خلاصه
AGI یا هوش مصنوعی عمومی به هوش مصنوعی‌ای گفته می‌شود که در بیشتر کارها، و نه فقط در یک کار محدود، هم‌تراز انسان یا برتر از او باشد. هیچ تعریف مورد توافقی وجود ندارد: OpenAI آن را به کار دارای ارزش اقتصادی پیوند میدهد [1]، پژوهشگران DeepMind از سطح‌بندی استفاده میکنند [2] و دیگران آن را با یک بزرگسال تحصیل‌کرده می‌سنجند [3]. پیش‌بینی‌ها از اواخر دههٔ ۲۰۲۰ تا چند دهه بعد را در بر می‌گیرند [6][8].
نکته‌های کلیدی
- منشور OpenAI هوش مصنوعی عمومی را سامانه‌هایی بسیار خودمختار تعریف میکند که در بیشتر کارهای دارای ارزش اقتصادی از انسان بهتر عمل میکنند [1].
- پژوهشگران Google DeepMind پنج سطح برای هوش مصنوعی عمومی پیشنهاد کردند، از «نوظهور» تا «فرابشری»، که بر پایهٔ دو معیار عملکرد و عمومیت ارزیابی می‌شوند [2].
- چارچوبی در سال ۲۰۲۵ به GPT-4 امتیاز ۲۷ درصد و به GPT-5 امتیاز ۵۷ درصد از تعریف خود از AGI داد و ضعف در حافظهٔ بلندمدت را برجسته کرد [3].
- در نظرسنجی‌ای از ۲٬۷۷۸ پژوهشگر هوش مصنوعی، پیش‌بینی میانه احتمال ۵۰ درصد داد که ماشینها تا سال ۲۰۴۷ در همهٔ کارها از انسان بهتر عمل کنند [8].
- ۷۶ درصد از ۴۷۵ پاسخ‌دهندهٔ نظرسنجی AAAI گفتند که بزرگ‌تر کردن رویکردهای کنونی هوش مصنوعی بعید یا بسیار بعید است به AGI بینجامد [9].
- گزارش بین‌المللی ایمنی هوش مصنوعی ۲۰۲۶ می‌گوید عملکرد هوش مصنوعی همچنان «ناهموار» است و پیشرفته‌ترین سامانه‌ها هنوز در برخی کارهای به‌ظاهر ساده شکست می‌خورند [13].
در این صفحه ۱۳ بخش
- AGI چیست؟
- سطوح AGI کدام‌اند؟
- پژوهشگران پیشرفت به سوی AGI را چگونه می‌سنجند؟
- به گفتهٔ رهبران حوزهٔ هوش مصنوعی، AGI چه زمانی از راه میرسد؟
- نظرسنجی‌های پژوهشگران هوش مصنوعی چه می‌گویند؟
- چرا کارشناسان دربارهٔ AGI اختلاف نظر دارند؟
- چرا تعریف AGI برای کسب‌وکار اهمیت دارد؟
- پیگیری AGI چه مزایا و خطرهایی دارد؟
- در ادامه چه رخ خواهد داد؟
- اشتباه‌های رایج
- پرسش‌های پرتکرار
- واژه‌نامه
- منابع
AGI چیست؟
هوش مصنوعی عمومی (AGI) گونه‌ای فرضی از هوش مصنوعی است که می‌تواند طیف گسترده‌ای از کارهای فکری را در سطح انسان یا بالاتر از آن انجام دهد، به‌جای آنکه تنها در یک کار محدود مانند ترجمه یا شطرنج برتری داشته باشد. همهٔ تعریف‌های جدی در این ایدهٔ عمومیت مشترک‌اند، اما جزئیاتشان با هم تفاوت دارد: یک مقالهٔ پژوهشی در سال ۲۰۲۵ با این استدلال آغاز می‌شود که نبود تعریفی مشخص، فاصلهٔ میان هوش مصنوعی تخصصی امروز و شناخت در سطح انسان را پنهان میکند [3].
