1. Utangulizi na Nadharia Kuu

Uchambuzi huu, unaotokana na kazi ya Herbert L. Roitblat, unawasilisha mtazamo tofauti na muhimu wa hadithi inayotawala inayozunguka ujio wa karibu wa Akili ya Jumla ya Bandia (AGI). Nadharia kuu inadai kuwa miundo ya sasa na inayoweza kutabirika ya Akili ya Bandia ya Kizazi (GenAI), ikiwa ni pamoja na Miundo Mikubwa ya Lugha (LLMs), kimsingi haiwezi kufikia AGI kutokana na kizuizi cha msingi kinachoitwa "deni la kibinadamu." Deni hili linarejelea utegemezi wao mkubwa, usioweza kuepukika, kwa mchango wa kibinadamu kwa ajili ya kuunda muundo wa tatizo, muundo wa usanifu, na data ya mafunzo iliyochaguliwa. Karatasi hiyo inadai kuwa hatari halisi kutoka kwa AI haitokani na akili ya hali ya juu, bali kutokana na matumizi mabaya ya mipaka yake ya asili pamoja na uaminifu wa kibinadamu.

2. Dhana ya Deni la Kibinadamu

Deni la kibinadamu ndio mfumo wa dhana unaoelezea kwa nini AI ya kisasa haiko kwenye njia ya akili ya jumla.

2.1 Ufafanuzi na Vipengele

Deni la kibinadamu linajumuisha utegemezi muhimu tatu:

  • Matatizo Yaliyoundwa Vyema: Wanadamu lazima waweke kazi kwa njia ambayo AI inaweza kuisindika.
  • Muundo wa Usanifu: Muundo wa mtandao wa neva (mfano, Transformer) ni uvumbuzi wa kibinadamu.
  • Data ya Mafunzo Iliyochaguliwa: Seti kubwa za data zinakusanywa, kuchujwa, na kuwekewa lebo na wanadamu.

Deni hili linamaanisha kuwa mifumo ya AI haiumbi mielekeo mipya ya kutatua matatizo lakini inaboresha ndani ya mipaka iliyobainishwa na wanadamu.

2.2 Mchango wa Kibinadamu kama Msaada

Mafanikio ya miundo kama GPT-4 mara nyingi hufasiriwa vibaya. Roitblat anadai wanafanikiwa kwa sababu wanadamu tayari wameshatatua changamoto za kimsingi za kiakili, na kuacha muundo ufanye "hesabu rahisi" kama mteremko wa gradient. Muundo huo ni mtumiaji wenye nguvu wa muundo, sio kifafanuzi au kitatuzi cha tatizo kwa maana ya jumla.

3. Vizuizi Vya Msingi Kwa AGI

3.1 Kizuizi cha Kujifunza Muundo wa Lugha

GenAI ya sasa inalenga kila tatizo kama tatizo la kujifunza muundo wa lugha. Iwe ni uandishi wa kanuni, uzalishaji wa picha, au mantiki, utaratibu wa msingi ni kutabiri tokeni inayofuata (neno, kiraka cha pikseli) kulingana na uhusiano wa takwimu katika data ya mafunzo. Njia hii kimsingi imewekewa mipaka kwa matatizo yanayohitaji mantiki isiyo ya lugha, ya kimawazo, au mpya isiyojumuishwa katika usemi wa awali wa kibinadamu.

3.2 Ukosefu wa Uhuru wa Kweli

AGI inahitaji uhuru—uwezo wa kuweka malengo yake mwenyewe, kufafanua matatizo mapya, na kupata ujuzi bila maelekezo ya wazi. Kama ilivyobainishwa na Lu et al. (2024), LLMs hufuata maagizo tu. Hazina hamu ya ndani au uwezo wa kujitawala ujuzi, msingi wa akili ya jumla.

3.3 Tatizo la Aina za Matatizo

Kizuizi muhimu ni kushindwa kutambua aina nyingi za matatizo. Baadhi ya matatizo, kama "matatizo ya ufahamu" (mfano, tatizo la Nukta Tisa), hayawezi kutatuliwa kwa kuboresha hatua kwa hatua au kufananisha muundo kutoka kwa data. Yanahitaji kuundwa upya kwa nafasi ya tatizo—uwezo ambao haupo katika mifumo ya sasa ya kujifunza kwa misingi ya gradient.

4. Mielekeo ya Tathmini Yenye Kasoro

4.1 Ukosefu wa Vigezo Vya Kutosha

Vigezo kama ARC-AGI havitoshi kupima ujumla. Kupita mtihani hakufunua jinsi ilivyopitishwa. Muundo unaweza kutumia hila nyembamba, maalum kwa mtihani (mfano, kukariri) au kanuni ya jumla ya mantiki. Vigezo hupima utendaji, sio ujumla wa msingi wa uwezo.

