सार्वभौमिक बुद्धिमत्ता के निर्माण के दृष्टिकोण का मूल आधार। भाग 1

सार्वभौमिक बुद्धिमत्ता से लेकर मजबूत ए.आई. एक मजबूत कृत्रिम बुद्धि बनाने की संभावनाएं

कृत्रिम बुद्धिमत्ता (एआई) के क्षेत्र ने विभिन्न क्षेत्रों में मानव गतिविधि के स्वचालन के संदर्भ में कई उल्लेखनीय व्यावहारिक परिणाम लाए हैं, जो धीरे-धीरे हमारी सभ्यता का चेहरा बदल देता है। हालांकि, अंतिम लक्ष्य - वास्तव में बुद्धिमान मशीनों (मजबूत एआई) का निर्माण अभी तक हासिल नहीं किया गया है। इसी समय, कुछ वैज्ञानिक हैं जो वास्तव में संदेह करते हैं कि एक मजबूत एआई एक रूप या किसी अन्य में बनाया जा सकता है। यदि कोई आपत्तियां लगती हैं, तो उनके पास एक धार्मिक चरित्र होता है, जो किसी व्यक्ति में गैर-भौतिक आत्मा की उपस्थिति के लिए अपील करता है। लेकिन गैर-भौतिक दुनिया पर इस तरह के कट्टरपंथी विचारों के साथ, एक व्यक्ति से लगभग अप्रभेद्य व्यवहार के साथ एक मशीन को समाप्त करने की संभावना से इनकार किए बिना, केवल वैचारिक रूप से जटिल घटनाएं जैसे कि स्वतंत्र इच्छा, रचनात्मकता या भावनाओं को जिम्मेदार ठहराया जाता है। कब और कैसे एक मजबूत एआई बनाया जा सकता है सवालों के जवाब बहुत कम असंदिग्ध हैं?

एक क्षेत्र के रूप में कृत्रिम बुद्धिमत्ता ने विभिन्न अवधियों का अनुभव किया है। प्रारंभिक अवधि, जिसे अक्सर रोमांटिक के रूप में वर्णित किया जाता है, आसन्न का वादा किया, कुछ दशकों के लिए, सोच मशीनों का निर्माण। अनुचित उम्मीदों ने अधिक व्यावहारिक दृष्टिकोण के कारण कई शोधकर्ताओं को कमजोर एआई - गैर-सार्वभौमिक बुद्धिमान प्रणालियों के उन्मुखीकरण के लिए किया जो व्यावहारिक समस्याओं के संकीर्ण वर्गों को हल कर सकते हैं। इस प्रवृत्ति का चरम विशेषज्ञ प्रणालियों (ईएस) पर पड़ता है, जिसने मशीन इंटेलिजेंस का वादा नहीं किया, लेकिन जटिल लागू समस्याओं के प्रभावी वाणिज्यिक समाधान। हालांकि, यहां अपेक्षाएं पूरी नहीं हुईं। EC, हालाँकि व्यवहार में काफी सफल रूप से लागू किया गया, लेकिन एक ऐसी सफलता तकनीक नहीं बन पाई जो दुनिया के व्यापार में क्रांतिकारी बदलाव लाए, यही वजह है कि इस क्षेत्र में निवेश करने वाले निवेश में उल्लेखनीय रूप से कमी आई [मैकार्थी, 2005]। संयुक्त राज्य अमेरिका में, "ऐ की सर्दी" आ गई है। पांचवीं पीढ़ी के कंप्यूटर डिजाइन में जापान विफल रहा।

हालांकि, एआई अनुसंधान बिल्कुल भी फीका नहीं हुआ है। बड़ी संख्या में उप-भाग जो एआई से बाहर खड़े थे, जैसे कि कंप्यूटर दृष्टि, पाठ विश्लेषण, भाषण मान्यता आदि, फल सहन करना जारी रखा, यद्यपि सनसनीखेज नहीं, लेकिन अधिक से अधिक महत्वपूर्ण। कमजोर एआई सिस्टम में कारोबारी रुचि फिर से बढ़ी है। संपूर्ण मानव जाति के लिए भविष्य में एआई के क्षेत्र के असाधारण महत्व के बारे में शब्द फिर से दोहराया जाने लगा [निल्सन, 2005 ए]। और फिर से यह विचार व्यक्त किया गया कि एआई के क्षेत्र को "आधिकारिक तौर पर" अपने अंतिम लक्ष्य को वापस करने की जरूरत है - वास्तव में बुद्धिमान मशीनों का निर्माण [ब्राह्मण, 2005]।

हालांकि, एक ही समय में, विशुद्ध रूप से शैक्षणिक हलकों में, वैज्ञानिकों ने एक मजबूत एआई के संभावित निर्माण के लिए समयरेखा पर आवाज देना बंद कर दिया। फिर भी, इस क्षेत्र के कई प्रमुख विशेषज्ञ फिर से कई (और कभी-कभी एक) दशकों [हॉल, 2008] की तारीखें भी कहते हैं। और इस बार, इस तरह की विशेषज्ञ अपेक्षाओं को स्वतंत्र साक्ष्य द्वारा समर्थित किया जाता है। उनमें से एक इस तथ्य के कारण है कि, कम से कम कुछ अनुमानों के अनुसार, मानव मस्तिष्क के कंप्यूटिंग संसाधनों के लिए तुलनीय कंप्यूटर द्वारा कंप्यूटिंग शक्ति 2030 के दशक तक प्राप्त हो सकती है (और कुछ के द्वारा यह अब उपलब्ध है [हॉल, 2008])। इस तथ्य को देखते हुए कि कंप्यूटिंग शक्ति की कमी (जैसा कि अब स्पष्ट है) एक वास्तविक एआई के निर्माण के बारे में शुरुआती पूर्वानुमानों में से एक कारण अवास्तविक था, निकट भविष्य में इस कारण का संभावित उन्मूलन उत्साहजनक है।

