Artificial General Intelligence (AGI) vertegenwoordigt de volgende belangrijke mijlpaal in de ontwikkeling van kunstmatige intelligentie, en biedt het potentieel voor machines om een breed scala aan taken te begrijpen en te beredeneren. Het is een doel dat aanzienlijke belangstelling heeft gewekt in de AI-gemeenschap, waarbij veel experts werken aan de realisatie ervan. Het bereiken van AGI wordt gezien als een cruciale stap naar het ontsluiten van nieuwe mogelijkheden voor zowel menselijke vooruitgang als AI-innovatie. Bij ARC is men van mening dat gaming een essentieel hulpmiddel is in dit streven, en een testomgeving biedt waar AI-systemen kunnen worden getraind om om te gaan met complexiteit en aanpassingsvermogen, beide cruciale elementen voor het bereiken van AGI.
Generieke AI-afbeelding
Gaming en AGI
Games worden al lang erkend als een belangrijk onderdeel van AI-ontwikkeling, en dit is iets wat leiders uit de industrie, zoals Elon Musk en Demis Hassabis, hebben erkend. Musk heeft, via zijn xAI-initiatief, de rol van gaming bij het trainen van AI-systemen benadrukt, en heeft laten zien hoe gaming kan worden gebruikt om complexe situaties uit de echte wereld te simuleren.
Op dezelfde manier heeft Demis Hassabis van DeepMind zijn visie gedeeld, waarbij hij opmerkte dat gamingomgevingen zoals die gebruikt worden in AlphaZero niet alleen gaan over het beheersen van games, maar over het ontwikkelen van AI-algoritmen die kunnen worden toegepast op bredere problemen in de echte wereld. Het doel is om algemene AI te creëren die kan redeneren, zich kan aanpassen en uiteindelijk uitdagingen kan oplossen die verder gaan dan waarvoor het oorspronkelijk is getraind.
De aanpak van ARC omvat het gebruik van een gestructureerd raamwerk om de AGI-vooruitgang door middel van gaming te versnellen. Door modellen, infrastructuur, omgevingen en data (M.I.N.D.) te integreren, streeft ARC ernaar een ecosysteem te creëren dat de noodzakelijke componenten voor AGI-ontwikkeling samenbrengt. De organisatie gelooft dat de dynamische aard van gaming, met zijn voortdurend veranderende regels en onvoorspelbare omgevingen, het een ideaal platform maakt om AI-systemen te trainen die in staat zijn de kerncompetenties te ontwikkelen die nodig zijn voor AGI.
Menselijke vaardigheden. Versterkt door AI.
Kerncompetenties voor het bereiken van AGI
Voor ARC wordt AGI gedefinieerd door zijn vermogen om in meerdere domeinen te presteren, waarbij verschillende belangrijke competenties worden getoond. Een van de primaire capaciteiten is multimodaliteit, wat de integratie van verschillende soorten gegevens, zoals beelden, tekst en audio, in een samenhangend begrip omvat. Dit is essentieel voor een AI om zinvol te interageren met de wereld, aangezien taken in de echte wereld vaak de interpretatie van diverse invoertypen vereisen.
Een andere kritieke competentie is continue verbetering. Een AGI-systeem moet incrementeel kunnen leren, zijn kennis verfijnen bij elke nieuwe interactie zonder de eerder geleerde informatie te verliezen. Dit zorgt ervoor dat de AI zich kan aanpassen aan veranderende omstandigheden en nieuwe vaardigheden kan verwerven wanneer het verschillende situaties tegenkomt.
Aanpassingsvermogen is een andere essentiële eigenschap. AGI-systemen moeten effectief kunnen reageren op nieuwe omgevingen of onverwachte veranderingen in de bestaande omgeving. Dit is vooral belangrijk in dynamische omgevingen zoals gaming, waar regels en scenario's snel kunnen evolueren, waardoor de AI zijn aanpak moet aanpassen.
Ten slotte is redeneren een fundamentele vereiste voor AGI. Hoewel patroonherkenning een belangrijke vaardigheid is, gaat ware intelligentie verder dan dit, en vereist het van een AI-systeem dat het causaliteit begrijpt, voorspellingen doet en oplossingen voor problemen bedenkt op basis van redeneren. AGI moet de verbanden tussen verschillende stukjes informatie kunnen leggen en dit begrip kunnen toepassen op nieuwe uitdagingen.
