Get in my Think Art.

การหยุดชะงักทางเศรษฐกิจและการหนี AI: รัฐบาลสามารถทำอะไรได้บ้าง?

การหยุดชะงักทางเศรษฐกิจและการหนี AI: รัฐบาลสามารถทำอะไรได้บ้าง?

การหยุดชะงักทางเศรษฐกิจและการหนี AI: รัฐบาลสามารถทำอะไรได้บ้าง?

jumbo jili

“ องค์กรระหว่างประเทศและธรรมาภิบาลที่มีอยู่พยายามดิ้นรนเพื่อให้ทันกับการเปลี่ยนแปลงทางเทคโนโลยี ”: ด้วยคำแถลงนี้ ฟรานซิส ฟุคุยามะ ได้รวบรวมความรู้สึกทั่วไปของการอภิปรายด้าน AI ในการประชุมสุดยอดรัฐบาลโลกปี 2018 ที่ดูไบอย่างเรียบร้อย

สล็อต

การประชุมสุดยอดรัฐบาลโลกนำผู้นำที่มีอิทธิพล 4,000 คนจากภาครัฐและเอกชน นักคิดที่มีชื่อเสียง และผู้กำหนดนโยบายจากทั่วโลกมารวมตัวกันเป็นเวลาสามวันของการอภิปราย จุดมุ่งหมายคือเพื่อหารือเกี่ยวกับอนาคตของรัฐบาลและปรับปรุงชีวิตของประชาชน รวมถึงการใช้ประโยชน์จากเทคโนโลยีที่เป็นนวัตกรรม เช่น ปัญญาประดิษฐ์ (AI)
ประเด็นหลักที่เกิดจากการพูดคุยและโต้วาทีคือความสำคัญของการสร้างสมดุลระหว่างการดำเนินการของรัฐบาลในระยะสั้นกับกฎระเบียบระหว่างประเทศในระยะยาวในการพัฒนา AI
การดำเนินการระยะสั้น
รัฐบาลทั่วโลกกำลังต่อสู้กับคำถามเดียวกันเกี่ยวกับ AI: มันคืออะไร? มันทำอะไรได้บ้าง? มีความหมายต่อประเทศของเราอย่างไร? มีคำถามเร่งด่วนสามข้อที่รัฐบาลต้องตอบในระยะสั้น:
จะจัดการการเปลี่ยนแปลงในระบบเศรษฐกิจได้อย่างไร? คาดการณ์ว่า AI จะทำให้เกิดการหยุดชะงักทางเศรษฐกิจอย่างมากโดยเฉพาะอย่างยิ่งจากการเปลี่ยนแปลงของตลาดแรงงาน รัฐบาลควรมีกลยุทธ์ที่ครอบคลุมในการจัดการการเปลี่ยนแปลงทางเศรษฐกิจเหล่านี้ รวมถึงการตกงานที่อาจเกิดขึ้น
จะมั่นใจได้อย่างไรว่าการใช้ AI สะท้อนถึงค่านิยมของประเทศคุณ? การพัฒนา AI ควรมีเอกลักษณ์เฉพาะตัวตามสถานการณ์และค่านิยมของแต่ละประเทศ อันตรายของการพัฒนา AI คือการพึ่งพา Silicon Valley โดยเฉพาะอย่างยิ่งกลุ่มบริษัทเล็กๆ ใน Silicon Valley ที่ควบคุมข้อมูลส่วนใหญ่ของโลกและความสามารถด้าน AI ส่วนใหญ่ รัฐบาลจะมั่นใจได้อย่างไรว่าการตัดสินใจในประเทศของตนยังคงสะท้อนถึงค่านิยมของพลเมืองของตน ไม่ใช่แค่ความชอบ วิธีการ และกลยุทธ์ทางการค้าของซิลิคอน วัลเลย์เท่านั้น
