Ο διευθύνων σύμβουλος της Nvidia, Jensen Huang, προκάλεσε αίσθηση την περασμένη εβδομάδα, δηλώνοντας στον podcaster Lex Fridman ότι η Τεχνητή Γενική Νοημοσύνη (AGI) έχει ήδη επιτευχθεί. Η AGI, η οποία εδώ και καιρό αποτελεί τον ύψιστο στόχο πολλών ερευνητών της τεχνητής νοημοσύνης, δεν διαθέτει ωστόσο έναν καθολικά αποδεκτό ορισμό. Γενικά, νοείται ως μια ΤΝ που είναι εξίσου ευφυής με τον άνθρωπο, όμως η ακριβής μέτρηση και ο ορισμός της «ευφυΐας» αποτελούν αντικείμενο σφοδρής διαμάχης.
Στη συγκεκριμένη περίπτωση, ο Fridman πρότεινε στον Huang ένα ασυνήθιστο μέτρο για την AGI: θα μπορούσε μια ΤΝ να ιδρύσει και να αναπτύξει μια τεχνολογική επιχείρηση μέχρι το σημείο να αξίζει 1 δισεκατομμύριο δολάρια; Ο Huang απάντησε αρνητικά για τον απαιτούμενο χρόνο, δηλώνοντας: «Νομίζω ότι είναι τώρα. Νομίζω ότι έχουμε επιτύχει την AGI». Στη συνέχεια, ομολόγησε ότι η εταιρεία δεν χρειάζεται απαραίτητα να παραμείνει τόσο πολύτιμη.
Λίγοι ερευνητές συμφωνούν με τον ορισμό του Fridman, ο οποίος ήταν πιο συγκεκριμένος (εταιρεία αξίας 1 δισ. δολαρίων) αλλά και πιο περιορισμένος από τους περισσότερους ορισμούς AGI, οι οποίοι τείνουν να αναφέρονται στην αντιστοίχιση ενός ευρέος φάσματος ανθρώπινων γνωστικών δεξιοτήτων. Οι ερευνητές της ΤΝ διαφωνούν μεταξύ τους για το ποιος θα ήταν ένας καλύτερος ορισμός. Ο όρος παραμένει επίμονα ασαφής, παρόλο που αρκετές κορυφαίες εταιρείες ΤΝ, με συνολική κεφαλαιοποίηση άνω του 1 τρισεκατομμυρίου δολαρίων, δηλώνουν ότι η AGI είναι ο στόχος τους. Ορισμένοι επιστήμονες υπολογιστών αποφεύγουν εντελώς τον όρο, υποστηρίζοντας ότι είναι διαρκώς αόριστος και μη μετρήσιμος. Άλλοι αναφέρουν ότι οι τεχνολογικές εταιρείες χρησιμοποιούν τον όρο για εντελώς κυνικούς λόγους – ακριβώς επειδή είναι ασαφής, είναι εύκολο για τις εταιρείες να δημιουργούν ενθουσιασμό ισχυριζόμενες μεγάλα βήματα προς την επίτευξη του θρυλικού ορόσημου.
Η φημολογία γύρω από τις δηλώσεις του Huang για την AGI αναδεικνύει αυτό το αδιέεξοδο στην καρδιά της έκρηξης της ΤΝ.
**Προσπάθειες μέτρησης της AGI**
Λίγες μόλις ημέρες πριν από την κυκλοφορία του podcast του Fridman, ερευνητές της Google DeepMind – συμπεριλαμβανομένου του συνιδρυτή της DeepMind, Shane Legg, ο οποίος συνέβαλε στην εξάπλωση του όρου AGI στις αρχές της δεκαετίας του 2000 – δημοσίευσαν μια νέα ερευνητική εργασία που πρότεινε έναν πιο επιστημονικό τρόπο για τον ορισμό και την αξιολόγηση του εάν τα μοντέλα ΤΝ είχαν επιτύχει γενική νοημοσύνη. Η εργασία, «Measuring Progress Toward AGI: A Cognitive Framework», αντλεί από δεκαετίες έρευνας στην ψυχολογία, τη νευροεπιστήμη και τις γνωστικές επιστήμες για να κατασκευάσει αυτό που οι συγγραφείς ονομάζουν «Γνωστική Ταξινομία».
