什麼是通用人工智慧？
通用人工智慧 (AGI) 是理論性 AI 研究領域，試圖建立具有類似人類智慧和自學能力的軟體。研發目的是讓該軟體能夠執行不一定受過相關訓練或專門開發來執行的任務。
目前的人工智慧 (AI) 技術都在一組預先確定的參數內執行。例如，經過影像辨識和生成訓練的 AI 模型無法建置網站。AGI 是一種理論追求，旨在開發具有自主自控能力、合理程度的自我理解，以及能夠學習新技能的 AI 系統。AGI 能夠解決在建立它時沒教給它的設定和情境中的複雜問題。具有人類能力的 AGI 目前仍為理論性概念和研究目標。
人工智慧與通用人工智慧之間有什麼區別？
數十年來，AI 研究人員已經豎立了幾個里程碑，這些里程碑顯著提高了機器智慧，在特定任務中甚至達到模仿人類智慧的程度。例如，AI 摘要器使用機器學習 (ML) 模型從文件中擷取重點並產生可理解的摘要。因此，AI 是一門電腦科學學科，使軟體能夠以人類等級的表現來解決新穎而困難的任務。
相較之下，AGI 系統可以解決不同領域的問題，就像人類一樣，而無需手動干預。AGI 不限於特定範圍，可以自學並解決從未接受過訓練的問題。因此，AGI 是完整人工智慧的理論表示，它可以透過廣泛的人類認知能力解決複雜任務。
一些電腦科學家認為 AGI 是一種具有人類理解和認知能力的假設電腦程式。AI 系統可以學習處理不熟悉的任務，而無需對此類理論進行額外的訓練。另外，我們現今使用的 AI 系統需要大量訓練，才能處理相同領域內的相關任務。例如，您必須使用醫療資料集微調預先訓練的大型語言模型 (LLM)，才能如同醫療聊天機器人一般一致地運作。
強式 AI 與弱式 AI 的比較
強式 AI 是完整的人工智慧，或者 AGI，儘管背景知識很少，仍然能夠以人類認知等級執行任務。科幻小說通常將強式 AI 描繪成一部能夠以人類理解力思考的機器，而且沒有領域限制。
相較之下，弱式 AI 或狹窄 AI 是僅限於運算規格、演算法和設計目的之特定任務的 AI 系統。例如，以前的 AI 模型記憶體有限，只能依賴即時資料做出決策。即使是具有更佳記憶體保留的新興生成式 AI 應用程式也被視為弱式 AI，因為它們無法重新用於其他領域。
通用人工智慧研究的理論方法是什麼？
實現 AGI 與驅動現今 AI 模型的技術相比，需要更廣泛的技術、資料和互連性。創造力、感知、學習和記憶對於創造模仿複雜人類行為的 AI 至關重要。AI 專家提出了幾種方法來推動 AGI 研究。
符號
符號方法假設電腦系統可以透過擴展的邏輯網路表示人類思想來開發 AGI。邏輯網路使用 if-else 邏輯將實體物件符號化，使 AI 系統能夠在更高的思考層級解釋想法。但是，符號表示無法在較低層級複製微妙的認知能力，例如感知。
聯結主義者
聯結主義者 (或湧現論者) 方法專注於使用神經網路架構複製人類大腦結構。當人類與外部刺激互動時，大腦神經元可以改變其傳播路徑。科學家希望採用這種子符號方法的 AI 模型可以複製類似人類的智慧並展示低層級認知功能。大型語言模型是 AI 的一個範例，它使用聯結主義者方法來理解自然語言。
普世主義者
採用普世主義者方法的研究人員專注於在計算層級解決 AGI 複雜性。他們嘗試制定理論解決方案，使其可以重新使用實用的 AGI 系統。
整體有機體架構
整體有機體架構方法涉及將 AI 模型與人體的物理表現整合。支持這個理論的科學家認為只有在系統從物理互動中學習時才能實現 AGI。
混合
混合方法研究表示人類思想的符號和子符號方法，以實現單一方法之外的結果。AI 研究人員可能會嘗試融入不同已知原則和方法來開發 AGI。
驅動通用人工智慧研究的技術是什麼？
AGI 仍然是研究人員的遠程目標。建置 AGI 系統的努力正在進行，並受到新興發展的鼓勵。下列各節說明新興技術。
深度學習
