Содержание проекта
Проект направлен на создание программ и устройств, способных продемонстрировать работоспособность излагаемых ниже идей, формирующих комплекс технических решений по созданию сильного (общего) ИИ – AGI (artificial general intelligence). Выполнение проекта позволит конкретизовать предлагаемые идеи и алгоритмы, сделать их доступными для понимания путём ознакомления с работающими моделями отдельных элементов. В свою очередь, реализация идей в виде алгоритмов и устройств позволит авторам проекта внести уточнения в общее представление о структуре и взаимодействии элементов AGI.
Положительным результатом проекта должен стать комплекс работающих элементов AGI и моделей их попарного взаимодействия, способный вызвать интерес у ведущих информационных компаний к развитию предлагаемых авторами идей.
В качестве примера успешной реализации аналогичных проектов можно указать деятельность организованного в 2012 г. стартапа под руководством Д. Хассабиса – фирмы DeepMind, которая была приобретена компанией Google.
Актуальность задачи
Прогресс в развитии ИИ после нейросетевой революции 2010-2012 гг. привели к тому, что всё чаще возникают идеи перейти от успешного решения узких «интеллектуальных задач к работам, направленным на создание AGI (artificial general intelligence). Как сказал Герман Греф на конференции AIJ-2019: «С этого года стало прилично всерьёз обсуждать AGI!».
В ведущих информационных компаниях и в ряде передовых стран это осознали заметно раньше, и в настоящее время в мире и России ведётся ряд проектов, в той или иной мере имеющих целью создание AGI. Каждый проект по-своему интересен и вносит определённый вклад в развитие идей AGI.
В то же время, многие ведущие разработчики ИИ, включая лауреатов премии Тьюринга 2019 г, отмечают, что большинство используемых при разработке проектов AGI идей, хорошо зарекомендовавших себя в устройствах ИИ, решающих частные задачи, имеют ограничения. Теоретически всеми приветствуется выдвижение новых идей, но на практике у менеджеров и инвесторов находят понимание только идеи, подкреплённые работающими (хотя бы демонстрационными) моделями.
Получается замкнутый круг, когда на разработку даже демонстрационных моделей необходимы финансово обеспеченные трудозатраты, а менеджеры и инвесторы поддерживаю только показавшие свою работоспособность идеи. Выход видится в развитии проектов для демонстрации работоспособности идей, направленных на создание AGI. Это, конечно, рискованный бизнес, поскольку нет гарантий, что демонстрируемые идеи удастся продать компаниям, способным выделять более серьёзные вложения, которые потребуются для реализации идей в реальных продуктах.
Авторы выражают надежду, что в предлагаемом комплексе взаимосвязанных идей для реализации AGI инвесторы смогут увидеть не столько теоретические, но и коммерческие перспективы внедрения агентов AGI. Или, как минимум, возможность вызвать интерес крупных информационных компаний к идеям, демонстрационные модели которых предстоит разработать.
Сложности создания определения AGI
К настоящему моменту предложено очень много различных определений AGI – сильного ИИ И устоявшийся, общепринятый взгляд на данный вопрос пока не сложился. Но более-менее общая идея состоит в том, что это должен быть интеллект не ниже человеческого уровня (HLAI – human level AI) и обладать способностью к самосовершенствованию. Причём, в отличие от биологического интеллекта AGI будет иметь возможность не только улучшать свои знания и основанные на них действия, но и повышать эффективность своей системы преобразования информации путями, отличными от эволюционных.
Авторы проекта считают важными все аспекты создания и дальнейшего развития AGI. Но основной целью проекта является разработка демонстрационных моделей, необходимых составных элементов для создания AGI. Исследование и моделирование социальных последствий создания AGI может составить продолжение данной работы и в настоящий проект не входят. Тем не менее, при формулировке определений и требований к агентам AGI вопросы их взаимодействия с человеческим сообществом и необходимость выполнения цивилизационных норм учитывались.
