人工智能经由50多年的研究开拓，已经从传统的、学派分立、层次分离的“狭义人工智能”，发展成为当代的、多学派兼容、多层次结合、多智体协同的“广义人工智能”。
那什么是广义人工智能呢？

名词阐明

广义人工智能”(Generalized Artificial Intelligence，也有称Broad Artificial Intelligence)，详细涵义如下：

“广义人工智能”是兼容多学派 的“多学派人工智能”，仿照、延伸与扩展“人的智能”及其它动物智能，既研究“机器智能”，也开拓“智能机器”。

“多层次”人工智能，“广义人工智能”是多层次结合的“多层次人工智能”。
如:自推理，自遐想，自学习，自寻优，自折衷，自方案，自决策，自感知，自识别。
自辨识，自诊断，自预测，自聚售，自领悟，自适应，自组织，自整定，自校正，自稳定，自修复，自繁衍，自进化等。
不仅研究专家系统，而且研究人工神经网络、模式识别、智能机器人等。

“多智体”人工智能，“广义人工智能”不仅研究个体的、单机的、集中式人工智能，而且

研究群体的、网络的、“多智体”Multi-Agent)、分布式人工智能

Distributed Artificial Intelligence)。
研究如何使分散的“个体人工智能”折衷合营，形成协同的“群体人工智能”，仿照、延伸与扩展人的群体智能或其。
它动物的群体智能。

图注：不同层次的AI对应的能力

广义AI差异于现有的、专门针对特界说务设计的狭义AI（narrow AI），而更加强调技能习得和问题办理的能力（skill acquisition and problem solving）。
这一不雅观点来自任职于Google、Keras作者Franois Chollet曾在一篇论文中提到对付智能的定义。
Chollet认为处于智能第二阶梯（下图）的广义AI该当具有以下主要的特色：知识迁移和互动、鲁棒性、抽象和推理的能力、高效性。
而广义AI充分利用感知与料（sensory perception）、以往履历和学习到的技能成功胜任不同的任务。

(1)多学科协同

广义人工智能是跨学科的综合性边缘学科，须要采纳信息科学、生物科学、系统科学、思维科学、行为科学等多学科协同的科学研究方法。

当代“广义人工智能”学科体系包括：“机器智能、智能机器”2个方面，“高层思维智能、中层感知智能、基层行为智能”3个层次，以及多个“人工智能”学科分支。

(2)多路子结合

广义人工智能是对广义自然智能的仿照、延伸和扩展，须要采纳功能仿照、构造仿照、行为仿照等定性研究与定量剖析，综合集成的多路子相结合的科学方法。

(3)多学派兼容

虽然,人工智能领域中存在不同学派的辩论，但是，为了取长补短，群策群力，广义人工智能的研究应该也须要采纳符号主义，联结主义。
行为主义等多学派兼容的科学方法。

近期，LSTM 提出者和奠基者，奥地利人工智能高等研究所（IARAI）创始人，曾得到IEEE CIS 2021 年神经网络先驱奖（Neural Networks Pioneer Award）的Sepp Hochreiter教授在《ACM通讯》上对目前AI达到的智能水平揭橥了意见。

Sepp Hochreiter 指出，目前 AI 的发展正以广义 AI（Broad AI）为目标。
他强调，将以往基于逻辑的符号AI和现有的基于数据的神经AI结合的双向AI（bilateral AI）是最有希望实现广义 AI 的办法。

深度神经网络是现在 AI 的主流实现办法。
只管它可以实现惊人的性能，但就和人的智能比较而言，它仍旧存在很多的毛病。
Hochreiter 教授援引纽约大学认知科学家 Gary Marcus 曾经对付神经网络的批驳，认为：（1）神经网络极度须要数据（data hungry）；（2）有限的迁移能力、也无法有效地迁移到新的任务或者数据分布上去；（3）对付天下知识或者先验知识无法充分地领悟进去。

也因此，Hochreiter教授警示道，决策者对付这些模型在真实数据的运用领域的效果存疑，由于真实场景下的数据总是变革着的、带噪声的、乃至数据稀缺的。
事实上，在需求很大但安全性和可阐明性占很大考量的医疗、航空、无人驾驶等领域，深度学习技能的运用仍旧有限。

只管如此，Hochreiter教授也指出，当下的 AI 已经在试图战胜这些毛病，并且以“广义AI”（broad AI）作为当下AI的新目标。

Hochreiter强调，实现广义AI须要神经-符号系统的结合，以达到一种双向AI（bilateral AI）。
而AI研究者也该当朝着具有更强的技能习得和问题办理能力的AI系统努力。
他还展望道，欧洲在这两方面都有传统的上风，因而要利用这些上风，积极地寻求广义AI的办理方案。

参考资料:

Hochreiter, Sepp. "Toward a broad AI." Communications of the ACM 65.4 (2022): 56-57.

Chollet, F. On the Measure of Intelligence (2019); ArXiv:1911.01547.

Luís C. Lamb, Artur d'Avila Garcez, Marco Gori, Marcelo O.R. Prates, Pedro H.C. Avelar, and Moshe Y. Vardi. 2021. Graph neural networks meet neural-symbolic computing: a survey and perspective. In IJCAI'20. Article 679, 4877–4884.