लेकिन कंप्यूटिंग शक्ति केवल एक मजबूत AI बनाने के लिए एक शर्त है। इसके अलावा, एआई के सिद्धांत में कई पर्याप्त समस्याएं हैं जो अभी तक हल नहीं हुई हैं। क्या वे आने वाले दशकों में हल हो जाएंगे? इसमें कुछ विश्वास तकनीकी विलक्षणता से संबंधित पूर्वानुमानों द्वारा दिया गया है (उदाहरण के लिए, [कुर्ज़वील, 2005])। विलक्षणता की अवधारणा तकनीकी (और पहले जैविक) प्रणालियों की जटिलता में तेजी से वृद्धि के तथ्य पर आधारित है। चूँकि वैश्विक विकास के प्रत्येक चरण में, प्रणालियों की जटिलता तेजी से बदल जाती है (मूर का नियम एक विशेष उदाहरण है), और चरणों के बीच से गुजरते समय, घातांक हर बार बढ़ता है, अर्थात, जटिलता दोगुनी होने का समय कम हो जाता है (उदाहरण के लिए, डीएनए क्षमता को दोगुना करने का समय सैकड़ों लाखों वर्ष है, और क्षमता है) तंत्रिका तंत्र - दसियों लाख वर्ष), तो हमें इस प्रक्रिया के उत्पादन की उम्मीद करनी चाहिए ताकि अनंत समय में अनंत हो सके।

बढ़ती हुई जटिलता के वक्र का निष्कासन हमें 2050 (और आमतौर पर पहले) की तुलना में बाद में विलक्षणता की शुरुआत के क्षण को विशेषता देने की अनुमति नहीं देता है, और कुछ अलौकिक मन की उपस्थिति सिस्टम को जटिल करने के बाद के चरणों में से एक होना चाहिए। बेशक, एक सच्ची विलक्षणता प्राप्त करने की संभावना को विवादित किया जा सकता है: बढ़ती जटिलता का ग्राफ उद्देश्यपूर्ण है, लेकिन इसका एक्सट्रपलेशन अलग हो सकता है, लेकिन अगले चरणों (मेटासिस्ट्रेशन ट्रांज़िशन) का समय अंतराल अचानक और बहुत लंबा नहीं शुरू होना चाहिए। और, इसलिए, यह अवधारणा आने वाले दशकों में एक मजबूत एआई बनाने की संभावना की भी पुष्टि करती है, जिससे यह समस्या होती है, हालांकि यह इस सवाल को छोड़ देता है कि इसके समाधान के लिए कैसे दृष्टिकोण किया जाए।

एक ही समय में, अग्रणी विशेषज्ञ अत्यधिक विशिष्ट बुद्धिमान सिस्टम [निल्सन, 2005 बी] या यहां तक ​​कि लगातार सुधार करने वाली प्रणालियों द्वारा एक अल्पकालिक परियोजनाओं की रूपरेखा में मजबूत एआई को प्राप्त करने की असंभवता को ध्यान में रखते हैं, जो कि एक प्राकृतिक भाषा [ब्रैकमैन, 2005] को समझने या समझने जैसे पृथक संज्ञानात्मक कार्यों को हल करते हैं। ]। एक मजबूत एआई बनाने की समस्या को सेट करना और हल करना आवश्यक है, भले ही पहले दस या उससे अधिक वर्षों के लिए कोई व्यावसायिक परिणाम प्राप्त करने की उम्मीद न हो।

शैक्षणिक माहौल में, सब कुछ एआई उपडोमेन के संघ के लिए एक पूरी तरह से प्राकृतिक कॉल तक सीमित है [बोब्रो, 2005; ब्रैकमैन 2005; कासिमैटिस एट अल।, 2006], जिनमें से प्रत्येक पहले से ही अपनी गहरी विशिष्टता हासिल करने में कामयाब रहा है। प्रत्येक उप-क्षेत्रों में प्राप्त की गई प्रगति यह आशा करती है कि परिणामों के संयोजन से हमें उन बुद्धिमान प्रणालियों का निर्माण करने की अनुमति मिलेगी जो पहले सोचने की मशीनों को बनाने के प्रयासों में कंप्यूटर युग की सुबह में काफी अधिक शक्तिशाली थीं। दूसरी ओर, इस तरह के एक संघ को उप-डोमेन को खुद को बहुत कुछ देना चाहिए: आखिरकार, उनके ढांचे के भीतर हल किए गए कार्यों को अक्सर एआई-पूर्ण माना जाता है। इस प्रकार, एक मजबूत एआई बनाने के बिना पैटर्न मान्यता, भाषा समझ, या प्रमेयों के स्वत: प्रमाण के लिए सार्वभौमिक सिस्टम बनाना मुश्किल है, क्योंकि इन सभी कार्यों के बीच एक मौलिक संबंध है [ब्राह्मण, 2005]।

एक एकल प्रणाली में संयोजन के तरीके के रूप में संज्ञानात्मक आर्किटेक्चर का उपयोग और अध्ययन एक पूर्ण बुद्धि के लिए आवश्यक सभी कार्य, जैसे कि शिक्षण, ज्ञान प्रस्तुत करना, तर्क करना, आदि। सामान्य रूप से एआई के क्षेत्र में एक नए प्रमुख प्रतिमान में खड़ा था [ब्राह्मण, 2005]। और यह यह प्रतिमान है जो आधिकारिक तौर पर मानव स्तर पर कृत्रिम खुफिया प्रणालियों के निर्माण से जुड़ा हुआ है [कासिमेटिस एट अल। 2006; कासिमैटिस, 2006], या यूनिवर्सल [लैंगली, 2006]।