سه تعریف پرارجاع، گسترهٔ این دیدگاه‌ها را نشان می‌دهند:
- اقتصادی: منشور OpenAI هوش مصنوعی عمومی را «سامانه‌هایی بسیار خودمختار که در بیشتر کارهای دارای ارزش اقتصادی از انسان بهتر عمل میکنند» تعریف میکند [1].
- سطح‌بندی: پژوهشگران Google DeepMind سامانه‌ها را روی دو محور ارزیابی میکنند، یعنی عمق توانایی (عملکرد) و گسترهٔ آن (عمومیت)، و AGI را مسیری دارای سطوح مختلف توصیف میکنند، نه یک خط پایان واحد [2].
- روان‌سنجی: مقاله‌ای در سال ۲۰۲۵ به سرپرستی دن هندریکس، AGI را هم‌ترازی با گستردگی و مهارت شناختی یک بزرگسال تحصیل‌کرده تعریف میکند و آن را در ده حوزهٔ شناختی می‌آزماید [3].
برخی مدیران از به کار بردن این واژه به‌کلی پرهیز میکنند. داریو آمودی، مدیرعامل Anthropic، AGI را اصطلاحی نادقیق با بار داستان‌های علمی‌ـ‌تخیلی و هیاهوی تبلیغاتی میداند و اصطلاح «هوش مصنوعی قدرتمند» را ترجیح میدهد که آن را هوشمندتر از یک برندهٔ جایزهٔ نوبل در بیشتر رشته‌های مرتبط توصیف میکند [4].
AGI چه تفاوتی با هوش مصنوعی امروز و با ابرهوش دارد؟
چت‌بات‌های امروزی همه‌منظوره‌اند، اما توانایی‌هایشان ناهمسان است. گزارش بین‌المللی ایمنی هوش مصنوعی ۲۰۲۶ یادآوری میکند که پیشرفته‌ترین سامانه‌ها در پرسش‌های المپیاد بین‌المللی ریاضی به عملکردی در سطح مدال طلا رسیدند، اما همچنان در برخی کارهای به‌ظاهر ساده شکست می‌خورند [13]. ابرهوش (superintelligence) به معنای فراتر رفتن از سطح انسان است؛ در سطح‌بندی DeepMind، بالاترین ردهٔ عمومی «ابرهوش مصنوعی» (ASI) نام دارد و عملکرد فرابشری به معنای بهتر عمل کردن از ۱۰۰ درصد انسان‌ها تعریف شده است [2].
سطوح AGI کدام‌اند؟
مقالهٔ «سطوح AGI» (Levels of AGI) نوشتهٔ مردیت رینگل موریس، شین لگ و همکارانشان در Google DeepMind، که در مجموعه‌مقالات ICML 2024 منتشر شد، چارچوبی برای طبقه‌بندی مدلهای AGI و پیش‌درآمدهای آن پیشنهاد میکند تا زبانی مشترک برای مقایسهٔ سامانه‌ها و پیگیری پیشرفت باشد [2]. این مقاله شش اصل را مطرح میکند، از جمله داوری دربارهٔ AGI بر اساس آنچه سامانه می‌تواند انجام دهد و نه چگونگی کارکرد آن، تمرکز بر کارهای شناختی و فراشناختی به‌جای کارهای فیزیکی، و نگریستن به AGI به‌عنوان یک مسیر و نه یک نقطهٔ پایان [2].
سطوح هوش مصنوعی عمومی در این مقاله عبارت‌اند از [2]:
- نوظهور (Emerging): هم‌تراز یا اندکی بهتر از یک انسان غیرماهر. مقاله ChatGPT، Bard، Llama 2 و Gemini را نمونه‌های این سطح می‌آورد.
- کاردان (Competent): دست‌کم در صدک ۵۰ بزرگسالان ماهر.
- خبره (Expert): دست‌کم در صدک ۹۰ بزرگسالان ماهر.