Η ταξινομία εντοπίζει 10 βασικές γνωστικές λειτουργίες – συμπεριλαμβανομένης της αντίληψης, της συλλογιστικής, της μνήμης, της μάθησης, της προσοχής και της κοινωνικής αντίληψης – τις οποίες οι ερευνητές θεωρούν απαραίτητες για τη γενική νοημοσύνη. Το πλαίσιο στη συνέχεια προτείνει την αξιολόγηση συστημάτων ΤΝ σε όλες τις 10 λειτουργίες και τη σύγκριση της απόδοσής τους με ένα αντιπροσωπευτικό δείγμα ενηλίκων με τουλάχιστον ισοδύναμο δευτεροβάθμιας εκπαίδευσης.
Η βασική ιδέα της εργασίας είναι ότι τα σημερινά μοντέλα ΤΝ έχουν ένα «ανώμαλο» γνωστικό προφίλ: μπορεί να υπερβαίνουν τους περισσότερους ανθρώπους σε ορισμένους τομείς, όπως τα μαθηματικά ή η ανάκληση γεγονότων, ενώ υστερούν δραματικά ακόμη και σε σχέση με τον μέσο άνθρωπο σε άλλους, όπως η μάθηση από την εμπειρία, η διατήρηση μακροπρόθεσμων μνημών ή η κατανόηση κοινωνικών καταστάσεων. Ένα μοντέλο ΤΝ θα έπρεπε τουλάχιστον να αντιστοιχεί τη μέση ανθρώπινη απόδοση και στις 10 περιοχές για να θεωρηθεί AGI, προτείνουν οι ερευνητές της Google DeepMind.
Οι ερευνητές ανακοίνωσαν επίσης έναν διαγωνισμό με χρηματικό έπαθλο 200.000 δολαρίων στον δημοφιλή ιστότοπο διαγωνισμών μηχανικής μάθησης Kaggle, για να βοηθήσουν εξωτερικούς ερευνητές στην κατασκευή αξιολογήσεων για τις πέντε γνωστικές λειτουργίες όπου τα υπάρχοντα συγκριτικά τεστ είναι πιο αδύναμα.
Η εργασία της DeepMind είναι μόνο η τελευταία σε μια σειρά πρόσφατων προσπαθειών για να τεθεί η μέτρηση της νοημοσύνης σε πιο αυστηρή βάση.
Πέρυσι, μια ομάδα με επικεφαλής τον Dan Hendrycks στο Center for AI Safety, και στην οποία συμμετείχε ο πρωτοπόρος της βαθιάς μάθησης Yoshua Bengio, δημοσίευσε το δικό της πλαίσιο και τις μετρικές AGI. Αυτή η εργασία χώριζε επίσης τη γενική νοημοσύνη σε 10 ξεχωριστούς γνωστικούς τομείς, αντλώντας από ένα πλαίσιο ανθρώπινης νοημοσύνης που αναπτύχθηκε από τρεις ψυχολόγους – Raymond Cattell, John Horn και John Carroll – το οποίο αποτελεί το πιο εμπειρικά επικυρωμένο μοντέλο ανθρώπινης γνωστικής λειτουργίας. Παρήγαγε «Βαθμολογίες AGI» για τα υπάρχοντα μοντέλα ΤΝ. Το πιο ικανό σύστημα που δοκιμάστηκε, το GPT-5 της OpenAI, που κυκλοφόρησε τον Αύγουστο του 2025, βαθμολογήθηκε μόλις με 57%, απέχοντας πολύ από την αντιστοίχιση ενός καλά εκπαιδευμένου ενήλικα σε όλες τις γνωστικές διαστάσεις.
Μια από τις πιο φιλόδοξες πρακτικές προσπάθειες για να αναδειχθεί αυτό που τα σημερινά συστήματα ΤΝ ακόμα αδυνατούν να κάνουν είναι το benchmark ARC-AGI, που δημιουργήθηκε από τον γνωστό ερευνητή μηχανικής μάθησης François Chollet. Το βασικό επιχείρημα του Chollet είναι ότι η νοημοσύνη πρέπει να μετράται όχι από αυτό που ένα σύστημα ήδη γνωρίζει, αλλά από το πόσο αποτελεσματικά μπορεί να μάθει νέες δεξιότητες.
