Naar het bouwen van gespecialiseerde generalistische AI met fusie van Systeem 1 en Systeem 2
Towards Building Specialized Generalist AI with System 1 and System 2 Fusion
July 11, 2024
Auteurs: Kaiyan Zhang, Biqing Qi, Bowen Zhou
cs.AI
Samenvatting
In dit perspectiefartikel introduceren we het concept van Gespecialiseerde Generalistische Kunstmatige Intelligentie (SGAI of simpelweg SGI) als een cruciale mijlpaal op weg naar Algemene Kunstmatige Intelligentie (AGI). In tegenstelling tot het direct opschalen van algemene vaardigheden, wordt SGI gedefinieerd als AI die gespecialiseerd is in ten minste één taak, waarbij het menselijke experts overtreft, terwijl het ook algemene vaardigheden behoudt. Dit fusiepad stelt SGI in staat om snel hoogwaardige gebieden te bereiken. We categoriseren SGI in drie fasen op basis van het niveau van beheersing van professionele vaardigheden en algemene prestaties. Daarnaast bespreken we de noodzaak van SGI bij het aanpakken van problemen die verband houden met grote taalmodellen, zoals hun onvoldoende algemeenheid, gespecialiseerde capaciteiten, onzekerheid in innovatie en praktische toepassingen. Verder stellen we een conceptueel raamwerk voor voor de ontwikkeling van SGI dat de sterke punten van cognitieve verwerking van Systeem 1 en 2 integreert. Dit raamwerk bestaat uit drie lagen en vier belangrijke componenten, die zich richten op het verbeteren van individuele vaardigheden en het faciliteren van collaboratieve evolutie. We sluiten af met een samenvatting van de mogelijke uitdagingen en suggesties voor toekomstige richtingen. We hopen dat de voorgestelde SGI inzichten zal bieden voor verder onderzoek en toepassingen om AGI te bereiken.
English
In this perspective paper, we introduce the concept of Specialized Generalist
Artificial Intelligence (SGAI or simply SGI) as a crucial milestone toward
Artificial General Intelligence (AGI). Compared to directly scaling general
abilities, SGI is defined as AI that specializes in at least one task,
surpassing human experts, while also retaining general abilities. This fusion
path enables SGI to rapidly achieve high-value areas. We categorize SGI into
three stages based on the level of mastery over professional skills and
generality performance. Additionally, we discuss the necessity of SGI in
addressing issues associated with large language models, such as their
insufficient generality, specialized capabilities, uncertainty in innovation,
and practical applications. Furthermore, we propose a conceptual framework for
developing SGI that integrates the strengths of Systems 1 and 2 cognitive
processing. This framework comprises three layers and four key components,
which focus on enhancing individual abilities and facilitating collaborative
evolution. We conclude by summarizing the potential challenges and suggesting
future directions. We hope that the proposed SGI will provide insights into
further research and applications towards achieving AGI.