AGI، ASI و ANI — انواع هوش مصنوعی به زبان ساده

وقتی توی اخبار می‌خونی که «هوش مصنوعی دارد به انسان نزدیک می‌شه» یا «AGI تا پنج سال دیگه می‌رسه»، دقیقاً از چی حرف می‌زنن؟ سه تا اصطلاح هست که خیلی‌ها قاطی‌شون می‌کنن: ANI، AGI و ASI. فهمیدن تفاوتشون برای اینکه هایپ رو از واقعیت جدا کنی ضروریه.

ANI — هوش مصنوعی باریک (Artificial Narrow Intelligence)

همه چیزی که الان وجود داره ANI هست. ChatGPT، Gemini، Claude، Midjourney، سیستم توصیه نتفلیکس، تشخیص چهره گوشیت — همه ANI هستن.

ANI یعنی یه هوش که در یه حوزه خاص می‌تونه خیلی خوب کار کنه، ولی بیرون از اون حوزه‌اش هیچی بلد نیست. مثلاً:

• AlphaGo از Lee Sedol برنده شد، ولی نمی‌تونه بپرسه «امروز هوا چطوره؟»
• GPT-4 می‌تونه کد بنویسه، ولی نمی‌تونه یه ماشین رو براندازه
• سیستم تشخیص تومور یه رادیولوژیست رو شکست می‌ده، ولی نمی‌فهمه بیمار چی داره می‌گه

این محدودیت «باریکی» اصلاً به معنی بی‌خطر بودن نیست. یه ANI قوی می‌تونه اقتصاد بازار کار رو متحول کنه، حتی اگه AGI هرگز نیاد.

AGI — هوش مصنوعی عمومی (Artificial General Intelligence)

AGI هنوز وجود نداره. یه هایپوتز هست نه یه محصول.

تعریفش اینه: یه سیستم هوش مصنوعی که بتونه هر وظیفه‌ای که یه انسان انجام می‌ده رو انجام بده — از نوشتن شعر گرفته تا رانندگی، از تحقیق علمی گرفته تا مذاکره اجتماعی — و بتونه بین حوزه‌ها transfer کنه.

مهم‌ترین چیز درباره AGI اینه که هیچ consensus علمی روی تعریف دقیقش وجود نداره. آیا یه سیستم باید consciousness داشته باشه؟ آیا باید emotions بفهمه؟ آیا کافیه که در همه benchmark های انسانی بهتر باشه؟

چند تا موضع رسمی:

• Demis Hassabis (مدیر Google DeepMind): AGI تا ده سال آینده ممکنه. اما تعریفش هم unclear هست.
• Yann LeCun (Meta AI): معتقده LLMها اصلاً مسیر درست AGI نیستن و نیاز به معماری کاملاً متفاوتی داریم.
• Sam Altman (OpenAI): گفته OpenAI ممکنه تا چند سال دیگه به AGI برسه — ولی این تعریفش از AGI با بقیه فرق می‌کنه.
• Anthropic: رویکرد محتاطانه‌تری داره و بیشتر روی safety تمرکز می‌کنه تا race به AGI.

ASI — هوش مصنوعی فراانسانی (Artificial Superintelligence)

ASI از AGI هم فراتره. اگه AGI بگیم هوشی به سطح انسان، ASI هوشیه که از هر انسانی در هر حوزه‌ای بهتره — نه کمی بهتر، بلکه به طرز تصاعدی.

Nick Bostrom در کتاب Superintelligence (2014) این scenario رو مطرح کرد: وقتی یه AGI به وجود بیاد، می‌تونه خودش رو ارتقاء بده و این recursive self-improvement می‌تونه تصاعدی پیش بره (intelligence explosion). نتیجه؟ یه موجودی که ما نمی‌تونیم درکش کنیم.

ASI هنوز کاملاً توی حوزه theoretical و science fiction هست. ولی همین احتمال نظری باعث شده که کسایی مثل Geoffrey Hinton و آزمایشگاه‌هایی مثل MIRI (Machine Intelligence Research Institute) روی آینده‌های ممکن فکر کنن.

کجا هستیم الان؟

یه نگاه صادقانه به وضعیت ۲۰۲۵-۲۰۲۶:

مدل‌های زبانی بزرگ مثل GPT-4o، Claude 3.5 Sonnet، Gemini 2.0 — همه ANI هستن، حتی اگه کارهاشون خیره‌کننده باشه. اینا در محدوده‌ی language tasks فوق‌العاده هستن ولی common sense ای که یه بچه ۵ ساله داره رو ندارن.

مدل‌های reasoning مثل o1 و o3 از OpenAI یا Claude 3.7 با extended thinking یه قدم جلوتر رفتن — می‌تونن مرحله‌به‌مرحله فکر کنن و مشکلات پیچیده‌تری حل کنن. ولی هنوز domain-specific هستن.

Agentic systems مثل ایجنت‌هایی که task های بلندمدت انجام می‌دن دارن مرز ANI رو کمی گسترش می‌دن — ولی هنوز خیلی دور از AGI.

چرا این سه‌گانه اهمیت عملی داره؟

وقتی یه شرکت ادعا می‌کنه «ما داریم به AGI نزدیک می‌شیم»، یا وقتی یه خبر می‌خونی که «AI تا ۲۰۲۸ همه مشاغل رو می‌گیره»، باید بپرسی:

• الان داریم از ANI حرف می‌زنیم یا AGI؟
• اگه AGI، تعریف دقیقشون چیه؟
• این ادعا بر اساس کدام benchmark یا methodology هست؟

خیلی از هایپ‌های AI به خاطر گم‌شدن بین این سه مفهوم اتفاق می‌افته. یه مدل ANI که در یه test از انسان بهتر شد، به این معنی نیست که AGI رسیده.

برای کاربر ایرانی چه معنایی داره؟

عملی بگم: الان مهم‌ترین چیز اینه که از ANI های موجود حداکثر استفاده رو بکنی. ChatGPT، Claude، Gemini و ابزارهایی مثل آیراچت همین الان قابلیت‌هایی دارن که ۹۰٪ مردم ازشون استفاده نمی‌کنن.

AGI اگه بیاد — و اگه تعریف مشترکی پیدا کنیم — یه رویداد کاملاً متفاوته. ولی صبر کردن برای AGI تا شروع کنی از AI استفاده کنی، مثل اینه که صبر کنی اینترنت کامل‌تر بشه تا ایمیل بفرستی.

همچنین بخوان

• هوش مصنوعی چیست؟
• آینده هوش مصنوعی
• AI alignment و safety به زبان ساده
• شناخت پیوسته در هوش مصنوعی