จะใช้พลังของ AI เพื่อให้บริการที่ดีขึ้นแก่ประชาชนได้อย่างไร? ขณะนี้รัฐบาลต่างๆ ได้ตระหนักถึงศักยภาพในการเปลี่ยนแปลงของ AI ในด้านการบริการสาธารณะ เราจะนำ AI ไปใช้อย่างมีประสิทธิภาพสูงสุดและอย่างมีจริยธรรมได้อย่างไร เพื่อช่วยให้บริการสาธารณะที่ดีขึ้น ให้กับผู้คนจำนวนมากขึ้น ในราคาถูกลงกว่าเดิม
การตอบสนองของรัฐบาลต่อคำถามสามข้อนี้จะช่วยตัดสินว่าพวกเขาเป็นผู้นำระดับโลกในการปฏิวัติ AI หรือไม่ กลยุทธ์ AI ที่ครอบคลุมและกว้างขวางช่วยให้ประเทศต่างๆ สามารถกำหนดนโยบายของตนโดยมีเป้าหมายเพื่อแก้ไขปัญหาสำคัญเหล่านี้ ดังที่เราได้กล่าวถึงในบล็อกโพสต์ก่อนหน้านี้เกี่ยวกับสถานะปัจจุบันของนโยบาย AI ทั่วโลก บางประเทศมีความก้าวหน้าในการพัฒนากลยุทธ์ AI มากกว่าประเทศอื่นๆ
การควบคุมปัญญาประดิษฐ์ทั่วไป
นอกเหนือจากความตื่นเต้นที่ล้อมรอบผลประโยชน์มหาศาลทางเศรษฐกิจและสังคมของ AI แล้ว ยังมีการบิดมือและความกังวลที่มีอยู่มากมาย ความกังวลเหล่านี้มุ่งเน้นไปที่การเพิ่มขึ้นของปัญญาประดิษฐ์ทั่วไป (AGI) นักวิจัยหลายคนมองว่า AGI เป็น ‘จอกศักดิ์สิทธิ์’ ของ AI; ระบบเอนกประสงค์ที่สามารถทำงานใด ๆ ที่มนุษย์สามารถทำได้สำเร็จ
ในทางทฤษฎี ปัญญาประดิษฐ์มีค่ามหาศาล อย่างไรก็ตาม มีความเสี่ยงที่มันจะกลายเป็นหน่วยสืบราชการลับที่ไม่เป็นพิษเป็นภัยน้อยกว่า และนำเสนอความเสี่ยงที่มีอยู่ต่อเผ่าพันธุ์มนุษย์ ประเภทของความเสี่ยงไม่ชัดเจน: เราจะลงเอยด้วยการทำงานเพื่อมันหรือไม่? มันจะควบคุมทรัพยากรทั้งหมดของเราหรือไม่? ในการพูดคุยของเขา Nick Bostrom ได้ยกตัวอย่างที่เป็นประโยชน์เพื่อแสดงให้เห็นถึงผลที่อาจเกิดขึ้นโดยไม่ได้ตั้งใจจากการพัฒนา AGI ปัญญาประดิษฐ์ทั่วไปเห็นว่าคุณหิว – แต่คุณไม่มีอาหารอยู่ในบ้าน ดังนั้นมันจึงฆ่าแมวของคุณ – ให้อาหารคุณเพราะคุณหิว
ดังนั้น AI และโดยเฉพาะอย่างยิ่งปัญญาประดิษฐ์ทั่วไปสามารถเชื่อถือได้หรือไม่? และเทคโนโลยีเหล่านี้จะถูกควบคุมได้อย่างไร – โดยเฉพาะอย่างยิ่งหากเทคโนโลยีเหล่านี้ทรงพลังอย่างที่เราคิด
บางคนได้เปรียบเทียบปัญญาประดิษฐ์ทั่วไปกับอาวุธนิวเคลียร์ ซึ่งเป็นภัยคุกคามต่ออนาคตของเราที่นำประเทศต่างๆ มารวมกันเพื่อเจรจาสนธิสัญญาไม่แพร่ขยายอาวุธนิวเคลียร์ในปี 2511 พวกเขาได้เสนอว่าสนธิสัญญาที่คล้ายกันนี้สามารถควบคุมการพัฒนาและการใช้ปัญญาประดิษฐ์ทั่วไปได้
