HIŞÊ GIŞTÎ YÊ ÇÊKIRÎ – HGÇ (ARTIFICIAL GENERAL INTELLIGENCE - AGI)

Hişê Giştî yê Çêkirî (HGÇ) tê wateya pergalên komputerî yên ku dikarin her karê hişmendî yê mirov bikin bi heman astê yan jî bilindtir (Goertzel û Pennachin, 2007). Ev konsept ji Hişê Çêkirî yê Taybet (Narrow AI) cuda ye ku tenê ji bo erkên taybet hatiye perwerdekirin. HGÇ armanca pêşxistina pergalên ku dikarin bi awayekî giştî bifikirin, fêr bibin û xwe ji rewşên nû re adapte bikin, heye (Yampolskiy, 2015).

Dîroka pêşketina HGÇ vedigere destpêka qada lêkolîna hişê çêkirî. Di sala 1956an de, di konferansa Dartmouth de ku weke destpêka lêkolîna hişê çêkirî tê qebûlkirin, armanca afirandina "maşînên bihişmend" hate diyarkirin (McCarthy û hevkarên xwe, 1955). Lê belê di salên pêş de lêkoler bi pirsgirêkên pratîk ên hişê çêkirî yê taybet re rû bi rû man û konsepte HGÇ demekê hate paşguhkirin. Di salên 1980î de, bi pêşketina pergalên pispor (expert systems) û têgihîştina kûrtir a rêbazên hînbûna maşînî (machine learning), dîsa eleqeyek ji bo HGÇ çêbû. Lê mixabin "zivistana hişê çêkirî" (AI winter) ya salên 1990î pêşketinên vê qadê hêdî kir (Hendler, 2008).

Di sedsala 21em de bi saya pêşketinên di warê hînbûna kûr (deep learning) û zêdebûna hêza hesabkirinê (computing power), lêkolînên HGÇ careke din bûn mijara sereke. Damezrandina saziyên weke OpenAI, DeepMind û MIRI (Machine Intelligence Research Institute) destnîşan kirin ku hem pîşesazî û hem jî akademî eleqeyeke mezin destnîşanî pêşxistina HGÇ didin (Bostrom, 2014).

Di qada HGÇ de gelek têorî û model hene ku hewl didin pergaleke hişmendiya giştî ava bikin. Hin ji van têorî û modelan ev in:

1. Hişê Hesabdar (Computational Intelligence): Ev nêzîkatî li ser bikaranîna algorîtmayên pêşketî û teknîkên optîmîzasyonê disekine da ku karibe pirsgirêkên aloz û tevlihev çareser bike (Engelbrecht, 2007).
2. Hişê çêkirî yê Venasînî (Cognitive Artificial Intelligence): Ev model hewl dide ku prosesên hişmendî yên mirovî teqlîd bike û bi vî awayî pergaleke hişmend a giştî ava bike (Langley û hevkarên xwe, 2009).
3. Hişê çêkirî yê Noro-Sembolîk (Neuro-Symbolic AI): Ev nêzîkatî hewl dide ku hêza hînbûna kûr a torên noronî (neural networks) û mantiqê sembolîk bihevra bikar bîne (Garcez û hevkarên xwe, 2019).
4. Hişê çêkirî yê Çarçoveyî (Framed Artificial Intelligence): Ev model li ser avakirina pergaleke ku dikare bi awayekî xweber çarçoveyên nû yên têgihîştinê ava bike, disekine (Thórisson, 2012).
5. Pergalên Çend-Acenteyî (Multi-Agent Systems): Ev nêzîkatî li ser hevkariya di navbera gelek acenteyên hişmend ên cuda de disekine da ku karibe pirsgirêkên aloz û tevlihev çareser bike (Wooldridge, 2009).

Di salên dawî de, gelek pêşketinên giring di warê hişê çêkirî de çêbûn ku me nêzîkî HGÇ dikin:

1. Veguherînerî û Modelên Zimên yên Mezin: Modelên weke GPT-3 (Brown û hevkarên xwe, 2020) û BERT (Devlin û hevkarên xwe, 2018) şiyana xwe ya di warê fêmkirina zimên û hilberîna nivîsên aloz û tevlihev de destnîşan dan.
2. Hînbûna Bê Çavdêrî (Unsupervised Learning): Pêşketinên di warê hînbûna bê çavdêrî de, wek mînak bi rêbaza "contrastive learning", rê li ber pergalên ku dikarin bi kêmtir daneyên etiketkirî fêr bibin, vekir (Chen û hevkarên xwe, 2020).
3. Hînbûna Guhêzbar (Transfer Learning): Ev teknîk dihêle ku modelek li ser erkeke fêr bibe û paşê vê zanînê ji bo erkeke din bikar bîne, ku rê li ber pergalên HGÇ yên xwedî şiyana adaptasyonê vedike (Tan û hevkarên xwe, 2018).
4. Hînbûna Meta (Meta-Learning): Ev rêbaz dihêle ku sîstem fêr bibe ka çawa fêr bibe, ku ew jî yek ji taybetmendiyên sereke yên HGÇ ye (Finn û hevkarên xwe, 2017).
5. Pergalên Hişê Çêkirî yên Giştî (Artificial General Intelligence Systems): Projeyên weke OpenCog (Goertzel, 2014) û DeepMind's AGI research hewl didin ku pergalên HGÇ yên giştî ava bikin.

Pêşketina HGÇ dikare bandoreke kûr li ser civak û aboriyê bike:

1. Guherîna Bazara Kar: HGÇ dikare gelek karên ku niha ji aliyê mirovan ve têne kirin, otomatîk bike. Ev dikare bibe sedema windabûna hin karan, lê di heman demê de derfetên nû jî derxe holê (Frey & Osborne, 2017).
2. Pêşketinên Zanistî û Teknolojîk: HGÇ dikare pêvajoya lêkolîn û pêşxistinê bilez bike, ku dibe sedema pêşketinên mezin di warên weke bijîşkî, fîzîk û endazyariyê de (Tegmark, 2017).
3. Guherînên di Perwerdehiyê de: HGÇ dikare rê li ber pergalên perwerdehiyê yên takekesane veke ku li gorî pêdiviyên her xwendekarekî tên adapte kirin (Luckin û hevkarên xwe, 2016).
4. Bandora li ser Aboriyê: HGÇ dikare bibe sedema zêdebûneke mezin di hilberînê de, lê di heman demê de dikare bibe sedema zêdebûna ferqa di navbera çînan de (Korinek & Stiglitz, 2017).
5. Guherînên Civakî: HGÇ dikare bandorê li ser têkiliyên civakî, çanda me û heta li ser têgihîştina me ya derbarê xweseriya mirov de bike (Bostrom, 2014).

Digel potansiyela wê ya mezin, pêşketina HGÇ hin pirsên giring ên etîkî û ewlehiyê jî derdixe holê:

1. Pirsgirêkên Hevahengiyê (Alignment Problem): Pêdivî heye ku em piştrast bin ku armancên HGÇ bi yên mirovahiyê re hevaheng in (Yudkowsky, 2016).
2. Ewlehiya Pergalî (System Safety): Divê pergalên HGÇ bi awayekî ewle bên dîzaynkirin da ku nekaribin zirarê bidin mirovan yan jî xwe (Amodei û hevkarên xwe, 2016).
3. Pirsgirêkên Biryardanê (Decision-Making Issues): Divê were diyarkirin ka kî dê ji biryar û encamên pergalên HGÇ berpirsiyar be (Dignum, 2019).
4. Parastina Taybetmendiyan û Daneyan (Privacy and Data Protection): Bi zêdebûna bikaranîna HGÇ, parastina daneyan û taybetmendiya takekesane dê bibe mijareke hê giringtir (Zuboff, 2019).
5. Pirsgirêkên Dadwerî û Wekheviyê (Justice and Equality Issues): HGÇ dikare ferqên di navbera wan takekesên ku gihîştina wan a vê teknolojiyê heye û yên ku tune ye, kûrtir bike (O'Neil, 2016).

Pêşbînîkirina dema ku HGÇ-ya rast dê were pêşxistin, dijwar e. Lêkoler li ser vê mijarê ne hemfikir in:

1. Texmînên Optimîst: Hin lêkoler bawer dikin ku em ê di nav 10-20 salên pêş de bigihîjin HGÇ (Kurzweil, 2005).
2. Texmînên Realîst: Hin lêkolerên din texmîn dikin ku pêşxistina HGÇ dibe ku 50-100 sal bigire (Müller & Bostrom, 2016).
3. Texmînên Skeptîk: Hin kes jî bawer dikin ku pêşxistina HGÇ-ya rast dibe ku ji aliyê teknolojîk ve ne gengaz be (Dreyfus, 1992).

Digel van cudahiyan piraniya lêkoleran li ser vê yekê hemfikir in ku pêşxistina HGÇ-ya ewle û bikêrhatî, hewcedarî bi lêkolîn û pêşxistina berdewam heye. Projeyên weke OpenAI's GPT, DeepMind's AlphaFold, û IBM's Project Debater destnîşan didin ku em ber bi HGÇ ve diçin, lê hê rêyeke dirêj li pêşiya me ye.

