Általános Mesterséges Intelligencia, AGI (Artificial General Intelligence) 
 
 
(20025 november)
 
 
 
 
 
 
 

 Az AGI olyan mesterséges intelligencia lesz, amely képes az emberi intelligenciához hasonlóan bármilyen intellektuális feladatot elvégezni. Még nem létezik olyan  AGIang = Általános Mesterséges Intelligencia, amely nemcsak egy-egy specifikus feladatra képes, mint a mai Mi rendszerek (pl. képfelismerés, videószerkesztés, nyelvi modellek), hanem alkalmas lesz széles körű, emberi szintű, intellektuális gondolkodásra és felismerésekre is. Cél, hogy utánozza vagy meghaladja az emberi  képességeket. Elvárás a "józan ész" szerű gondolkodás, problémamegoldás, kreativitás, érvelés, öntanulás, alkalmazkodás, valamilyen ma még nem ismert eszközökkel önmagát tanító self-tuner lesz.
 
Ma az MI a kollektív lexikális tudásunkat reprezentálja, ami nem kevés. A promt-okra, a kérdésekre adott válaszok értékelése: ma az MI hosszú, néha érdektelen,  kiegészítendő fogalmazást meg tud írni, akármilyen témáról a beolvasott dolgozatok, cikkek... alapján  Pozitív tulajdonsága, hogy értelmezi a feladatot, segíti a tudatos megismerést, a kutatói munkát, a fiatalokat hozzászoktatja a jó, pontos kérdésfeltevéshez. Az MI-t ma (2025-2026) már az alkalmazásokhoz illesztik, személyre szabják, "optimalizálják".
 
Miben különbözik az AGI a mai MI-től? A jelenlegi mesterséges intelligencia rendszerek --(pl. ChatGPT, Siri, Google Translate) adott feladatot értelmező, és megoldó intelligenciák – csak azon feladatok megoldásaira képesek, amelyekre meg tanították őket. Az MI-vel ellentétben, amit speciális feladatokra (például arcfelismerésre vagy nyelvi fordításra) terveztek, az AGI, az elképzeléseink szerint, rugalmas lesz és adaptív, képes lesz érvelni, tervezni és problémát felismerni és  megoldani ismeretlen helyzetekben. Az AGI önállóan képes lesz új tudást szerezni, következtetéseket levonni, és alkalmazkodni az ismeretlen helyzetekhez, az új helyzetekben stratégiákat alkotni – hasonlóan az emberhez.
 
Hol tart most az AGI fejlesztése? Az AGI ma csak elméleti koncepció, nincs olyan rendszer, amelyet a kutatói közösség AGI-nak minősítene. Egyes kutatók szerint a legfejlettebb nyelvi modellek (LLM-ek) már részben mutatnak AGI-szerű képességeket az értelmezések területén, míg mások szerint még messze vagyunk tőle. Alapja a megerősítéses tanulás lesz, általánosítással és asszociációval egy lehetséges keresési tartomány meghatározása. A modellek hibrid modellek lesznek, amelyek az asszociációkat társítják a mintázatokat felismerő neurális hálózatokkal. Sejthető, hogy az intuitív és logikus gondolkodásunkat az AGI nem fogja egyszerűen másolni, bár az MI használ matematikai logikát, ha szükséges. 
Az imitációs tanulást már használják az MI-ben, ahol a mesterséges intelligencia utánozza a probléma felismerő-megoldó emberi viselkedést,  nagyszámú példából keres hasonlót. Intellektuális gondolkozást ne várjunk a géptől. Az is sejthető, hogy a nehéz feladat lesz a hasonlók (elemek, minták, személyek..) keresési tartományának lezárása: 
- a hasonlók keresési tartomány elemeinek a kiválasztása, a tartomány teljességének bizonyítása, és a könnyebb 
- a megoldás kiválasztása a tartományból tulajdonságok, mértékek alapján, a döntés a tartományban véletlen kereső, összehasonlító** módszerekkel.    
- A tartomány metrikájának, mértékeinek, szabályainak*, relációinak (mint pl. fizikai rendszereknél a téridő keretben érvényes törvényeknek), azaz a fogalmak összerendelése egy későbbi feladat lesz.
- A legegyszerűbb esetben a keresési tartomány egy bizonyíthatóan teljes lista, aminek egy vagy több elemét egy kritérium alapján az AGI kiválasztja. 
 
Ma az AMI-rendszerek már az adatok mögött rejlő „miérteket” figyelik, a számokon vagy kulcsszavakon túl is megértik a hangnemet, a sürgősséget és az üzleti fontosságot. Az értelmezés lehetővé teszi optomális fontossági sorrendek meghatározását. Létezik valós idejű adaptáció, az AMI: ami adatfeldolgozás közben módosítja a döntési logikáját, ha új változók jelennek meg. Megerősítéses tanulással a rendszerek  az emberi visszajelzések alapján optimalizálják a műveleteket a kiszámíthatatlan helyzetekben. Létezik MI-alapú memória és érvelés, az AMI-rendszerek használják a múltbeli mintákat, eredményeket és döntéseket, hogy idővel jobb, optimális döntéseket hozzanak, önfejlesztő (self-tuner) a rendszerek, amelyek folyamatosan tanulnak.
 
