ข้ามไปเนื้อหา

ปัญญาประดิษฐ์ทั่วไป

จากวิกิพีเดีย สารานุกรมเสรี

ปัญญาประดิษฐ์ทั่วไป (อังกฤษ: artificial general intelligence) หรือ เอจีไอ (AGI) เป็นระบบเครื่องจักรฉลาดที่สามารถทำงานได้อย่างชาญฉลาดเทียบเท่ามนุษย์[1] เป็นหนึ่งในเป้าหมายที่มีมายาวนานของงานวิจัยสายปัญญาประดิษฐ์ (AI)[2] และมักถูกกล่าวถึงบ่อยในนิยายวิทยาศาสตร์[3] ในบางครั้งก็ถูกเรียกว่า ปัญญาประดิษฐ์แบบเข้ม (Strong AI) หรือ ปัญญาประดิษฐ์เต็มรูปแบบ (Full AI) หมายถึงการกระทำที่มีความฉลาดไม่เฉพาะเรื่องใดเรื่องหนึ่ง อย่างไรก็ตาม ในปรัชญาจิต คำว่า ปัญญาประดิษฐ์แบบเข้ม มีความหมายเฉพาะว่าเครื่องจักรที่ได้รับการตั้งโปรแกรมอย่างเหมาะสมมีจิตและความเข้าใจจริง จึงไม่จำเป็นต้องมีความหมายเดียวกับปัญญาประดิษฐ์ทั่วไป[4][2]

ปัญญาประดิษฐ์ทั่วไป (General AI) แตกต่างจากปัญญาประดิษฐ์เชิงประยุกต์ (Applied AI) ซึ่งบางครั้งเรียกว่าปัญญาประดิษฐ์แบบแคบ (Narrow AI) หรือปัญญาประดิษฐ์แบบอ่อน (Weak AI) โดยปัญญาประดิษฐ์เชิงประยุกต์มุ่งเน้นไปที่การสร้างซอฟต์แวร์เพื่อแก้ปัญหาหรือทำงานเฉพาะด้านที่เกี่ยวข้องกับการให้เหตุผลและการดำเนินการ การวิจัยปัญญาประดิษฐ์แบบอ่อนไม่ได้มุ่งหวังให้เครื่องจักรมีความฉลาดในวงกว้างเช่นเดียวกับการวิจัยปัญญาประดิษฐ์ทั่วไป[5][6]

ณ ปี ค.ศ. 2026 ยังไม่มีข้อยุติร่วมกันว่าระบบปัญญาประดิษฐ์ได้บรรลุ AGI แล้วหรือไม่ เนื่องจากยังไม่มีนิยามหรือการทดสอบ AGI ที่ได้รับการยอมรับเป็นสากล[1] นักวิชาการบางกลุ่มเห็นว่าแบบจำลองภาษาขนาดใหญ่ร่วมสมัยมีความสามารถทั่วไปเพียงพอที่จะนับเป็น AGI แล้ว[7] ขณะที่การประเมินอีกหลายชุดเรียกระบบเหล่านี้ว่า ปัญญาประดิษฐ์อเนกประสงค์ (general-purpose AI) และชี้ว่าความสามารถยังไม่สม่ำเสมอในงานและสถานการณ์ต่าง ๆ[8] สถานะของระบบปัจจุบันจึงยังเป็นข้อถกเถียงและขึ้นอยู่กับเกณฑ์ที่ใช้

ข้อกำหนด

[แก้]

นิยามของความฉลาดหรือปัญญาอาจมีความแตกต่างกันตามผู้นิยามซึ่งปัจจุบันยังไม่มีนิยามที่ชัดเจนที่ทุกคนพอใจ[9][1] อย่างไรก็ตาม นักวิจัยสายปัญญาประดิษฐ์ให้นิยามความฉลาดไว้ว่าเป็นความสามารถในการ

  • ให้เหตุผล
  • แทนความรู้
  • วางแผน
  • เรียนรู้
  • สื่อสารในภาษาธรรมชาติ
  • บูรณาการทักษะต่างๆเข้าด้วยกันเพื่อเป้าหมายหนึ่งเดียว[6][3]

ความสามารถอื่นๆก็นับว่าจำเป็นต่อความฉลาดเช่นกัน ไม่ว่าจะเป็นความสามารถในการรับรู้ (เช่น การมองเห็น การได้ยิน) ความสามารถในการแสดงการกระทำ (เช่น เคลื่อนไหวและจัดการกับวัตถุต่างๆ) ความสามารถในการตรวจจับและตอบสนองต่ออันตราย การพัฒนาความฉลาดนี้อาศัยการผสมผสานกันระหว่างศาสตร์ต่างๆ เช่น ประชานศาสตร์ ความฉลาดเชิงคำนวณ และการตัดสินใจ นักวิจัยบางคนให้ความสำคัญกับจินตนาการและความสามารถในการปกครองตนเอง ปัจจุบัน มีระบบคอมพิวเตอร์ที่มีคุณสมบัติเหล่านี้ แต่ยังไม่ถึงระดับเดียวกับที่มนุษย์มี กล่าวคือ ระบบชั้นนำสามารถทำงานบางอย่างได้ในระดับผู้เชี่ยวชาญ แต่ความสามารถยังไม่สม่ำเสมอและยังล้มเหลวในงานพื้นฐานหรือขั้นตอนการทำงานระยะยาวบางประเภท[8]

การทดสอบความฉลาดทั่วไป

[แก้]

นักวิทยาศาสตร์หลายคนพยายามเสนอวิธีการทดสอบที่เป็นรูปธรรมเพื่อวัดว่าเครื่องจักรนั้นมีความฉลาดเทียบเท่ากับมนุษย์หรือไม่ ตัวอย่างเช่น

การทดสอบทัวริง

[แก้]
การทดสอบทัวริงสามารถให้หลักฐานบางอย่างเกี่ยวกับสติปัญญาได้ แต่จะลงโทษพฤติกรรมที่แสดงถึงสติปัญญาที่ไม่ใช่ของมนุษย์ และอาจกระตุ้นให้เกิดความโง่เทียมได้[10]