Το benchmark ARC-AGI αποτελείται από οπτικές εργασίες-γρίφους που περιλαμβάνουν πλέγματα χρωματιστών κελιών. Κάθε εργασία παρουσιάζει μερικά παραδείγματα μιας εικόνας εισόδου που μετασχηματίζεται σε εικόνα εξόδου σύμφωνα με έναν κρυφό κανόνα, και ο εξεταζόμενος πρέπει να βρει τον κανόνα και να τον εφαρμόσει σε μια νέα είσοδο. Για έναν άνθρωπο, η κατανόηση του μοτίβου διαρκεί συνήθως δευτερόλεπτα. Για τα κορυφαία μοντέλα ΤΝ, αυτοί οι γρίφοι παραμένουν εκπληκτικά δύσκολοι, καθώς απαιτούν το είδος της ευέλικτης, αφηρημένης συλλογιστικής – εντοπισμός συμμετριών, κατανόηση χωρικών σχέσεων, εξαγωγή κανόνων από λίγα παραδείγματα – με την οποία τα σημερινά συστήματα δυσκολεύονται.
Τον τρέχοντα μήνα, ο Chollet και οι συνεργάτες του λάνσαραν το ARC-AGI-3, την τελευταία και πιο απαιτητική έκδοση του benchmark. Σε αντίθεση με προηγούμενες εκδόσεις, που παρουσίαζαν στατικούς γρίφους, το ARC-AGI-3 είναι διαδραστικό: οι πράκτορες ΤΝ πρέπει να εξερευνούν νέα περιβάλλοντα, να αποκτούν στόχους εν κινήσει, να χτίζουν προσαρμοστικά μοντέλα του κόσμου και να μαθαίνουν συνεχώς σε πολλαπλά βήματα – ικανότητες που έρχονται φυσικά στους ανθρώπους, αλλά παραμένουν στην αιχμή της έρευνας ΤΝ.
Συνολικά, αυτά τα νέα benchmarks αντιπροσωπεύουν μια αυξανόμενη προσπάθεια εντός της ερευνητικής κοινότητας της ΤΝ να αντικαταστήσει αόριστους ορισμούς για την AGI με κάτι πιο κοντά στην επιστημονική μέτρηση. Αλλά, όπως οι ίδιοι οι ερευνητές παραδέχονται, η δυσκολία του ορισμού της νοημοσύνης είναι τόσο παλιά όσο και η μελέτη της σκέψης – και έχει μαστίσει την τεχνητή νοημοσύνη ως πεδίο από τις πρώτες της ημέρες.
**Ορισμός της νοημοσύνης**
Το 1950, πριν καν εφευρεθεί ο όρος «τεχνητή νοημοσύνη» και όταν μαθηματικοί και ηλεκτρολόγοι μηχανικοί άρχιζαν να κατασκευάζουν τους πρώτους σύγχρονους υπολογιστές, ο διάσημος Βρετανός μαθηματικός και πρωτοπόρος των υπολογιστών Alan Turing ασχολήθηκε με το γεγονός ότι ήταν εξαιρετικά δύσκολο να διατυπωθεί ένας ορισμός της νοημοσύνης.
Αντί να προσπαθήσει έναν, ο Turing πρότεινε μια αξιολόγηση που ονόμασε «Παιχνίδι Μίμησης», το οποίο αργότερα έγινε γνωστό ως Τεστ Turing. Προέβλεπε ότι ένα μηχάνημα θα θεωρείται ευφυές όταν μπορεί να έχει μια γενική συνομιλία με ένα άτομο, μέσω κειμένου, και ένας δεύτερος ανθρώπινος κριτής, διαβάζοντας την ανταλλαγή, δεν μπορεί να προσδιορίσει αξιόπιστα ποιος συμμετέχων είναι το μηχάνημα και ποιος ο άνθρωπος. Ήταν, ουσιαστικά, μια προσέγγιση «θα το αναγνωρίσω όταν το δω» στην νοημοσύνη.