深度學習是一種 AI 學科，專注於訓練具有多個隱藏層的神經網路，以從原始資料中擷取和理解複雜的關係。AI 專家使用深度學習來建置能夠理解文字、音訊、影像、視訊和其他資訊類型的系統。例如，開發人員使用 Amazon SageMaker 為物聯網 (IoT) 和行動裝置建置輕量型深度學習模型。
生成式 AI
生成式人工智慧 (生成式 AI) 是深度學習的子集，其中 AI 系統可以從學習的知識產生獨特且逼真的內容。生成式 AI 模型運用大量資料集進行訓練，使它們能夠使用自然類似人類創作的文字、音訊或視覺效果來回應人類的查詢。例如，AI21 Labs、Anthropic、Cohere 和 Meta 的 LLM 是組織可用來解決複雜任務的生成式 AI 演算法。軟體團隊使用 Amazon Bedrock 在雲端上快速部署這些模型，而無需佈建伺服器。
NLP
自然語言處理 (NLP) 是 AI 的一個分支，可讓電腦系統理解和產生人類語言。NLP 系統使用運算語言學和機器學習技術將語言資料轉換成稱為字符的簡單表示，並了解它們的內容關係。例如，Amazon Lex 是一種 NLP 引擎，可讓組織建置對話式 AI 聊天機器人。
電腦視覺
電腦視覺是一種技術，可讓系統從視覺資料中擷取、分析和理解空間資訊。自動駕駛汽車使用電腦視覺模型來分析來自攝影機的即時視訊，並安全地導航車輛遠離障礙物。深度學習技術允許電腦視覺系統自動化大型物件辨識、分類、監控和其他影像處理任務。例如，工程師使用 Amazon Rekognition 自動化各種電腦視覺應用程式的影像分析。
機器人
機器人是一種工程學科，其中組織可以建置自動執行物理操作的機械系統。在 AGI 中，機器人系統可讓機器智慧在物理上表現。它對於介紹 AGI 系統所需的感官感知和物理操作功能來說是關鍵。例如，將機器人手臂嵌入 AGI 可使手臂能夠像人類一樣感知，抓握和剝柳丁果皮。研究 AGI 時，工程團隊會在組裝機器人系統之前使用 AWS RoboMaker 虛擬模擬機器人系統。
通用人工智慧研究有哪些挑戰？
電腦科學家在開發 AGI 時面臨以下一些挑戰。
建立連線
目前 AI 模型僅限於其特定領域，無法在領域之間建立連線。然而，人類可以將知識和經驗從一個領域應用到另一個領域。例如，教育理論應用於遊戲設計中，以建立引人入勝的學習體驗。人類也可以將他們從理論教育中學習的內容調整到現實情況。但是，深度學習模型需要使用特定資料集進行大量訓練，才能可靠地處理不熟悉的資料。
情商
深度學習模型暗示 AGI 的可能性，但尚未展示人類擁有的真實創造力。創造力需要情感思維，這是神經網路架構還無法複製的。例如，人類會根據他們感覺的情感來回應對話，但 NLP 模型會根據他們訓練的語言資料集和模式產生文字輸出。
感官感知
AGI 需要 AI 系統與外部環境進行實體互動。除了機器人能力外，系統必須像人類一樣感知世界。現有的電腦技術需要再進步，才能像人類一樣準確區分形狀、顏色、味道、氣味和聲音。
AWS 如何協助您處理 AI 和 AGI 工作？
AWS 提供受管人工智慧服務，協助您訓練、部署和擴展生成式 AI 應用程式。組織使用我們的 AI 工具和基礎模型，利用自己的資料創新 AI 系統，以個人化使用案例。
- Amazon Bedrock 是一項全受管服務，開發人員可以使用 API 呼叫來存取他們部署的生成式 AI 模型。您可以在 Bedrock 上選取、自訂、訓練和部署領先業界的基礎模型，以處理專有資料。
- Amazon SageMaker Jumpstart 透過在機器學習中心建置、訓練和部署基礎模型，協助軟體團隊加速 AI 開發。
- 使用 Amazon Elastic Compute Cloud UltraCluster，利用超級運算 GPU 支援您的生成式 AI 工作負載，以低延遲處理大量資料集。
立即註冊 AWS 帳戶，開始使用 AGI
