什么是通用人工智能 (AGI) 以及它为何尚未出现：人工智能爱好者的现实检验

DigiOps与人工智能 无处不在。从智能助手到 自驾车车，人工智能系统正在改变我们的生活和商业。但如果有一个人工智能不仅仅可以执行特定任务呢？如果有一种人工智能可以像人类一样学习和思考，甚至​​超越人类的智能，那会怎样呢？

这就是我们的愿景 通用人工智能 (AGI)， 人工智能的一种假设形式，有潜力完成人类可以完成的任何智力任务。 AGI 通常与 人工智能（ANI），目前的人工智能只能在一个或几个领域表现出色，例如下棋或识别人脸。另一方面，AGI 将具有跨多个领域的理解和推理能力，例如语言、逻辑、创造力、常识和情感。

AGI并不是一个新概念。它从一开始就一直是人工智能研究的指导愿景，并且仍然是其最具争议性的想法。一些人工智能爱好者认为，AGI是不可避免的、迫在眉睫的，并将引领一个新的技术和社会进步时代。其他人则更加怀疑和谨慎，并警告创建和控制如此强大且不可预测的实体存在道德和生存风险。

但我们距离实现通用人工智能还有多远，尝试是否有意义？这实际上是一个重要的问题，它的答案或许可以为那些渴望见证超人智能时代的人工智能爱好者提供一个现实检验。

什么是A.GI 它与人工智能有何不同？

AGI 与当前人工智能的不同之处在于，它能够执行人类可以执行的任何智力任务，即使不能超越人类。这种区别体现在几个关键特征上，包括：

• 抽象思维
• 从特定实例进行概括的能力
• 从不同的背景知识中汲取灵感
• 利用常识和意识进行决策
• 理解因果关系而不仅仅是相关性
• 与人类和其他代理进行有效的沟通和互动。

虽然这些特征对于实现类人或超人智能至关重要，但对于当前的人工智能系统来说，它们仍然很难捕获。

当前的人工智能主要依赖于机器学习，这是计算机科学的一个分支，使机器能够从数据和经验中学习。机器学习通过以下方式运作 监督, 无监督及 强化学习.

监督学习涉及机器从标记数据中学习以预测或分类新数据。无监督学习涉及在未标记数据中寻找模式，而强化学习则围绕从行动和反馈中学习、优化奖励或最小化成本。

尽管在以下领域取得了显著成果 计算机视觉 和 自然语言处理，当前的人工智能系统受到训练数据的质量和数量、预定义算法和特定优化目标的限制。他们经常需要帮助提高适应能力，尤其是在新情况下，并且需要更透明地解释他们的推理。

相比之下，AGI 预计将摆脱这些限制，并且不依赖于预定义的数据、算法或目标，而是依赖于自身的学习和思维能力。此外，AGI 可以获取并整合来自不同来源和领域的知识，将其无缝地应用于新的、多样化的任务。此外，AGI 在推理、沟通、理解和操纵世界及其自身方面表现出色。

实现通用人工智能的挑战和方法是什么？

实现通用人工智能在技术、概念和伦理方面提出了相当大的挑战。

例如，定义和测量智力（包括记忆力、注意力、创造力和情感等组成部分）是一个基本障碍。此外，建模和模拟人脑的功能（例如感知、认知和情感）也面临着复杂的挑战。

此外，关键挑战包括设计和实现可扩展、通用的学习和推理算法和架构。确保 AGI 系统在与人类和其他主体交互时的安全性、可靠性和责任感，并使 AGI 系统的价值观和目标与社会的价值观和目标保持一致也至关重要。

在追求通用人工智能的过程中，人们提出并探索了各种研究方向和范式，每种研究方向和范式都有优点和局限性。 象征性AI是一种使用逻辑和符号进行知识表示和操作的经典方法，擅长解决数学和国际象棋等抽象和结构化问题，但需要帮助缩放和集成感觉和运动数据。

同样， 联结主义人工智能是一种采用神经网络和深度学习来处理大量数据的现代方法，在视觉和语言等复杂且嘈杂的领域表现出色，但需要帮助解释和概括。

混合人工智能 结合了符号人工智能和联结人工智能，以发挥其优势并克服弱点，旨在打造更强大、更通用的系统。相似地, E进化人工智能 使用进化算法和遗传编程通过自然选择来进化人工智能系统，寻求不受人类设计约束的新颖且最佳的解决方案。

最后， 神经形态人工智能 利用神经形态硬件和软件来模拟生物神经系统，旨在建立更高效、更真实的大脑模型，并实现与人类和智能体的自然交互。

这些并不是通用人工智能的唯一方法，而是一些最突出和最有前途的方法。每种方法都有优点和缺点，并且它们仍然需要实现 AGI 所需的通用性和智能性。

德盛 示例和应用

虽然 AGI 尚未实现，但人工智能系统的一些著名示例表现出了让人想起 AGI 的某些方面或特征，有助于最终实现 AGI 的愿景。这些示例通过展示特定功能代表了向 AGI 迈进的一大步：

零度由 DeepMind 开发的强化学习系统，可以在没有人类知识或指导的情况下自主学习下国际象棋、将棋和围棋。 AlphaZero 展示了超人的熟练程度，还引入了挑战传统智慧的创新策略。

同样， 开放人工智能 GPT-3 生成跨各种主题和任务的连贯且多样化的文本。 GPT-3 能够回答问题、撰写论文和模仿不同的写作风格，显示出多功能性，尽管有一定的限制。

同样， 整齐是由 Kenneth Stanley 和 Risto Miikkulainen 创建的一种进化算法，可进化用于机器人控制、游戏和图像生成等任务的神经网络。 NEAT 发展网络结构和功能的能力产生了人类程序员未预定义的新颖且复杂的解决方案。

虽然这些例子说明了通用人工智能的进展，但它们也强调了现有的局限性和差距，需要进一步探索和发展才能实现真正的通用人工智能。

AGI 的影响和风险

AGI 带来了具有深远影响的科学、技术、社会和伦理挑战。从经济上讲，它可能会创造机会并扰乱现有市场，从而可能加剧不平等。在改善教育和健康的同时，通用人工智能可能会带来新的挑战和风险。

从道德上讲，它可以促进新的规范、合作和同理心，并引入冲突、竞争和残酷。 AGI 可能会质疑现有的意义和目的，扩展知识，并重新定义人性和命运。因此，利益相关者必须考虑并解决这些影响和风险，包括研究人员、开发人员、政策制定者、教育工作者和公民。

底线

AGI 站在人工智能研究的最前沿，有望超越人类的智力水平。尽管这一愿景吸引了爱好者，但实现这一目标仍面临挑战。当前的人工智能在特定领域表现出色，必须满足通用人工智能的广阔潜力。

从符号人工智能和联结人工智能到神经形态模型，许多方法都致力于实现通用人工智能。 AlphaZero 和 GPT-3 等著名例子展示了进步，但真正的 AGI 仍然难以捉摸。通向通用人工智能的旅程具有经济、伦理和生存的意义，需要集体关注和负责任的探索。