การทดสอบทัวริง[11]เสนอขึ้นโดยแอลัน ทัวริงในบทความเรื่อง “Computing Machinery and Intelligence” เมื่อ ค.ศ. 1950 การทดสอบนี้ให้ผู้ตัดสินที่เป็นมนุษย์สนทนาด้วยภาษาธรรมชาติกับทั้งมนุษย์และเครื่องจักรที่ได้รับการออกแบบให้สร้างคำตอบคล้ายมนุษย์ เครื่องจักรถือว่าผ่านการทดสอบหากสามารถทำให้ผู้ตัดสินเชื่อว่าตนเป็นมนุษย์ได้ในสัดส่วนที่มีนัยสำคัญ ทัวริงเสนอการทดสอบนี้เป็นวิธีเชิงปฏิบัติสำหรับประเมินความฉลาดของเครื่องจักร โดยมุ่งพิจารณาความสามารถในการให้คำตอบที่คล้ายมนุษย์ มากกว่ากระบวนการทำงานภายในของเครื่องจักร

แนวคิดของการทดสอบนี้คือ เครื่องจักรต้องพยายามแสร้งทำเป็นมนุษย์โดยตอบคำถามที่ผู้ทดสอบถาม และจะผ่านการทดสอบได้ก็ต่อเมื่อการเสแสร้งนั้นน่าเชื่อถือพอสมควร สมาชิกคณะผู้ตัดสินจำนวนมาก ซึ่งไม่ควรเป็นผู้เชี่ยวชาญด้านเครื่องจักร จะต้องหลงเชื่อการเสแสร้งดังกล่าว[12]

— แอลัน ทัวริง

ใน ค.ศ. 2014 มีรายงานว่าแชตบอตชื่อยูจีน กูสต์แมน ซึ่งออกแบบมาให้เลียนแบบเด็กชายชาวยูเครนวัย 13 ปี ผ่านกิจกรรมการทดสอบทัวริง โดยทำให้ผู้ตัดสินร้อยละ 33 เชื่อว่าแชตบอตดังกล่าวเป็นมนุษย์ อย่างไรก็ตาม ข้อกล่าวอ้างนี้ถูกตั้งข้อสงสัยอย่างมากจากชุมชนนักวิจัยปัญญาประดิษฐ์ ซึ่งตั้งคำถามทั้งต่อวิธีดำเนินการทดสอบและความเกี่ยวข้องของผลการทดสอบกับปัญญาประดิษฐ์ทั่วไป[13][14]

งานศึกษาแบบการทดสอบทัวริงสามฝ่ายที่มีการลงทะเบียนล่วงหน้าใน ค.ศ. 2025 โดยคาเมรอน อาร์. โจนส์ และเบนจามิน เค. เบอร์เกน พบว่า GPT-4.5 ถูกผู้ตัดสินระบุว่าเป็นมนุษย์ในร้อยละ 73 ของการสนทนาแบบข้อความที่ใช้เวลาห้านาที สูงกว่าอัตราร้อยละ 67 ของผู้ร่วมการทดลองที่เป็นมนุษย์จริง และผ่านเกณฑ์ที่ผู้วิจัยกำหนดไว้สำหรับการถือว่าผ่านการทดสอบทัวริง[15][16]

การทดสอบกาแฟ

[แก้]

เป็นการทดสอบที่ให้หุ่นยนต์เดินเข้าไปในบ้านของมนุษย์ที่ไม่คุ้นเคย แล้วพยายามชงกาแฟให้สำเร็จ แนวคิดนี้ถูกเสนอโดยสตีฟ วอซเนียก ผู้ร่วมก่อตั้งบริษัทแอปเปิล เครื่องจักรต้องสามารถเดินเข้าไปในบ้านทั่วไป หาเครื่องชงกาแฟเจอ เติมน้ำ ชงกาแฟโดยใส่ส่วนผสมที่เหมาะสม และเทลงแก้วได้[17]

ระบบหลายระบบได้แสดงความสามารถที่เข้าใกล้เกณฑ์ของการทดสอบนี้อย่างมีนัยสำคัญ ในเดือนมกราคม ค.ศ. 2024 หุ่นยนต์ฮิวแมนนอยด์ Figure 01 ของฟิกเกอร์ เอไอเรียนรู้การใช้งานเครื่องชงกาแฟคิวริกได้โดยอัตโนมัติหลังจากชมวิดีโอสาธิต โดยใช้โครงข่ายประสาทเทียมแบบต้นทางถึงปลายทางเพื่อแปลงข้อมูลภาพให้เป็นการเคลื่อนไหวของหุ่นยนต์[18]

ใน ค.ศ. 2025 นักวิจัยจากมหาวิทยาลัยเอดินบะระเผยแพร่กรอบงาน ELLMER ในวารสาร Nature Machine Intelligence โดยสาธิตแขนกลที่สามารถตีความคำสั่งด้วยวาจา วิเคราะห์สภาพแวดล้อม และชงกาแฟได้โดยอัตโนมัติในสภาพแวดล้อมห้องครัวที่เปลี่ยนแปลงอยู่ตลอดเวลา ระบบดังกล่าวสามารถปรับตัวต่อสิ่งกีดขวางที่ไม่คาดคิดได้แบบเวลาจริง แทนที่จะปฏิบัติตามลำดับคำสั่งที่ตั้งโปรแกรมไว้ล่วงหน้า[19]

การทดสอบนักศึกษาหุ่นยนต์

[แก้]

เครื่องจักรต้องสามารถสอบเข้ามหาวิทยาลัย สอบผ่านวิชาเดียวกับที่มนุษย์สอบ และจบปริญญาได้[17] เสนอโดยดร. เบน เกิร์ตเซล ผู้เชี่ยวชาญด้านปัญญาประดิษฐ์[20][21]