- استثنایی (Exceptional): دست‌کم در صدک ۹۹ بزرگسالان ماهر (که در نسخه‌های پیشین «چیره‌دست» یا Virtuoso نامیده می‌شد).
- فرابشری (Superhuman): بهتر از ۱۰۰ درصد انسان‌ها.
یک مقالهٔ ایمنی Google DeepMind در سال ۲۰۲۵ بر پایهٔ همین مقیاس بنا شده و بر AGI استثنایی تمرکز دارد؛ آن را سامانه‌ای تعریف میکند که در طیف گسترده‌ای از کارهای غیرفیزیکی با صدک ۹۹ بزرگسالان ماهر هم‌تراز یا از آن بالاتر باشد [10].
پژوهشگران پیشرفت به سوی AGI را چگونه می‌سنجند؟
از آنجا که تعریفها متفاوتاند، معیارهای سنجش نیز متفاوتاند. دو تلاش اخیر این رویکردها را نشان می‌دهند.
یک «امتیاز AGI» شناختی
چارچوبی که به سرپرستی هندریکس تدوین شده، مجموعه‌آزمون‌های روان‌سنجی انسانی را برای هوش مصنوعی بازسازی میکند و آن‌ها را بر نظریهٔ کتل‌ـ‌هورن‌ـ‌کرول (Cattell-Horn-Carroll) دربارهٔ توانایی‌های شناختی انسان استوار می‌سازد [3]. این چارچوب امتیاز AGI را برای GPT-4 برابر ۲۷ درصد و برای GPT-5 برابر ۵۷ درصد گزارش میکند [3]. نویسندگان نیمرخی «ناهموار» را توصیف میکنند: عملکرد قوی در حوزه‌های دانش‌محور، اما کاستی‌های جدی در توانایی‌های بنیادین، به‌ویژه در ذخیره‌سازی حافظهٔ بلندمدت [3]. این امتیاز به حوزه‌ها و وزن‌دهی‌هایی بستگی دارد که نویسندگان برگزیده‌اند؛ بنابراین معیار یک گروه پژوهشی است، نه یک ارزیابی رسمی.
معماهایی که برای انسان آسان‌اند
برگزارکنندگان بنچمارک ARC Prize، یعنی ARC-AGI، آن را معیاری برای سنجش تعمیم با نمونه‌های اندک (few-shot) در کارهای نوین توصیف میکنند [14]. در رقابت ۲۰۲۵ روی مجموعه‌دادهٔ ARC-AGI-2، ۱٬۴۵۵ تیم ۱۵٬۱۵۴ پاسخ ارسال کردند و بالاترین امتیاز روی مجموعهٔ ارزیابی خصوصی به ۲۴ درصد رسید [14]. برگزارکنندگان پیش‌نمایشی از ARC-AGI-3 ارائه کرده‌اند که کارهای تعاملی‌ای برای سنجش کاوش، برنامهریزی، حافظه و دستیابی به هدف به آن افزوده می‌شود [14].
بنچمارک‌ها ضعفی شناخته‌شده دارند: گزارش ARC Prize استدلال میکند که استدلال مدلهای پیشرو به گسترهٔ دانش آن‌ها محدود است و این امر شکل‌های تازه‌ای از آلودگی بنچمارک (benchmark contamination) پدید می‌آورد [14]. گزارش بین‌المللی ایمنی هوش مصنوعی می‌افزاید که روش‌های برآورد چگونگی و زمان پیدایش توانایی‌های تازه همچنان غیرقابل اعتمادند [13].
به گفتهٔ رهبران حوزهٔ هوش مصنوعی، AGI چه زمانی از راه میرسد؟
پیش‌بینی‌های عمومی مدیران شرکت‌ها بیان باور است، نه شاهد، و اغلب بر تعریف‌های متفاوتی تکیه دارند. تا ۳ نوامبر ۲۰۲۶، این پیش‌بینی‌ها گسترهٔ وسیعی را در بر می‌گیرند:
- سم آلتمن (OpenAI) در ژانویهٔ ۲۰۲۵ نوشت: «اکنون مطمئنیم که می‌دانیم چگونه AGI را، آن‌گونه که به‌طور سنتی فهمیده می‌شد، بسازیم» [5].
