КОНЦЕПТУАЛЬНА ШКАЛА ЗДАТНОСТІ ДО ВИРІШЕННЯ ЗАВДАНЬ: ПОРІВНЯЛЬНИЙ АНАЛІЗ РЕПТИЛІЙ, МИШЕЙ, ЛЮДСЬКОГО ІНТЕЛЕКТУ ТА СУЧАСНОГО ШІ
DOI:
https://doi.org/10.32347/2786-7269.2025.13.936-956Ключові слова:
штучний загальний інтелект, порівняльна когніція, вирішення проблем, шкала інтелекту, великі мовні моделі, LLM, людський інтелект, когнітивні здібностіАнотація
Порівняння когнітивних здібностей між біологічними видами та штучним інтелектом (ШІ) є складним, але все більш актуальним завданням з огляду на стрімкий розвиток ШІ та його потенційний суспільний вплив. Ця робота долає методологічні виклики, пропонуючи концептуальну, багатовимірну шкалу складності вирішення завдань, що охоплює рептилій, мишей, людей з низьким, середнім та високим рівнем IQ, та сучасний передовий ШІ (станом на 2024-2025 рр.). Шкала базується на синтезі даних з порівняльної психології, нейронауки, психометрії та досліджень ШІ, фокусуючись на вимірах складності, загальності, абстрактності та горизонту планування.
Результати аналізу розміщують сутності на шкалі у наступному порядку зростання можливостей: Рептилія < Миша < Людина з низьким IQ < Людина з середнім IQ < Сучасний ШІ < Людина з високим IQ. Аналіз виявляє унікальний та «нерівний» когнітивний профіль сучасного ШІ: він демонструє надзвичайні здібності у доступі до знань, розпізнаванні патернів та виконанні специфічних складних завдань (перевершуючи людський рівень), але водночас має глибокі фундаментальні обмеження у сферах, критичних для загального інтелекту, таких як здоровий глузд, каузальне міркування, надійна адаптація та узагальнення поза тренувальним розподілом.
Обговорюються ключові вузькі місця на шляху до Штучного Загального Інтелекту (ШЗІ), які ставлять під сумнів достатність простого масштабування поточних архітектур. Також розглядаються етичні та соціальні наслідки, пов’язані з розгортанням потужних, але потенційно «крихких» систем ШІ. Прогнози щодо майбутнього розвитку ШІ вказують на подальший значний прогрес у вузьких сферах протягом наступних 5-10 років, але досягнення рівня людського інтелекту високого рівня (HLMI/ШЗІ) залишається вкрай невизначеним і залежить від фундаментальних наукових проривів. Робота підкреслює необхідність розробки кращих методів оцінки та забезпечення відповідального розвитку ШІ.
Посилання
Zentall T.R. Comparative cognition research demonstrates the similarity between humans and other animals // Animals. 2023. Vol. 13, № 7. Art. 1165. DOI: 10.3390/ani13071165; {in English}.
AI Index Steering Committee. The AI Index 2025 Annual Report. Stanford Institute for Human-Centered AI, Stanford University, 2025. URL: https://hai-production.s3.amazonaws.com/files/hai_ai_index_report_2025.pdf (data zvernennia: 28.04.2025); {in English}.
Grace K., Stewart H. ta in. Thousands of AI authors on the future of AI. arXiv preprint arXiv:2401.02843. 2024. [Preprint]. DOI: 10.48550/arXiv.2401.02843; {in English}.
Schubiger M. N., Fichtel C., Burkart J. M. Validity of cognitive tests for non-human animals: Pitfalls and prospects // Frontiers in Psychology. 2020. Vol. 11. Art. 1835. DOI: 10.3389/fpsyg.2020.01835; {in English}.
UK AI Safety Institute. International AI Safety Report. DSIT 2025/001. 2025. [Elektronnyi resurs]. – Rezhym dostupu: https://www.gov.uk/government/publications/international-ai-safety-report-2025 (data zvernennia: 28.04.2025); {in English}.
Kwa T., West B., Becker J. ta in. Measuring AI ability to complete long tasks. arXiv preprint arXiv:2503.14499. 2025. [Preprint]. DOI: 10.48550/arXiv.2503.14499; {in English}.
Leffer L. As AI advances, the meaning of artificial general intelligence remains murky // Science News. [Elektronnyi resurs]. – Rezhym dostupu: https://www.sciencenews.org/article/artificial-general-intelligence-ai-unclear (data zvernennia: 11.04.2025); {in English}.
Shettleworth S.J. Fundamentals of comparative cognition. Oxford: Oxford University Press, 2012; {in English}.