Основным спорным вопросом между различными авторами определений AGI составляет выбор набора действий, которые AGI должен научиться выполнять не хуже человека. В древние времена любая деятельность не связанная с физическим трудом считалась интеллектуальной. Паскаль и Лейбниц, создавшие в XVII веке механические арифмометры считали их машинами, осуществляющими интеллектуальные операции. Чарльз Бэббидж, Алан Тьюринг и ряд других учёных, занимавшихся алгоритмами и обработкой информации, как минимум, интересовались вопросами моделирования интеллектуальной деятельности человека и строили прогнозы о возможности построения HLAI. Появление ЭВМ перевело вопрос в практическую плоскость создания устройств, имитирующих интеллектуальную деятельность без привлечения (спрятанного в них) человека для выполнения «умственной» работы. Одной из проблем определения AGI является постепенное сокращение числа операций, которые принято относить к интеллектуальным. Вычисления и выполнение алгоритмов давно вышли из этого списка и почти все успешно автоматизируемые операции являются кандидатами на исключение.
Это явление усложняет формулировку не только определения AGI, но и понимание того, что такое интеллектуальная деятельность вообще. Если удастся построить AGI, удовлетворяющий, как минимум требованиям AGI, то есть способный выполнять любые действия, доступные человеку, то, согласно сложившейся традиции, интеллектуальной деятельности не останется совсем.
Представляется, что подход к оценке «интеллектуальности» действий на основе невозможности их выполнения без участия человека не конструктивен. Степень интеллектуальности действий связана с использованием необходимых для их выполнения знаний, их широтой и уровнем абстракции (отсутствием прямой связи с используемыми данными). При этом применение знаний должно обуславливаться возникающими ситуациями, сложность которых не должна позволять описать все возможные варианты ситуаций инструкцией, списком или таблицей. Попытка сформулировать определение AGI на такой основе делается в следующем разделе.
Другой стороной сложности формулировки определения AGI является различие между людьми по способностям и возможностям. «Вся цивилизация создана человеком», это так, но в данной фразе человек – это просто собирательный образ многих поколений людей, знания и результаты труда которых мы используем. Отдельный же человек очень слаб, значительную, как физическую, и интеллектуальную силу имеют большие, обладающие многоступенчатой иерархией группы людей (организации), способные обмениваться большими объёмами информации, использовать ранее накопленные и создавать новые знания. Именно эти свойства, с точки зрения авторов проекта, позволили человечеству возвыситься над животным миром, стать хозяевами планеты. Но отдельный человек остался слабым и даже если рассматривать только крайне небольшой процент (от общего числа) людей, внесших заметный вклад в историю человечества. Выдающиеся результаты каждого из них были бы невозможны без использования знаний и труда их предшественников и современников.
Более того, улучшение условий жизни и труда, гигиены и здравоохранения приводят к значительному снижению требований естественного отбора. С одной стороны, это резко увеличило количество живущих на планете людей, с другой – процент людей, способных выжить вне благ цивилизации стремительно сокращается. Разделение труда (как на производстве, так и в научной деятельности) позволяет решать всё более сложные задачи. Но суммарная интеллектуальная нагрузка на одного человека не увеличивается: больше затрат на решение связанных с основной деятельностью задач удаётся выделять путём уменьшения остальных затрат. С каждым годом мы всё меньше усилий вкладываем в обеспечение себя питанием, одеждой, жилищем и прочими, напрямую не связанными с основной работой потребностями. Углубление разделения труда позволяет нам во всё большей степени отказываться от самостоятельного создания необходимых нам благ, а использовать результаты знаний и труда людей, имеющих узкую специализацию.
По мнению авторов проекта, агенты AGI, удовлетворяющие, как минимум требованиям HLAI, должны оцениваться в первую очередь по способности включиться в исторически проверенный путь развития цивилизации – углубление разделения труда и конкуренцию – на уровне человека или выше. Ниже будет изложен ряд причин, по которым обеспечение для агентов AGI возможности осваивать и использовать полученные людьми и другими агентами AGI знания и обмениваться результатами обработки текущей информации являются важнейшими требованиями к интеллектуальным агентам.
Другим важным требованием к агентам AGI является наличие возможности формировать новые, иерархически организованные знания, которые не совпадают с уже освоенными знаниями. Важность данного требования для формирования действий в мире, в котором сложные сцены и явления не повторяются и не могут быть сформированы грубым «силовым» применением статистики, будет подробнее обсуждаться ниже. Отметим только, что данная возможность должна обеспечивать выбор рациональных действий в ситуациях, когда ранее полученные знания такой выбор осуществить не позволяют.