Ωστόσο, το Τεστ Turing σύντομα αποδείχθηκε προβληματικό. Η Eliza, ένα chatbot που αναπτύχθηκε στο MIT στα μέσα της δεκαετίας του 1960, σχεδιάστηκε για να μιμείται έναν ψυχοθεραπευτή. Οι περισσότερες απαντήσεις της ακολουθούσαν σκληρά κωδικοποιημένους λογικούς κανόνες. Η Eliza συχνά απαντούσε στους χρήστες με ερωτήσεις όπως «Γιατί πιστεύεις ότι είναι έτσι;» ή «Πες μου περισσότερα» για να καλύψει την αδύναμη κατανόηση της γλώσσας της. Κι όμως, η Eliza ξεγέλασε ορισμένους ανθρώπους, κάνοντάς τους να πιστέψουν ότι τους καταλάβαινε. Η Eliza έφτασε κοντά στο να περάσει το Τεστ Turing, παρόλο που σε σχεδόν κάθε άλλο μέτρο δεν πλησίαζε καν τις ανθρώπινες γνωστικές ικανότητες. Και, στην πραγματικότητα, ένα πιο εξελιγμένο chatbot που ονομάστηκε «Eugene Goostman» πέρασε επίσημα ένα ζωντανό Τεστ Turing το 2014, πάλι χωρίς να αγγίξει τις περισσότερες ανθρώπινες γνωστικές δεξιότητες.
Τα σημερινά μεγάλα γλωσσικά μοντέλα συνομιλούν πολύ πιο άπταιστα από ό,τι θα μπορούσε ποτέ η Eliza, αλλά εξακολουθούν να μην μπορούν να αντιστοιχίσουν τους ανθρώπους σε όλο το φάσμα των γνωστικών ικανοτήτων – «παραισθήσεις» γεγονότων, δυσκολίες στον μακροπρόθεσμο σχεδιασμό, και αδυναμία μάθησης από την εμπειρία όπως ένας άνθρωπος.
Σε σύγκριση με το Τεστ Turing, ο όρος «τεχνητή γενική νοημοσύνη» είναι σχετικά πρόσφατος. Επινοήθηκε για πρώτη φορά το 1997 από τον Mark Gubrud, τότε μεταπτυχιακό φοιτητή στο Πανεπιστήμιο του Maryland, ο οποίος χρησιμοποίησε τον νεολογισμό σε μια εργασία του 1997 που παρουσίασε σε ένα συνέδριο νανοτεχνολογίας. Χρησιμοποίησε τη φράση «προηγμένη τεχνητή γενική νοημοσύνη» για να περιγράψει συστήματα ΤΝ που θα μπορούσαν «να ανταγωνίζονται ή να ξεπερνούν τον ανθρώπινο εγκέφαλο σε πολυπλοκότητα και ταχύτητα, να αποκτούν, να χειρίζονται και να συλλογίζονται με γενικές γνώσεις, και να είναι χρησιμοποιήσιμα σε ουσιαστικά κάθε φάση λειτουργιών όπου αλλιώς θα χρειαζόταν ανθρώπινη νοημοσύνη». Όμως, η εργασία γρήγορα χάθηκε στην αφάνεια.
Στη συνέχεια, στις αρχές της δεκαετίας του 2000, ο Legg – ο οποίος αργότερα συνίδρυσε την DeepMind – επινόησε ανεξάρτητα τον ίδιο όρο. Συνεργαζόταν με τους επιστήμονες υπολογιστών Ben Goertzel, Cassio Pennachin και άλλους σε ένα βιβλίο σχετικά με πιθανούς τρόπους δημιουργίας συστημάτων μηχανικής μάθησης που θα μπορούσαν να αντιμετωπίσουν ένα ευρύ φάσμα προβλημάτων και εργασιών. Ήθελαν έναν όρο που θα διέκρινε την φιλοδοξία αυτών των συστημάτων από τους στενούς αλγορίθμους μηχανικής μάθησης που ήταν τότε δημοφιλείς, οι οποίοι, μόλις εκπαιδευμένοι, μπορούσαν να αντιμετωπίσουν μόνο μία, στενή εργασία. Ο Goertzel σκέφτηκε να ονομάσει αυτήν την πιο γενική ΤΝ «πραγματική ΤΝ» ή «ισχυρή ΤΝ», αλλά ο Legg πρότεινε «τεχνητή γενική νοημοσύνη» αντί αυτού, χωρίς να γνωρίζει την προηγούμενη χρήση του Gubrud. Πρότεινε επίσης ο όρος να συντομεύεται σε AGI. Αυτή τη φορά, η AGI έκανε την εμφάνισή της.