การทดสอบการจ้างงาน

[แก้]

เครื่องจักรต้องสามารถทำงานที่มีความสำคัญทางเศรษฐกิจได้ ตลอดจนทำได้เทียบเท่าหรือดีกว่ามนุษย์ที่ทำงานเดียวกัน[22]

งานวิจัยปัญญาประดิษฐ์สาขาหลัก

[แก้]

งานวิจัยปัญญาประดิษฐ์สาขาหลักในอดีตที่เกี่ยวข้องกับปัญญาประดิษฐ์ทั่วไป

[แก้]

งานวิจัยปัญญาประดิษฐ์สมัยใหม่เริ่มต้นราวทศวรรษที่ 1950 โดยนักวิจัยปัญญาประดิษฐ์รุ่นแรกเชื่อว่าปัญญาประดิษฐ์แบบเข้มเป็นเรื่องที่เป็นไปได้และน่าจะเกิดขึ้นในอีกไม่กี่สิบปีข้างหน้า[23] เฮอร์เบิร์ต ไซมอน เขียนไว้ในหนังสือเมื่อปี ค.ศ. 1965 ว่า "ภายใน 20 ปี เครื่องจักรจะสามารถทำทุกอย่างที่มนุษย์ทำได้"[24] ความเชื่อเหล่านี้มีอิทธิพลต่อภาพของ HAL 9000 เครื่องจักรที่แสนฉลาดในจอมจักรวาลของอาร์เธอร์ ซี. คลาร์กและสแตนลีย์ คูบริก โดยมาร์วิน มินสกี นักวิจัยปัญญาประดิษฐ์เป็นที่ปรึกษาของภาพยนตร์เรื่องนี้[25]

อย่างไรก็ตาม ในช่วงต้นทศวรรษที่ 1970 งานวิจัยปัญญาประดิษฐ์พัฒนาไปช้ากว่าที่คิดเพราะมองข้ามเรื่องความยากในการพัฒนาไป หน่วยงานหลายแห่งที่เคยให้การสนับสนุนการพัฒนาปัญญาประดิษฐ์เริ่มตั้งคำถามถึงความเป็นไปได้ของปัญญาประดิษฐ์แบบเข้ม กลายเป็นแรงกดดันให้นักวิทยาศาสตร์หันมาพัฒนาเทคโนโลยีที่จับต้องได้และนำไปใช้ได้จริง จนกลายเป็นศาสตร์ของ ปัญญาประดิษฐ์แบบประยุกต์ (Applied AI) ขึ้นมา[26][23] ต่อมาในช่วงทศวรรษที่ 1980 ญี่ปุ่นเริ่มตั้งโครงการคอมพิวเตอร์รุ่นที่ 5 ทำให้ความสนใจด้านปัญญาประดิษฐ์กลับคืนมาอีกครั้ง โครงการมีระยะเวลา 10 ปีและมุ่งพัฒนาระบบประมวลผลความรู้ การอนุมาน และการติดต่อกับคอมพิวเตอร์ผ่านภาษา เสียง และภาพ[27] การที่ปัญญาประดิษฐ์กลับมาได้รับความสนใจอีกครั้งกลายเป็นแรงผลักดันให้เกิดการพัฒนาระบบผู้เชี่ยวชาญที่ประสบความสำเร็จมาก ได้รับการสนับสนุนจากภาครัฐและอุตสาหกรรม แต่อย่างไรก็ตาม ตลาดของปัญญาประดิษฐ์ได้พังลงอีกครั้งในช่วงปลายทศวรรษที่ 1980 และในที่สุดระบบคอมพิวเตอร์รุ่นที่ 5 ก็ไปไม่ถึงเป้าหมายเชิงพาณิชย์ที่คาดหวังไว้[23][27] นักวิทยาศาสตร์หลายคนที่เชื่อว่าปัญญาประดิษฐ์แบบเข้มจะเกิดขึ้นในอีกไม่นานเริ่มยอมรับว่าเข้าใจผิดในเชิงหลักการพื้นฐาน จนไม่สามารถสร้างเทคโนโลยีที่เคยสัญญาเอาไว้ได้ นักวิจัยเริ่มไม่แน่ใจอนาคตของงานวิจัยด้านนี้และเริ่มเลี่ยงที่จะพูดถึงปัญญาประดิษฐ์ที่ฉลาดเทียบเท่ากับมนุษย์ เพราะเกรงว่าจะทำให้ผู้คนคาดหวังเกินไป[5]

งานวิจัยปัญญาประดิษฐ์สาขาหลักในปัจจุบัน

[แก้]

ในช่วงทศวรรษที่ 1990 และต้นศตวรรษที่ 21 นักวิจัยปัญญาประดิษฐ์สาขาหลักเริ่มประสบความสำเร็จในการสร้างระบบปัญญาประดิษฐ์เชิงพาณิชย์ มีผลงานวิชาการออกมาอย่างต่อเนื่อง โดยส่วนใหญ่เกี่ยวข้องกับการแก้ไขปัญญาย่อยบางปัญหาและได้ผลลัพธ์ที่น่าพอใจ นำไปใช้ในเชิงพาณิชย์ได้ ไม่ว่าจะเป็น โครงข่ายประสาทเทียม คอมพิวเตอร์วิทัศน์ หรือการทำเหมืองข้อมูล ปัญญาประดิษฐ์เชิงประยุกต์เหล่านี้เริ่มแพร่หลายในอุตสาหกรรมต่างๆและงานวิจัยสายนี้ได้รับทุนวิจัยสนับสนุนอย่างมาก ทั้งในวงการวิชาการและอุตสาหกรรม[23][6]