ARC's nieuwe partnerschap met Eliza Labs
AGI testen in diverse contexten
Naast het aantonen van de juiste competenties, moet AGI ook in verschillende omgevingen kunnen functioneren. Deze omgevingen testen hoe goed een AI kan presteren in verschillende soorten uitdagingen. Multi-agent samenwerking, bijvoorbeeld, is een context waarin AGI moet samenwerken met of concurreren tegen zowel menselijke als AI-agenten. Dit test het vermogen van de AI om effectief samen te werken, strategieën te bedenken en te communiceren.
De niet-stationaire aard van omgevingen is ook een cruciale context. AGI-systemen moeten kunnen navigeren in werelden waar de regels en taken voortdurend evolueren. In dergelijke omgevingen kan de AI niet simpelweg vertrouwen op vooraf gedefinieerde oplossingen; het moet leren zich aan te passen en strategieën te ontwikkelen.
De complexiteit van open werelden daagt AGI verder uit door te vereisen dat het meerdere doelstellingen verkent en beheert. In open-wereldomgevingen moet de AI taken prioriteren en nieuwe doelen ontdekken, terwijl het omgaat met onverwachte gebeurtenissen. Dit soort omgevingen helpt de onvoorspelbaarheid en complexiteit van scenario's uit de echte wereld te simuleren.
Ten slotte is langetermijnplanning een andere essentiële test. AGI moet in staat zijn beslissingen te nemen die leiden tot succes op de lange termijn, in plaats van alleen te optimaliseren voor onmiddellijke beloningen. Deze vaardigheid vereist het vermogen om meerstappenplannen te formuleren en uit te voeren, zelfs wanneer feedback schaars of vertraagd is.
Neuron Token ($NRN)
De vooruitgang en roadmap van ARC
ARC heeft aanzienlijke vooruitgang geboekt bij de ontwikkeling van de noodzakelijke componenten voor AGI, door een basis te leggen via zijn M.I.N.D.-raamwerk. Dit raamwerk omvat geavanceerde modellen die continu leren, onzekerheidsmodellering en aanpassingsvermogen ondersteunen. De infrastructuur van ARC vergemakkelijkt ook het verzamelen en gebruiken van gegevens, waardoor AI-systemen zich voortdurend kunnen verbeteren en aanpassen. De integratie van omgevingen – van singleplayer tot multiplayer-instellingen – biedt een breed scala aan testterreinen voor deze mogelijkheden.
Ondanks deze vorderingen vereist het bereiken van AGI nog steeds het aanpakken van belangrijke hiaten. Deze omvatten verdere ontwikkelingen op het gebied van redeneren, hiërarchisch machine learning (HML) en het omgaan met onzekerheid. HML is met name een veelbelovende weg voor het organiseren van AI-leren in modules die op verschillende abstractieniveaus kunnen werken, waardoor het systeem complexiteit beter kan beheren en genuanceerdere beslissingen kan nemen.
De roadmap van ARC omvat verschillende initiatieven die gericht zijn op het aanpakken van deze hiaten. Een van deze initiatieven is een modelinnovatiewedstrijd, die in 2025 van start gaat om onderzoek en ontwikkeling op gebieden zoals redeneren, aanpassingsvermogen en generalisatie aan te moedigen. De organisatie werkt ook samen met infrastructuurproviders om te voldoen aan de toenemende computationele eisen van AGI-ontwikkeling. Daarnaast creëert ARC game-omgevingen die het vermogen van AI uitdagen om samen te werken, te plannen en onverwachte uitdagingen te beheren, terwijl het ook samenwerkt met andere projecten om verschillende modaliteiten zoals visie, audio en taal te integreren.
De rol van $NRN in AGI-ontwikkeling
Centraal in de visie van ARC staat het Neuron-token ($NRN), dat functioneert als een fundamenteel element binnen het gedecentraliseerde ecosysteem dat ARC bouwt. Het token vergemakkelijkt de samenwerking van onderzoekers, ontwikkelaars, platforms en organisaties, en helpt de AGI-ontwikkeling door middel van gaming te versnellen. Door gebruik te maken van $NRN streeft ARC ernaar een open-source, gemeenschapsgedreven benadering van AGI-onderzoek te bevorderen, om ervoor te zorgen dat de vooruitgang wordt gedeeld en versneld door de bijdragen van een breed scala aan deelnemers. Om meer te weten te komen over de initiatieven van ARC, zie dit bericht op X.
