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.

وينطوي هذا التحدي على جانبين: فلسفي وتقني. فمن الناحية الفلسفية، يتطلب وضع تعريف رسمي للذكاء الاصطناعي العام تعريفًا رسميًا لمفهوم "الذكاء"، إلى جانب اتفاق عام حول الكيفية التي يمكن أن يتجلى بها هذا الذكاء في أنظمة الذكاء الاصطناعي. أما من الناحية التقنية، فيتطلب الذكاء الاصطناعي العام إنشاء نماذج ذكاء اصطناعي تتمتع بمستوى غير مسبوق من التطور وتعدد الاستخدامات، ووضع مقاييس واختبارات للتحقق بصورة موثوقة من القدرات المعرفية للنموذج، وتوفير القدرة الحاسوبية اللازمة لاستدامة تشغيله.

ويمكن فهم مفهوم الذكاء "العام"، أو الذكاء الاصطناعي العام، بصورة أفضل عند مقارنته بالذكاء الاصطناعي المحدود، وهو مصطلح يصف عمليًا معظم أنظمة الذكاء الاصطناعي الحالية التي 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."

يشير الذكاء الاصطناعي العام إلى قدرة واسعة تضاهي القدرات البشرية عبر مختلف المهام، ويرتبط ارتباطًا وثيقًا بمفاهيم أخرى في مجال التعلم الآلي. وعادةً ما يشير الذكاء الاصطناعي القوي إلى الوعي أو امتلاك عقل حقيقي. أما الذكاء الاصطناعي الفائق، فيتجاوز القدرات البشرية في جميع المهام تقريبًا. وعلى الرغم من وجود قدر كبير من التداخل بين هذه المفاهيم، فإن كلًا منها يمثل تصورًا مستقلًا للذكاء الاصطناعي في حد ذاته.

يشير مصطلح "الذكاء الاصطناعي القوي"، وهو مفهوم حظي بنقاش بارز في أعمال الفيلسوف John Searle، إلى نظام ذكاء اصطناعي يُظهر وعيًا، ويُستخدم في الغالب بوصفه مفهومًا مقابلًا للذكاء الاصطناعي الضعيف. على الرغم من أن الذكاء الاصطناعي القوي يُعد عمومًا مماثلًا للذكاء الاصطناعي العام، وأن الذكاء الاصطناعي الضعيف يُعد عمومًا مماثلًا للذكاء الاصطناعي الضيق، فإن هذه المصطلحات ليست مجرد مرادفات تامة بعضها لبعض.

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.

ويشير الذكاء الاصطناعي الفائق، كما يوحي اسمه، إلى نظام ذكاء اصطناعي تتجاوز قدراته العامة بدرجة هائلة قدرات أي إنسان في أي مهمة.

وكثيرًا ما تُناقش مفاهيم مثل التعلم بالنقل والتعلم من أمثلة قليلة في سياق الذكاء الاصطناعي العام، لأنها تعكس قدرة النظام على تطبيق المعرفة المكتسبة من مهمة على مهمة أخرى. ومن الجدير بالذكر أنه يمكن القول إننا حققنا بالفعل، في عدة مناسبات، صورة محدودة النطاق من الذكاء الخارق للقدرات البشرية، تمثلت في عدد محدود من أنظمة الذكاء الاصطناعي التي يبدو أنها تتفوق على جميع البشر في المهمة أو المجال المحدد الذي صُممت من أجله. على سبيل المثال:

• يتفوق AlphaFold على جميع العلماء البشر في التنبؤ بالبنية ثلاثية الأبعاد للبروتين انطلاقًا من تسلسل الأحماض الأمينية.
  
  
• تغلب Deep Blue من IBM على بطل العالم Garry Kasparov في الشطرنج عام 1997.

• تغلبت IBM Watson في مسابقة Jeopardy! على البطلين Ken Jennings وBrad Rutter عام 2013.
  
  
• يُعد AlphaGo، والنموذج الذي خلفه AlphaZero، أفضل لاعب في العالم في لعبة Go.