เราคิดว่าการเปรียบเทียบมีข้อบกพร่อง อาวุธนิวเคลียร์มีราคาแพงมากในการสร้าง ต้องใช้ความมั่งคั่งและทรัพยากรของรัฐชาติ เมื่อสร้างเสร็จแล้ว จะต้องได้รับการทดสอบ ซึ่งเป็นสิ่งที่ไม่สามารถปกปิดเป็นความลับได้ในขณะนี้
ข้อจำกัดเหล่านี้ใช้ไม่ได้กับการพัฒนา AGI ต้องใช้คนฉลาดและพลังการคำนวณ จากภายนอก อาจเป็นเรื่องยากที่จะแยกแยะความแตกต่างระหว่างคลัสเตอร์ซูเปอร์คอมพิวเตอร์ที่ใช้ในการรัน AGI หรือคลัสเตอร์หนึ่งที่ใช้ในการรันบล็อกเชน
เมื่อคำนึงถึงสิ่งนี้ รัฐบาลจะควบคุมอะไรได้บ้าง
การวิจัยเบื้องต้น – กล่าวอีกนัยหนึ่งคือป้องกันไม่ให้ผู้คนค้นคว้าคำถามที่น่าสนใจเพราะอาจนำไปสู่ผลลัพธ์ที่ไม่ดี
การวิจัยประยุกต์ – การควบคุมการเข้าถึงเทคโนโลยีที่สามารถช่วยให้ตระหนักถึงผลกระทบของการวิจัยเบื้องต้น เช่น ซูเปอร์คอมพิวเตอร์
กรอบงานสำหรับปัญญาประดิษฐ์ทั่วไป – รัฐบาลสามารถจัดเตรียมชุดของข้อจำกัดที่ต้องออกแบบมาเพื่อใช้ปัญญาประดิษฐ์ ตัวอย่างเช่น เพื่อให้แน่ใจว่า AI จะปฏิบัติตามผลประโยชน์ของมนุษย์ที่กำหนดไว้เสมอ
การบรรลุผลในระยะสั้นและกฎระเบียบระยะยาวจะมีความสำคัญต่อการพัฒนา AI ที่มีประสิทธิภาพและเป็นประโยชน์ต่อพลเมืองทั่วโลก การประชุมสุดยอดรัฐบาลโลกเป็นวิธีที่มีประโยชน์ในการช่วยให้ผู้กำหนดนโยบายชั้นนำได้ให้คำจำกัดความร่วมกันว่าปัญหาคืออะไร ขั้นตอนต่อไปคือการเริ่มค้นหาวิธีแก้ไข
เมื่อพิจารณาถึงมุมมอง 20 ปีนี้ ปีที่แล้วมีความพิเศษในหลายๆ ด้าน การประชุมเชิงปฏิบัติการครั้งแรกในชุดของการประเมิน AI สำหรับงานทั่วไปเริ่มต้นขึ้น สะท้อนถึงความสนใจที่เพิ่มขึ้นในการประเมินระบบปัญญาประดิษฐ์ทั่วไป (AGI) ซึ่งสามารถค้นหาโซลูชันที่หลากหลายสำหรับงานต่างๆ การประเมินระบบเหล่านี้แตกต่างและท้าทายกว่าการประเมินระบบเฉพาะที่เน้นงานแบบเดิมๆ เช่น หุ่นยนต์ทำความสะอาด แบบจำลองการให้คะแนนเครดิต นักแปลด้วยเครื่องจักร หรือรถยนต์ที่ขับด้วยตนเอง ความคิดของการประเมินวัตถุประสงค์ทั่วไประบบ AI ใช้ videogamesได้ติดอยู่บน สภาพแวดล้อมการเรียนรู้อาเขต (อาตาริ 2600 เกม) หรือความยืดหยุ่นมากขึ้นวิดีโอเกมภาษานิยามและการแข่งขันที่เกี่ยวข้องกลายเป็นที่นิยมมากขึ้นสำหรับการประเมินผลของ AGI และที่ผ่านมาของนวัตกรรม