Bommasani R. ta in. Can we trust AI benchmarks? An interdisciplinary review of current issues in AI evaluation. arXiv preprint arXiv:2502.06559. 2025. [Preprint]. DOI: 10.48550/arXiv.2502.06559; {in English}.
Cowan N. The magical mystery four: How is working memory capacity limited, and why? // Current directions in psychological science. 2010. Vol. 19, № 1. P. 51–57. DOI: 10.1177/0963721409359277; {in English}.
Morris M.R., Sohl-Dickstein J., Fiedel N. ta in. Levels of AGI for operationalizing progress on the path to AGI. arXiv preprint arXiv:2311.02462v4. 2024. [Preprint]. DOI: 10.48550/arXiv.2311.02462; {in English}.
Dere E., Huston J.P., De Souza Silva M.A. The pharmacology, neuroanatomy and neurogenetics of one-trial object recognition in rodents // Neuroscience & Biobehavioral Reviews. 2007. Vol. 31, № 5. P. 653–677. DOI: 10.1016/j.neubiorev.2007.01.005; {in English}.
Shen Z., Liu J., He J. ta in. Towards out-of-distribution generalization: A survey. arXiv preprint arXiv:2108.13624. 2021. [Preprint]. DOI: 10.48550/arXiv.2108.13624; {in English}.
Chomsky N. Language and mind. 3-tie vyd. Cambridge: Cambridge University Press, 2006. DOI: 10.1017/CBO9780511791222; {in English}.
Diamond A. Executive functions // Annual review of psychology. 2013. Vol. 64. P. 135–168. DOI: 10.1146/annurev-psych-113011-143750.
Miller E.K., Cohen J.D. An integrative theory of prefrontal cortex function // Annual review of neuroscience. 2001. Vol. 24, № 1. P. 167–202. DOI: 10.1146/annurev.neuro.24.1.167; {in English}.
Russell S.J., Norvig P. Artificial Intelligence: A Modern Approach. 4-te vyd. Upper Saddle River, NJ: Pearson, 2020. (Rozdily 11 «Automated Planning» ta 22 «Reinforcement Learning»); {in English}.
Xi Z., Chen W., Guo X. ta in. The rise and potential of large language model based agents: A survey. arXiv preprint arXiv:2309.07864. 2023. [Preprint]. DOI: 10.48550/arXiv.2309.07864; {in English}.
Wilkinson A., Huber L. Cold-blooded cognition: Reptilian cognitive abilities // The Oxford Handbook of Comparative Evolutionary Psychology. Oxford: Oxford University Press, 2012. (Oxford Library of Psychology). DOI: 10.1093/oxfordhb/9780199738182.013.0008; {in English}.
OpenAI. GPT-4 Technical Report. arXiv preprint arXiv:2303.08774. 2023. [Preprint]. DOI: 10.48550/arXiv.2303.08774; {in English}.
Anthropic. The Claude 3 Model Family: Opus, Sonnet, Haiku. Anthropic PBC, 2024. [Elektronnyi resurs]. – Rezhym dostupu: https://www-cdn.anthropic.com/de8ba9b01c9ab7cbabf5c33b80b7bbc618857627/Model_Card_Claude_3.pdf (data zvernennia: 28.04.2025); {in English}.
Google DeepMind. Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context. arXiv preprint arXiv:2403.05530. 2024. [Preprint]. DOI: 10.48550/arXiv.2403.05530; {in English}.
Chang Y., Wang X., Wang J. ta in. A survey on evaluation of large language models. arXiv preprint arXiv:2307.03109. 2023. [Preprint]. DOI: 10.48550/arXiv.2307.03109; {in English}.
De Meester G., Baeckens S. Reinstating reptiles: from clueless creatures to esteemed models of cognitive biology. Behaviour. 2021. Vol. 158, No. 12–13. pp. 1057–1076. DOI: 10.1163/1568539X-00003718; {in English}.
Santacà M., Wilkinson A., Stancher G. ta in. Inhibitory control in reptiles. bioRxiv. 2025. 2025.02.12.637795. [Preprint]. DOI: 10.1101/2025.02.12.637795; {in English}.
Youngstrom I.A., Strowbridge B.W. Visual landmarks facilitate rodent spatial navigation in virtual reality environments // Learning & Memory. 2012. Vol. 19, № 2. P. 84–90. DOI: 10.1101/lm.023523.111; {in English}.
Auersperg A.M.I., Gajdon G.K., von Bayern A.M.P. A new approach to comparing problem solving, flexibility and innovation // Communicative & Integrative Biology. 2012. Vol. 5, № 2. P. 140–145. DOI: 10.4161/cib.18787; {in English}.