وعلى الرغم من أن التعلم بالنقل يساعد نماذج الذكاء الاصطناعي الحالية على التعميم عبر المهام المترابطة، فإنه لا يعادل الذكاء الاصطناعي العام. وقد تمثل هذه النماذج إنجازات مهمة في الطريق نحو الذكاء الاصطناعي الفائق، لكنها لم تحقق الذكاء الاصطناعي “العام”، لأن أنظمة الذكاء الاصطناعي هذه لا تستطيع تعلّم مهام جديدة بصورة مستقلة أو توسيع قدراتها على حل المشكلات إلى ما يتجاوز نطاقها المحدد بدقة. أما الذكاء الاصطناعي الفائق الحقيقي، فسيتطلب التفوق لا في مجال محدد واحد فحسب، بل في أي مهمة يمكن أن يُتوقع من الإنسان أداؤها.

ولا يُعد الذكاء الفائق شرطًا مسبقًا لتحقيق الذكاء الاصطناعي العام. فمن الناحية النظرية، سيمثل نظام ذكاء اصطناعي يُظهر وعيًا ويتمتع بمستوى من الذكاء يماثل ذكاء إنسان عادي متوسط القدرات كلًا من الذكاء الاصطناعي العام والذكاء الاصطناعي القوي، لكنه لن يمثل ذكاءً اصطناعيًا فائقًا.

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 Turing: آلات تستطيع التصرف على نحو مقنع مثل البشر
  
  
• الذكاء الاصطناعي القوي: أنظمة تمتلك وعيًا
  
  
• أوجه التشابه مع الدماغ البشري
  
  
• أداء يضاهي مستوى الإنسان في المهام المعرفية
  
  
• القدرة على تعلّم مهام جديدة
  
  
• تنفيذ أعمال ذات 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.

ويضع تعريف مقترح آخر معيارًا أكثر صرامة للذكاء الاصطناعي العام، إذ يشترط أن يمتلك نظام الذكاء الاصطناعي وعيًا. ويربط بعض الباحثين الذكاء الاصطناعي العام بالوعي أو الإدراك الذاتي، في حين يرى آخرون أن الإدراك الذاتي ليس شرطًا لأداء المهام بمستوى يضاهي أداء الإنسان. لا يزال الخلاف قائمًا حول ما إذا كان الوعي الذاتي ضروريًا لتحقيق الذكاء الاصطناعي العام. وكما أوضح Searle، "وفقًا لمفهوم الذكاء الاصطناعي القوي، لا يكون الكمبيوتر مجرد أداة لدراسة العقل، بل يكون الكمبيوتر المبرمج على النحو المناسب عقلًا حقيقيًا بالفعل".²

وفي عام 1980، قدّم Searle تفنيدًا فلسفيًا بارزًا لقدرة اختبار Turing على إثبات وجود الذكاء الاصطناعي القوي. ويصف في حجته شخصًا يتحدث الإنجليزية ولا يفهم اللغة الصينية إطلاقًا، وقد أُغلق عليه داخل غرفة مليئة بكتب تحتوي على رموز صينية وتعليمات مكتوبة باللغة الإنجليزية توضّح كيفية التعامل مع تلك الرموز. ويرى أن هذا الشخص يمكنه إقناع شخص موجود في غرفة أخرى بأنه يتحدث الصينية، بمجرد اتباع التعليمات الخاصة بمعالجة الأرقام والرموز، على الرغم من أنه لا يفهم رسائل الشخص الآخر ولا حتى الردود التي يرسلها إليه.³

وتوضح عقود من النقاش الدائر حول حجة الغرفة الصينية، التي يلخصها هذا المقال في Stanford Encyclopedia of Philosophy، غياب إجماع علمي حول تعريف مفهوم "الفهم" وما إذا كان برنامج كمبيوتر يستطيع امتلاك هذه القدرة. ويجعل هذا الخلاف، إلى جانب احتمال ألا يكون الوعي شرطًا أصلًا لتحقيق أداء يشبه أداء الإنسان، الاعتماد على الذكاء الاصطناعي القوي وحده إطارًا غير عملي لتعريف الذكاء الاصطناعي العام.