Di encamê de HGÇ potansiyela wê heye ku bibe yek ji pêşketinên herî giring di dîroka mirovahiyê de. Lê belê, pêşxistin û birêvebirina wê bi baldarî divê were kirin. Divê lêkolîn û pêşxistinên di vî warî de bi awayekî berdewam bên kirin, lê di heman demê de divê nirxandina bandorên wê yên civakî, aborî û etîkî jî were kirin. Tenê bi vî awayî em dikarin piştrast bin ku HGÇ dê bi rastî ji bo mirovahiyê bibe hêzeke erênî û pêşketinê.

 Termê Sereke

 

1. Hişê Giştî yê Çêkirî (Artificial General Intelligence - AGI): HGÇ armanca afirandina pergalên komputerî yên ku dikarin her karê hişmendî yê mirov bikin bi heman astê yan jî bilindtir e. Ev pergal dê karibin bi awayekî giştî bifikirin, fêr bibin û xwe ji rewşên nû re adapte bikin, ne tenê di warên taybet de.
2. Hişê Çêkirî yê Taybet (Narrow AI): Ev cureya hişê çêkirî tenê ji bo erkên taybet tê perwerdekirin û bikaranîn. Mînak, pergaleke ku tenê dikare şahmat bilîze yan jî wêneyan nas bike, lê nikare bi awayekî giştî bifikire.
3. Hînbûna Maşînî (Machine Learning): Şaxeke hişê çêkirî ye ku li ser afirandina algorîtmayên ku dikarin ji daneyan fêr bibin û xwe adapte bikin, disekine. Ev rêbaz dihêle ku pergal bi xwe ji tecrubeyên xwe fêr bibin û performansa xwe baştir bikin.
4. Hînbûna Kûr (Deep Learning): Beşeke hînbûna maşînî ya ku ji torên noronî yên kûr û çend qatî sûd werdigire. Ev rêbaz bi taybetî di warên weke naskirina axaftinê, dîtina kompûterî û pêvajoya zimanê xwezayî de serkeftî ye.
5. Pergalên Pispor (Expert Systems): Pergalên hişê çêkirî yên ku ji bo biryardana di warên pispor de hatine dîzaynkirin. Ev pergal bi gelemperî li ser bingeha rêzikên ku ji aliyê pisporan ve hatine diyarkirin, dixebitin.
6. Zivistana Hişê Çêkirî (AI Winter): Demeke ku eleqe û fonên ji bo lêkolîna hişê çêkirî kêm bûn. Ev term ji bo dema ku texmînên zêde optimîst pêk nehatin û veberhêner û lêkoler ji qadê vekişiyan, tê bikaranîn.
7. Hişê Hesabdar (Computational Intelligence): Nêzîkatiya ku li ser bikaranîna algorîtmayên pêşketî û teknîkên optîmîzasyonê disekine da ku karibe pirsgirêkên aloz û tevlihev çareser bike. Ev nêzîkatî gelek caran ji bo çareserkirina pirsgirêkên ku bi rêbazên klasîk zehmet in, tê bikaranîn.
8. Hişê Çêkirî yê Venasînî (Cognitive Artificial Intelligence): Modeleke ku hewl dide prosesên hişmendî yên mirovî teqlîd bike. Ev nêzîkatî li ser fêmkirina û teqlîdkirina rêbazên ku mirov pê difikirin û fêr dibin, disekine.
9. Hişê Çêkirî yê Noro-Sembolîk (Neuro-Symbolic AI): Nêzîkatiya ku hînbûna kûr a torên noronî û mantiqê sembolîk bi hev re bikar tîne. Ev model hewl dide ku hêzên herdu nêzîkatiyan bihevra bikar bîne da ku pergalên bêtir bihêz û fêmbar ava bike.
10. Pergalên Çend-Acenteyî (Multi-Agent Systems): Pergalên ku li ser hevkariya di navbera gelek acenteyên hişmend ên cuda de disekinin. Ev nêzîkatî dihêle ku pirsgirêkên aloz bi rêya hevkarî û danûstandina di navbera gelek acenteyên serbixwe de bên çareserkirin.