- داریو آمودی (Anthropic) در اکتبر ۲۰۲۴ نوشت که هوش مصنوعی قدرتمند ممکن است زودتر از ۲۰۲۶ از راه برسد، هرچند ممکن است بسیار بیشتر طول بکشد [4]. او در ژانویهٔ ۲۰۲۵ به CNBC گفت که هوش مصنوعی‌ای که تقریباً در همهٔ کارها از تقریباً همهٔ انسان‌ها بهتر باشد، ممکن است ظرف دو یا سه سال پدید آید [6].
- دمیس هسابیس (Google DeepMind) در مارس ۲۰۲۵ گفت که AGI، که آن را سامانه‌ای توصیف کرد که بتواند همهٔ توانایی‌های پیچیدهٔ انسان را نشان دهد، طی پنج تا ۱۰ سال آینده شروع به پدیدار شدن خواهد کرد [6].
- تیم ایمنی Google DeepMind در آوریل ۲۰۲۵ نوشت که دربارهٔ زمان‌بندی‌ها به‌شدت مطمئن نیست، اما محتمل میداند که سامانه‌های قدرتمند هوش مصنوعی تا ۲۰۳۰ ساخته شوند [10].
- یان لکان، که Meta را ترک کرد تا استارتاپ AMI را بنیان نهد، در ژانویهٔ ۲۰۲۶ به MIT Technology Review گفت که مدلهای زبانی بزرگ نمی‌توانند واقعاً استدلال یا برنامهریزی کنند، زیرا مدلی از جهان ندارند، و هوش مصنوعی در سطح انسان نه در یک یا دو سال آینده محقق خواهد شد و نه بر پایهٔ مدلهای زبانی بزرگ ساخته خواهد شد [7].
- رابین لی (Baidu) به گزارش CNBC در سال ۲۰۲۴ گفت که بیش از ۱۰ سال تا AGI فاصله داریم [6].
نظرسنجی‌های پژوهشگران هوش مصنوعی چه می‌گویند؟
نظرسنجی‌های پژوهشگران محک سودمندی برای پیش‌بینی‌های مدیران اجرایی است، هرچند این نظرسنجی‌ها نیز دیدگاه را می‌سنجند، نه واقعیت را.
بزرگ‌ترین آن‌ها نظرسنجی‌ای از ۲٬۷۷۸ پژوهشگری است که در معتبرترین مجامع علمی هوش مصنوعی مقاله منتشر کرده بودند و کاتیا گریس و همکارانش آن را در سال ۲۰۲۴ منتشر کردند [8]. پاسخدهندگان احتمال ۱۰ درصد دادند که ماشینها تا ۲۰۲۷ در هر کار ممکنی از انسان بهتر عمل کنند و احتمال ۵۰ درصد برای سال ۲۰۴۷؛ تاریخی که ۱۳ سال زودتر از نظرسنجی همین تیم در سال ۲۰۲۲ است [8]. برای خودکارسازی کامل همهٔ مشاغل انسانی، برآورد ۵۰ درصد سال ۲۱۱۶ بود [8].
انجمن پیشبرد هوش مصنوعی (AAAI) برای گزارش هیئت ریاست خود در سال ۲۰۲۵ از ۴۷۵ پاسخ‌دهنده نظرسنجی کرد که حدود دوسوم آن‌ها از دانشگاه‌ها بودند [9]. در این نظرسنجی، ۷۶ درصد گفتند که بزرگ‌تر کردن رویکردهای کنونی هوش مصنوعی بعید یا بسیار بعید است به AGI بینجامد [9]. بیشتر پاسخدهندگان (۷۷ درصد) طراحی سامانه‌هایی با نسبت خطر به سود پذیرفتنی را بر پیگیری مستقیم AGI مقدم دانستند و ۷۰ درصد با توقف پژوهش‌های AGI تا زمان فراهم شدن سازوکارهای ایمنی کامل مخالف بودند [9].
