1 AGI观点&背景1.1 AI（Artificial Intelligence）简史

最初在1955年，由约翰·麦卡锡（John McCarthy）创造的术语【人工智能】（Artificial Intelligence）指的是能够像人类一样思考、学习和推理的机器或打算机程序 – 其能够具备人类的普遍聪慧，即能够学习各领域知识，并能将知识输出在各个领域。

当时，约翰·麦卡锡估量人工智能将在几个月内实现。

约翰·麦卡锡在实践过程中，碰着了极大的技能阻碍，因此多年来，【人工智能】领域演化为【狭义人工智能】，即：一次只办理一种类型的问题。

我们将AI的能力运用在了各个领域，比如：机器视觉(CV)、语音识别(ASR)、自然措辞处理(NLP)。
但将AI能力运用到各种场景细分的不利后果是：我们现在依然须要程序员或者数据剖析师才能实现场景下特定的目标，而不是我们构建了类似智能人脑的系统。

因此，【人工智能】的重点从系统内在智能，转移到利用外部环境中的智能，须要程序员的聪慧，办理特定问题。

随着业务的深入，也更加关注特定场景下的人工智能的利用，这样导致了：【人工智能】在迭代的过程中，忽略了适应型和主动性这两大核心。
智能体的初步设计是能够自主地适应不断变革的环境，根据环境调度自身算法，进行主动知识学习和研判，从而完成预设目标，但现在完成目标的不是【人工智能】，而是场景中的干系技能/业务职员。

1.2 AGI的背景

【AGI】的词汇是“Artificial General Intelligence”的缩写。

1997年时，【AGI】这个术语被定义，我们称之为——【通用人工智能】。
由Mark Gubrud在《Nanotechnology and International Security》（纳米技能与国际安全）中提出，其紧张内容是：谈论全自动化军事生产和作战的影响。

其原文如下：

其翻译为：

通过前辈的【人工通用智能】——在繁芜性和速率上能与人类大脑相媲美乃至超越的系统。

这些系统可以获取、操纵和推理日常的知识，在须要人类智力的领域发挥浸染，比如：在工业或军事行动的任何阶段。

这样的系统可能以人类大脑为模型，但并不一定必须如此，主要的是这样的系统可以被用来取代人类大脑，从组织和管理矿山或工厂到驾驶飞机、剖析情报数据或方案战斗等各种任务。

Mark Gubrud认为【AGI】可以取代人类的大脑，做方方面面的领域运用，如：组织和管理工厂、驾驶飞机、剖析情报等战斗任务。
虽然当时Mark Gubrud没有提出一条确定的观点来描述【AGI】，但是我们可以从几个关键词来感知【AGI】的雏形：代替人类大脑、做各方面运用。

到2001年，许多人工智能研究职员独立得出结论，认为现在是回归【人工智能】原始愿景的时候，并决定联合撰写关于【人工智能】主题的书。
2002年，个中三位作者分别为：本·戈尔策尔（Ben Goertzel）、谢恩·莱格（Shane Legg）和彼得·沃斯（Peter Voss）为该书的标题创造了术语【通用人工智能】（Artificial General Intelligence）。

1.3 AGI的定义

AGI（Artificial General Intelligence）的观点：指的是创建（半）自治、适应性强的打算机系统，具有范例的人类一样平常认知能力，具备支持抽象、类比、方案和问题办理的能力。
（来源于：《Why We Don’t Have AGI Yet》： AGI refers to creating (semi-)autonomous, adaptive computer systems with the general cognitive capabilities typical for humans. The ability to support abstraction, analogy, planning and problem-solving. ）

2 AGI的现状

下面以两个详细的场景为例，带入读者感想熏染现阶段【AI】观点与【AGI】观点的不同。

2.1 狭义人工智能/弱人工智能

弱人工智能（英语：Weak artificial intelligence，简称Weak AI）或称狭义人工智能（Narrow AI）、运用型人工智能（Applied AI），是实现部分知识运用的人工智能，且仅能专注于某项特界说务。
用约翰·瑟尔的话来说，它“对付测试关于思想的假设很有用，但实际上并非思想本身”。
弱人工智能专注于模拟人类如何实行基本动作，例如影象或感知事物、办理大略问题。
比如：AlphaGo是一种围棋软件，只能专注于下围棋。