4.2 Hitilafu ya Kuthibitisha Matokeo

Karatasi hiyo inasisitiza hitilafu ya kimantiki katika tathmini ya AI: kuthibitisha matokeo. Muundo ni: Ikiwa kitu kina AGI, kitapita mtihani T. Kitu kinapita mtihani T. Kwa hivyo, kina AGI. Hii ni hitilafu. Mafanikio kwenye kazi hayamaanishi kimantiki matumizi ya akili ya jumla, kwani matokeo sawa yanaweza kutolewa na njia nyingi tofauti (na zenye uwezo mdogo).

5. Matarajio ya AGI Dhidi ya Ukweli

Vipimo Muhimu Katika Mjadala wa AGI

  • 88% – Sehemu inayokadiriwa ya uwezo muhimu wa AGI tayari imepatikana (Thompson, 2025).
  • 33,000+ – Sahihi kwenye barua ya wazi ya Taasisi ya Maisha ya Baadaye kusitisha ukuzaji wa LLM (2023).
  • 2025 – Mwaka wa Mkutano wa Juu wa Hatua za Akili ya Bandia huko Paris.

5.1 Utabiri na Madai

Hali hiyo imejulikana kwa utabiri mzito kutoka kwa viongozi wa tasnia (Altman, 2025; Leike & Sutskever, 2023) wa AGI ya karibuni, mara nyingi hupimwa (mfano, "88% ya uwezo"). Hizi zinapinganishwa na onyo za kimfano kama "saa ya usalama wa AI."

5.2 Wasiwasi Unaokua na Majibu ya Udhibiti

Utabiri umechochea wasiwasi mkubwa. Taarifa ya Kituo cha Usalama wa AI (2023) inalinganisha hatari ya AI na janga la ugonjwa na vita vya nyuklia. Ripoti ya Gladstone (Harris et al., 2024) iliyoagizwa na Wizara ya Nje ya Marekani inaonya kuhusu hatari za "kama silaha za uharibifu mkubwa" zinazosukumwa na ushindani wa maabara. Hii imechochea juhudi za udhibiti, kama vile SB-1047 iliyopendekezwa California na amri yake ya "kuzima umeme," ingawa ilikataliwa.

6. Uchambuzi wa Kiufundi na Mfumo wa Hisabati

Kizuizi cha miundo ya sasa kinaweza kueleweka kwa sehemu kupitia lenzi ya lengo lao la kuboresha. LLM ya kawaida hufunzwa kuongeza uwezekano wa tokeni inayofuata $x_t$ ikizingatiwa muktadha $x_{

$$\mathcal{L}_{LLM} = -\sum_{t} \log P(x_t | x_{

ambapo $\theta$ ni vigezo vya muundo. Lengo hili linamlazimisha muundo kuwa mtaalamu wa kuingiliana ndani ya mkusanyiko wa data ya mafunzo. AGI, hata hivyo, inahitaji upanuzi na kufikiria kimawazo—kutatua matatizo nje ya mkusanyiko wa mifano ya mafunzo. Kizuizi cha "tatizo la ufahamu" kinaweza kuonyeshwa kama kupata suluhisho $s^*$ katika nafasi $S$, ambapo njia kutoka tatizo $p$ hadi $s^*$ inahitaji mabadiliko $T$ yasiyoweza kutofautishwa ambayo haijafunzwa kutoka kwa data:

$$s^* = T(p), \quad \text{ambapo } \nabla_\theta T \text{ haijafafanuliwa au ni sifuri.}$$

Kujifunza kwa misingi ya gradient ($\theta \leftarrow \theta - \eta \nabla_\theta \mathcal{L}$) hawezi kugundua $T$ kama hiyo. Hii inalingana na hoja kutoka kwa AI ya zamani, kama "Tatizo la Kusimika Ishara" (Harnad, 1990), ambalo linauliza jinsi semantiki inaweza kutokana na usindikaji wa sintaksia safi.

Kielelezo: Pengo la Kuingiliana dhidi ya Upanuzi

Mchoro wa Dhana: Ubao wa 2D unawakilisha nafasi ya matatizo na suluhisho zinazowezekana. Wingu mnene la nukta linawakilisha data ya mafunzo (matatizo na suluhisho zilizotolewa na wanadamu). Miundo ya sasa ya GenAI inafanya vizuri katika kupata suluhisho ndani ya wingu hili (kuingiliana). "X" nyekundu inaashiria "tatizo la ufahamu"—suluhisho lake liko nje ya wingu. Hakuna njia laini ya gradient inayoongoza kutoka wingu hadi "X"; kufikia hiyo kunahitaji kuruka kwa mantiki, ambayo mteremko wa gradient hauwezi kufikia. Hii inawakilisha kimaumbile deni la kibinadamu: muundo umefungwa ndani ya wingu la data lililotolewa na wanadamu.