این دو نتیجه لزوماً با هم تعارض ندارند: پژوهشگران ممکن است ظرف چند دهه انتظار هوش مصنوعی بسیار توانایی را داشته باشند و در عین حال تردید کنند که روش‌های امروزی، صرفاً با بزرگ‌تر شدن، به آن برسند [8][9].
چرا کارشناسان دربارهٔ AGI اختلاف نظر دارند؟
چند اختلاف نظر جداگانه در بحث AGI در هم تنیده شده‌اند:
- تعریفها. آزمونی بر پایهٔ کار دارای ارزش اقتصادی [1]، صدکی از بزرگسالان ماهر [2] و یک نیمرخ روان‌سنجی [3] ممکن است دربارهٔ یک سامانهٔ واحد پاسخ‌های متفاوتی بدهند.
- روش‌ها. برخی مدیران انتظار دارند رویکردهای کنونی همچنان به‌سرعت بهتر شوند [5]، در حالی که لکان استدلال میکند به معماری‌های تازه‌ای مبتنی بر مدلهای جهان نیاز است [7] و بیشتر پاسخدهندگان AAAI تردید دارند که بزرگسازی به‌تنهایی کارساز باشد [9].
- توانایی‌های ناهمسان. سامانه‌هایی که در ریاضیات دشوار برتری دارند، همچنان ممکن است در کارهای ساده شکست بخورند و همین صدور یک حکم واحد را دشوار میکند [13]. چارچوب هندریکس نیز همین ناهمواری را می‌یابد [3].
- خودِ پیش‌بینی. گزارش بین‌المللی ایمنی هوش مصنوعی می‌گوید دربارهٔ سرعت پیشرفت آینده تردید چشمگیری وجود دارد و بر اساس تحلیل‌های OECD، پیامدها تا ۲۰۳۰ ممکن است از بهبودهای اندک تا جهش‌های سریع را در بر بگیرد [13].
- انگیزه‌ها. همان‌طور که توافق‌های Microsoft و OpenAI نشان می‌دهند، AGI برای برخی شرکت‌ها معنای قراردادی و تجاری دارد [11][12]؛ بنابراین اظهارات عمومی ممکن است بار تجاری داشته باشند.
چرا تعریف AGI برای کسب‌وکار اهمیت دارد؟
روشن‌ترین نمونه، همکاری Microsoft و OpenAI است. بر اساس توافقی که در ۲۸ اکتبر ۲۰۲۵ اعلام شد، هرگونه اعلام دستیابی به AGI از سوی OpenAI باید به تأیید یک هیئت کارشناسی مستقل می‌رسید [11]. حقوق Microsoft بر مدل‌ها و محصولات OpenAI تا ۲۰۳۲ تمدید شد، حقوق مالکیت فکری پژوهشی آن تا زمان تأیید AGI توسط هیئت یا تا ۲۰۳۰، هر کدام که زودتر فرا برسد، ادامه می‌یافت، و Microsoft حق یافت به‌طور مستقل AGI را دنبال کند [11].
این دو شرکت در ۲۷ آوریل ۲۰۲۶ بار دیگر مسیر خود را تغییر دادند. CNBC گزارش داد که پرداخت‌های سهم درآمد OpenAI به Microsoft اکنون مشمول سقفی کلی است و «مستقل از پیشرفت فناوری OpenAI» تا ۲۰۳۰ ادامه می‌یابد، Microsoft دیگر لازم نیست در صورت اعلام AGI از سوی OpenAI واکنش خود را تعیین کند، و مجوز مالکیت فکری Microsoft تا ۲۰۳۲ دیگر انحصاری نیست [12]. این ماجرا نشان میدهد که «AGI» افزون بر یک هدف علمی، نقش یک ماشهٔ حقوقی را نیز ایفا کرده است و نقش قراردادی آن قابل بازنگری است.