在1990年代和21世纪初，【狭义人工智能】在商业成果和学术地位上，已经达到了一个新高度，依赖专注于办理细分的问题。
他们可以供应许多方案和商业运用，例如：人工神经网络、机器视觉以及数据挖掘。
这些【狭义人工智能】本日已经在工业技能和科学研究中，得到广泛和深入的运用，在学术和家当方面都得到了许多帮助。

2.2 狭义人工智能的利用场景

有一位名叫李明的企业家，他正在探求一种创新的市场营销策略来推广他的产品。
考虑到社交媒体在当下的主要性，他决定考试测验利用【NLP-自然措辞模型】助力社交媒体营销。

李明供应了一些关于他的产品特点和目标受众信息，要求【NLP-自然措辞模型】天生一系列具有吸引力和影响力的社交媒体内容。
【NLP-自然措辞模型】开始剖析这些信息，并天生了一系列引人瞩目的媒体帖子、广告标语和产品描述。

李明根据【NLP-自然措辞模型】天生的内容，制作了一系列的社交媒体内容，并发布到多个平台上。
这些内容不仅引起了用户的兴趣，还增加了产品的有名度和发卖量，为企业带来了可不雅观的营销效果。

这个案例讲述了，通过【NLP-自然措辞模型】的帮忙，李明成功地实现了创新的社交媒体营销策略，为他的产品带来了广泛的关注和认可。
这个例子突出了【NLP-自然措辞模型】在企业营销中的运用潜力，为企业供应了创造性的市场推广方案，帮助他们实现品牌宣扬和市场竞争上风。

但是这也会有一定的不敷，如果李明想让AI帮助天生一整套商业推广策略，【NLP-自然措辞模型】可能就有些力不从心了，由于整套的商业推广文件形式，涉及到***、图片等。
如果天生推广海报，可能须要【CV-视觉模型】和其他领域人工智能的参与。

通过这个案例，我们可以把这种【NLP-自然措辞模型】、【CV-视觉模型】等，归类为【狭义人工智能】。
这些【狭义人工智能】都有一个共性，其只是在某一领域给需求方供应一定的辅导，其智能程度无法帮助需求方完成一整套需求落地，紧张表现为：终极把天生的社交媒体内容推向市场的还是李明、而不是【NLP-自然措辞模型】。

我们试想，如果上述案例让【AGI】实行，将会是若何呢？

【AGI】得知李明须要推广产品后，开始查阅所有的方案推广可能性，根据现在市场行情，从中选择一个最优解；然后，【AGI】开始撰写符合商业场景的文案，并自动合成干系的宣扬***、天生推广海报；在这些物料准备完成后，

【AGI】开始剖析广告投放策略，并通过不同渠道做精准的广告投放，把边际本钱降到最低；在广告投放完成后，【AGI】会对市场反馈的数据再进行剖析，优化现有物料、提升渠道效率，降落获客本钱。
终极结果当达到你的目标时，【AGI】给予你反馈。

而在【AGI】实行此任务的过程中，自身又根据事宜及环境作出了自我优化。
在面临相似需求时候，它会更加智能、更加高效。

2.3 当代通用人工智能（AGI）的利用场景

【AGI】的利用远不止上述案例，为什么说【AGI】只存在于小说里、科幻电影中呢？由于【AGI】具象化往后，便是一个无所不能的、集各领域行业专家知识于一身的智能体。
下面再举一个案例请大家感想熏染一下【AGI】的智能程度。

想象一下，现在有一个关于《治愈癌症》的课题急需攻破，其影响重大，可能挽救成千上万病患者的生命，但以现有的研发资源来看，这还是一个无法办理的问题，详细表示在：缺少富有履历的医学人才，短缺对以往医疗案例有效数据进行深入挖掘。

【AGI】可以通过全面整合已有的医学文献、临床案例和研究报告，挖掘个中的关键信息和潜在规律。

【AGI】能够快速理解并剖析大量医学数据，探求可能的打破点和治疗方向。
同时，【AGI】可以利用打算机仿照技能，对潜在的治疗方法和新药进行大规模虚拟实验，加速研发过程。
通过分子仿照、蛋白质配体对接等技能，筛选出可能的有效药物及其浸染机制。