7. Mfumo wa Uchambuzi: Matriki ya Uwezo wa AGI

Ili kuendelea zaidi ya vigezo vyenye hitilafu, tunapendekeza matriki ya tathmini ya ubora. Badala ya kuuliza "Je, ilipita mtihani?", tunauliza "Uwezo wake ni wa aina gani?" Kwa kazi yoyote T, tathmini kwenye mihimili miwili:

  1. Ujumla wa Njia (G): Je, njia ya kutatua ni maalum kwa T (G=0), inayotumika kwa darasa la kazi (G=1), au haitegemei kikoa (G=2)?
  2. Uhuru katika Uundaji wa Tatizo (A): Je, tatizo lilifafanuliwa kabisa na wanadamu (A=0), kuboreshwa kwa sehemu na mfumo (A=1), au kugunduliwa/kufafanuliwa na mfumo mwenyewe (A=2)?

Mfano wa Kesi (Kigezo cha ARC-AGI): Muundo unaokariri suluhisho kwa muundo maalum wa fumbo la ARC hupata alama (G=0, A=0). Muundo unaojifunza heuristi ya jumla ya mantiki ya kuona inayotumika kwa fumbo la ARC lisiloonwa hupata alama (G=1, A=0). Mfumo ambao sio tu unatatua fumbo la ARC lakini pia unatambua darasa jipya la fumbo la mantiki ya kimawazo peke yake ungekaribia (G=2, A=2). Miundo ya SOTA ya sasa inafanya kazi katika robo ya (G=0/1, A=0). AGI ya kweli inahitaji uendeshaji thabiti katika (G=2, A=2). Mfumo huu unafanya hitilafu ya kuthibitisha matokeo iwe wazi: alama ya juu ya mtihani inathibitisha tu utendaji, sio alama za juu za G au A.

8. Mwelekeo wa Baadaye na Mtazamo wa Utafiti

Kufikia AGI kutahitaji mabadiliko ya mielekeo, sio tu kuongeza usanifu wa sasa.

  • Miundo ya Ulimwengu na Utambuzi wa Mwili: Utafiti lazima uende zaidi ya utabiri wa maandishi pasifu hadi wakala wenye shughuli wanaojenga miundo ya ndani ya ulimwengu kupitia mwingiliano, kama inavyoonekana katika maendeleo ya roboti na uigizaji (mfano, SIMA ya DeepMind). Hii inapunguza utegemezi kwa data ya lugha iliyochaguliwa.
  • Mchanganyiko wa Neva na Ishara: Kuunganisha nguvu ya kutambua muundo ya mitandao ya neva na mantiki wazi, inayoweza kuunganishwa ya AI ya kimfano (kama ilivyochunguzwa na Maabara ya MIT-IBM Watson) kunaweza kushughulikia kizuizi cha "tatizo la ufahamu."
  • Malengo ya Kujifunza Yenye Mwelekeo wa Kibinafsi: Kuunda algoriti za motisha za ndani zinazoruhusu mifumo kuzalisha malengo yao mwenyewe ya kujifunza, kuendelea zaidi ya kazi za hasara zilizobainishwa na wanadamu. Huu ni uwanja mpya katika utafiti wa AI.
  • Sayansi Mpya ya Tathmini: Kuunda vigezo vinavyojaribu wazi ujumla (G) na uhuru (A), labda kupitia seti za changamoto zilizozalishwa kiotomatiki zinazochunguza ujuzi wa meta-kujifunza na uundaji wa tatizo.

"Matumizi" ya haraka zaidi ya uchambuzi huu yako katika sera na uwekezaji: kanuni zinapaswa kulenga madhara halisi, ya karibuni kutoka kwa mifumo yenye upendeleo au isiyoaminika, sio kuchukuliwa na AGI ya kufikirika. Uwekezaji unapaswa kuelekezwa kwenye utafiti wa msingi unaopunguza deni la kibinadamu, sio tu kwa kuongeza data na vigezo.

9. Mtazamo wa Mchambuzi Muhimu

Ufahamu wa Msingi: Tasnia ya AI inakabiliwa na "upofu wa matokeo." Tunavutiwa na maandishi yanayoeleweka na picha za kustaajabisha, tukikosea uhodari wa takwimu kwa uelewa. "Deni la kibinadamu" la Roitblat ndilo neno kamili kwa utegemezi huu uliofichika. Ni tembo katika chumba cha seva. Kila "mvumbuzi" ni, ukichunguza, ushahidi wa ubunifu wa kibinadamu katika uchaguzi wa data na kuweka muundo wa tatizo, sio akili ya mashine. Hadithi halisi sio nguvu ya AI; ni kazi kubwa, mara nyingi isiyoonekana, ya kibinadamu inayofanya ionekane kuwa na nguvu.