پیگیری AGI چه مزایا و خطرهایی دارد؟
مزایای ادعاشده
- آمودی پیش‌بینی میکند که زیست‌شناسی و پزشکی متکی بر هوش مصنوعی می‌تواند پیشرفتی را که زیست‌شناسان انسانی طی ۵۰ تا ۱۰۰ سال آینده به دست می‌آوردند، در ۵ تا ۱۰ سال فشرده کند و هوش مصنوعی قدرتمند را «کشوری از نوابغ در یک مرکز داده» توصیف میکند [4].
- مأموریت اعلام‌شدهٔ OpenAI این است که AGI به سود همهٔ بشریت باشد [1].
خطرها و نگرانی‌ها
- مقالهٔ ایمنی Google DeepMind خطرهای AGI را در چهار دستهٔ سوءاستفاده، ناهمسویی (misalignment)، خطاها و خطرهای ساختاری گروه‌بندی میکند و بر آسیب‌هایی تمرکز دارد که به اندازه‌ای جدی‌اند که می‌توانند به بشریت آسیب چشمگیری برسانند [10].
- گزارش بین‌المللی ایمنی هوش مصنوعی یادآوری میکند که برخی پژوهشگران و مدیران شرکت‌ها از دست رفتن کنترل را احتمالی جدی می‌دانند، در حالی که دیگران چنین سناریوهایی را نامحتمل می‌شمارند [13].
- در نظرسنجی AAAI، ۸۲ درصد پاسخدهندگان گفتند سامانه‌های AGI که نهادهای خصوصی می‌سازند باید در مالکیت عمومی باشند [9].
در ادامه چه رخ خواهد داد؟
انتظار می‌رود تلاش‌های بیشتری برای تعریف دقیق این اصطلاح با آزمون‌ها، و نه با شعارها، صورت گیرد: چارچوب‌هایی مانند سطوح DeepMind [2] و امتیاز AGI هندریکس [3]، و بنچمارک‌های تازه‌ای مانند ARC-AGI-3 [14]. همچنین انتظار می‌رود هر عرضهٔ مدل تازه، ادعاها و ادعاهای متقابل را دوباره زنده کند، زیرا تعریفها همچنان محل مناقشه‌اند [2][3].
آنچه هنوز نامعلوم است
- اینکه آیا بزرگسازی روش‌های کنونی همچنان به پیشرفت خواهد انجامید؛ امری که بیشتر پاسخدهندگان AAAI در آن تردید دارند [9].
- اینکه آیا کاستی‌های بنیادینی مانند حافظهٔ بلندمدت را می‌توان به‌سرعت برطرف کرد [3].
- اینکه آیا پیش‌بینی‌های پژوهشگران، که میان نظرسنجی ۲۰۲۲ تیم گریس و آخرین نظرسنجی آن ۱۳ سال جلوتر آمد [8]، همچنان جابه‌جا خواهد شد.
برداشتی کاربردی برای غیرمتخصصان: در برابر هر ادعایی مبنی بر اینکه «AGI از راه رسیده است» یا «AGI ناممکن است»، نخست بپرسید از کدام تعریف استفاده شده و چه شواهدی از آن پشتیبانی میکند.