นักวิจัยปัญญาประดิษฐ์สายหนึ่งเชื่อว่า ปัญญาประดิษฐ์แบบเข้มจะเกิดขึ้นได้จากการรวมเอาโปรแกรมต่างๆที่แก้ไขปัญญาย่อยเข้าไว้ด้วยกัน กลายเป็นสถาปัตยกรรมระบบผสมผสาน[28] อย่างไรก็ตาม นักวิทยาศาสตร์บางคนก็ไม่เห็นด้วยกับแนวคิดนี้ โดยเห็นว่าการนำองค์ประกอบเฉพาะด้านที่สร้างจากสมมุติฐานต่างกันมารวมกันไม่ทำให้องค์ประกอบเหล่านั้นทำงานร่วมกันได้โดยอัตโนมัติ[5]

โมเดลอเนกประสงค์และข้อถกเถียงในคริสต์ทศวรรษ 2020

[แก้]

นับแต่ต้นคริสต์ทศวรรษ 2020 แบบจำลองรากฐาน (foundation model) ซึ่งฝึกด้วยข้อมูลขนาดใหญ่และสามารถปรับใช้กับงานปลายทางได้หลากหลาย กลายเป็นแนวทางสำคัญของการพัฒนาปัญญาประดิษฐ์[29] แบบจำลองภาษาและแบบจำลองข้อมูลหลายรูปแบบสามารถสนทนา เขียนโปรแกรม สร้างภาพ วิเคราะห์ข้อมูล และใช้เครื่องมือภายนอกได้ ระบบบางชนิดยังจัดแบบจำลองเหล่านี้เป็นเอเจนต์ที่วางแผนและดำเนินการหลายขั้นตอนแทนผู้ใช้ ความสามารถที่กว้างขึ้นนี้ทำให้เส้นแบ่งระหว่างปัญญาประดิษฐ์แบบแคบกับปัญญาประดิษฐ์ทั่วไปไม่ชัดเจนเท่าเดิม

ในปี ค.ศ. 2026 ระบบแนวหน้าทำคะแนนเทียบเท่าหรือสูงกว่าผู้เชี่ยวชาญในการประเมินมาตรฐานหลายสาขา และระบบจากกูเกิลดีปไมด์กับโอเพนเอไอทำคะแนนระดับเหรียญทองในการแก้โจทย์คณิตศาสตร์โอลิมปิกระหว่างประเทศเมื่อปี ค.ศ. 2025[8] รายงานดัชนีปัญญาประดิษฐ์ของมหาวิทยาลัยสแตนฟอร์ดระบุด้วยว่า คะแนนบนแบบทดสอบที่สร้างขึ้นให้ยากสำหรับปัญญาประดิษฐ์เพิ่มขึ้นอย่างรวดเร็ว จนแบบทดสอบจำนวนหนึ่งเริ่มสูญเสียความสามารถในการแยกระดับของระบบ[30]

อย่างไรก็ตาม การทำคะแนนสูงในข้อสอบหรือเกณฑ์มาตรฐานเฉพาะชุดไม่ได้แสดงว่าระบบสามารถวางนัยทั่วไปได้ในทุกสถานการณ์ ระบบปัจจุบันยังอาจสร้างข้อมูลผิดพลาด ให้คำตอบไม่สม่ำเสมอ มีปัญหากับการให้เหตุผลเชิงพื้นที่ และล้มเหลวเมื่อภารกิจต้องวางแผนเป็นเวลานานหรือรับมือกับเหตุการณ์ที่ไม่คาดคิด[8] การประเมินเอเจนต์ด้านซอฟต์แวร์ด้วย ขอบเขตเวลาการทำภารกิจสำเร็จ (task-completion time horizon) จึงวัดทั้งความยากของงานและระดับความน่าเชื่อถือ แทนที่จะพิจารณาเพียงว่าระบบตอบคำถามหนึ่งข้อถูกหรือไม่ แต่การประเมินดังกล่าวครอบคลุมงานวิศวกรรมซอฟต์แวร์ การเรียนรู้ของเครื่อง และความมั่นคงปลอดภัยไซเบอร์เป็นหลัก จึงไม่ใช่การทดสอบความฉลาดทั่วไปเพียงลำพัง[31] นอกจากนี้ ARC-AGI-2 ยังถูกพัฒนาขึ้นเพื่อวัดการแก้ปัญหาใหม่ การให้เหตุผลเชิงองค์ประกอบ และการปรับตัวอย่างมีประสิทธิภาพ ซึ่งยังเป็นความท้าทายของระบบปัญญาประดิษฐ์[32]

มอร์ริสและคณะเสนอให้มอง AGI เป็นระดับต่อเนื่องตามสองมิติ คือ ความกว้างของงานที่ระบบทำได้ และระดับสมรรถนะเมื่อเทียบกับมนุษย์[2] กรอบนี้ช่วยอธิบายว่าระบบหนึ่งอาจเก่งกว่ามนุษย์ในบางงาน แต่ยังไม่บรรลุความสามารถระดับเดียวกันในภารกิจทางปริชาน (cognitive tasks) ส่วนใหญ่

ระดับ ชื่อ เกณฑ์สมรรถนะโดยสังเขป
0 ไม่มีปัญญาประดิษฐ์ทั่วไป ไม่แสดงความสามารถทั่วไป
1 AGI ระยะเริ่มต้น (Emerging AGI) ทำงานทั่วไปได้ในระดับใกล้เคียงหรือสูงกว่ามนุษย์ที่ไม่มีทักษะเฉพาะ
2 AGI ระดับมีสมรรถนะ (Competent AGI) ทำภารกิจทางปริชานส่วนใหญ่ได้อย่างน้อยเทียบเท่าค่ามัธยฐานของผู้ใหญ่ที่มีทักษะ
3 AGI ระดับผู้เชี่ยวชาญ (Expert AGI) ทำภารกิจทางปริชานส่วนใหญ่ได้อย่างน้อยเทียบเท่าเปอร์เซ็นไทล์ที่ 90 ของผู้ใหญ่ที่มีทักษะ
4 AGI ระดับเชี่ยวชาญยิ่ง (Virtuoso AGI) ทำภารกิจทางปริชานส่วนใหญ่ได้อย่างน้อยเทียบเท่าเปอร์เซ็นไทล์ที่ 99 ของผู้ใหญ่ที่มีทักษะ
5 ปัญญาประดิษฐ์เหนือมนุษย์ เหนือกว่ามนุษย์ทั้งหมดในภารกิจทางปริชานโดยทั่วไป