ऐसे एकीकरण अध्ययन आवश्यक हैं, लेकिन वे कितने पर्याप्त हैं? सामान्य विचार जो एक मजबूत एआई को एकल प्रणाली के रूप में बनाया जाना चाहिए, जिसमें कुछ बुनियादी संज्ञानात्मक कार्यक्षमता शामिल होनी चाहिए, काफी स्पष्ट हैं और बहुत लंबे समय से व्यक्त किए गए हैं। हालाँकि, अब तक न तो संज्ञानात्मक कार्यों की न्यूनतम आवश्यक सूची है, न ही, इसके क्रियान्वयन का औचित्यपूर्ण विवरण।
इसके अलावा, न केवल कई अनिवार्य रूप से अलग-अलग संज्ञानात्मक वास्तुकला [जोन्स और रे, 2006] हैं, बल्कि वास्तु प्रतिमान भी हैं जो संज्ञानात्मक [लैंगली, 2006] के विकल्प हैं। इसी समय, संज्ञानात्मक आर्किटेक्चर मुख्य रूप से एकीकरण के मुद्दों, व्यक्तिगत कार्यों की बातचीत पर ध्यान केंद्रित करते हैं। लेकिन क्या कमजोर संज्ञानात्मक घटकों से मजबूत एआई प्राप्त करना संभव है? हमारी राय में, उत्तर असमान है: नहीं। मौजूदा कमजोर घटकों के संयोजन के पद्धति संबंधी मुद्दों पर चर्चा करने के बजाय (या कम से कम इसके अलावा), मजबूत एआई के सिद्धांत को विकसित करना आवश्यक है, जिसमें से मजबूत एआई घटकों की संरचना और उनके संयोजन के लिए आवश्यक वास्तुकला दोनों एक साथ पालन करेंगे।

जैसा कि [कोहेन 2005] में सही उल्लेख किया गया है: "खराब प्रदर्शन और सार्वभौमिक गुंजाइश को अच्छे प्रदर्शन और संकीर्ण दायरे के लिए पसंद किया जाता है।" यह देखते हुए, जैसा कि संकेत दिया गया है, प्रभावी अत्यधिक विशिष्ट प्रणालियों का निर्माण लगभग हमें मजबूत एआई के करीब नहीं लाता है, यह पूछना स्वाभाविक है कि सार्वभौमिकता के संदर्भ में आधुनिक संज्ञानात्मक प्रणालियों में क्या कमी है?

एक एल्गोरिथम पूर्णता के रूप में सार्वभौमिकता।

ऐतिहासिक रूप से, कृत्रिम बुद्धिमत्ता के क्षेत्र में कई मौलिक क्षेत्र सामने आए हैं, जैसे खोज या प्रशिक्षण। जब हम बौद्धिक कार्यों को सबसे सरल, शुद्ध रूप में निर्धारित करते हैं तो ये दिशाएँ स्पष्ट रूप से दिखाई देने लगती हैं। इसलिए, गेम की समस्याओं या प्रमेयों के प्रमाणों पर विचार करते हुए, हम उनके लिए एक सार्वभौमिक समाधान की पेशकश कर सकते हैं - संभावित संचालन के स्थान पर विकल्पों की एक पूरी गणना। बेशक, परिमित कंप्यूटिंग संसाधनों के साथ, संपूर्ण खोज असंभव है, लेकिन यह खोज की अवधारणा को खुफिया के मूल घटक के रूप में समाप्त नहीं करता है। मामले में जब खोज स्थान पहले से ज्ञात नहीं है, तो सीखने का कार्य निर्धारित किया जाता है (अधिक सटीक रूप से, यह भविष्यवाणी करना कि कुछ संचालन दुनिया की स्थिति और स्वयं एजेंट को कैसे प्रभावित करेगा)। यहां सार्वभौमिक समाधान इतना स्पष्ट नहीं है, लेकिन यह एआई क्षेत्र की उत्पत्ति के लगभग क्षण से भी जाना जाता है। यह सूचना के एल्गोरिथम सिद्धांत पर आधारित आर। सोलोमोनोव [सोलोमनॉफ, 1964] की भविष्यवाणी का एक सार्वभौमिक तरीका है। यह विधि व्यवहार में भी लागू नहीं है, क्योंकि इसके लिए विकल्पों की एक विशाल गणना की आवश्यकता होती है (और, आम तौर पर बोलकर, एक एल्गोरिदमिक रूप से अस्वीकार्य शटडाउन समस्या को हल करने की आवश्यकता होती है)।