Третьей важной группой требований к агентам AGI авторы проекта считают способность к формированию сложных, иерархически организованных целей, которые агенты AGI должны уметь строить не только для удовлетворения собственных (заложенных в них, внутренних) потребностей, но и с учётом цивилизационных норм общества, в котором они функционируют. Требование «учёта цивилизационных норм» предполагает наличие у агентов AGI чувств (не сенсоров, а эмоциональных, как позитивных, так и негативных оценок), которые влияют на поведение агента и служат инструментом согласования целей агентов AGI и общества.
Все три группы требований относятся к агентам AGI, удовлетворяющим, как минимум требованиям HLAI. Животные в разной степени тоже могут обладать интеллектом, но им недоступна многоуровневая иерархия организации знаний, построения целей и в организации структуры их сообществ.
Есть и ряд других, не менее важных требований, которые будут рассмотрены в разделе «Проблемы построения AGI и предлагаемые пути их решения». Но они скорее уточняют некоторые моменты выполнения вышеперечисленных трёх групп требований, которые, с точки зрения авторов проекта, составляют основу для формирования определения AGI. И, что существенно, дополнительные требования относятся не только к агентам AGI, но и ко всем рациональным агентам, в том числе не обладающим интеллектом.
Определение AGI
Приведённые выше рассуждения о сложности формирования определения AGI являются только описанием некоторых свойств этого определения. В описание использовались допускающие разнообразную трактовку понятия, такие как знания, интеллект, цели и др. без формулировки определений, что это такое.
Прежде чем приступать к формулировке определения AGI, необходимо дать определения этим и некоторым другим понятиям. Авторы проекта не претендуют ни на новизну, ни на абсолютную правильность определений рассматриваемых понятий. Просто для понимания предлагаемого ниже определения AGI необходимо описать, какие значения авторы проекта вкладывают в используемые в нём слова.
Интеллект
Центральным в определении AGI является понятие «интеллект». В древности всё было просто: любая деятельность, отличная от физической, считалась интеллектуальной. Но появление и развитие алгоритмов, широкое внедрение информационных устройств в повседневную жизнь привело к стойкому сомнению в интеллектуальности действий микросхем, выполняющих преобразования данных по жёстко заданному алгоритму.
Проблема состоит в том, что все современные и перспективные «интеллектуальные» устройства именно так и работают. Даже если они непредсказуемо эволюционируют, меняя на основании поступающих данных не только параметры, но и набор заложенных в алгоритмы действий, используя при этом физический (не заданный алгоритмом) генератор случайных чисел – все равно это является выполнением заложенного в устройство алгоритма.
Авторы проекта предлагают не спорить с древними и признать выполнение любых алгоритмов за интеллектуальные действия, но считать такой интеллект слабым или узким. Сильным интеллектом алгоритмы делает довольно длинный список свойств, которыми, по мнению авторов проекта должны обладать используемые в AGI алгоритмы. Безусловно, такое грубое деление алгоритмов по степени интеллектуальности на 2 класса (слабых (узких) и сильных (общих)) является чрезмерно грубым. Внутри каждого из этих классов возможно определение более тонких градаций по уровню «интеллектуальности». И ниже будет указано отличие современных представлений о слабом (узком) ИИ от древних. Но составление разветвлённых классификаций не является целью проекта, поэтому в нём только проводится граница, которая, по мнению авторов, отделяет сильный ИИ (AGI) от слабого.
Данные
Данными будем называть любое описание свойств объектов и явлений (потенциально) доступное для обработки алгоритмами. В современной технике данные принято представлять в цифровой форме, но возможны и другие виды представления данных.
Если данные доступны потенциально, то должен существовать (практически реализуемый) способ преобразования их в форму, доступную для обработки алгоритмами.
Данные могут как непосредственно формироваться наблюдением за их источником, так и храниться на запоминающем устройстве. Для их использования необходимо, чтобы они поступали на устройство, осуществляющее их алгоритмическую обработку.
Наличие или отсутствие в данных полезной информации определяется содержанием задачи, для решения которой осуществляется их (алгоритмическая) обработка.
Информация
Информация – это результат обработки данных, который позволяет устранить неопределённости выбора в решаемой задаче. Минимальное количество информации – 1 бит – устраняет неопределённость выбора «да-нет» или, что то же самое, «правда-ложь».
Информация извлекается из данных с целью решения конкретной задачи. При этом задача может быть любой, в том числе и получение знаний, которые представляют собой особый класс информации.
Знания
Знания – это такая информация, которая описывает свойства наблюдаемых объектов и явлений и позволяет прогнозировать изменения (как частный случай – сохранение неизменными) их состояний.