يتمثل أحد النهج البديهية لتحقيق الذكاء الاصطناعي العام، الذي يهدف إلى محاكاة نوع الذكاء الذي لم يتحقق، بحسب معرفتنا، إلا في الدماغ البشري، في محاكاة الدماغ البشري نفسه.⁴ وقد أدى هذا التصور إلى ظهور الشبكات العصبية الاصطناعية الأولى، التي أفضت بدورها إلى نماذج التعلم العميق التي تمثل حاليًا أحدث ما توصلت إليه التقنية في جميع المجالات الفرعية للذكاء الاصطناعي تقريبًا.

ويُظهر نجاح الشبكات العصبية القائمة على التعلم العميق، ولا سيما النماذج اللغوية الكبيرة (LLMs) والنماذج متعددة الوسائط التي تتصدر مجال الذكاء الاصطناعي التوليدي، فوائد استلهام الدماغ البشري من خلال شبكات ذاتية التنظيم من الخلايا العصبية الاصطناعية. ومع ذلك، تستخدم كثير من أكثر نماذج التعلم العميق تطورًا حتى الآن بنيات قائمة على المحولات، وهي بنيات لا تحاكي في حد ذاتها الهياكل الشبيهة بالدماغ محاكاة دقيقة. ويشير ذلك إلى أن محاكاة الدماغ البشري بصورة صريحة قد لا تكون ضرورية في حد ذاتها 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.

يتمثل نهج بديهي آخر لفهم الذكاء الاصطناعي العام، بل والذكاء نفسه، في التركيز على القدرة على التعلم، وتحديدًا تعلّم مجموعة واسعة من المهام والمفاهيم بقدر ما يستطيع الإنسان تعلّمه. ويتوافق هذا النهج مع ما طرحه Turing في بحثه "Computing Machinery and Intelligence"، إذ افترض أن من الأفضل ربما برمجة نظام ذكاء اصطناعي يحاكي عقل طفل وإخضاعه لفترة من التعليم، بدلًا من برمجة نظام كمبيوتر مباشرةً ليحاكي عقل شخص بالغ.⁶

ويتعارض هذا النهج مع الذكاء الاصطناعي المحدود، الذي تُدرَّب فيه النماذج بصورة صريحة لأداء مهمة محددة. فعلى سبيل المثال، حتى نموذج لغوي كبير مثل GPT-4، الذي يبدو أنه يُظهر قدرة على التعلم من أمثلة قليلة أو حتى التعلم من دون أمثلة مسبقة عند التعامل مع مهام "جديدة"، يظل مقيدًا بوظائف ترتبط بمهمته الأساسية، وهي التنبؤ تلقائيًا 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.

ويعني التركيز على القيمة الاقتصادية أيضًا أن القدرات التي يتكوّن منها الذكاء الاصطناعي العام لا يمكن احتسابها إلا إذا طُبقت فعليًا في العالم الحقيقي. فإذا استطاع نظام ذكاء اصطناعي منافسة البشر في مهمة محددة، لكنه لم يكن قابلًا للتطبيق فعليًا في هذه المهمة لأسباب قانونية أو أخلاقية أو اجتماعية، فهل يمكن القول إنه "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.

ويذكّر هذا القياس الكمي للذكاء الاصطناعي العام بتجربة فكرية اقترحها Steve Wozniak، أحد مؤسسي Apple، حين تساءل: "هل يستطيع الكمبيوتر إعداد فنجان من القهوة؟" يشير Wozniak إلى أن هذه المهمة، التي تبدو بسيطة، تنطوي في الواقع على قدر كبير من التعقيد؛ إذ يجب أن يتمكن المرء من المشي، وأن يعرف ماهية المطابخ، وأن يتعرّف على الشكل المحتمل لآلة إعداد القهوة أو للقهوة نفسها، وأن يستطيع التعامل مع الأدراج والخزائن. وباختصار، يحتاج الإنسان إلى الاستفادة من خبرات تراكمت على مدار حياته لمجرد إعداد فنجان 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 والصراعات التي تواجهها والدوافع التي تحركها.
  
  
• قراءة رواية والإجابة عن أسئلة تتعلق بحبكتها وشخصياتها وصراعاتها ودوافعها إجابات موثوقة تتضمن رؤى تتجاوز ما ورد صراحةً في النص الأصلي.
  
  
• العمل طاهيًا كفؤًا في أي مطبخ، على غرار معيار إعداد القهوة الذي اقترحه Wozniak.
  