ये आदर्श विधियां हैं जो आपको सीमित कंप्यूटिंग संसाधनों के सामने आने की आवश्यकता है, क्योंकि केवल संसाधन सीमा इन विधियों को इस तथ्य से अलग करती है कि वे अब एक मजबूत एआई को लागू कर सकते हैं। उदाहरण के लिए, सीमित संसाधनों के साथ खोज समस्या को हल करने की कोशिश करते समय हेयुरिस्टिक प्रोग्रामिंग और मेटाएरिस्टिक खोज विधियों की पूरी समस्या उत्पन्न हुई। इसके अलावा, मशीन लर्निंग की समस्याएं, उदाहरण के लिए, ट्रांसफर लर्निंग, कॉन्सेप्ट ट्रेनिंग और बहुत कुछ, सीमित संसाधनों के कारण दिखाई देती हैं। इसी समय, हालांकि, व्यावहारिक तरीके विकसित करने वाले शोधकर्ता अक्सर उस आदर्श को नहीं देखते हैं जिसमें किसी को प्रयास करना चाहिए। यह एक अपूरणीय दोष के साथ कमजोर कृत्रिम खुफिया तरीकों के निर्माण की ओर जाता है। यह दोष इस तथ्य में निहित है कि ये विधियां ट्यूरिंग पूर्ण नहीं हैं, अर्थात्, वे एल्गोरिदम के सीमित स्थान में काम करते हैं और सिद्धांत रूप में, इन सीमाओं से परे नहीं जा सकते हैं। यद्यपि अलग-अलग विशेष विधियों के लिए एल्गोरिथ्म स्पेस में डोमेन एक-दूसरे से भिन्न हो सकते हैं, लेकिन उनका अंतिम संघ एक एल्गोरिदमिक रूप से पूर्ण स्थान नहीं दे सकता है। मशीन सीखने के तरीकों के संदर्भ में, इसका मतलब है कि डेटा में होने वाली मनमानी नियमितता की पहचान करने में असमर्थता, दुनिया का एक मॉडल बनाने में असमर्थता जो पहले डेवलपर द्वारा प्रदान नहीं की गई थी।

यहां यह उत्तर निहित है कि संज्ञानात्मक आर्किटेक्चर के क्षेत्र में काम क्यों किया जाता है (मजबूत एआई के दृष्टिकोण के रूप में) पर्याप्त नहीं है। वे इस आधार से आगे बढ़ते हैं कि समाधान के स्थान में खोज करने, ज्ञान का प्रतिनिधित्व करने, मशीन सीखने के आधुनिक तरीके पर्याप्त हैं, और केवल उनके संयोजन की कमी है, जिसमें एक नई गुणवत्ता पैदा होती है - एक मजबूत एआई। हालांकि, हम मानते हैं कि बुद्धि की सार्वभौमिकता की संपत्ति इस तथ्य में निहित है कि सिद्धांत रूप में यह एल्गोरिदमिक रूप से पूर्ण स्थान से किसी भी मॉडल के साथ काम कर सकता है (हालांकि व्यवहार में यह, निश्चित रूप से, पूरी तरह से हासिल नहीं हुआ है)। इस संबंध में, सार्वभौमिक और मजबूत एआई की अवधारणा को अलग करना उपयोगी है। यद्यपि वे वास्तव में एक ही बात का मतलब कर सकते हैं, एक मजबूत एआई की अवधारणा का तात्पर्य उन मॉडलों को बनाने की इच्छा से है जो दिखने में मानव बुद्धिमत्ता की तरह दिखते हैं, जबकि एक सार्वभौमिक एआई बलों की अवधारणा, सबसे पहले, इस तथ्य पर ध्यान देना कि निंदनीय है एआई क्या सीख सकता है या किस वातावरण में पर्याप्त रूप से कार्य कर सकता है, इस पर प्रतिबंध।
यह सुनिश्चित करने के लिए, आप अनंत संसाधनों की स्थिति में काम कर रहे मजबूत एआई के कुछ आदर्शित मॉडल के साथ शुरू कर सकते हैं। चूँकि वास्तव में एक स्वायत्त कृत्रिम बुद्धिमत्ता को एक मूर्त बौद्धिक एजेंट के रूप में निर्मित किया जाना चाहिए, ऐसे एजेंट का एक आदर्श मॉडल विकसित करना आवश्यक है जो किसी व्यक्ति को हल करने वाले सभी कार्यों को काल्पनिक रूप से हल कर सके।

ऐसे मॉडल बनाने के प्रयास हैं (सबसे प्रसिद्ध AIXI [हटर, 2005]) है, और हम बाद में उनकी चर्चा करेंगे। अब हम बस ध्यान दें कि इस तरह के मॉडल पर विचार करने से विभिन्न शोधकर्ताओं का निष्कर्ष निकलता है कि एल्गोरिथम की पूर्णता से बुद्धि की सार्वभौमिकता सुनिश्चित होती है, और इस संपत्ति को कम से कम सीमा में बनाए रखने की कोशिश की जानी चाहिए (उदाहरण के लिए, [पैंकोव, 2008])।
इस प्रकार, पहला पद्धतिगत सिद्धांत कई मॉडलों (पैटर्न, अवधारणाओं, विचारों) की एल्गोरिथमिक पूर्णता पर प्रतिबंधों की अनुपस्थिति को बनाए रखना है जो सार्वभौमिक एआई सिस्टम द्वारा व्युत्पन्न या उपयोग किए जा सकते हैं।

संसाधन बाधा के रूप में व्यवहार्यता।

जेनेरिक एल्गोरिदम खुफिया मॉडल एक अच्छा प्रारंभिक बिंदु हो सकता है। लेकिन यह भी स्पष्ट है कि संसाधन की कमी को ध्यान में रखा जाना चाहिए ताकि ये मॉडल संभव हो सकें। वास्तव में, यह ठीक यही सीमा है जो मोटे तौर पर हमारी संज्ञानात्मक प्रक्रियाओं की बारीकियों को निर्धारित करती है।