Στο βιβλίο του Goertzel, όρισε την AGI ως «συστήματα ΤΝ που διαθέτουν ένα λογικό βαθμό αυτοκατανόησης και αυτόνομου αυτοελέγχου, και έχουν την ικανότητα να επιλύουν μια ποικιλία σύνθετων προβλημάτων σε μια ποικιλία πλαισίων, και να μαθαίνουν να επιλύουν νέα προβλήματα που δεν γνώριζαν κατά τη στιγμή της δημιουργίας τους».
Ο ορισμός ήταν χρήσιμος για τη διάκριση της εργασίας σε γενική ΤΝ από συστήματα στενής μηχανικής μάθησης, αλλά και αυτός περιείχε δυσανάλογη ποσότητα ασάφειας: Τι σήμαινε «λογικός βαθμός»; Ποια σύνθετα προβλήματα σε ποια πλαίσια μετρούσαν στο πρότυπο;
Ο Legg θα επιδείνωνε αργότερα αυτήν την ασάφεια, προσφέροντας έναν πιο χαλαρό ορισμό της AGI που ήταν κατά κάποιο τρόπο πιο στενός (δεν μιλούσε για αυτοκατανόηση, για παράδειγμα) αλλά εξίσου ασαφής. Για παράδειγμα, δήλωσε στον Nick Thompson του The Atlantic πέρυσι: «Ορίζω την AGI ως έναν τεχνητό πράκτορα που μπορεί να κάνει τα είδη των γνωστικών πράξεων που οι άνθρωποι μπορούν συνήθως να κάνουν. Το βλέπω αυτό ως το φυσικό ελάχιστο όριο». Αλλά ποιες πράξεις; Και ποιοι άνθρωποι;
Ερωτήσεις σαν αυτές συνεχίζουν να πλανώνται γύρω από την AGI. Σημαίνει ο όρος λογισμικό που αντιστοιχεί στις γνωστικές ικανότητες ενός μέσου ανθρώπου; Ή τις ικανότητες των ανθρώπων με τα υψηλότερα IQ; Ή τον καλύτερο ειδικό σε κάθε επιμέρους τομέα γνώσης; Η ερευνητική εργασία των Hendrycks και Bengio, για παράδειγμα, ορίζει την AGI ως την αντιστοίχιση ή υπέρβαση «της γνωστικής ευελιξίας και επάρκειας ενός καλά εκπαιδευμένου ενήλικα». Η εργασία της DeepMind προτείνει τη μέτρηση έναντι ενός αντιπροσωπευτικού δείγματος ενηλίκων. Άλλοι έχουν χρησιμοποιήσει λιγότερο ακριβείς διατυπώσεις.
Προσθέτοντας στη σύγχυση, η AGI συχνά συγχέεται στη δημόσια συζήτηση με μια έννοια που οι ερευνητές ΤΝ ονομάζουν «τεχνητή υπερνοημοσύνη», ή ASI – μια ΤΝ που θα ήταν εξυπνότερη από όλους τους ανθρώπους μαζί. Οι περισσότεροι ερευνητές ΤΝ θεωρούν την AGI και την ASI ως ξεχωριστά ορόσημα, και πολύ διαφορετικά σε βαθμό πολυπλοκότητας, αλλά στη λαϊκή φαντασία οι δύο συχνά συγχέονται.
**Η AGI γίνεται εταιρικός στόχος – και διαφημιστικό σύνθημα**
Αν και η ακαδημαϊκή συζήτηση για τον ορισμό της AGI είναι μακρά και σύνθετη, ο εταιρικός κόσμος έχει εισαγάγει ορισμούς που, για να είμαστε ευγενικοί, είναι ιδιόρρυθμοι. Η DeepMind έγινε η πρώτη εταιρεία που έκανε την επιδίωξη της «τεχνητής γενικής νοημοσύνης» επιχειρηματικό στόχο. Ο Legg έβαλε τη φράση στην πρώτη σελίδα του πρώτου επιχειρηματικού σχεδίου της εταιρείας όταν εκείνος, ο Demis Hassabis και ο Mustafa Suleyman συνίδρυσαν την εταιρεία το 2010.