กรอบระดับดังกล่าวเป็นข้อเสนอทางวิชาการ ไม่ใช่มาตรฐานที่ยอมรับร่วมกัน และผู้เขียนระบุว่าการจัดระดับระบบอย่างชัดเจนต้องอาศัยชุดงานประเมินที่เป็นมาตรฐาน[2] ด้วยเหตุนี้ การกล่าวว่า AGI “เกิดขึ้นแล้ว” อาจถูกต้องภายใต้นิยามที่ถือว่าความสามารถทั่วไประดับเริ่มต้นเพียงพอ แต่ยังไม่ถูกต้องภายใต้นิยามที่กำหนดให้ระบบต้องทำภารกิจทางปริชานส่วนใหญ่ได้เทียบเท่ามนุษย์อย่างสม่ำเสมอ

งานวิจัยปัญญาประดิษฐ์ทั่วไป

[แก้]

ปัญญาประดิษฐ์ทั่วไป หรือ AGI เป็นงานวิจัยที่มีเป้าหมายเพื่อการสร้างเครื่องจักรที่มีการกระทำที่ฉลาดแบบทั่วไป มีงานวิจัยในโครงการ Cyc เกิดขึ้นตั้งแต่ปี ค.ศ. 1984[33] และโครงการ Soar ในปี ค.ศ. 1983[34] คำว่าปัญญาประดิษฐ์ทั่วไปปรากฏในงานตีพิมพ์ตั้งแต่ปี 1997 โดยมาร์ก กับบรัด ในบทความว่าด้วยผลกระทบของการผลิตและปฏิบัติการทางทหารที่เป็นอัตโนมัติเต็มรูปแบบ[2] ต่อมา ในปี 2006 เป่ย หวัง และเบน เกิร์ตเซลชี้ว่างานวิจัยสาขาปัญญาประดิษฐ์ทั่วไปรุ่นใหม่เริ่มมีสิ่งพิมพ์และผลลัพธ์เบื้องต้น และมีการประชุมที่เกี่ยวข้องเพิ่มขึ้น[5] นักวิจัยหลายคนเริ่มให้ความสนใจกับปัญญาประดิษฐ์ทั่วไป บางคนก็เชื่อว่าความฉลาดเป็นสิ่งที่ซับซ้อนเกินไปที่จะทำให้ใกล้เคียงได้ แต่นักวิทยาศาสตร์คอมพิวเตอร์หลายๆคนก็เชื่อในศักยภาพของศาสตร์นี้ และเริ่มจัดงานประชุมวิชาการเกี่ยวกับปัญญาประดิษฐ์ทั่วไปขึ้น[35] ปัจจุบันงานวิจัยแต่ละงานในสายนี้มีความแตกต่างกันสูง นักวิทยาศาสตร์บางคนเชื่อว่าปัญญาประดิษฐ์ทั่วไปจะเป็นไปได้ในอีกสิบปีข้างหน้า แต่บางคนก็เชื่อว่าต้องใช้เวลาอีกเป็นร้อยปี[5] ในหนังสือ The Singularity Is Near เรย์ เคิร์ซไวล์คาดว่าคอมพิวเตอร์จะมีสติปัญญาระดับมนุษย์ราวปี ค.ศ. 2029 และภาวะเอกฐานทางเทคโนโลยีจะเกิดขึ้นราวปี ค.ศ. 2045[36]

การจำลองสมองทั้งหมด

[แก้]

วิธีการหนึ่งที่มีผู้เสนอสำหรับพัฒนาระบบปัญญาประดิษฐ์ทั่วไปคือการจำลองสมองทั้งหมดบนระบบคอมพิวเตอร์ เริ่มจากการสร้างแบบจำลองสมองด้วยการสแกนและทำแผนที่สมองชีวภาพด้วยความละเอียดสูง จากนั้นทำซ้ำด้วยระบบคอมพิวเตอร์หรืออุปกรณ์คำนวณอื่นๆ หากแบบจำลองมีรายละเอียดเพียงพอ เครื่องคอมพิวเตอร์ดังกล่าวอาจสามารถทำงานเลียนแบบสมองได้อย่างน่าเชื่อถือและสุดท้ายอาจสามารถทำงานได้แบบเดียวกับสมองต้นแบบหรือคล้ายกับสมองต้นแบบมาก[37] นักวิทยาศาสตร์หลายวงการเริ่มให้ความสนใจสมองจำลองโดยเฉพาะผู้ที่ต้องการประยุกต์ใช้ในเชิงการแพทย์ ปัจจุบัน เทคโนโลยีการถ่ายภาพสมอง การบันทึกกิจกรรมประสาท และคอนเน็กโทมิกส์พัฒนาไปอย่างต่อเนื่อง แต่การจำลองสมองมนุษย์ทั้งสมองยังไม่สำเร็จ เนื่องจากข้อจำกัดด้านกำลังคำนวณและข้อมูลการวัดสมอง[38]

ทรัพยากรที่ต้องใช้ในการคำนวณ

[แก้]
ภาพแสดงการประมาณการประมวลผลที่จำเป็นต้องใช้ในการจำลองมนุษย์ในแต่ละระดับและแสดงกำลังของซูเปอร์คอมพิวเตอร์ 500 เครื่องที่เร็วที่สุดในแต่ละปี