  
• توليد 10,000 سطر من التعليمات البرمجية الخالية من الأخطاء بصورة موثوقة استنادًا إلى تعليمات مكتوبة باللغة الطبيعية، من دون تجميع تعليمات برمجية بصورة ترقيعية من مكتبات موجودة.
  
  
• 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 الدماغ البشري محاكاة دقيقة باستخدام البرمجيات: لا تزال الرؤى المستمدة من علم الأعصاب تؤثر في أبحاث الذكاء الاصطناعي العام، حتى عندما لا تحاكي بنيات النماذج الدماغ بصورة مباشرة. ونظرًا إلى أن الدماغ البشري هو النظام الوحيد الذي نعرف أنه قادر على امتلاك ذكاء عام، فإن محاكاته محاكاة شبه كاملة ستؤدي نظريًا إلى ظهور مستوى مماثل من الذكاء. وعلى الرغم من أن الشبكات العصبية الاصطناعية تحاكي ظاهريًا الآليات الأساسية للدماغ، فإن الآليات الفعلية لعمل الدماغ أكثر تنوعًا وتطورًا بكثير من نماذج التعلم العميق الحالية. وإلى جانب التحدي التقني المتمثل في محاكاة الدماغ محاكاة حقيقية، يتطلب هذا النهج أيضًا فهمًا أعمق لآليات عمل الدماغ مما نمتلكه حاليًا.¹⁷

• بنية نموذج مبتكرة تختلف عن بنية الدماغ وعن بنيات الذكاء الاصطناعي المحدود: يفترض هذا النهج أن الدماغ ليس البنية الوحيدة القادرة على دعم الذكاء العام، وأن الأساليب الحالية المستخدمة في الذكاء الاصطناعي الضيق لا تستطيع تجاوز قيودها التقنية أو المفاهيمية. وبناءً على ذلك، سيتطلب تحقيق الذكاء الاصطناعي العام تطوير نوع جديد من الذكاء الاصطناعي. فعلى سبيل المثال، اقترح LeCun التخلي عن بنيات نماذج الذكاء الاصطناعي ذاتية الانحدار وغيرها من البنيات التوليدية والاحتمالية، لمصلحة "أنظمة ذكاء اصطناعي موجّهة بالأهداف" تتعلم فيها "نماذج العالم" بطريقة أقرب إلى الطريقة التي تتعلم بها الحيوانات والأطفال.
  
  
• نهج تكاملي يجمع خوارزميات الذكاء الاصطناعي المحدود: يشكّل هذا النهج محور معظم المبادرات الحالية المطبقة في العالم الحقيقي لتحقيق الذكاء الاصطناعي العام، إذ يحاول دمج أوجه التقدم المنفصلة التي تحققت في أدوات الذكاء الاصطناعي الضيق، مثل النماذج اللغوية الكبيرة، ونماذج الصور، ووكلاء التعلم المعزز. ويمكن النظر إلى النماذج متعددة الوسائط الحالية بوصفها خطوات وسيطة على هذا المسار. وتستخدم هذه النهج التكاملية عادةً نموذج "وكيل" مركزيًا، يكون غالبًا نموذجًا لغويًا كبيرًا، للتنقل خلال عملية صنع القرار وأتمتة إسناد المهام الفرعية إلى النماذج المتخصصة.

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

الذكاء الاصطناعي فئة واسعة للغاية تشمل أي نظام قادر على اتخاذ القرارات أو إجراء التنبؤات من دون تدخل بشري، بدءًا من الأشباح في لعبة Pac-Man ووصولًا إلى أحدث النماذج اللغوية الكبيرة. أما الذكاء الاصطناعي العام، فيشير تحديدًا إلى نظام ذكاء اصطناعي يتمتع بقدرات تضاهي القدرات البشرية أو تتفوق عليها، ويمكن تعميمها على أي مهمة.

لا. يشير الذكاء الاصطناعي الوكيل إلى الأنظمة القادرة على التخطيط واتخاذ الإجراءات وتنسيق المهام المتعددة الخطوات، وغالبًا ما تفعل ذلك باستخدام الأدوات أو نماذج متعددة. على الرغم من أن أنظمة الذكاء الاصطناعي الوكيل تستطيع تنفيذ مهام متعددة الخطوات لتحقيق أهداف محددة بقدر محدود من التدخل البشري، فإنها تعمل عادةً ضمن مجالات وقدرات محددة.

