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. Ma az MI még csak szűk, előre betanított területeken képes valami hasonlóra. Még nem létezik valódi AGIang = Általános Mesterséges Intelligencia, amely nemcsak egy-egy specifikus feladatra képes, mint a mai Mi rendszerek (pl. képfelismerés, nyelvi modellek), hanem alkalmas széles körű, emberi szintű, intellektuális gondolkodásra és tanulásra is. Cél, hogy utánozza vagy meghaladja az emberi  képességeket. Elvárás a "józan ész" szerű gondolkodás, problémamegoldás, kreativitás, érvelés, tanulás, alkalmazkodás terén, valamilyen ma még nem ismert eszközökkel.
 
Ma az MI a kollektív 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 AI-tól? 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 megoldani ismeretlen helyzetekben. Az AGI önállóan képes lesz új tudást szerezni, következtetéseket levonni, és alkalmazkodni új 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 tudományos 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 másolni, bár az MI használ matematikai logikát, ha szükséges. Intellektuális gondolkozást ne várjunk a géptől. Az is sejthető, hogy a nehéz feladat lesz
- a keresési tartomány meghatározása, a tartomány teljességének bizonyítása, és a könnyebb 
- a megoldás kiválasztása, döntés a tartományban véletlen kereső, összehasonlító** vagy logikai 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 kiválasztjuk. 
 
Példa: a pí szám közelítő értékének a meghatározása a 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. Tízes számrendszerben számoltak, és olyan törtekkel számoltak, amelyeknek a számlálója egységnyi.) 
 
Miért fontos az AGI? Az AGI megvalósítása radikálisan átalakíthatná 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. 
 
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,
 
// AGI is an artificial intelligence that is capable of performing any intellectual task similar to human intelligence. Today, AI is only capable of similar tasks in narrow, pre-trained areas. There is currently no real AGI, but it is being researched. AGI = Artificial General Intelligence, which is not only capable of a specific task, like today's AI systems (e.g. image recognition, language models), but also capable of broad, human-level intellectual thinking and learning. Its goal is to imitate or exceed human capabilities, such as "common sense" thinking, problem solving, creativity, reasoning, learning, and adaptation.
Today, AI also represents our collective knowledge, which is not a small amount. Evaluating the answers to prompt questions: today, AI is an orator perpetuus, which can write any long, uninteresting, and incomplete essay on any topic. Its positive feature is that it helps with conscious cognition, research work, and accustoms young people to asking good, precise questions.
How is it different from today's AI? Current artificial intelligence systems (e.g. ChatGPT, Siri, Google Translate) are task-solving intelligences – they are only capable of the tasks they were trained to do. Unlike AI, which is designed for specific tasks (such as facial recognition or language translation), AGI is flexible and adaptive, able to reason, plan, and solve problems in unfamiliar situations. AGI would be able to independently acquire new knowledge, draw conclusions, and adapt to new situations, creating strategies in new situations – similar to humans.
 
Where is the development of AGI nowdays? AGI is still only a theoretical concept, there is no system that the scientific community would classify as AGI. According to some researchers, the most advanced language models (LLM) already partially show AGI-like capabilities in the field of interpretation, while others say we are still far from it. It will be based on reinforcement learning, with generalization, hybrid models that combine symbolic thinking and neural networks that recognize patterns. It is likely that our intuitive and logical thinking will not be copied by the operation of AGI, although AI uses mathematical logic if necessary, so we should not expect intellectual thinking from the machine. It can also be assumed that the difficult tasks will be
- the definition of the search domain, the proof of the completeness of the domain, and the easier
- selection of the solution using random search, comparison** or logical search, comparison* methods.
- The assignment of the metrics, measures, rules, relations of the domain (such as the laws valid in the space-time framework for physical systems) will be a later task.
 
 
Why is AGI important? The implementation of AGI could radically transform the economy, education, healthcare and society if it is capable of objective and reliable decisions. But it would also raise serious ethical and security questions: how to regulate it, who controls it and how to ensure that it does not cause harm. Today, if we train a new workforce, it learns its tasks quite quickly, whether right or wrong, and after some time it can be used. Two areas remain open: if it is innovative, it should not make a change that is already harmful to the entire system, but of course it should be innovative. The latter, the basis of innovation, is not only a set of broad knowledge - which AI systems already have today - but also: good questioning, problem recognition, generalization, completeness checking, exclusion of unnecessary solutions, formulation of intuitions, i.e. we expect intellectual behavior, intellectual thinking from the machine.
"Intellect" is a term describing human intelligence, thinking and comprehension, which includes abstract thinking, analysis, logical inference and problem solving. Its synonyms include, among others, reason, comprehension, mental capacity and mind.
Intellectual ability: Intellect is the intellectual ability that enables humans to learn, interpret and relate to the environment in a creative way. A complex concept, a concept that includes logical thinking, problem-solving skills, analytical skills and creativity. Intellect is often used as a measure of intellectual performance, and the terms "excellent intellect" or "brilliant intellect" are used to refer to an exceptionally intelligent person. (We have deliberately avoided the terms intelligent and cognitive!): this is what we expect from AGI. There are intelligence tests, but they are far from measuring intellectual qualities.
So AGI is an AI with intellectual qualities, which can assess the degree of usefulness or harm of its decisions, and can make decisions consistently and sequentially.