11. Veguherîner (Transformers): Modeleke hînbûna kûr a ku di warê pêvajoya zimanê xwezayî de tê bikaranîn. Veguherîner bi taybetî ji ber mekanîzmaya xwe ya baldariyê (attention mechanism) navdar in ku dihêle model giringiya beşên cuda yên inputê (daxil) bipîve. Ev model bingeha gelek pêşketinên mezin ên di warê pêvajoya zimanê xwezayî de ye.
12. Hînbûna Bê Çavdêrî (Unsupervised Learning): Cureyeke hînbûna maşînî ku li ser daneyên bê etîket dixebite. Di vê rêbazê de pergal hewl dide ku bi xwe strukturên veşartî di nav daneyan de bibîne, bêyî ku jê re were gotin ka li çi digere. Ev rêbaz bi taybetî dema ku etîketkirina daneyan zehmet yan bihadar e, bi kêr tê.
13. Hînbûna Guhêzbar (Transfer Learning): Teknîka ku dihêle modelek zanîna xwe ya ji bo erkeke fêrbûyî, ji bo erkeke din bikar bîne. Ev rêbaz dihêle ku pergal bi kêmtir dane û demê fêr bibe, ji ber ku ew ji tecrubeyên xwe yên berê sûd werdigire. Ev bi taybetî dema ku daneyên têr tune ne yan perwerdekirin bihadar e, bikêrhatî ye.
14. Hînbûna Meta (Meta-Learning): Rêbaza ku dihêle pergal fêr bibe ka çawa fêr bibe. Armanca vê teknîkê ew e ku pergal bikaribe bi lez xwe li erkên nû adapte bike û bi kêmtir mînakan fêr bibe. Ev rêbaz ji bo afirandina pergalên ku dikarin bi awayekî giştî fêr bibin, girîng e.
15. Pirsgirêka Hevahengiyê (Alignment Problem): Pirsgirêka piştrasbûna ku armancên HGÇ bi yên mirovahiyê re hevaheng in. Ev yek yek ji mijarên herî girîng ên etîkî di warê pêşxistina HGÇ de ye, ji ber ku pergaleke HGÇ ya ku bi armancên mirovahiyê re ne hevaheng e, dikare bibe xetereke mezin.
16. Ewlehiya Pergalî (System Safety): Konsepte ku li ser dîzaynkirina pergalên HGÇ bi awayekî ewle disekine, da ku nekaribin zirarê bidin mirovan yan jî xwe. Ev mijar hem ji aliyê teknîkî ve û hem jî ji aliyê etîkî ve girîng e.
17. Pirsgirêkên Biryardanê (Decision-Making Issues): Mijarên ku eleqedarî biryardana pergalên HGÇ ne. Ev pirsgirêk hem li ser çawaniya biryardana pergalê û hem jî li ser berpirsiyariya encamên van biryaran disekinin.
18. Parastina Taybetmendiyan û Daneyan (Privacy and Data Protection): Mijarên girêdayî parastina agahiyên takekesî û daneyan di pergalên HGÇ de. Bi zêdebûna bikaranîna HGÇ, parastina van agahiyan dibe mijareke hê giringtir.
19. Pirsgirêkên Dadwerî û Wekheviyê (Justice and Equality Issues): Mijarên ku eleqedarî bandora HGÇ li ser wekheviya civakî ne. HGÇ dikare ferqên di navbera wan takekesên ku gihîştina wan a vê teknolojiyê heye û yên ku tune ye, kûrtir bike, ku ev yek dibe sedema pirsgirêkên dadwerî û wekheviyê.
20. Torên Noronî (Neural Networks): Modelên hesabkirinê yên ku ji struktura mejiyê mirov îlham digirin. Ev tor ji gelek yekîneyên hesabkirinê (noron) pêk tên ku bi hev re dixebitin da ku agahiyan bi rê ve bibin û fêr bibin.

Çavkanî

 

·  Amodei, D., û hevkarên xwe (2016). Concrete problems in AI safety. arXiv preprint arXiv:1606.06565.

·  Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.

·  Brown, T. B., û hevkarên xwe (2020). Language models are few-shot learners. arXiv preprint arXiv:2005.14165.

·  Chen, T., û hevkarên xwe (2020). A simple framework for contrastive learning of visual representations. International conference on machine learning, 1597-1607.

·  Devlin, J., û hevkarên xwe (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.

·  Dignum, V. (2019). Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Springer.

·  Dreyfus, H. L. (1992). What computers still can't do: A critique of artificial reason. MIT press.

·  Engelbrecht, A. P. (2007). Computational intelligence: an introduction. John Wiley & Sons.

·  Finn, C., û hevkarên xwe (2017). Model-agnostic meta-learning for fast adaptation of deep networks. International Conference on Machine Learning, 1126-1135.

·  Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254-280.

·  Garcez, A. D., û hevkarên xwe (2019). Neural-symbolic computing: An effective methodology for principled integration of machine learning and reasoning. arXiv preprint arXiv:1905.06088.