वास्तव में, सार्वभौमिक बुद्धिमत्ता के मॉडल में उनके "संज्ञानात्मक संचालन" को देखते हुए, वास्तविक बुद्धि के साथ लगभग कुछ भी सामान्य नहीं है। ऐसे मॉडल स्पष्ट रूप से अवधारणाओं की एक प्रणाली का निर्माण नहीं करेंगे, योजना नहीं बनाएंगे, ध्यान नहीं देंगे, आदि। यह कहना बेहद मुश्किल है कि क्या उनके पास "समझ", आत्म-जागरूकता आदि का कार्य होगा। यहां आप एक शतरंज कार्यक्रम के साथ एक (अपूर्ण) सादृश्य आकर्षित कर सकते हैं, जो असीमित संसाधनों के कारण एक पूर्ण खोज करता है। यह कार्यक्रम बेहद सरल है। इसका एकमात्र मौलिक संचालन खोज है। किसी भी व्युत्पन्न शब्दों में शतरंज के पदों का कोई विवरण नहीं है, समझने जैसा कुछ भी नहीं है। लेकिन शतरंज के ढांचे में, वह पूरी तरह से व्यवहार करती है। इसी तरह से, वास्तविक दुनिया में आदर्श सन्निहित खुफिया अभिनय की कल्पना करने की कोशिश की जा सकती है।

ऐसी आदर्श बुद्धि में संज्ञानात्मक कार्यों के मुख्य भाग की अनुपस्थिति का मतलब दो चीजों में से एक हो सकता है। या तो ये कार्य सीमित संसाधनों का परिणाम हैं (उनमें से कई के लिए, उदाहरण के लिए, ध्यान के लिए, यह स्पष्टता के साथ ऐसा है)। या तो बुद्धि कुछ पूरी तरह से अलग है जो आमतौर पर इसका मतलब होता है (और इसका मतलब है समस्याओं को हल करने का एक साधन, जिसमें से मुख्य अस्तित्व है)। शायद दूसरा विकल्प इतना संवेदनाहीन नहीं है (और पहले एक के लिए इतना विरोधाभासी नहीं), अगर बुद्धि को कोई भी नहीं माना जाता है, लेकिन समस्याओं को हल करने का कुछ विशिष्ट तरीका है (यदि बुद्धि महत्वपूर्ण नहीं है तो कार्यक्षमता को कैसे प्राप्त किया जाए)। एक ही समय में, अनंत कंप्यूटिंग संसाधनों के साथ, बहुत सरल साधनों द्वारा उचित व्यवहार प्राप्त किया जा सकता है। सौभाग्य से, यह चर्चा करने के लिए कि क्या एक प्रणाली जो "क्रूड कंप्यूटिंग पावर" के कारण आदर्श (पर्याप्तता के संदर्भ में) व्यवहार को लागू करती है और "खुफिया" ("सोच" की प्रक्रियाओं की एक निश्चित संरचनात्मक जटिलता) के कारण उचित नहीं है, ऐसी प्रणाली की काल्पनिक प्रकृति के कारण आवश्यक नहीं है । केवल एक चीज पर चर्चा करने की आवश्यकता है कि क्या यह प्रणाली वास्तव में प्राकृतिक बुद्धिमत्ता की सभी क्षमताओं का अधिकारी होगी। यदि इसके बारे में कोई संदेह है, तो इसे दूर करना आवश्यक होगा, या तो संबंधित क्षमताओं की व्यवहार्यता की पुष्टि करके, या मॉडल को निर्दिष्ट करके।

एक मजबूत एआई की मौलिक संपत्ति के रूप में सीमित संसाधनों का विचार जो इसकी वास्तुकला को परिभाषित करता है, पहले से ही आवाज दी गई है [वांग, 2007]। लेकिन अकेले इस विचार से निर्देशित होना भी पर्याप्त नहीं है, जिसकी चर्चा नीचे की जाएगी। अब हम केवल इस बात पर ध्यान देते हैं कि सीमित संसाधनों को ध्यान में रखते हुए (एल्गोरिथम) बुद्धिमत्ता की सार्वभौमिकता का उल्लंघन नहीं करना चाहिए। अपेक्षाकृत बोल, वास्तविक बुद्धि एक "किसी भी समय" विधि है जो कंप्यूटिंग संसाधनों में असीमित वृद्धि के साथ पूर्ण बुद्धि के लिए प्रयास करती है।

यूनिवर्सल एल्गोरिथम इंटेलिजेंस मॉडल के डेवलपर्स भी संसाधन की कमी को पेश करने की आवश्यकता से सहमत हैं (उदाहरण के लिए, [श्मिटुबर, 2007], [हटर, 2007])। इन मॉडलों में संसाधन की कमी को पेश करने के प्रयासों को सार्वभौमिक एआई की दिशा में दूसरा कदम माना जा सकता है, हालांकि यह कदम कितना महत्वपूर्ण है, इसका अंदाजा लगाना मुश्किल है: अक्सर ये मॉडल इस मायने में "बहुत सार्वभौमिक" होते हैं कि लेखक उनमें न्यूनतम पूर्वाग्रह डालने की कोशिश करते हैं। किस दुनिया में कार्य करना है।
इस प्रकार, दूसरा सार्वभौमिक सिद्धांत आदर्श सार्वभौमिक बुद्धि के मॉडल में संसाधन बाधाओं को लागू करके वास्तविक सार्वभौमिक खुफिया की वास्तुकला का निर्माण करना है।

बुद्धि की घटना की मुख्य सामग्री के रूप में दुनिया के बारे में एक पूर्व सूचना।

सन्निहित बुद्धिमत्ता न केवल प्रेरण और कटौती की समस्याओं को सुलझाने में किए गए कम्प्यूटेशनल ऑपरेशनों की संख्या तक सीमित है, बल्कि भौतिक दुनिया में किए गए कार्यों की संख्या से भी सीमित है। दूसरे प्रकार के प्रतिबंध मौलिक रूप से पहले के लिए अतिरेक नहीं हैं, हालांकि उनके बीच कुछ संबंध है: कुछ कार्रवाई का प्रदर्शन तर्क की आवश्यकता को समाप्त कर सकता है, और, इसके विपरीत, सोचकर, आप भौतिक दुनिया में परीक्षण क्रियाओं की संख्या कम कर सकते हैं। यह इस प्रकार की बाधा है जिसे सीमित कंप्यूटिंग संसाधनों के साथ आदर्श एल्गोरिदम खुफिया के मॉडल में ध्यान में नहीं रखा गया है।