أما الذكاء الاصطناعي العام، فيصف شكلًا افتراضيًا من الذكاء الاصطناعي يتمتع بذكاء عام يضاهي الذكاء البشري، ويستطيع الفهم والتعلم والاستدلال والتكيف عبر أي مهمة أو مجال معرفي تقريبًا. وبعبارة مبسطة، يركز الذكاء الاصطناعي الوكيل على العمل باستقلالية وتنفيذ الأهداف، بينما يركز الذكاء الاصطناعي العام على الذكاء الواسع الشبيه بذكاء الإنسان والقدرة على التكيف.

قد تسهم نماذج الأساس في تمكين الذكاء الاصطناعي العام، لكنها لا تمثل في حد ذاتها ذكاءً اصطناعيًا عامًا. وتوفر نماذج الأساس التقنية الأساسية اللازمة لأنظمة الذكاء الاصطناعي المتقدمة، من خلال تعلم الأنماط من مجموعات بيانات هائلة ودعم مجموعة واسعة من المهام. وعلى الرغم من أن خبراء كثيرين يرون أن نماذج الأساس التي تتطور قدراتها باستمرار قد تشكّل لبنة أساسية لتحقيق الذكاء الاصطناعي العام، فإن معظم الباحثين يتفقون على ضرورة توفير قدرات إضافية، مثل الاستدلال الموثوق، والذاكرة طويلة الأمد، وفهم العالم الحقيقي، والتعلم المستقل، قبل أن يصبح تحقيق الذكاء الاصطناعي العام الحقيقي ممكنًا.

لا، لا تُعد النماذج اللغوية الكبيرة الحالية أنظمة ذكاء اصطناعي عام. فعلى الرغم من أن النماذج اللغوية الكبيرة تستطيع فهم اللغة وتوليدها، والاستدلال في موضوعات عديدة، وإنجاز مجموعة واسعة من المهام، فإنها لا تزال تفتقر إلى القدرة الواسعة على التكيف بمستوى يضاهي الإنسان، وإلى فهم العالم الحقيقي، والقدرة العامة على حل المشكلات، وهي خصائص ترتبط عادةً بالذكاء الاصطناعي العام (AGI). ومع ذلك، يواصل الخبراء النقاش حول ما إذا كانت النماذج اللغوية الكبيرة المتزايدة القدرة تمثل مسارًا نحو الذكاء الاصطناعي العام أو شكلًا مبكرًا منه.

يُعد الذكاء الاصطناعي العام شرطًا مسبقًا لتحقيق الذكاء الاصطناعي الفائق (ASI)، لكن الذكاء الفائق ليس شرطًا لتحقيق الذكاء الاصطناعي العام. فإذا امتلك نظام ذكاء اصطناعي مستوى من الذكاء والقدرات يماثل تمامًا مستوى شخص عادي متوسط القدرات، فسوف يُعد ذكاءً اصطناعيًا عامًا، لكنه لن يُعد ذكاءً اصطناعيًا فائقًا.

لا يوجد إجماع حول هذا الأمر. يرى بعض الباحثين أن الوعي الذاتي أو الوعي شرط ضروري لتحقيق ذكاء اصطناعي عام حقيقي، في حين يعرّف آخرون الذكاء الاصطناعي العام تعريفًا أضيق بوصفه ذكاءً يضاهي الذكاء البشري عبر مختلف المهام، سواء أكان النظام واعيًا بذاته أم لا. ويُعد هذا الجدل أحد أسباب استمرار صعوبة تعريف الذكاء الاصطناعي العام وقياسه.

ونظرًا إلى عدم وجود إجماع حقيقي حول المعايير الدقيقة التي يجب أن يستوفيها النظام ليُعد ذكاءً اصطناعيًا عامًا، فلا توجد طريقة متفق عليها لمعرفة متى نكون قد حققناه. وتزعم بعض معايير الأداء، مثل ARC-AGI، أنها تقيس الذكاء الاصطناعي العام، لكن الطابع الذاتي الكامن في هذا التقييم يجعل من غير المرجح أن يتمكن أي معيار واحد من تقديم دليل قاطع على تحقيقه.