Πέντε χρόνια αργότερα, η OpenAI έκανε επίσης την κατασκευή AGI την ρητή αποστολή της. Οι αρχικές της αρχές ίδρυσης το 2015 ανέφεραν ότι το νέο εργαστήριο – τότε μη κερδοσκοπικό – ήταν αφιερωμένο στο να διασφαλίσει «ότι η τεχνητή γενική νοημοσύνη ωφελεί όλη την ανθρωπότητα». Τρία χρόνια αργότερα, όταν το εργαστήριο δημιούργησε για πρώτη φορά έναν κερδοφόρο βραχίονα, δημοσίευσε ένα καταστατικό που όριζε την AGI «ως εξαιρετικά αυτόνομα συστήματα που υπεραποδίδουν τους ανθρώπους στην πλειοψηφία των οικονομικά πολύτιμων εργασιών». Τώρα, για πρώτη φορά, η AGI μετρήθηκε με οικονομικούς δείκτες, όχι απλώς γνωστικούς.
Και, όπως αποδείχθηκε, η OpenAI σύντομα όρισε μυστικά ένα εξαιρετικά συγκεκριμένο οικονομικό όριο για την AGI. Όταν η Microsoft επένδυσε για πρώτη φορά 1 δισεκατομμύριο δολάρια στον κερδοφόρο βραχίονα της OpenAI το 2019, η συμφωνία της τεχνολογικής εταιρείας με την startup ΤΝ την κατέστησε προτιμώμενο εμπορικό εταίρο για οποιοδήποτε μοντέλο ΤΝ αναπτύξει το εργαστήριο, έως, αλλά όχι συμπεριλαμβανομένης, της AGI. Εκείνη την εποχή, αναφέρθηκε ότι η απόφαση για το πότε θα επιτευχθεί η AGI θα ήταν στη διακριτική ευχέρεια του μη κερδοσκοπικού διοικητικού συμβουλίου της OpenAI.
Όμως, κρίσιμα, σύμφωνα με δημοσιεύματα του τεχνολογικού περιοδικού The Information το 2024, όταν η Microsoft συμφώνησε να επενδύσει άλλα 10 δισεκατομμύρια δολάρια στην OpenAI το 2023, το συμβόλαιό της με την OpenAI περιείχε μια ρήτρα που όριζε την AGI ως τεχνολογία που θα μπορούσε να αποφέρει τουλάχιστον 100 δισεκατομμύρια δολάρια κέρδη.
Η OpenAI απέχει πολύ από αυτό το όριο. Η εταιρεία έχει αναφέρει στους επενδυτές ότι απέφερε 13 δισεκατομμύρια δολάρια έσοδα πέρυσι, αλλά κατάφερε να κάψει 8 δισεκατομμύρια δολάρια σε μετρητά. Δεν αναμένεται να φτάσει σε ισοσκελισμό πριν από το 2030.
Παρά το ότι απέχει πολύ από το οικονομικό όριο για την AGI στο συμβόλαιό της με τη Microsoft, ο CEO της OpenAI Sam Altman έχει συχνά κάνει δηλώσεις που υποδηλώνουν ότι η OpenAI πλησιάζει στην επίτευξη του ορόσημου της ΤΝ, όπως μετράται από άλλα benchmarks. Σε μια ανάρτηση στο προσωπικό του blog τον Ιανουάριο του 2025 με τίτλο «Reflections», ο Altman έγραψε ότι η OpenAI «είναι τώρα βέβαιη ότι ξέρει πώς να κατασκευάσει AGI όπως την καταλαβαίναμε παραδοσιακά» και ότι η εταιρεία αρχίζει να στρέφει την προσοχή της προς την υπερνοημοσύνη. Σε ένα μεταγενέστερο δοκίμιο με τίτλο «Three Observations», έγραψε ότι τα συστήματα που δείχνουν προς την AGI «εμφανίζονται». Ωστόσο, άλλες φορές, ο Altman φαίνεται να αναγνωρίζει την αδυναμία της AGI ως έννοια. Γύρω στην ίδια περίοδο με την ανάρτηση του blog του «Reflections», ο Altman είπε σε συνεντευξιαστή του Bloomberg News ότι η AGI «έχει γίνει ένας πολύ χαλαρός όρος».