สำหรับการจำลองสมองระดับล่างนั้น จะต้องมีคอมพิวเตอร์ที่ทรงพลัง สมองของมนุษย์มีไซแนปส์จำนวนมหาศาล โดยค่าประมาณจำนวนไซแนปส์ในสมองผู้ใหญ่อยู่ราว 100 ถึง 500 ล้านล้านไซแนปส์[39] เรย์ เคิร์ซไวล์ประมาณไว้ว่าฮาร์ดแวร์จะต้องทำการคำนวณราว 1016 ครั้งต่อวินาทีจึงจะสามารถคำนวณได้เทียบเท่ากับสมองมนุษย์ และคาดว่าน่าจะมีฮาร์ดแวร์ที่ทรงพลังพอในช่วงประมาณปี 2015 ถึง 2025 หากคอมพิวเตอร์เติบโตแบบชี้กำลังอย่างต่อเนื่อง[36] อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นเพียงค่าประมาณหนึ่งชุด และการมีฮาร์ดแวร์ที่คำนวณได้ตามจำนวนนี้ไม่ได้หมายความว่าจะมีข้อมูลและแบบจำลองที่เพียงพอสำหรับจำลองสมองมนุษย์ทั้งสมอง[37][38]

ความยาก

[แก้]

ข้อเสนอเกี่ยวกับการจำลองสมองทั้งหมดบางแนวทางเห็นว่า สมองจำลองต้องมีร่างกายและสิ่งแวดล้อมรองรับ เช่น ใส่สมองนั้นเข้าไปในรูปร่างคล้ายกับมนุษย์ (เช่น หุ่นยนต์) นักวิทยาศาสตร์บางคนเสนอวิธีการใส่เข้าไปในโลกเทียม (virtual) แทน แต่ก็ยังไม่ทราบว่าเพียงพอหรือไม่[40]

การเปรียบเทียบจำนวนคำสั่งที่ไมโครโปรเซสเซอร์ทำได้กับกำลังประมวลผลของสมองโดยตรงทำได้ยาก เพราะการคำนวณของสมองไม่ได้มีลักษณะเป็นดิจิทัลเพียงอย่างเดียว[41] งานศึกษาด้วยวิธีแยกส่วนแบบไอโซโทรปิกประมาณว่าสมองคนมีเซลล์ประสาทเฉลี่ยราว 86 พันล้านตัว โดยราว 16 พันล้านตัวอยู่ที่เปลือกสมอง ขณะที่อีกประมาณ 69 พันล้านตัวอยู่ที่สมองน้อย และมีเซลล์ที่ไม่ใช่เซลล์ประสาทซึ่งรวมเซลล์เกลียอยู่ในจำนวนใกล้เคียงกัน[42]

การจำลองเซลล์ประสาทด้วยความละเอียดสูง

[แก้]

แบบจำลองเซลล์ประสาทเทียมที่ใช้ในงานวิจัยโครงข่ายประสาทเทียมจัดว่าเป็นระดับพื้นฐานมากเมื่อเทียบกับแบบจำลองเซลล์ประสาทที่เลียนแบบมาของจริงทางชีววิทยา การจำลองสมองจะต้องสามารถจับพฤติกรรมของเซลล์ประสาทจริงได้ แต่ความรู้เกี่ยวกับรายละเอียดที่จำเป็นต่อการจำลองอย่างเที่ยงตรงยังไม่สมบูรณ์ ความซับซ้อนคือแบบจำลองอาจต้องคำนวณรายละเอียดทางฟิสิกส์ เคมี และชีววิทยาของพฤติกรรมเซลล์ประสาทด้วย ทำให้การคำนวณนั้นอาจมากกว่าที่เรย์ เคิร์ซไวล์ได้เคยประมาณไว้[37][40] นอกจากนี้ การประมาณดังกล่าวยังไม่ได้คำนึงถึงเซลล์เกลีย ซึ่งมีจำนวนโดยรวมใกล้เคียงกับเซลล์ประสาท ไม่ใช่มากกว่าถึงสิบเท่าตามความเชื่อเดิม และเป็นเซลล์ที่มีบทบาทสำคัญในกระบวนการทำงานของสมองในทางชีววิทยา[43]

นักวิจัยจากหลายโครงการพยายามสร้างแบบจำลองสมองบนคอมพิวเตอร์ ในปี 2005 ยูจีน อิซิเควิชจำลองแบบจำลองเซลล์ประสาทแบบสไปกิงอย่างง่ายจำนวน 1011 ตัวและไซแนปส์เกือบ 1015 จุด โดยใช้การคำนวณนานถึง 50 วันบนหน่วยประมวลผล 27 ตัวเพื่อจำลองการทำงานเพียง 1 วินาที[44] ต่อมาโครงการบลูเบรน (Blue Brain Project) ใช้เครื่องซูเปอร์คอมพิวเตอร์บลูจีน (Blue Gene) ของบริษัทไอบีเอ็มสร้างแบบจำลองเปลือกสมองใหม่ส่วนหนึ่งของหนู ซึ่งมีเซลล์ประสาทราว 10,000 ตัวและไซแนปส์หลายสิบล้านจุด[45] เฮนรี มาร์กแรม หัวหน้าโครงการนี้กล่าวในเวทีการประชุมTEDที่ออกซฟอร์ดในปี 2009 ว่า การสร้างสมองมนุษย์ “ไม่ใช่เรื่องเป็นไปไม่ได้” และคาดว่าจะทำได้ภายใน 10 ปี[46] อย่างไรก็ตาม เป้าหมายดังกล่าวไม่สำเร็จภายในกรอบเวลาที่ประกาศไว้ โครงการบลูเบรนดำเนินงานตั้งแต่ปี 2005 ถึงสิ้นปี 2024 และมุ่งพัฒนาการสร้างแบบจำลองและการจำลองสมองหนูในรายละเอียดทางชีววิทยา[47]

งานวิจัยจิตรู้สำนึกเทียม

[แก้]

แม้ว่าเรื่องของจิตรู้สำนึกยังเป็นเรื่องที่ถูกหยิบยกขึ้นมาถกเถียงอย่างมากในสาขาปัญญาประดิษฐ์ แต่นักวิจัยด้านปัญญาประดิษฐ์ทั่วไปหลายคนก็เริ่มศึกษาถึงความเป็นไปได้ที่จะสร้างจิตรู้สำนึกเทียมขึ้นมา นักวิทยาศาสตร์อย่างอิกอร์ อเล็กซานเดอร์ได้เสนอกรอบการคำนวณเพื่อศึกษาจิตรู้สำนึกของเครื่องจักร[48] อย่างไรก็ตาม ยังไม่มีฉันทามติทางวิทยาศาสตร์เกี่ยวกับวิธีตรวจสอบว่าเครื่องจักรมีจิตรู้สำนึกจริงหรือไม่[49]