Направленность информации (и её специальной формы – знаний) на решение конкретных задач не означает невозможность их использования при решении других задач. Более того, увеличения степени информированности и объёма знаний позволяет решать более широкий круг задач с использованием меньшего объёма обработки данных.
Формы представления данных, информации и знаний могут совпадать, поэтому в бытовой речи эти слова являются почти синонимами. Именно значимость подаваемых на вход обрабатывающего устройства сигналов в рамках решаемой задачи позволяет отнести их тому или другому виду. Но в целом, данные имеют наибольший объём и относительно низкую удельную полезность (в расчёте на 1 бит), информация, как правило, применима к конкретной задаче и имеет меньший объём и большую удельную полезность, а знания имеют более широкую область применения, минимальный объём и самую высокую удельную полезность.
Но всё относительно! При решении сложных задач наибольшей ценностью обладают те данные, информация или знания, которых не хватает для решения поставленной задачи!
Тем не менее, авторы проекта считают, что именно работа со знаниями и создание новых знаний (плюс формирование целей) составляют центральные проблемы создания агентов AGI и основная цель проекта – демонстрация возможности найти алгоритмические решения для данных проблем.
Простые знания
Знания нужно выделять из потока сенсорной информации и представлять в виде описаний объектов и явлений. Если объекты и явления простые (могут быть описаны небольшим (2-6) числом переменных), то для выявления наличия зависимости между наблюдаемыми параметрами не потребуется очень большая статистика по данным наблюдения. Наблюдаемые состояния будут повторяться, что позволит создать статистически достоверное описание объекта или явления.
Основной проблемой для получения знаний о простых объектах и явлениях является выделение их из сложных сцен, на фоне которых они могут наблюдаться или создание условий наблюдения в изолированных условиях (для этого тоже сперва нужно выделить простой объект или явление в сложной сцене, а уже потом воспроизвести его в экспериментальных условиях).
Выделение простых объектов и явлений на фоне сложных сцен принято называть функцией внимания. Вопросы формирования внимания требуют дальнейшего изучения и в проекте предлагаются идеи по алгоритмической реализации внимания. Но вопрос не новый, исследуется давно и в современных моделях ИИ на нейросетевой основе использование функции внимания (имеющей различные алгоритмические механизмы реализации) является почти стандартным приёмом для улучшения показателей эффективности работы систем ИИ.
Составные знания
Если сложный объект или явление удаётся разделить на несколько простых компонент, то для каждой части появляется возможность построить статистическое достоверное описание. То есть получить знания, позволяющие прогнозировать изменение состояний каждой из частей при внешних воздействиях (или их отсутствии).
Имея знания о свойствах каждой компоненты сложного объекта или явления, можно получить возможность прогнозировать поведение сложного объекта в целом. То есть зная внешние воздействия и свойства взаимодействия между отдельными частями объекта можно предсказать, как будет меняться его состояния. Такой подход сейчас реализуется в «цифровых двойниках» самолётов и других ответственных систем и позволяет по степени совпадения поведения «двойника» с реальным объектом судить об исправности объекта.
Сложные знания
Следует отметить, что «составные знания» не позволяют автоматически получить «сложные знания», то есть разносторонние знания о сложных объектах и явлениях. Хотя «составные знания» позволяют предсказывать поведения сложных объектов в любом состоянии в широком диапазоне различных воздействий, но достоверность таких предсказаний опытом статистически не подтверждена.
Так, если при использовании цифрового двойника выявляются расхождения между моделью и объектом, то причин может быть две: а) неисправность объекта; б) неадекватность используемой модели реальному объекту в данном диапазоне параметров. Поскольку у сложных объектов и явлений параметров много, то статистически проверить адекватность «составных знаний» реальному объекту остаётся статистически недоступным.
Цели
Нет абсолютной информации или знаний, их ценность определяется задачами, решение которых в свою очередь преследует некоторые цели. Распространено мнение, что только человек способен формировать цели, а ИИ может только достигать или выявлять поставленные извне цели. Пока речь шла про слабый (узкий) ИИ с таким мнением можно было смириться, но агенты AGI, удовлетворяющие, как минимум требованиям HLAI, должны уметь делать всё, что может человек, значит и ставить цели тоже.