Schalock R.L., Borthwick-Duffy S.A., Bradley V.J. ta in. Intellectual disability: Definition, diagnosis, classification, and systems of supports (12th ed.) // American Journal on Intellectual and Developmental Disabilities. 2021. Vol. 126, № 6. P. 439–452. DOI: 10.1352/1944-7558-126.6.439; {in English}.
Kaufman A.S., Lichtenberger E.O. Assessing adolescent and adult intelligence. 3-tie vyd. Hoboken, NJ: Wiley, 2006; {in English}.
Kaufman A.S. IQ testing 101. New York: Springer Publishing Company, 2009; {in English}.
Groth-Marnat G., Wright A. J. Handbook of psychological assessment. 6-te vyd. Hoboken, NJ: Wiley, 2016. (Rozdil pro intelektualnu otsinku); {in English}.
Maes S.H. The Trouble with GenAI: LLMs are still not any close to AGI. They will never be. Zenodo. 2024. [Preprint/Report]. DOI: 10.5281/zenodo.14567206; {in English}.
Feng T., Jin C., Liu J. ta in. How far are we from AGI: Are LLMs all we need? arXiv preprint arXiv:2405.10313. 2024. [Preprint]. DOI: 10.48550/arXiv.2405.10313; {in English}.
Haier R.J. The neuroscience of intelligence. Cambridge: Cambridge University Press, 2017. DOI: 10.1017/9781316105771; {in English}.
Barbey A.K. Network neuroscience theory of human intelligence // Trends in Cognitive Sciences. 2018. Vol. 22, № 1. P. 8–20. DOI: 10.1016/j.tics.2017.10.001; {in English}.
Kenney M.ML research benchmark. arXiv preprint arXiv:2410.22553. 2024. [Preprint]. DOI: 10.48550/arXiv.2410.22553; {in English}.
Berwick R.C., Chomsky N. Why only us: Language and evolution. Cambridge, MA: MIT Press, 2016; {in English}.
Marcus G. The next decade in AI: Four steps towards robust artificial intelligence. arXiv preprint arXiv:2002.06177. 2020. [Preprint]. DOI: 10.48550/arXiv.2002.06177; {in English}.
LeCun Y. A Path Towards Autonomous Machine Intelligence. OpenReview. 2022. [Preprint/Technical Report]. [Elektronnyi resurs]. – Rezhym dostupu: https://openreview.net/pdf?id=BZ5a1r-kVsf (data zvernennia: 28.04.2025); {in English}.
Schölkopf B., Locatello F., Bauer S. ta in. Towards causal representation learning. Proceedings of the IEEE. 2021. Vol. 109, № 5. P. 612–634. DOI: 10.1109/JPROC.2021.3058954; {in English}.
McLean S., Read G.J.M., Thompson J. ta in. The risks associated with Artificial General Intelligence: A systematic review // Journal of Experimental & Theoretical Artificial Intelligence. 2021. Vol. 35, № 5. P. 649–663. DOI: 10.1080/0952813X.2021.1964003; {in English}.
Lake B.M., Murphy G.L. Word meaning in minds and machines // Psychological Review. 2023. Vol. 130, № 2. P. 387–415. DOI: 10.1037/rev0000297; {in English}.
Oren Y. ta in. Proving test set contamination in black-box language models. arXiv preprint arXiv: 2310.17623v2. [Preprint]. DOI: 10.48550/arXiv.2310.17623; {in English}.
Linzen T. How can we accelerate progress towards human-like linguistic generalization? arXiv preprint arXiv:2005.00955. 2020. [Preprint]. DOI: 10.48550/arXiv.2005.00955; {in English}.
Acemoglu D. The simple macroeconomics of AI // Economic Policy. 2024. Vol. 39, № 118. P. 217–255. DOI: 10.1093/epolic/eiae042; {in English}.
Korteling J.E., van de Boer-Visschedijk G.C., Blankendaal R.A.M. ta in. Human– versus artificial intelligence // Frontiers in Artificial Intelligence. 2021. Vol. 4. Art. 622364. DOI: 10.3389/frai.2021.622364; {in English}.
Gruetzemacher R., Paradice D., Lee K. B. Forecasting transformative AI: An expert survey. arXiv preprint arXiv:1901.08579. 2019. [Preprint]. DOI: 10.48550/arXiv.1901.08579; {in English}.
Goertzel B. Artificial general intelligence: Concept, state of the art, and future prospects // Journal of Artificial General Intelligence. 2014. Vol. 5, № 1. P. 1–48. DOI: 10.2478/jagi-2014-0001; {in English}.
Gruetzemacher R., Paradice D., Lee K. B. Forecasting transformative AI: An expert survey. arXiv preprint arXiv:1901.08579. 2019. [Preprint]. DOI: 10.48550/arXiv.1901.08579; {in English}.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
