什么是人工通用智能（AGI）及其与人工智能（AI）的区别：人工智能爱好者的现实检查

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？

这就是人工通用智能（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，后者是当前的人工智能状态，它只能在一个或几个领域中表现出色，例如下棋或识别面部。另一方面，AGI将具有理解和推理多个领域的能力，例如语言、逻辑、创造力、常识和情感。

AGI 并不是一个新概念。它自人工智能研究的早期以来就是指导人工智能研究的愿景，并且仍然是其最有争议的想法。一些人工智能爱好者相信 AGI 是不可避免的和即将到来的，并且将带来一个新的技术和社会进步时代。其他人更加怀疑和谨慎，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，它是否有意义尝试实现它？这是一个重要的问题，其答案可能会对渴望见证超人类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 的区别？

AGI 通过其执行任何人类能够完成的智力任务的能力（如果不是超越人类的能力）与当前的 AI 区分开来。这种区别在几个关键特征方面体现出来，包括：

• 抽象思维
• 从特定实例中概括的能力
• 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，这是一门使机器能够从数据和经验中学习的计算机科学分支。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。无监督学习涉及在无标记数据中找到模式，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。它们通常缺乏适应性，特别是在新情况下，并且需要更透明的解释其推理的能力。

相比之下，AGI 被设想为摆脱这些限制的，并且不会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。此外，AGI 可以从多样化的来源和领域中获取和集成知识，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表现出色。

实现 AGI 的挑战和方法

实现 AGI 提出了技术、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、可推广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、可靠性和问责制，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，在抽象和结构化问题（如数学和下棋）方面表现出色，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来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）方面表现出色，但在解释和概括方面存在困难。

混合人工智能 结合了符号和联结主义人工智能，以利用其优势和克服其弱点，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，但它们是最著名和最有前途的方法。每种方法都有其优点和缺点，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了某些方面或特征，这些特征让人联想到 AGI，并有助于实现 AGI 的愿景。这些示例代表了朝着 AGI 迈出的步伐，展示了特定的能力：

AlphaZero 由 DeepMind 开发，是一种强化学习系统，可以在没有人类知识或指导的情况下自主学习下棋、将棋和围棋。AlphaZero 展示了超人类的能力，并引入了挑战传统智慧的创新策略。

同样，OpenAI 的 GPT-3 可以生成多样化的文本，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 展示了多样性，尽管在某些限制内。

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 的能力可以进化网络结构和功能，产生不受人类程序员预定义的新颖和复杂的解决方案。

虽然这些示例展示了朝着 AGI 迈出的进步，但它们也强调了现有的局限性和差距，这些需要进一步的探索和开发以实现真正的 AGI。

AGI 的影响和风险

AGI 提出了科学、技术、社会和伦理挑战，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，但它也可能引入新的挑战和风险。

从伦理角度来看，它可能会促进新的规范、合作和同理心，并引入冲突、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，但实现这一目标仍然存在挑战。当前的人工智能在特定领域表现出色，但必须达到AGI的广泛潜力。

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