อ้างอิง

[แก้]
  1. 1 2 3 "What Is AGI (Artificial General Intelligence)?". Stanford Institute for Human-Centered Artificial Intelligence. Stanford University. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  2. 1 2 3 4 5 Morris, Meredith Ringel; Sohl-Dickstein, Jascha; Fiedel, Noah; Warkentin, Tris; Dafoe, Allan; Faust, Aleksandra; Farabet, Clement; Legg, Shane (2024). "Position: Levels of AGI for Operationalizing Progress on the Path to AGI". arXiv:2311.02462 [cs.AI].
  3. 1 2 Goertzel, Ben (2014). "Artificial General Intelligence: Concept, State of the Art, and Future Prospects". Journal of Artificial General Intelligence. 5 (1): 1–48. doi:10.2478/jagi-2014-0001.
  4. ↑ Searle, John R. (1980). "Minds, Brains, and Programs". Behavioral and Brain Sciences. 3 (3): 417–457. doi:10.1017/S0140525X00005756.
  5. 1 2 3 4 5 Wang, Pei; Goertzel, Ben (2007). "Introduction: Aspects of Artificial General Intelligence" (PDF). ใน Goertzel, Ben; Wang, Pei (บ.ก.). Advances in Artificial General Intelligence: Concepts, Architectures and Algorithms. Frontiers in Artificial Intelligence and Applications. เล่มที่ 157. IOS Press. น. 1–16. ISBN 978-1-58603-758-1.
  6. 1 2 3 Russell, Stuart J.; Norvig, Peter (2020). Artificial Intelligence: A Modern Approach (พิมพ์ครั้งที่ 4). Pearson. ISBN 978-0-13-461099-3.
  7. ↑ Chen, Eddy Keming; Belkin, Mikhail; Bergen, Leon; Danks, David (2 กุมภาพันธ์ 2026). "Does AI Already Have Human-Level Intelligence? The Evidence Is Clear". Nature. 650: 36–40. doi:10.1038/d41586-026-00285-6.
  8. 1 2 3 4 International AI Safety Report (3 กุมภาพันธ์ 2026). "International AI Safety Report 2026". สืบค้นเมื่อ 26 กรกฎาคม 2026.
  9. ↑ Legg, Shane; Hutter, Marcus (2007). "Universal Intelligence: A Definition of Machine Intelligence". Minds and Machines. 17 (4): 391–444. doi:10.1007/s11023-007-9079-x.
  10. ↑ Batson, Joshua. "Forget the Turing Test: Here's How We Could Actually Measure AI". Wired (ภาษาอังกฤษแบบอเมริกัน). ISSN 1059-1028. สืบค้นเมื่อ 2025-03-22.
  11. ↑ Turing, Alan M. (1950). "Computing Machinery and Intelligence". Mind. LIX (236): 433–460. doi:10.1093/mind/LIX.236.433.
  12. ↑ Turing, Alan (2004). B. Jack Copeland (บ.ก.). Can Automatic Calculating Machines Be Said To Think? (1957). Oxford: Oxford University Press. น. 487–506. ISBN 978-0-1982-5079-1.
  13. ↑ "Eugene Goostman is a real boy – the Turing Test says so". The Guardian (ภาษาอังกฤษแบบบริติช). 2014-06-09. ISSN 0261-3077. สืบค้นเมื่อ 2024-03-03.
  14. ↑ "Scientists dispute whether computer 'Eugene Goostman' passed Turing test". BBC News. 2014-06-09. สืบค้นเมื่อ 2024-03-03.
  15. ↑ Jones, Cameron R.; Bergen, Benjamin K. (2025-03-31). "Large Language Models Pass the Turing Test". arXiv:2503.23674 [cs.CL].
  16. ↑ "AI model passes Turing Test better than a human". The Independent. 2025-04-09. สืบค้นเมื่อ 2025-04-18.
  17. 1 2 Muehlhauser, Luke (11 สิงหาคม 2013). "What is AGI?". Machine Intelligence Research Institute. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  18. ↑ Kurt Knutsson, CyberGuy Report (2024-01-18). "How this humanoid robot learned to make coffee by watching videos". Fox News (ภาษาอังกฤษแบบอเมริกัน). สืบค้นเมื่อ 2026-07-26.
  19. ↑ Mon-Williams, Ruaridh; Li, Gen; Long, Ran; Du, Wenqian; Lucas, Christopher G. (2025-03-19). "Embodied large language models enable robots to complete complex tasks in unpredictable environments". Nature Machine Intelligence (ภาษาอังกฤษ). 7 (4): 592–601. doi:10.1038/s42256-025-01005-x. ISSN 2522-5839. PMC 12088599. PMID 40391151.
  20. ↑ "SingularityNET – Next Generation of Decentralized AI". stagging.singularitynet.io (ภาษาอังกฤษแบบอเมริกัน). สืบค้นเมื่อ 2026-07-26.
  21. ↑ Sparrow, Jeff (2022-11-18). "'Full-on robot writing': the artificial intelligence challenge facing universities". The Guardian (ภาษาอังกฤษแบบบริติช). ISSN 0261-3077. สืบค้นเมื่อ 2026-07-26.
  22. ↑ Nilsson, Nils J. (2005). "Human-Level Artificial Intelligence? Be Serious!" (PDF). AI Magazine. 26 (4): 68–75. doi:10.1609/aimag.v26i4.1850.
  23. 1 2 3 4 Nilsson, Nils J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements (PDF). Cambridge University Press. ISBN 978-0-521-12293-1.
  24. ↑ Simon, Herbert A. (1965). The Shape of Automation for Men and Management. Harper & Row. น. 96. OCLC 526243.