Mtiririko wa Kimantiki: Hoja hiyo ni rahisi sana na imefungwa kimantiki. 1) Fafanua lengo (AGI kama kutatua matatizo kwa uhuru na kwa jumla). 2) Chunguza zana (GenAI kama kifananishi cha muundo kwenye data ya kibinadamu). 3) Tambua kutolingana (utendaji wa msingi wa zana unategemea usindikaji wa awali wa kibinadamu). 4) Tambua hitilafu (kuchanganya matokeo ya zana na mahitaji ya lengo). 5) Dhihirisha kasoro ya kimfumo (njia za tathmini ambazo haziwezi kutofautisha kati ya kukariri na kuelewa). Hii sio falsafa; ni uwajibikaji wa msingi wa uhandisi.

Nguvu na Kasoro: Nguvu yake ni ukosoaji wake wa msingi. Inashambulia dhana ya hadithi nzima ya "AGI iko karibu" kwa kutilia shaka usanifu mwenyewe wa matumaini. Kasoro yake, labda, ni kwamba haishiriki kikamilifu na hoja ya kinyume kutoka kwa uzuka—uwezekano kwamba uwezo mpya wa ubora (kama mantiki ya mfululizo wa mawazo) unajitokeza kwa kiwango kwa njia ambazo hatujaelewa bado. Hata hivyo, karatasi hiyo inajibu kwa usahihi kwamba uzuka sio uchawi; bado umefungwa na lengo la mafunzo $\mathcal{L}_{LLM}$. Huwezi kujitokeza uhuru kutoka kwa kazi ya hasara ambayo haina neno kwa ajili yake.

Ufahamu Unaoweza Kutekelezwa: Kwa Wabuni wa Sera: Puuza matarajio ya sayansi ya kubuni. Dhibiti kile kilicho mbele yako: faragha ya data, upendeleo wa algoriti, uhamishaji wa wafanyikazi, na gharama ya mazingira ya mafunzo. "Kuzima umeme" kwa muundo ambao hauwezi kujifunga viatu vyake mwenyewe ni mchezo wa usalama. Kwa Wawekezaji: Kuwa na shaka sana kuhusu kampuni yoyote ambayo thamani yake inategemea kufikia AGI. Wekeza katika kampuni zinazotatua matatizo maalum, ya thamani na AI thabiti, sio zile zinazouza bidhaa za AGI zisizo na msingi. Kwa Watafiti: Acha kukimbia orodha ya viongozi wa vigezo. Anza kubuni majaribio ambayo kwa makusudi yanajaribu kuvunja udanganyifu wa muundo wako wa kuelewa. Fuata usanifu unaopunguza deni la kibinadamu. Njia ya mbele sio kupitia data zaidi ya ile ile, lakini kupitia kanuni tofauti za kimsingi za kujifunza. Saa haijaleta AGI; inaleta wakati tutakapogundua tumekuwa tukiboresha kazi isiyofaa.

10. Marejeo

  1. Roitblat, H. L. (Chanzo PDF). Mambo fulani ya kujua kuhusu kufikia akili ya jumla ya bandia.
  2. Chollet, F. (2019). Juu ya Kipimo cha Akili. arXiv preprint arXiv:1911.01547.
  3. Lu, Y., et al. (2024). [Marejeo kuhusu LLMs kufuata maagizo].
  4. Harris, J., Harris, T., & Beal, B. (2024). Ripoti ya Gladstone. Wizara ya Nje ya Marekani.
  5. Kituo cha Usalama wa AI. (2023). Taarifa kuhusu Hatari ya AI. https://www.safe.ai/work/statement-on-ai-risk
  6. Taasisi ya Maisha ya Baadaye. (2023). Simamisha Majaribio Makubwa ya AI: Barua ya Wazi. https://futureoflife.org/open-letter/pause-giant-ai-experiments/
  7. Harnad, S. (1990). Tatizo la Kusimika Ishara. Physica D: Phenomena Isiyo ya Mstari, 42(1-3), 335–346.
  8. Zhu, J., et al. (2017). Tafsiri ya Picha hadi Picha Isiyo na Jozi kwa kutumia Mitandao ya Uhasama Yenye Mzunguko Thabiti. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN kama mfano wa kujifunza bila data iliyochaguliwa na wanadamu—hatua ndogo katika kupunguza aina moja ya deni la kibinadamu).
  9. DeepMind. (2024). SIMA: Wakala wa Jumla wa AI kwa Mazingira ya 3D ya Kubuni. https://www.deepmind.com/sima (Mfano wa utafiti unaoelekea kwenye wakala wenye mwili, wa kujenga muundo wa ulimwengu).