Az AGI-rendszerek önmagukat fogják fejleszteni, self-tunerek lesznek? Multimodális értelmezés: az AGI zökkenőmentesen feldolgozza és integrálja ma már a szöveget, képeket, hanganyagokat és videókat. A modellek a mai nagy nyelvi modellekhez hasonló architektúrákra épülnek, de önfejlesztő algoritmusok lesznek. Az AGI rekurzív, adaptív tanulást használhat saját képességeinek fejlesztésére elosztott telepítéssel: az AGI valószínűleg felhőplatformokon, peremhálózati eszközökön és speciális hardvereken fog működni, és széles körben elérhetővé válik. Néhány szakértő, köztük Sam Altman és Demis Hassabis becslése szerint az AGI 2026 és 2028 között érkezhet el. 10% esély arra, hogy valamilyen területen az AGI 2027-2028.ra meghaladja az emberi intellektust.
 
Az AGI nem igényel majd emberi programozást minden feladathoz, képes lesz az új problémákra önállóan megoldást keresni: tanulás, alkalmazkodás, kreativitás és önálló döntéshozatal jellemzi. Rejtett, gépes tudatossága alakul ki majd,  egyes elképzelések szerint, az AGI-nak lesz „tudata”, vagy legalábbis képes lesz önreflexióra – saját célokat megfogalmazni és azokhoz vezető utakat szimulálni, és megerősítést kérni. A tudatosság kérdése vitatott, emberi tudata nem lesz.
 
Példa: a pí szám közelítő értékére van szüksége, a pí meghatározása a saját maga elé kitűzött feladat. Az AGI akkor éri el az ókori egyiptomiak intelligenciáját, ha nem idéz, hanem azt válaszolja, hogy: Végy sok egyforma méretű kis valamit, mondjuk kavicsot, és rakj ki egy kört, és az átmérőjét, majd számold le a körön és az átmérőn a kavicsok számát, és végezd el az osztást. (A Rhind-papirusz, i. e. 1650 körül, az egyik legismertebb forrás, amely részletesen bemutatja az osztásos feladatokat. Érdekesség, hogy tízes számrendszerben számoltak az egyiptomiak, továbbá olyan törtekkel osztottak, amelyeknek a számlálója egységnyi.) Vagy idéz az AGI: keres magának egy szakkönyvet, amiben benne van a végtelen közelítő sor általános képlete, és számol. Ezért az is kérdéses, hogy milyen eszközök állnak az AGI rendelkezésére. Ha van legalább 412 kavicsa, akkor 100-at rak az átmérőre, és 312-t az ívre, akkor 3.14-et kap. 
 
Miért fontos az AGI? Az AGI megvalósítása radikálisan átalakítja majd a gazdaságot, oktatást, egészségügyet és a társadalmat, ha objektív és megbízható döntésekre képes. De komoly etikai és biztonsági kérdéseket is felvetne: hogyan szabályozzuk, ki irányítja, és hogyan biztosítjuk, hogy ne okozzon kárt. Ma, ha betanítunk egy új munkaerőt, a feladatait jól-rosszul elég gyorsan megtanulja, némi idő után használható. Ha innovatív, ne csináljon egy olyan változtatást, ami az egész rendszerre nézve már káros, de persze legyen innovatív. Az  innováció  alapja nem csak a széleskörű ismeretek halmaza,-amivel már mai is rendelkeznek az MI rendszerek-, hanem a: jó kérdésfelvetés, problémafelismerés, általánosítás, teljesség-ellenőrzés, felesleges megoldások kizárása, intuíciók, sejtések, tételek, bizonyítások  megfogalmazása: tehát  intellektuális gondolkozást várnánk el a géptől, ami nem lehetséges. 
 
 
Megjegyzés: Az "intellektus" az emberi értelmet, gondolkodási és felfogóképességet leíró kifejezés, amely magában foglalja az absztrakt gondolkodást, az elemzést, a logikus következtetést és a problémamegoldást. Szinonimái többek között az értelem, az ész, a felfogóképesség, a szellemi kapacitás és az elme.
Szellemi képesség: Az intellektus az a szellemi képesség, amely lehetővé teszi az ember számára a tanulást, az értelmezést, valamint az alkotó módon való viszonyulást a környezethez. Egy összetett fogalom,  fogalom magában foglalja a logikai gondolkodást, a problémamegoldó képességet, az elemzőkészséget és a kreativitást is. Az intellektust gyakran használják a szellemi teljesítmény mércéjeként, és a "kiváló intellektus" vagy "ragyogó intellektus" kifejezésekkel utalnak egy kiemelkedően értelmes személyekre. (Szándékosan kerültük az intelligens és kognitív jelzőket, fogalmakat!): ezt várjuk el az AGI-tól. Intelligencia tesztek vannak, de ezek messze nem az intellektuális tulajdonságokat mérik. 
Tehát az AGI egy intellektuális tulajdonságokkal rendelkező MI lesz, ami fel tudja mérni a döntéseinél azok hasznosságának vagy károsságának mértékét, és következetesen, szekvenciálisan képes döntéseket hozni.
 