สล็อตออนไลน์

ปีที่แล้วยังได้เห็นการเปิดตัวแพลตฟอร์มการประเมิน AIประเภทต่างๆ เช่นMalmöของ Microsoft , GoodAI’s School , OpenAI’s Gym and Universe , DeepMind’s Lab , TorchCraftของ Facebook และCommAI-env. ตามการตั้งค่าการเรียนรู้แบบเสริมกำลัง (RL) แพลตฟอร์มเหล่านี้ทำให้สามารถสร้างงานที่แตกต่างกันมากมายและเชื่อมต่อตัวแทน RL ผ่านอินเทอร์เฟซมาตรฐาน หลายแพลตฟอร์มเหล่านี้เหมาะสำหรับกระบวนทัศน์ใหม่ใน AI เช่นการเรียนรู้การเสริมแรงเชิงลึกและไลบรารีการเรียนรู้ของเครื่องโอเพนซอร์ส หลังจากหลายพันตอนหรือหลายล้านขั้นตอนกับงานใหม่ ระบบเหล่านี้สามารถเป็นเลิศ โดยมักจะดีกว่าประสิทธิภาพของมนุษย์
แม้จะมีแอปพลิเคชั่นและความก้าวหน้ามากมายที่ได้รับจากกระบวนทัศน์นี้ แต่ดูเหมือนว่าจะมีความเห็นเป็นเอกฉันท์ในสาขาที่ปัญหาเปิดหลักอยู่ที่การที่เอเจนต์ AI สามารถใช้การนำเสนอและทักษะซ้ำจากงานหนึ่งไปสู่งานใหม่ได้อย่างไร เป็นไปได้ที่จะเรียนรู้งานใหม่ได้เร็วยิ่งขึ้นด้วยตัวอย่างบางส่วนเช่นเดียวกับที่มนุษย์ทำ นี้สามารถเห็นได้เป็นปัญหาการทำแผนที่ (โดยปกติภายใต้ระยะการเรียนรู้การถ่ายโอน) หรือสามารถเห็นได้ว่าเป็นปัญหาตามลำดับ
หนึ่งในความคิดที่สำคัญที่มีความเกี่ยวข้องกับความสามารถของระบบการสร้างแนวคิดและทักษะมากกว่าคนก่อนหน้านี้ใหม่นี้มักจะถูกเรียกว่า“compositionality” ซึ่งเป็นเอกสารที่ดีในมนุษย์จากวัยเด็ก ระบบสามารถผสมผสานการนำเสนอ แนวคิด หรือทักษะที่ได้เรียนรู้มาก่อนหน้านี้เพื่อแก้ปัญหาใหม่ได้ ตัวอย่างเช่น ตัวแทนสามารถรวมความสามารถในการปีนขึ้นบันไดกับการใช้เป็นวิธีที่เป็นไปได้ออกจากห้อง หรือตัวแทนสามารถเรียนรู้การคูณหลังจากเรียนรู้เพิ่มเติม
ในความคิดของฉัน สองแพลตฟอร์มก่อนหน้านี้เหมาะสมกว่าสำหรับการจัดองค์ประกอบ: Malmö และ CommAI-env Malmöมีส่วนผสมทั้งหมดของเกม 3 มิติ และนักวิจัย AI สามารถทดลองและประเมินตัวแทนด้วยการมองเห็นและการนำทาง 3 มิติ ซึ่งเอกสารการวิจัยจำนวนมากที่ใช้ Malmö ได้ทำมาแล้ว เนื่องจากเป็นประเด็นร้อนใน AI ในขณะนี้ อย่างไรก็ตาม สำหรับฉัน คุณลักษณะที่น่าสนใจที่สุดของมัลโมคือการสร้างและประดิษฐ์ ซึ่งตัวแทนจำเป็นต้องรวมแนวคิดและทักษะก่อนหน้านี้เข้าด้วยกันเพื่อสร้างสิ่งที่ซับซ้อนมากขึ้น