विश्व स्तर पर, उठाए गए कार्यों की प्रभावशीलता में वृद्धि मुख्य रूप से बाहरी दुनिया के बारे में जानकारी के संचय से जुड़ी है। एक न्यूनतम जानकारी के साथ आदर्श बुद्धिमत्ता के मॉडल की कल्पना कर सकते हैं। यह बुद्धि कुछ भी सीखने में सक्षम होगी (इसके कंप्यूटिंग संसाधनों के कुशल उपयोग सहित) और सीमा में विशेष रूप से विशेष खुफिया के रूप में प्रभावी होगा, लेकिन इसमें बहुत अधिक समय लगेगा। और, ज़ाहिर है, ऐसी बुद्धि प्राथमिक शिक्षा की प्रक्रिया में स्वायत्त रूप से जीवित नहीं रह सकती है।

इसके अलावा, वास्तविक बुद्धिमत्ता के लिए एक प्राथमिक सूचना का एक बहुत ही विविध रूप हो सकता है, विशेष रूप से, नकल जैसे क्षमताओं का रूप ले सकता है। वास्तव में, एक आदर्श बुद्धि से यह अपेक्षा करना आवश्यक है कि वह पहले से इस क्षमता के बिना नकल करने में सक्षम हो जाएगा, हालांकि, इसके लिए उसे पहले बहुत अधिक जानकारी जमा करनी होगी। यदि यह क्षमता तुरंत उपलब्ध है, तो यह भौतिक दुनिया में अपने स्वयं के कार्यों के अनुकूलन में काफी तेजी ला सकता है। यह ध्यान देने योग्य है कि नकल द्वारा रोबोटों को प्रशिक्षित करने के लिए मॉडल का व्यापक रूप से अध्ययन किया जाता है (साथ ही न्यूरोफिज़ियोलॉजी में दर्पण न्यूरॉन्स का अध्ययन)। हालाँकि, समस्या यह है कि यह तंत्र (अन्य सभी अतिरिक्त प्राथमिकताओं की तरह) बुद्धि की सार्वभौमिकता के अनुरूप है। इसी तरह,और भाषाई क्षमताओं को थोड़ा प्राथमिकता देना चाहिए। ऐसा इसलिए किया जाना चाहिए क्योंकि सार्वभौमिक बुद्धिमत्ता, सिद्धांत रूप में, उन्हें स्वयं प्राप्त नहीं कर सकती है, लेकिन क्योंकि इस अधिग्रहण में बहुत अधिक समय लग सकता है।

बाहरी दुनिया (विशुद्ध रूप से भौतिक और सामाजिक दोनों) के बारे में एक पूर्व सूचना के रूप में कई संज्ञानात्मक क्षमताओं की व्याख्या, जो खुफिया के विकास में तेजी लाने की अनुमति देती है (जो वास्तव में, सूचना के संचय और इसकी प्रसंस्करण के लिए नीचे आती है), काफी स्पष्ट है। हालांकि, इस स्पष्टीकरण का उपयोग सार्वभौमिक बुद्धि के उपकरण को निर्धारित करने के लिए नहीं किया गया था। हम एक प्राथमिक सूचना की न्यूनतम मात्रा और उसकी प्रस्तुति के रूप में रुचि रखते हैं, जो वास्तविक एआई को किसी व्यक्ति की तुलना में अधिक धीरे-धीरे विकसित नहीं होने देगा। इस मामले में मूलभूत मुद्दा सार्वभौमिक एआई की संरचना में एक प्राथमिकताओं की जानकारी एम्बेड करना है।

इस क्षण के महत्व को प्राकृतिक बुद्धिमत्ता की वास्तुकला के लचीलेपन के उदाहरण में देखा जाता है। उदाहरण के लिए, मानव मस्तिष्क पूर्व-उन्मुख नहीं है कि भाषाई जानकारी भाषण के माध्यम से प्रेषित की जाएगी। प्रोटोपोन्स के निर्माण में, वातानुकूलित रिफ्लेक्सिस से संबंधित तंत्र काम करते हैं। यदि सच्ची अवधारणाओं को बनाने की क्षमता एक प्राथमिकता शामिल है, तो यह संवेदी तौर-तरीकों से बंधा नहीं है। एआई की संरचना में कुछ प्राथमिकताओं को पेश करते समय ऐसी सार्वभौमिकता को भी छोड़ देना चाहिए। अब, शिक्षण अवधारणाओं के मॉडल में, न केवल अर्थ और भाषाई चैनलों में अलगाव को एक प्राथमिकता दी जाती है, बल्कि एक समानता के लिए बाध्यकारी भी बनाया जा रहा है। इसी तरह का निष्कर्ष अन्य संज्ञानात्मक तंत्र के मॉडलिंग के बारे में किया जा सकता है जो एक प्राथमिक सूचना को दर्शाता है। इसका सबसे स्पष्ट उदाहरण विशेषज्ञ प्रणाली है,जिसमें उनके प्राथमिक स्वायत्त विस्तार की संभावना की अनुपस्थिति में एक बड़ी मात्रा में ज्ञान रखा जाता है, जिसे स्पष्ट रूप से सार्वभौमिक एआई के मामले में बचा जाना चाहिए।