| منبع | تعریف | شیوهٔ ارزیابی |
|---|---|---|
| منشور OpenAI | سامانه‌هایی بسیار خودمختار که در بیشتر کارهای دارای ارزش اقتصادی از انسان بهتر عمل میکنند [1] | سودمندی اقتصادی؛ منشور هیچ آزمونی تعیین نمی‌کند [1] |
| سطوح AGI (پژوهشگران Google DeepMind) | سطوحی از نوظهور تا فرابشری بر پایهٔ عملکرد و عمومیت [2] | صدک‌های بزرگسالان ماهر در طیف گسترده‌ای از کارها [2] |
| تعریفی از AGI (هندریکس و همکاران) | هم‌ترازی با گستردگی و مهارت شناختی یک بزرگسال تحصیل‌کرده [3] | آزمون‌های روان‌سنجی در ده حوزهٔ شناختی [3] |
| هوش مصنوعی قدرتمند (داریو آمودی) | هوشمندتر از یک برندهٔ جایزهٔ نوبل در بیشتر رشته‌های مرتبط [4] | در یک جستار توصیف شده است، نه با یک آزمون رسمی [4] |
| نظرسنجی گریس و همکاران | ماشین‌هایی که در هر کار ممکنی از انسان بهتر عمل میکنند [8] | پیش‌بینی‌های احتمالاتی پژوهشگران [8] |
| چه کسی | زمان اظهار | اظهار |
|---|---|---|
| داریو آمودی | اکتبر ۲۰۲۴ | هوش مصنوعی قدرتمند ممکن است زودتر از ۲۰۲۶ از راه برسد یا بسیار بیشتر طول بکشد [4] |
| دمیس هسابیس | مارس ۲۰۲۵ | AGI طی پنج تا ۱۰ سال آینده شروع به پدیدار شدن خواهد کرد [6] |
| مقالهٔ ایمنی Google DeepMind | آوریل ۲۰۲۵ | محتمل است که سامانه‌های قدرتمند هوش مصنوعی تا ۲۰۳۰ ساخته شوند [10] |
| یان لکان | ژانویهٔ ۲۰۲۶ | هوش مصنوعی در سطح انسان نه در یک یا دو سال آینده و نه بر پایهٔ مدلهای زبانی بزرگ [7] |
| ۲٬۷۷۸ پژوهشگر هوش مصنوعی (گریس و همکاران) | منتشرشده در ۲۰۲۴ | احتمال ۵۰ درصد که ماشینها تا ۲۰۴۷ در همهٔ کارها از انسان بهتر عمل کنند [8] |
| ۴۷۵ پاسخ‌دهندهٔ AAAI | مارس ۲۰۲۵ | ۷۶ درصد می‌گویند بزرگسازی رویکردهای کنونی بعید است به AGI بینجامد [9] |
اشتباه‌های رایج
این تصور که «AGI» یک معنای مورد توافق دارد
راه درست: بررسی کنید از کدام تعریف استفاده شده است؛ تعریف اقتصادی OpenAI [1] و سطوح DeepMind [2] ممکن است یک سامانهٔ واحد را متفاوت ارزیابی کنند.
شاهد دانستن پیش‌بینی‌های مدیران اجرایی
راه درست: آن‌ها را با نظرسنجی‌های پژوهشگران مقایسه کنید که تاریخ‌های دیرتری می‌دهند [8] و دربارهٔ روش‌های کنونی تردید بیشتری دارند [9].
دلیل هوش عمومی دانستن امتیاز بالا در یک بنچمارک
راه درست: پیشرفته‌ترین سامانه‌ها هنوز در برخی کارهای به‌ظاهر ساده شکست می‌خورند و روش‌های برآورد چگونگی و زمان پیدایش توانایی‌های تازه همچنان غیرقابل اعتمادند [13].
یکی دانستن AGI و ابرهوش
راه درست: در مقیاس DeepMind، فرابشری بالاترین سطح و بالاتر از استثنایی است؛ AGI می‌تواند سطوح پایینتر را نیز توصیف کند [2].
این تصور که اعلام AGI از سوی یک شرکت، موضوع را فیصله میدهد
راه درست: حتی توافق Microsoft و OpenAI لازم می‌دانست که یک هیئت کارشناسی مستقل چنین اعلامی را تأیید کند [11].
