Mesterséges Általános Intelligencia: Valóság vagy Vízió?

2024 végén egyre hangosabbak azok a jóslatok, amelyek szerint a közeljövőben átlépjük a küszöböt: elérjük a Mesterséges Általános Intelligencia (MÁI, angolul AGI) korszakát. Sam Altman (OpenAI) 2025-re teszi a határátlépést, míg Elon Musk óvatosabb és csak 2026-ra jósolja az áttörést. ​A szenzációra hajtó közmédia ezeket az áttörésre utaló előrejelzéseket gyakran úgy tálalja, mintha ez egyfajta tudományos apokalipszis lenne – egy önálló akaratú, autonóm szuperintelligencia megjelenése, amely akár az emberiséget is veszélyeztetheti. De vajon mennyire pontos ez a kép? Mi a különbség a jelenlegi generatív mesterséges intelligencia (GMI) és a feltételezett MÁI között? És legfőképp: valóban a küszöbön állunk, vagy csak egy újabb félreértés épül fel a technológiai fejlődés köré?

Generatív MI: A Minta és a Statisztika Mestere

A mai mesterséges intelligencia, amit például a GPT-modellek testesítenek meg, generatív rendszerek. Ezek a modellek gigantikus mennyiségű adatot – szövegek, képek, hangok tömkelegét – használják fel arra, hogy statisztikai összefüggések mentén új tartalmakat hozzanak létre az ember kérésének megfelelően.

Egy generatív MI nem gondolkodik, nem reflektál önmagára, nem változtat stratégiát, ha zsákutcába kerül, és semmmiképpen nem önálló. A hatalmas korpuszból nyert szabályokat alkalmazza új és új helyzetekre, de csak addig a határig, ameddig ezek a szabályok terjednek, amíg azt a betanítás lehetővé teszi. Mindezt elképesztő adat- és energiaigénnyel teszi, hiszen a sikeressége azon múlik, milyen mélyek a statisztikai mintázatok és milyen pontosak az azokból levont következtetések.

Ez az MI tehát nem képes kilépni a tanítási keretek közül, nem képes új problémamegoldási módszereket kidolgozni, és nem rendelkezik olyan rugalmas absztrakciós képességekkel, mint az emberi elme.

Az Emberi Intelligencia Rugalmassága

Az emberi intelligencia lényege éppen az, hogy képes minimális előzetes ismeretek alapján ismeretlen problémákat megoldani. Az ember képes absztrahálni, kreatívan hibázni, majd ezekből a hibákból tanulni. Vagyis az emberi gondolkodás egy dinamikus, önkorrekcióra és önreflexióra építő folyamatnak tekinthető, amely nem szorítkozik pusztán statisztikai mintázatok felismerésére.

 Ez a fajta intelligencia nem korlátozódik egyetlen területre, hanem képes a szabályok közötti átjárásra, a kontextusok újraértelmezésére és a célok folyamatos újradefiniálására. Az emberi elme felismeri szükségleteit, ezeket célokká formálja, majd megtervezi, hogyan is érje el ezeket a célokat. És ez az, ami egyelőre teljes mértékben hiányzik a mai generatív MI-rendszerekből.

Mesterséges Általános Intelligencia (AGI): Tényleg itt van?

Amikor az AGI-ról beszélünk, gyakran két különböző dologra gondolhatunk. Egyrészt létezik egy utópisztikus kép: egy gép, amely autonóm célokat tűz ki, saját döntéseket hoz, és képes bármilyen problémát emberi szinten (vagy inkább azon túl) megoldani. Ez a kép azonban egyelőre tudományos fantasztikum.

Másrészt létezik egy sokkal pragmatikusabb megközelítés: az AGI olyan rendszer, amely képes a tanulási kereteit meghaladni, stratégiát váltani, ha egy megoldás nem működik, és olyan problémákat is megoldani, amelyekkel korábban sosem találkozott, amelyikre a betanítás során nem készítették fel.

Az OpenAI o3 modellje például az ARC Benchmark teszten már 85%-os pontosságot ért el, ami az emberi kognitív teljesítmény határait súrolja. Ez a 85%-os eredmény lenyűgöző, de még mindig nem jelenti azt, hogy autonóm, öncélú rendszerekről beszélhetünk. Csak annyit, hogy egy olyan feladatot, amit egyébként egy ember könnyen meg tud oldani egy kis józan ésszel, ám amivel az eddigi generatív MI modellek nem tudtak megbirkózni, most már jó arányban sikerül elvégezni.

A Kritériumok Természete: Hérakleitosz folyója

A mesterséges intelligencia mérésére használt kritériumokat tekinthetjük történetiségükben, hiszen folyamatosan változnak, ahogy a technológia fejlődik. Gondoljunk csak a Turing-tesztre: egykor az volt a mérce, hogy egy gép képes-e úgy kommunikálni, hogy összetéveszthető legyen egy emberrel. Ma már ez triviális cél.

A kihívás most nem a megtévesztés, hanem a rugalmas, önálló problémamegoldás. De még az ennek mérésére használt kritériumokat is, amik nem valamiféle eleve adottságok, emberek határozzák meg. Emberek definiálják, hogy mit tekintünk emberi probléma-megoldásnak, és ez alapján milyen kritériumokat állítunk fel, milyen problémák megoldását tartjuk relevánsnak, és milyen százalékot tekintünk küszöbértéknek. Az ARC Benchmark is folyamatosan javítja, pontosítja, alakítja tesztjeit.

Hol Vagyunk Most?

A jelenlegi MI-rendszerek rendkívül fejlettek, de még mindig szigorúan az ember által kijelölt keretek között mozognak. A technológiai fejlődés üteme lenyűgöző, és az MI egyre összetettebb problémákat képes megoldani – de az MÁI, mint önálló, autonóm rendszer, amelynek szükségletei vannak, ezeket felismeri, majd célokká formálja, aztán megtervezi, hogyan is érje el ezeket a célokat, végül kivitelezi a tervet, még mindig az elmélet horizontján dereng, nem pedig az ajtón kopogtat.

A legfontosabb tehát az, hogy pontosan értsük: mit várunk a mesterséges intelligenciától, és milyen kritériumok alapján ítéljük meg annak képességeit. Az előttünk álló kihívás nem az, hogy elrettenjünk az MI fejlődésétől, hogy pontatlanul, reflektálatlanul használt terminusok miatt az emberiség egy részét megrémítsük, hanem hogy megértsük, mi is az, amivel együtt kell éljünk, dolgozzunk.