दूसरी ओर, यह वास्तविक बुद्धिमत्ता और इसके रूपों की विविधता के लिए आवश्यक एक पूर्व सूचना की मात्रा है (यह बाहरी दुनिया के सबसे विविध पहलुओं के बारे में जानकारी हो सकती है, साथ ही साथ अपने स्वयं के संसाधनों के इष्टतम उपयोग के बारे में जानकारी) एआई को इतना मुश्किल बना देती है। इस अर्थ में, सार्वभौमिक बुद्धिमत्ता के सरल मॉडल हमें इसके निर्माण के करीब लाते हैं। व्यावहारिक रूप से इस्तेमाल किए जाने वाले संज्ञानात्मक आर्किटेक्चर और भी अधिक उपयोगी हो सकते हैं यदि उन्हें सार्वभौमिक बनाने की कोशिश करते समय पूरी तरह से फिर से करने की आवश्यकता न हो। मौजूदा प्रणालियों में सार्वभौमिकता की संपत्ति को जोड़ने के बजाय, मूल रूप से कमजोर घटकों से बना, यह एक सार्वभौमिक अव्यवहारिक प्रणाली के साथ शुरू करने के लिए अधिक उत्पादक होगा, इसे उन सुसंगत तरीके से जोड़कर जो शास्त्रीय एअर इंडिया के क्षेत्र में जमा हुए हैं।

बुद्धि, इसकी संज्ञानात्मक वास्तुकला की पर्याप्त जटिलता, वह है जो हमें मौजूदा दुनिया में सीमित संसाधनों की स्थिति में और अत्यधिक लंबे प्रशिक्षण के बिना कार्य करने की अनुमति देती है। लेकिन इसका मतलब है कि हमारी बुद्धि की मुख्य जटिलता आसपास के विश्व के लिए इसके अनुकूलन से संबंधित है। इस तरह की बुद्धि की संरचना को सैद्धांतिक रूप से बुद्धिमत्ता के सार्वभौमिक मॉडल में नहीं घटाया जा सकता है, लेकिन इसे अनिवार्य रूप से सार्वभौमिक बुद्धि द्वारा या डेवलपर्स द्वारा ही प्राप्त किया जाना चाहिए। स्वाभाविक रूप से, एक ही समय में हम यथासंभव सार्वभौमिक बुद्धिमत्ता बनाना चाहते हैं। अधिक विशेष रूप से, ऐसी बुद्धिमत्ता बहुमुखी हो सकती है जैसा कि उल्लेख किया गया सबसे सरल मॉडल हैं। उनके बीच का अंतर केवल हमारी दुनिया के लिए वरीयताओं या पूर्वाग्रह में बदलाव होगा। स्वाभाविक रूप से,हमारी दुनिया के लिए इस तरह की बुद्धिमत्ता की क्षमता में वृद्धि इसकी प्रभावशीलता को कम करने से होगी (लेकिन शून्य नहीं, जो कि सार्वभौमिकता है) कुछ अन्य संभावित दुनिया में, हालांकि, यह देखते हुए कि इसे मुख्य रूप से हमारी दुनिया में कार्य करना है, यह पूरी तरह से वैध है।

लेकिन सार्वभौमिकता का नुकसान इस मामले में अनुचित है, क्योंकि हमारी दुनिया खुद एक "सार्वभौमिक वातावरण" है। इस संबंध में, सार्वभौमिक "निष्पक्ष" मॉडल के साथ, वास्तविक एआई का निर्माण शुरू करना काफी संभव है। जब तक AI स्वतंत्र रूप से कार्य कर सकता है (सेल्फ-ऑप्टिमाइज़ेशन सहित) बहुत प्रभावी ढंग से, हमारी दुनिया की विशेषताओं से संबंधित आंकड़े धीरे-धीरे उनमें शुरू किए जा सकते हैं, जो सबसे सामान्य लोगों के साथ शुरू होते हैं।
इस प्रकार, तीसरा कार्यप्रणाली सिद्धांत डेटा की मात्रा को कम करने के लिए सार्वभौमिक बुद्धिमत्ता में एक प्राथमिक सूचना का परिचय है जो एक एजेंट को वास्तविक दुनिया में स्वायत्त कामकाज के लिए ओटोजेनेसिस में प्राप्त करने की आवश्यकता है, बशर्ते कि बाद की सार्वभौमिक प्रेरण और कटौती एक प्राथमिकताओं की जानकारी के साथ संगत हो।