В реальном мире просто выполняются физические законы и, пока жизни не было, никаких целей развития не существовало. Появление углеродной жизни вроде бы дало некоторую цель: воспроизведение кода ДНК. Но это не цель, а свойство – жизнь вида поддерживают только особи, сумевшие воспроизвести свой ДНК!
Способность людей к постановке индивидуальных целей и их согласованию с требованиями общества, в котором они живут, определяется не только полученными воспитанием и образованием. Значительную роль играют врождённые свойства: структура и свойства нервной системы в целом, в особенности – центров удовольствия, которые непосредственно генерируют (эмоциональные) оценки целей и результатов поведения.
Механизм формирования индивидуальных целей у животных и человека активно изучается. В сетях формальных нейронов и в ИИ в целом тоже выполняются работы по моделированию процесса формирования целей. Но пока эта тематика не стала одним из центральных вопросов в проблеме построения агентов AGI, чего, на взгляд авторов проекта, она вполне заслуживает.
Способность формировать индивидуальные цели с учётом как встроенных потребностей, так и цивилизационных норм является одним из трёх основных требований к агентам AGI. В проекте предлагается способ алгоритмической реализации данной способности и содержание модели, способной продемонстрировать его работоспособность.
Слабый (узкий) ИИ в современном понимании
Более чем полувековой опыт развития ИИ привёл к пониманию, что сам факт реализации преобразований данных в информацию и знания с использованием созданных человеком цифровых (или другой природы) устройств не является убедительным доказательством их «интеллектуальности». Нейросетевая революция в ИИ 2010-2012 гг. значительно добавила энтузиазма разработчикам ИИ. Теперь принято считать интеллектуальными системы обработки данных, в которых вид преобразования данных определяются в большей степени результатами обучения на примерах, а не заложенными в неё разработчиками алгоритмами (хотя их роль тоже не вызывает сомнения).
Сейчас использование нейросетевых методов в создании устройств ИИ рассматривают как новый стиль программирования: современные разработчики освобождены от необходимости изучать большое количество образцов входных и выходных сигналов, этим занимаются создаваемые ими программы и устройства, в которых реализованы нейросетевые алгоритмы. В устройства закладываются только алгоритмы, способные адаптивно настраивать миллиарды параметров (и прогнозируется, что в следующем году число таких параметров превысит триллиард). Поскольку и сами алгоритмы, закладываемые в систему однородные, и накоплены значительные библиотеки подпрограмм таких алгоритмов, объём работы живых программистов значительно сокращается.
За 10 лет после начала нейросетевой революции в ИИ достигнуты потрясающие успехи в развитии «интеллектуальных» приложений, каковыми теперь (по факту) считаются задачи, решение которых без применения нейросетевых технологий требует чрезмерно больших затрат человеческого труда по исследованию особенностей задачи и учета выявленных свойств в алгоритмах обработки данных. Это делает решение таких задач традиционными методами коммерчески неэффективными, в то время как применение нейросетевых алгоритмов позволяет решить проблему.
Нельзя сказать, что современное представление об «интеллектуальности» алгоритмов безосновательно. Действительно, обучение нейросетевых преобразователей на примерах позволяет переложить на них важную функцию, ранее доступную только человеку – статистическое выделение свойств преобразований на основе обучающих примеров достаточно сложной природы. Но, за 10 лет успехов выявился и ряд недостатков статистического нейросетевого подхода, которые не позволяют применять его к произвольным по сложности задачам.
Главной проблемой остаётся экспоненциальный рост с увеличением сложности решаемой задачи количества необходимых для обучения нейросетевых алгоритмов данных. Превосходство современной вычислительной техники над человеком по скорости обработки данных, точности и объёму памяти составляет много десятичных порядков. Это позволяет рассматривать задачи статистического выявления знаний, которые для человека являются сложными и требуют декомпозиции, как простые, доступные для решения без разбиения на подзадачи.
Не следует думать, что всё так просто. Если бы удалось решать задачи, создав сеть из тысячи слоёв по миллиону нейронов в каждом, то достигнутые «эмерджентные» результаты легко можно было бы свести к быстродействию техники, доступности больших объёмов обучающих данных и однородности нейросетевых алгоритмов. Но в реальности приходится использовать свёрточные, рекуррентные и прочие более сложные модели многослойных сетей, не говоря про GPT-3, как лидера сложности. Использование всё более разветвлённых и неоднородных структур нейросетевых моделей, всё более широкое применение ключей (gates) при передаче сигналов между слоями и внедрение механизмов внимания в современных разработках указывают на то, что одними статистическими методами успехов добиваться больше не удаётся. Впрочем, и начало нейросетевой революции в ИИ удивительным образом совпало с внедрением в структуру глубоких нейросетей свёрточных и рекуррентных слоёв.
