيروا لمدة 50 عامًا. وبعد عامين، كنا نقوم برحلات جوية".¹⁸