CommAI-envเป็นค่าผิดปกติในชุดแพลตฟอร์มนี้อย่างชัดเจน ไม่ใช่วิดีโอเกมในรูปแบบ 2D หรือ 3D วิดีโอหรือเสียงไม่มีบทบาทใดๆ การโต้ตอบเกิดขึ้นจากกระแสของบิตอินพุต/เอาต์พุตและรางวัล ซึ่งมีเพียง +1, 0 หรือ -1 โดยพื้นฐานแล้ว การกระทำและการสังเกตเป็นเลขฐานสอง เหตุผลที่อยู่เบื้องหลัง CommAI-env คือการให้ความสำคัญกับทักษะการสื่อสาร แต่ก็ยังช่วยให้มีปฏิสัมพันธ์ รูปแบบ และงานที่หลากหลาย ในขณะที่ “รักษาความซับซ้อนเพิ่มเติมทั้งหมดให้เหลือน้อยที่สุด”
เมื่อผมรู้ว่าGeneral AI Challengeกำลังใช้ CommAI-env ในการอุ่นเครื่องของพวกเขา ฉันดีใจมาก ผู้เข้าร่วมสามารถมุ่งเน้นไปที่ตัวแทน RL ได้โดยไม่ต้องมีความซับซ้อนของการมองเห็นและการนำทาง แน่นอนว่าการมองเห็นและการนำทางมีความสำคัญมากสำหรับการใช้งาน AI แต่สิ่งเหล่านี้สร้างความซับซ้อนเพิ่มเติมมากมาย หากเราต้องการทำความเข้าใจ (และประเมิน) การเรียนรู้แบบค่อยเป็นค่อยไป ตัวอย่างเช่น งานที่เท่าเทียมกันสองงานซึ่งพื้นผิวของผนังเปลี่ยนแปลงสามารถเห็นได้ว่าเป็นต้องใช้ความพยายามในการถ่ายโอนที่สูงกว่างานที่แตกต่างกันเล็กน้อยสองงานที่มีพื้นผิวเดียวกัน กล่าวอีกนัยหนึ่ง นี่อาจเป็นปัจจัยที่ทำให้เกิดความสับสนซึ่งจะทำให้การวิเคราะห์การถ่ายโอนงานและการพึ่งพางานยากขึ้นมาก จึงเป็นทางเลือกที่ชาญฉลาดที่จะแยกสิ่งนี้ออกจากรอบอุ่นเครื่อง จะมีบางโอกาสในรอบอื่นๆ ของความท้าทายซึ่งรวมถึงการมองเห็น การนำทาง และรูปแบบที่ซับซ้อนอื่นๆ
[NPC4]นอกจากนี้ รอบวอร์มอัพได้แก้ไข CommAI-env ในลักษณะที่บิตถูกบรรจุเป็นอักขระ 8 บิต (1 ไบต์) สิ่งนี้ทำให้คำจำกัดความของงานง่ายขึ้นและทำให้การเข้ารหัส ASCII โปร่งใสสำหรับตัวแทน โดยพื้นฐานแล้ว ชุดของการกระทำและการสังเกตจะขยายเป็น 256 แต่ที่น่าสนใจ ชุดของการสังเกตและการกระทำจะเหมือนกัน ซึ่งทำให้มีความเป็นไปได้มากมายที่ไม่ปกติในการเรียนรู้แบบเสริมกำลัง โดยที่ชุดย่อยเหล่านี้ต่างกัน ตัวอย่างเช่น เอเจนต์ที่มีพื้นฐานเช่น “คัดลอกอินพุตไปยังเอาต์พุต” และตัวดำเนินการการแปลงลำดับอื่น ๆ สามารถเขียนขึ้นเพื่อแก้ไขงาน ตัวแปรและนามธรรมอื่นๆ มีบทบาทสำคัญ