Высказывается мнение, что усложнение структуры глубоких нейросетей позволяет им в процессе обучения лучше формировать декомпозицию решаемых задач на несколько более простых. Но, поскольку декомпозиция задач является не детерминированным, а вероятностным свойством слоёв и значение вероятности такого явления невелико, большую вероятность решать сложные задачи имеют нейросети с сотнями и даже тысячами нейронных слоёв. Проводится аналогия с лотереей: чем больше билетов куплено, тем выше вероятность выигрыша, в данном случае – осуществления декомпозиции сложной задачи на несколько более простых.
Авторы проекта считают, что дальнейший прогресс нейросетевого подхода будет связан с повышением вероятности декомпозиции на одном слое или как предлагается в данном проекте – обеспечению детерминированного процесса декомпозиции, что должно позволить значительно уменьшить число слоёв обработки данных при одновременном повышении сложности решаемых задач.
Сильный (общий) ИИ – AGI
Как уже отмечалось выше, предложено очень много различных определений сильного искусственного интеллекта – AGI, но ни одно из определений не стало общепринятым. Авторы проекта не надеются, что предложенное ими определение, наконец, понравится всем, тем не менее, считают полезным высказать несколько соображений, почему не удалось воспользоваться ни одним из большого числа опубликованных ранее.
Как было отмечено в самом начале, при определении AGI наименьшее количество возражений вызывает утверждение, что это должен быть интеллект не ниже уровня HLAI и при этом обладать способностью к самосовершенствованию. Но, поскольку уровень HLAI тоже не имеет строгого определения и какая степень способности к самосовершенствованию для AGI достаточна тоже не понятно, то делаются попытки просто замолчать данные проблемы и дать по возможности короткое определение, не связанные ни с человеческим уровнем, ни с самосовершенствованием, например:
(Агент AGI должен обладать следующим набором возможностей) Достижение сложных целей в различных сложных средах, используя ограниченные ресурсы и минимизируя риски.
Вроде бы ёмко, кратко и выразительно… Но легко заметить, что такого рода определения подходят не только для агентов AGI не ниже уровня HLAI. Например, любой процесс достижения термодинамического равновесия проходит в сложной среде, равновесие – сложная цель, ресурсы – ограничены, риски – минимальны… А если взять живую природу, то не только мышка, но и рыбка, и амёба, и вирус – всё прекрасно подойдёт под такое определение, применимая к достаточно широкому классу рациональных действий..
Есть противоположное направление: Научить AGI делать лучше людей всё то, в чём люди в настоящее время превосходят ИИ.
Тоже очень кратко, ёмко и всё охвачено. Но определение не конструктивно – оно не даёт ответа на вопросы: чему конкретно надо учить AGI, какие возможности в него закладывать, кто должен определять полноту списка ВСЕХ возможностей людей?!
Вероятно можно найти более удачные определения AGI, но авторам проекта не удалось встретить определений, дающих ответ на два основных вопроса:
При этом сравнение идёт не с диким человеком, воспитанным среди животных на необитаемом острове, а с образованным человеком, выросшем в цивилизованном обществе.
С точки зрения авторов проекта, ответы на эти вопросы состоят в следующем:
На основе ответов на поставленные вопросы можно в целом сформулировать определение требований к системе ИИ, чтобы её можно было признать агентом AGI не ниже уровня HLAI:
Агентом AGI можно считать систему ИИ, способную при построении своего поведения использовать знания, об окружающем мире, полученные другими агентами AGI или людьми, формировать эти знания в сложные иерархические структуры представления знаний и создавать новые знания о простых объектах и явлениях на основе достоверных статистических наблюдений.
Естественно, что авторы проекта не считают данное определение достаточно конструктивным или исчерпывающим, вопросам по конкретным путям реализации этого определения агентов AGI как раз и посвящён данный проект. Более того, при разборе проблем, которые необходимо для этого решить, будет указано на ряд дополнительных свойств, которыми должны обладать агенты AGI не ниже уровня HLAI. Но на основные требования, предъявляемые к определению агентов AGI оно отвечает (почему не ниже уровня HLAI и какой необходим уровень самоорганизации)