Η Microsoft επίσης επέλεξε να αγνοήσει τον οικονομικό ορισμό της AGI που συμφώνησε με την OpenAI όταν εξυπηρετούσε τους διαφημιστικούς σκοπούς της εταιρείας. Τον Μάρτιο του 2023, μια ομάδα ερευνητών της Microsoft δημοσίευσε μια εργασία 154 σελίδων σχετικά με το GPT-4 με προκλητικό τίτλο «Sparks of Artificial General Intelligence», υποστηρίζοντας ότι το μοντέλο θα μπορούσε «εύλογα να θεωρηθεί ως μια πρώιμη (αν και ακόμα ατελής) έκδοση» της AGI.
Η εργασία επικρίθηκε ευρέως για την προώθηση των δυνατοτήτων του GPT-4 για εμπορικούς σκοπούς. Ακόμη και ο Altman αποστασιοποιήθηκε, χαρακτηρίζοντας το GPT-4 «ακόμα ατελές, ακόμα περιορισμένο».
Οι νέες έρευνες και τα benchmarks από την Google DeepMind και την ομάδα Hendrycks-Bengio κάνουν κάποια πρόοδο προς τη δημιουργία ενός μέτρου για την AGI, βασισμένο σε δεκαετίες μελέτης της ανθρώπινης νοημοσύνης. Και αυτό που είναι σαφές είναι ότι τα σημερινά καλύτερα μοντέλα ΤΝ εξακολουθούν να μην αντιστοιχούν στο εύρος και το βάθος των ανθρώπινων γνωστικών ικανοτήτων.
Ο Huang, ο CEO της Nvidia, το γνωρίζει αυτό, ακριβώς όπως γνώριζε χωρίς αμφιβολία την αναταραχή στα μέσα κοινωνικής δικτύωσης και τους τίτλους που θα προκαλούσε λέγοντας ότι η AGI έχει επιτευχθεί. Ξέρουμε ότι ο Huang το γνωρίζει αυτό, επειδή αργότερα στην ίδια συνέντευξη όπου είπε «η AGI έχει επιτευχθεί», είπε επίσης ότι οι δημοφιλείς πράκτορες AI OpenClaw, οι οποίοι μπορούν να τροφοδοτηθούν από οποιοδήποτε από τα κορυφαία μοντέλα ΤΝ από εταιρείες όπως η Anthropic και η OpenAI, δεν θα μπορούσαν ποτέ να αναπαράγουν τη Nvidia. «Τώρα, οι πιθανότητες 100.000 τέτοιων πρακτόρων να κατασκευάσουν τη Nvidia είναι μηδέν τοις εκατό», είπε.
Ο Huang δεν είναι απλώς ο CEO της Nvidia. Είναι επίσης ο ιδρυτής της εταιρείας και το άτομο που διευθύνει την εταιρεία για 33 χρόνια, οδηγώντας την από την σχεδόν χρεοκοπία κάποια στιγμή, μέχρι που τώρα αξίζει πάνω από 4 τρισεκατομμύρια δολάρια, καθιστώντας την μία από τις πιο πολύτιμες εταιρείες στον πλανήτη. Από πολλές απόψεις, ο Huang είναι μια ιδιοφυΐα. Αλλά είναι και ένας πολύ ανθρώπινος. Ίσως λοιπόν χρειαζόμαστε ένα νέο πρότυπο, όχι AGI αλλά AJI – τεχνητή νοημοσύνη Jensen. Όταν η ΤΝ φτάσει σε αυτό το επίπεδο, οι υποστηρικτές της ΤΝ στα μέσα κοινωνικής δικτύωσης που ενίσχυσαν με ενθουσιασμό τον ισχυρισμό του Huang για την AGI, θα έχουν πραγματικά κάτι να ενθουσιαστούν.