นี่อาจทำให้รู้สึกว่าเรากลับมาที่เครื่องจักรทัวริงและ AI เชิงสัญลักษณ์ ในกรณีนี้ และสอดคล้องกับวิสัยทัศน์ของทัวริงในบทความปี 1950 ของเขามาก : “เป็นไปได้ที่จะสอนเครื่องจักรด้วยการลงโทษและให้รางวัลเพื่อปฏิบัติตามคำสั่งในภาษาบางภาษา เช่น ภาษาสัญลักษณ์” แต่ในปี 2560 เรามีเทคนิคหลายอย่างที่ไม่สามารถใช้ได้เมื่อไม่กี่ปีที่ผ่านมา ตัวอย่างเช่น Neural Turing Machines และโครงข่ายประสาทเทียมอื่นๆ ที่มีหน่วยความจำเชิงสัญลักษณ์นั้นเหมาะสมอย่างยิ่งสำหรับปัญหานี้
ไม่ได้หมายความว่ากลุ่มผู้ที่ชื่นชอบการเรียนรู้การเสริมแรงเชิงลึกไม่สามารถนำอุปกรณ์ของตนเข้าสู่รอบอุ่นเครื่องนี้ได้ แน่นอนพวกเขาจะไม่ผิดหวังกับความท้าทายนี้หากพวกเขาทำงานอย่างหนักเพื่อปรับการเรียนรู้เชิงลึกให้เข้ากับปัญหานี้ พวกเขาอาจไม่ต้องการเครือข่ายแบบ convolutional ที่ปรับแต่งสำหรับการจดจำรูปแบบภาพ แต่มีความเป็นไปได้และความท้าทายมากมายในการทำให้การเรียนรู้เชิงลึกทำงานในสภาพแวดล้อมเช่นนี้ โดยเฉพาะอย่างยิ่งเนื่องจากตัวอย่างน้อย ยิ่งดี ยิ่งดี และการเรียนรู้เชิงลึกมักจะต้องใช้หลาย ตัวอย่าง.
ข้อดีอีกอย่างคืออินเทอร์เฟซแบบลำดับเชิงสัญลักษณ์ที่เรียบง่ายเปิดความท้าทายให้กับส่วนอื่นๆ ใน AI ไม่เพียงแต่โครงข่ายประสาทเทียมที่เกิดซ้ำเท่านั้น แต่ยังมีเทคนิคจากการประมวลผลภาษาธรรมชาติ การคำนวณเชิงวิวัฒนาการ อัลกอริธึมที่ได้รับแรงบันดาลใจจากการบีบอัด หรือแม้แต่ด้านอื่นๆ เช่น การเขียนโปรแกรมแบบอุปนัยด้วยสตริงอันทรงพลัง -การจัดการเบื้องต้นและความเหมาะสมสำหรับปัญหาที่มีตัวอย่างน้อยมาก
ฉันคิดว่าทั้งหมดข้างต้นทำให้รอบอุ่นเครื่องนี้เป็นการแข่งขันที่ไม่เหมือนใคร แน่นอน เนื่องจากเราไม่เคยมีอะไรที่คล้ายคลึงกันมาก่อน เราอาจมีเซอร์ไพรส์บ้าง อาจเกิดขึ้นได้ว่าเทคนิคที่ไม่คาดคิด (หรือแม้แต่ไร้เดียงสา) อาจทำงานได้ดีกว่าเทคนิคอื่นๆ (และมนุษย์) หรือบางทีเราพบว่าไม่มีเทคนิคใดที่สามารถทำสิ่งที่มีความหมายได้ในขณะนี้
ฉันอยากเห็นว่ารอบนี้พัฒนาไปอย่างไร และผู้เข้าร่วมสามารถผสานรวมและคิดค้นอะไรเพื่อแก้ไขลำดับของงานย่อยและงานย่อย ฉันแน่ใจว่าเราจะเรียนรู้มากมายจากสิ่งนี้ ฉันหวังว่าเครื่องจักรจะเช่นกัน และพวกเราทุกคนจะก้าวเข้าสู่รอบต่อไป!