भाग २

साहित्य।

(मैक्कार्थी, 2005) मेकार्थी जे। द फ्यूचर ऑफ एआई - ए मैनिफेस्टो // एआई मैगज़ीन। 2005. वी। 26. नहीं 4. पी। 39.
(निल्सन, 2005 ए) निल्सन एनजे पुनर्विचार // एआई पत्रिका। 2005. वी। 26. नहीं 4. पी। 36–38।
(निल्सन, 2005 बी) निल्सन एनजे मानव-स्तरीय कृत्रिम बुद्धि? गंभीर रहो! // एआई पत्रिका। 2005. वी। 26. नंबर 4. पी। 68–75।
(Brachman, 2005) Brachman R. The Back Back to "The Very Idea" // AI पत्रिका। 2005. वी। 26. नहीं 4. पी। 48-50।
(Bobrow, 2005) Bobrow DG AAAI: इट्स टाइम फॉर लार्ज-स्केल सिस्टम्स // एआई मैगज़ीन। 2005. वी। 26. नहीं 4. पी। 40–41।
(कासिमेटिस एट अल।, 2006) कासिमैटिस एन।, म्यूएलर ईटी, विंस्टन पीएच एचीविंग ह्यूमन-लेवल इंटेलिजेंस इन इंटीग्रेटेड सिस्टम्स एंड रिसर्च // एआई पत्रिका। 2006. वी। 27. नंबर 2. पी। 12-14।
(लैंगली, 2006) लैंगली पी। संज्ञानात्मक आर्किटेक्चर और जनरल इंटेलिजेंट सिस्टम // एआई पत्रिका। 2006. वी। 27. नंबर 2. पी। 33-44।
(कासिमैटिस, 2006) कासिमैटिस एनएल ए संज्ञानात्मक सब्सट्रेट फॉर एचीविंग ह्यूमन-लेवल इंटेलिजेंस // एआई पत्रिका। 2006. वी। 27. नंबर 2. पी। 45-56।
(जोन्स और रे, 2006) जोन्स आरएम, रे-रे तुलनात्मक विश्लेषण ज्ञान-गहन बुद्धिमान एजेंटों के लिए // एआई पत्रिका। 2006. वी। 27. कोई 2. पी। 57-70।
(कोहेन 2005) कोहेन पीआर अगर नॉट ट्यूरिंग टेस्ट, तो क्या? // एआई पत्रिका। 2005. वी। 26. नहीं 4. पी। 61–67।
(हॉल, 2008) जे स्टोरस हॉल। इंजीनियरिंग यूटोपिया // फ्रंटियर्स इन आर्टिफिशियल इंटेलिजेंस एंड एप्लीकेशंस (प्रोक। प्रथम एजीआई सम्मेलन)। 2008. वी। 171. पी। 460-467।
(पैंकोव, 2008) पैंकोव एस। AIXI मॉडल के लिए कम्प्यूटेशनल सन्निकटन // फ्रंटियर्स इन आर्टिफिशियल इंटेलिजेंस एंड एप्लिकेशंस (प्रोक। 1 एजीआई कॉन्फ्रेंस)। 2008. वी। 171. पी। 256–267।
(डूक वगैरह, 2008) डुक डब्ल्यू।, ओन्टेरियो आरजे, पस्क्वायर एम। कॉग्निटिव आर्किटेक्चर: व्हेयर डू वी गो फ्रॉम हियर / फ्रंटियर्स इन आर्टिफिशियल इंटेलिजेंस एंड एप्लीकेशंस (प्रोक। फर्स्ट एजीआई कॉन्फ्रेंस)। 2008. वी। 171. पी। 122–136।
(युडकोव्स्की, 2011) युडकोव्स्की ई। कॉम्प्लेक्स वैल्यू सिस्टम एन फ्रेंडली एआई // प्रोक। आर्टिफिशियल जनरल इंटेलिजेंस - 4th इंटरनेशनल कॉन्फ्रेंस, एजीआई 2011, माउंटेन व्यू, सीए, यूएसए, 3-6 अगस्त, 2011। कंप्यूटर साइंस में लेक्चर नोट्स 6830। स्प्रिंगर। 2011. पी। 388-393।
(कुर्ज़वील, 2005) कुर्ज़वील आर। द सिंगुलैरिटी इज नियर। वाइकिंग, 2005।
(सोलोमनॉफ, 1964) सोलोमनॉफ आरजे आगमनात्मक आविष्कार का एक औपचारिक सिद्धांत: भाग 1 और 2. सूचना और नियंत्रण। 1964. वी। 7. पी। 1-22, 224–254।
(श्मिटुबेर, 2003) श्मिटुबेर जे। नया एआई: सामान्य और ध्वनि और भौतिकी के लिए प्रासंगिक। तकनीकी रिपोर्ट TR IDSIA-04-03, संस्करण 1.0, cs.AI/0302012 v1, IDSIA। 2003.
(हटर, 2001) हटर एम। एल्गोरिथम संभावना और अनुक्रमिक निर्णयों के आधार पर कृत्रिम बुद्धिमत्ता के एक सार्वभौमिक सिद्धांत की ओर बढ़ता है। प्रोक में।12 वां यूरोपीय आत्मविश्वास। मशीन लर्निंग (ECML-2001) पर, LNAI, स्प्रिंगर, बर्लिन की मात्रा 2167। 2001.
(हटर, 2005) हटर एम। यूनिवर्सल आर्टिफिशियल इंटेलिजेंस। एल्गोरिथम संभावना / स्प्रिंगर के आधार पर अनुक्रमिक निर्णय। 2005.278 पी।
(वांग, 2007) वांग पी। द लॉजिक ऑफ इंटेलिजेंस // आर्टिफिशियल जनरल इंटेलिजेंस में। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 31–62।
(श्मिटुबेर, 2007) श्मिटुबेर जे। गोडेल मशीनें: आर्टिफिशियल जनरल इंटेलिजेंस में पूरी तरह से सेल्फ-रेफरेंशियल ऑप्टिमल यूनिवर्सल सेल्फ-इम्प्रूवर्स //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 199–226।
(हटर, 2007) हंटर एम। यूनिवर्सल एल्गोरिथम इंटेलिजेंस: आर्टिफिशियल जनरल इंटेलिजेंस में एक गणितीय टॉप → डाउन अप्रोच //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 227-290।
(गोएर्टज़ेल और पेनाचिन, 2007) आर्टिफिशियल जनरल इंटेलिजेंस में गोएर्टज़ेल बी।, पेनाचिन सी। नोवामेंटे आर्टिफिशियल इंटेलिजेंस इंजन //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 63–130।
(गरिस, 2007) ह्यूगो डी गेरिस। आर्टिफिशियल जनरल इंटेलिजेंस में कृत्रिम दिमाग //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 159–174
(रेड’को, 2007) आर्टिफिशियल जनरल इंटेलिजेंस में रेडको वीजी द नेचुरल इंटेलिजेंस के लिए प्राकृतिक तरीका //। कॉग्निटिव टेक्नोलॉजीज, बी। गोएर्टज़ेल और सी। पेनाचिन (Eds।)। स्प्रिंगर। 2007. पी। 327–352।