什么是人工一般智能（AGI）以及为什么它还没有到来：为人工智能爱好者提供的现实检查

人工智能（AI） 无处不在。从智能助手到 自动驾驶汽车，人工智能系统正在改变我们的生活和商业。但是，如果有一种人工智能可以做更多的事情，而不仅仅是执行特定的任务呢？如果有一种人工智能可以像人类一样学习和思考，甚至超越人类的智慧呢？

这是人工一般智能（AGI）的愿景，一种假设的人工智能形式，它有潜力完成人类能够完成的任何智力任务。AGI通常与 人工狭义智能（ANI） 相对比，当前的人工智能状态只能在一个或几个领域中出类拔萃，例如下棋或识别面部。另一方面，AGI将能够理解和推理多个领域，例如语言、逻辑、创造力、常识和情感。

AGI不是一个新概念。它自人工智能研究的早期以来一直是指导性的愿景，并且仍然是最有争议的想法。一些人工智能爱好者认为AGI是不可避免的和即将到来的，并且将带来新的技术和社会进步时代。其他人则更加怀疑和谨慎，警告创建和控制这样一个强大和不可预测的实体的伦理和存在风险。

但是，我们距离实现AGI还有多远，它是否有意义？这是一个重要的问题，其答案可能会为渴望见证超人智慧时代的人工智能爱好者提供现实检查。

什么是AGI以及它与AI有什么不同？

AGI与当前的AI区别在于其能够执行人类能够执行的任何智力任务，如果不是超越人类的话。这种区别在于几个关键特征，包括：

• 抽象思维
• 从具体实例中概括
• 从多样化的背景知识中汲取
• 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
• 有效地与人类和其他代理进行沟通和交互。

虽然这些特征对于实现人类般或超人类的智慧至关重要，但它们仍然难以被当前的人工智能系统捕捉到。

当前的人工智能主要依赖于机器学习，一种计算机科学的分支，能够让机器从数据和经验中学习。机器学习通过 监督学习、无监督学习 和 强化学习 运作。

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找到模式，而强化学习则围绕着从行动和反馈中学习，优化奖励或最小化成本。

尽管在计算机视觉和自然语言处理等领域取得了显著的成果，但当前的人工智能系统受到训练数据质量和数量、预定义算法和特定优化目标的限制。它们通常需要在新颖情况下适应性更强，并且需要更透明地解释其推理。

相比之下，AGI被设想为摆脱这些限制，并不依赖于预定义的数据、算法或目标，而是依赖于其自身的学习和思考能力。另外，AGI可以从多样化的来源和领域中获取和整合知识，并将其无缝地应用于新的和多样的任务。此外，AGI将在推理、沟通、理解和操纵世界和自身方面出类拔萃。

实现AGI的挑战和方法

实现AGI带来了技术、概念和伦理等多个方面的重大挑战。

例如，定义和衡量智力，包括记忆、注意力、创造力和情感等组成部分，是一个基本的障碍。另外，模拟和模拟人类大脑的功能，例如感知、认知和情感，提出了复杂的挑战。

此外，关键挑战包括设计和实施可扩展、可泛化的学习和推理算法和架构。确保AGI系统在与人类和其他代理交互时的安全性、可靠性和责任感，以及将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AGI的过程中，已经提出了和探索了各种研究方向和范式，每个都有其优点和局限性。 符号人工智能，一种使用逻辑和符号进行知识表示和操作的经典方法，在抽象和结构化的问题（如数学和国际象棋）中表现出色，但在扩展和集成感官和运动数据方面存在困难。

同样，联结主义人工智能，一种使用神经网络和深度学习处理大量数据的现代方法，在复杂和嘈杂的领域（如视觉和语言）中表现出色，但在解释和概括方面存在困难。

混合人工智能 结合符号和联结主义人工智能，以利用其优势和克服弱点，旨在创建更强大和多功能的系统。同样，进化人工智能 使用进化算法和遗传编程来通过自然选择进化人工智能系统，寻求新的和最优的解决方案，不受人类设计的限制。

最后，神经形态人工智能 使用神经形态硬件和软件来模拟生物神经系统，旨在创建更高效和更真实的脑模型，并实现与人类和代理的自然交互。

这些并不是实现AGI的唯一方法，但它们是最突出和最有前途的方法之一。每种方法都有优点和缺点，它们仍然需要实现AGI所需的普遍性和智慧。

AGI示例和应用

虽然AGI尚未实现，但有一些值得注意的人工智能系统展示出某些方面或特征，类似于AGI，为最终实现AGI的愿景做出了贡献。这些示例代表了迈向AGI的步伐，展示了特定的能力：

AlphaZero 由DeepMind开发，是一个通过强化学习自主学习下棋、将棋和围棋的系统，而无需人类的知识或指导。展示出超人类的能力，AlphaZero还引入了创新性的策略，挑战传统的智慧。

同样，OpenAI 的GPT-3可以生成多样和连贯的文本，涵盖各种主题和任务。能够回答问题、撰写文章和模仿不同的写作风格，GPT-3展示出多才多艺的能力，尽管在某些限制之内。

同样，NEAT，由Kenneth Stanley和Risto Miikkulainen创建的进化算法，能够为机器人控制、游戏和图像生成等任务进化神经网络。NEAT能够进化网络结构和功能，产生新的和复杂的解决方案，不受人类程序员的预定义限制。

虽然这些示例展示了朝着AGI的进展，但它们也凸显了现有的局限性和差距，这些需要在追求真正的AGI时进一步探索和开发。

AGI的影响和风险

AGI带来了科学、技术、社会和伦理等多个方面的挑战，具有深远的影响。从经济角度来看，它可能会创造机会和破坏现有的市场，可能会增加不平等。虽然它可以改善教育和健康，但也可能带来新的挑战和风险。

从伦理角度来看，它可能会促进新的规范、合作和同理心，也可能会引起冲突、竞争和残忍。AGI可能会质疑现有的意义和目的，扩展知识，并重新定义人类的本质和命运。因此，利益相关者必须考虑和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。

结论

AGI站在人工智能研究的前沿，承诺达到超越人类能力的智慧水平。虽然这个愿景吸引了爱好者，但实现这一目标的挑战仍然存在。当前的人工智能在特定领域中表现出色，但必须达到AGI的广泛潜力。

从符号和联结主义人工智能到神经形态模型，各种方法都在努力实现AGI。值得注意的示例，如AlphaZero和GPT-3，展示了进展，但真正的AGI仍然难以实现。考虑到经济、伦理和存在的影响，通往AGI的旅程需要集体的关注和负责的探索。