NSความก้าวหน้าทางปัญญาประดิษฐ์โดยเฉพาะอย่างยิ่งในด้านการเรียนรู้อย่างลึกซึ้งนั้นน่าทึ่งมาก สิ่งนี้เป็นกำลังใจอย่างมากสำหรับทุกคนที่สนใจในสาขานี้ แต่ความก้าวหน้าที่แท้จริงของปัญญาประดิษฐ์ระดับมนุษย์นั้นยากกว่ามากที่จะประเมิน
การประเมินปัญญาประดิษฐ์เป็นปัญหาที่ยากมากด้วยเหตุผลหลายประการ ตัวอย่างเช่น การขาดฉันทามติเกี่ยวกับเดซิเดราทาพื้นฐานที่จำเป็นสำหรับเครื่องจักรอัจฉริยะเป็นหนึ่งในอุปสรรคหลักในการพัฒนาแนวทางที่เป็นหนึ่งเดียวเพื่อเปรียบเทียบตัวแทนต่างๆ แม้จะมีนักวิจัยจำนวนมากที่มุ่งเน้นหัวข้อนี้โดยเฉพาะ (เช่นJosé Hernández-OralloหรือKristinn R. Thórisson เป็นต้น ) พื้นที่นี้จะได้รับประโยชน์จากความสนใจมากขึ้นจากชุมชน AI
[NPC5]วิธีการประเมิน AI เป็นเครื่องมือสำคัญที่ช่วยประเมินความคืบหน้าของตัวแทนที่สร้างขึ้นแล้ว การเปรียบเทียบและการประเมินแผนงานและแนวทางในการสร้างตัวแทนดังกล่าวยังมีการสำรวจน้อยกว่า การเปรียบเทียบดังกล่าวอาจยิ่งยากขึ้น เนื่องจากความคลุมเครือและคำจำกัดความที่เป็นทางการที่จำกัดภายในแผนคาดการณ์ล่วงหน้าดังกล่าว
อย่างไรก็ตาม เราเชื่อว่าเพื่อมุ่งสู่พื้นที่การวิจัยที่มีแนวโน้มและเพื่อระบุจุดสิ้นสุดที่อาจเกิดขึ้น เราต้องสามารถเปรียบเทียบแผนงานที่มีอยู่ได้อย่างมีความหมาย การเปรียบเทียบดังกล่าวจำเป็นต้องมีการสร้างกรอบการทำงานที่กำหนดกระบวนการในการรับข้อมูลที่สำคัญและเปรียบเทียบได้จากเอกสารที่มีอยู่ซึ่งสรุปแผนงานที่เกี่ยวข้อง หากไม่มีกรอบการทำงานที่เป็นหนึ่งเดียวกัน แผนงานแต่ละแผนอาจไม่เพียงแต่แตกต่างกันในเป้าหมาย (เช่น AI ทั่วไป, AI ระดับมนุษย์, AI การสนทนา ฯลฯ…) แต่ยังรวมถึงแนวทางในการบรรลุเป้าหมายที่อาจเปรียบเทียบและเปรียบเทียบไม่ได้