  25. ↑ Gelmis, Joseph (5 พฤศจิกายน 1966). "How About a Little Game?". The New Yorker. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  26. ↑ Lighthill, James (1973). Artificial Intelligence: A General Survey (PDF) (รายงาน). Science Research Council.
  27. 1 2 Feigenbaum, Edward A.; Shrobe, Howard E. (1993). "The Japanese National Fifth Generation Project: Introduction, Survey, and Evaluation". Communications of the ACM. 36 (3): 46–55. doi:10.1145/153577.153580.
  28. ↑ Brachman, Ronald J. (2006). "(AA)AI—More than the Sum of Its Parts". AI Magazine. 27 (4): 19–34. doi:10.1609/aimag.v27i4.1907.
  29. ↑ Bommasani, Rishi; และคณะ (2021). "On the Opportunities and Risks of Foundation Models". arXiv:2108.07258 [cs.LG].
  30. ↑ "Technical Performance". The 2026 AI Index Report. Stanford Institute for Human-Centered Artificial Intelligence. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  31. ↑ "Task-Completion Time Horizons of Frontier AI Models". Model Evaluation and Threat Research. 8 พฤษภาคม 2026. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  32. ↑ Chollet, François; Knoop, Mike; Kamradt, Gregory; Landers, Bryan; Pinkard, Henry (2025). "ARC-AGI-2: A New Challenge for Frontier AI Reasoning Systems". arXiv:2505.11831 [cs.AI].
  33. ↑ Lenat, Douglas B. (1995). "CYC: A Large-Scale Investment in Knowledge Infrastructure". Communications of the ACM. 38 (11): 33–38. doi:10.1145/219717.219745.
  34. ↑ Laird, John E. (2012). The Soar Cognitive Architecture. MIT Press. ISBN 978-0-262-12296-2.
  35. ↑ Wang, Pei; Goertzel, Ben; Franklin, Stan, บ.ก. (2008). Artificial General Intelligence 2008: Proceedings of the First AGI Conference. Frontiers in Artificial Intelligence and Applications. เล่มที่ 171. IOS Press. ISBN 978-1-58603-833-5.
  36. 1 2 Kurzweil, Ray (2005). The Singularity Is Near: When Humans Transcend Biology. Viking. ISBN 978-0-670-03384-3.
  37. 1 2 3 Sandberg, Anders; Bostrom, Nick (2008). Whole Brain Emulation: A Roadmap (รายงาน). Future of Humanity Institute, University of Oxford.
  38. 1 2 Igarashi, Jun (2025). "Future Projections for Mammalian Whole-Brain Simulations Based on Technological Trends in Related Fields". Neuroscience Research. 215: 64–76. doi:10.1016/j.neures.2024.11.005. PMID 39571736.
  39. ↑ Drachman, David A. (2005). "Do We Have Brain to Spare?". Neurology. 64 (12): 2004–2005. doi:10.1212/01.WNL.0000166914.38327.BB. PMID 15985565.
  40. 1 2 Zanichelli, Niccolò; Schons, Maximilian; Freeman, Isaak; Shiu, Philip; Arkhipov, Anton (2025). "State of Brain Emulation Report 2025". arXiv:2510.15745 [q-bio.NC].
  41. ↑ Gebicke-Haerter, Peter J. (2023). "The Computational Power of the Human Brain". Frontiers in Cellular Neuroscience. 17. doi:10.3389/fncel.2023.1220030. PMC 10441807. PMID 37608987.{{cite journal}}: CS1 maint: unflagged free DOI (ลิงก์)
  42. ↑ Azevedo, Frederico A. C.; Carvalho, Ludmila R. B.; Grinberg, Lea T.; Farfel, José Marcelo; Ferretti, Renata E. L.; Leite, Renata E. P.; Jacob Filho, Wilson; Lent, Roberto; Herculano-Houzel, Suzana (2009). "Equal Numbers of Neuronal and Nonneuronal Cells Make the Human Brain an Isometrically Scaled-Up Primate Brain". Journal of Comparative Neurology. 513 (5): 532–541. doi:10.1002/cne.21974. PMID 19226510.
  43. ↑ von Bartheld, Christopher S.; Bahney, Jami; Herculano-Houzel, Suzana (2016). "The Search for True Numbers of Neurons and Glial Cells in the Human Brain: A Review of 150 Years of Cell Counting". Journal of Comparative Neurology. 524 (18): 3865–3895. doi:10.1002/cne.24040. PMC 5063692. PMID 27187682.
  44. ↑ Izhikevich, Eugene M. "Large-Scale Simulation of the Human Brain". สืบค้นเมื่อ 26 กรกฎาคม 2026.
  45. ↑ Markram, Henry (2006). "The Blue Brain Project". Nature Reviews Neuroscience. 7 (2): 153–160. doi:10.1038/nrn1848. PMID 16429124.
  46. ↑ Trost, Matthew (22 กรกฎาคม 2009). "Henry Markram at TEDGlobal 2009: Running Notes from Session 5". TED Blog. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  47. ↑ "Blue Brain Project". École Polytechnique Fédérale de Lausanne. สืบค้นเมื่อ 26 กรกฎาคม 2026.
  48. ↑ Aleksander, Igor (2005). "Machine Consciousness". Progress in Brain Research. 150: 229–243. doi:10.1016/S0079-6123(05)50017-4. PMID 16186018.
  49. ↑ Butlin, Patrick; Long, Robert; Elmoznino, Eric; Bengio, Yoshua; และคณะ (2023). "Consciousness in Artificial Intelligence: Insights from the Science of Consciousness". arXiv:2308.08708 [cs.AI].

ดูเพิ่ม

[แก้]
เข้าถึงจาก "https://th.wikipedia.org/w/index.php?title=ปัญญาประดิษฐ์ทั่วไป&oldid=13145934"