پرسش‌های پرتکرار
آیا AGI هماکنون وجود دارد؟
هیچ اجماعی بر وجود آن نیست. مقالهٔ سطوح DeepMind چتباتهایی مانند ChatGPT و Gemini را «AGI نوظهور»، یعنی پایینترین سطح، میداند [2] و چارچوب هندریکس به GPT-5 امتیاز ۵۷ درصد از تعریف خود را میدهد [3].
تفاوت هوش مصنوعی و AGI چیست؟
مقالهٔ سطوح DeepMind میان هوش مصنوعی محدود، که برای کاری با دامنهٔ مشخص ساخته شده، و هوش مصنوعی عمومی، که طیف گسترده‌ای از کارها را انجام میدهد، تمایز می‌گذارد و هر دو را هم بر پایهٔ عملکرد و هم بر پایهٔ عمومیت ارزیابی میکند [2]. چت‌بات‌های امروزی در پایینترین سطح عمومی آن، یعنی نوظهور، قرار دارند [2].
آیا ChatGPT یک AGI است؟
بر اساس بیشتر تعریفها، نه. منشور خود OpenAI معیار را بهتر عمل کردن از انسان در بیشتر کارهای دارای ارزش اقتصادی قرار میدهد [1] و امتیازدهی یک گروه پژوهشی بیرونی، GPT-5 را بسیار پایینتر از تعریف هندریکس جای میدهد [3].
واژه‌نامه
- AGI (هوش مصنوعی عمومی)
- هوش مصنوعی‌ای با توانایی گسترده در بیشتر کارهای فکری، در سطح انسان یا بالاتر از آن؛ تعریفها از سازمانی به سازمان دیگر متفاوت است [1][2].
- ابرهوش (Superintelligence)
- هوش مصنوعی‌ای بسیار فراتر از توانایی انسان؛ بالاترین سطح مقیاس DeepMind، یعنی فرابشری، از ۱۰۰ درصد انسان‌ها بهتر عمل میکند [2].
- عملکرد ناهموار (Jagged performance)
- نتایج قوی در برخی کارهای دشوار در کنار شکست در کارهایی که به‌ظاهر ساده‌اند [13].
- بزرگسازی (Scaling)
- بهبود هوش مصنوعی عمدتاً با استفاده از دادهٔ بیشتر، توان محاسباتی بیشتر و مدلهای بزرگ‌تر؛ رویکردی که بسیاری از پاسخدهندگان AAAI تردید دارند به‌تنهایی به AGI برسد [9].
- مدل جهان (World model)
- الگویی درونی از چگونگی کارکرد جهان فیزیکی که به استدلال لکان، مدلهای زبانی بزرگ فاقد آن‌اند [7].
منابع
- OpenAI Charter OpenAI
- Levels of AGI for Operationalizing Progress on the Path to AGI Morris et al., Google DeepMind; Proceedings of ICML 2024 (arXiv, v5) · 2025-09-24
- A Definition of AGI Hendrycks et al. (arXiv) · 2025-10-21
- Machines of Loving Grace Dario Amodei
- Reflections Sam Altman
- AI that can match humans at any task will be here in five to 10 years, Google DeepMind CEO says CNBC via NBC News · 2025-03-17
- Yann LeCun's new venture is a contrarian bet against large language models MIT Technology Review · 2026-01-22
- Thousands of AI Authors on the Future of AI Grace et al. (arXiv) · 2024-01-05
- AAAI 2025 Presidential Panel on the Future of AI Research Association for the Advancement of Artificial Intelligence
- An Approach to Technical AGI Safety and Security Shah et al., Google DeepMind (arXiv) · 2025-04-02
- The next chapter of the Microsoft-OpenAI partnership Microsoft · 2025-10-28
- OpenAI shakes up partnership with Microsoft, capping revenue share payments CNBC · 2026-04-27
- International AI Safety Report 2026: Extended Summary for Policymakers International AI Safety Report (chair: Yoshua Bengio) · 2026-02-03
- ARC Prize 2025: Technical Report Chollet, Knoop, Kamradt, Landers (arXiv) · 2026-01-15
نظرات
نظرهای برتر