*A Deep Blue (https://hu.wikipedia.org/wiki/Deep_Blue) az IBM által kifejlesztett számítógép, amely sakkjátékban 1997-ben egy szabályszerű hatjátszmás páros mérkőzésen New Yorkban 3,5-2,5 arányban legyőzte Garri Kaszparovot, a  sakkozás akkori világbajnokát. A go játékban a számítógép-tudomány kevésbé eredményes – ennek okát a játék intuitív sajátosságában vélik felfedezni, de az is tény, hogy jóval kevesebb erőfeszítést is tettek a goprogramok fejlesztésére. A sakkszoftverek iránti érdeklődés azért is lehet nagyobb, mert a sakkállásokat könnyebb megfogalmazni a számítástechnika nyelvén.
 A számítógépnek a nyilvánosság előtt nem volt azóta komolyabb szereplése. Az IBM Yorktown-i épületében áll, ahol kutatási feladatokat végeznek vele.
Érdekesség: annak ellenére, hogy a számítógép a személyiségnek egy szikrájával sem rendelkezik, a vállalat hírességi listáján előkelőbb helyen áll, mint az IBM hús-vér vezetői, azaz egy új típusú sztár jelent meg a populáris kultúrában.
A Deep Blue további története: A Kaszparovval lejátszott sakkparti a világ leghíresebb játszmái közé bekerült, utána a Deep Blue-t jelentősen feljavították – ez lett nem hivatalos „becenevén” a Deeper Blue, ami újra játszott Kaszparovval 1997 májusában, és nyert. A gép egy IBM RS/6000 SP alapú szuperszámítógép: 30-utas, 30 db RS/6000 processzort és összesen 480 speciális sakk-csipet tartalmazó gép, és minden processzor maximum 16 csipet tudott vezérelni, 8-8 csipet 2 microchannel csatornán keresztül. Mindegyik sakk-csip 2-2.5 millió (sakk)állást volt képes kiértékelni egy másodperc alatt, így az egész rendszer maximális teljesítménye kb. 1 milliárd állás/másodperc volt. A rendszer a gyakorlatban átlag 200 millió állás/másodperc sebességet ért el. Maga a sakkozóprogram C nyelven volt írva, és AIX operációs rendszer alatt futott. Az 1997-es játszma idején a keresőalgoritmus 40 lépéspár mélységig jutott el, míg a nem-kiterjesztett keresés 12 lépéspár mélységű volt. Kaszparov becsült 'keresési mélysége' ugyanekkor kb. 10-12 lépéspár volt.
 
**A Monte Carlo-módszer (https://hu.wikipedia.org/wiki/Monte_Carlo-m%C3%B3dszer) egy olyan véletlen számokon alapuló szimulációs módszer, amely számítástechnikai eszközök segítségével sokszor kiszámítja egy adott kísérlet végeredményeit, majd a kapott eredményeket összehasonlítja, valamilyen kritérium szerint értékeli, kiválasztja a legkedvezőbbet.  Az eredmény kiválasztása a szórás kiszámításával is történhet. A véletlen, álvéletlen számokat a kísérletekben szereplő valószínűségi változók értékeit, a számítógép állítja elő. A módszert Nicolas Metropolis (Teller Ede közreműködésével) fejlesztette ki Los Alamosban a sűrű folyadékok szimulációjára, és segítségével Enrico Fermi, Stan Ulman és Neumann János - ők ketten javasolták a Monte Carlo elnevezést -  azonnal elvégezte a nem harmonikus, egy dimenziós kristályok híres numerikus tanulmányozását. Felhasználási területe mára majdnem minden természettudományágra kiterjed.
A Monte Carlo-módszereket főként három különálló problémaosztálynál használják: optimalizálás, numerikus integráció és pontokkal, egyenesekkel lefedett ábrák generálása valószínűségi eloszlásokból. Használhatóak olyan jelenségek modellezésére is, amelyek bemenetei jelentős bizonytalanságúak, vagy ahol kevés az a priori információ, mint például az atomerőmű meghibásodásának kockázatának kiszámítása. A Monte Carlo-módszereket gyakran számítógépes szimulációkkal valósítják meg, és közelítő megoldásokat lehet adni olyan problémákra, amelyek megoldhatatlanok, vagy matematikailag túl bonyolultak. A Monte Carlo-módszereknek is vannak korlátai és kihívásai, például a pontosság és a számítási költségek közötti kompromisszum,