在临床实践中，【AGI】可以供应最新的研究成果和治疗建议，帮助年夜夫做出更明智的医疗决策。
同时，在年夜夫实际决策的数据中，【AGI】又会进行深度学习。

在很短的韶光之内，【AGI】会变成一个行业的办理方案专家，当然了，不同的医院有不同的高等智能体，这些智能体之间会相互共享、剖析数据，将各种深度学习的人工智能知识汇聚，做自我升级。

不久，【AGI】就会超越人类，率先研发出对抗癌症的办理方案。

虽然有了一系列的展望，但是AGI的伦理层面还是须要深度探索，国内外人工智能发展的现状总是技能跑在监管条例前面，因此，会引发一系列的社会问题，在对人工智能发展的监管力度该当加强。

2.4 狭义人工智能和AGI的不同

我们在理解AI与AGI的过程中，不要把【通用人工智能（AGI）】和【人工智能】相稠浊，通用人工智能( AGI ) 是人工智能(AI)的一种，【AGI】可以在广泛的认知任务中表现得与人类一样好乃至更好，与专为特界说务而设计的【狭义人工智能】不同。
创建【AGI】是一些人工智能研究以及OpenAI、DeepMind和Anthropic等公司的紧张目标。
2020 年的一项调查创造，有 72 个生动的 AGI研发项目遍布 37 个国家。

下面【狭义人工智能】与【AGI】 紧张特点的比拟：

理论上，【AGI】 能够实行人类可以实行的任何任务，并在不同领域表现出一系列智能、无需人工干预的特点；在办理大多数领域的问题时，它的表现该当与人类一样好，乃至更好。

比较之下，【狭义人工智能】善于完成特界说务或特定类型的问题。
许多现有的人工智能系统结合利用机器学习 ( ML )、深度学习（机器学习的子集）、强化学习和自然措辞处理 ( NLP )来进行自我改进，并办理特定类型的问题。
然而，这些技能并没有达到人脑的聚合处理能力。

目前利用【狭义人工智能】紧张的运用领域有：

客户做事谈天机器人。
语音助手，例如苹果的 Siri 和亚马逊的 Alexa。
Google、Netflix 和 Spotify 等推举引擎，用于向用户推举内容。
由人工智能驱动的业务剖析和商业智能 ( BI ) 工具可进行数据剖析、评估客户感情并为终极用户呈现数据可视化。
图像和面部识别运用程序以及它们利用的深度学习模型。

2.5 AGI的代价实行认知任务的本钱大大低于人类。
【AGI】在彼此之间更善于沟通和分享知识 –没有自我设限阻碍。
无休止运转，724小时无休止事情，需求处理速率更快，办理问题把稳力更集中。
不会受到人类感知的各种“滋扰”，例如家庭、假期、爱好等。
更强的逻辑思维能力，以及进行繁芜方案和推理能力得到大幅提升。

2.6 当代通用人工智能（AGI）的辩论

通用人工智能【AGI】引发起持续串哲学的辩论，例如：如果一台机器能完备理解措辞，并回答问题，其是不是有思维。
哲学家希尔勒认为不可能。

关于【AGI】的辩论，不同于更广义的一元论和二元论的辩论。
其辩论要点是：如果一台机器的唯一事情事理便是转换编码数据，那么这台机器是不是有思维的？希尔勒认为这是不可能的。
他举了著名的中文房间的例子来解释，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的条件下，机器不可能对其处理的数据有任何理解。
基于这一论点，希尔勒认为纵然有机器通过了图灵测试，也不一定解释机器就真的像人一样有思维和意识。

也有哲学家持不同的不雅观点。
丹尼尔·丹尼特（Daniel C. Dennett）在其著作《意识的阐释》（Consciousness Explained）里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。

3 AGI的发展与未来3.1 人工智能的三次浪潮

几年前，美国国防部高等研究操持局(DARPA)提出了一个大略分类法，其按韶光顺序和运用特色，划分人工智能，分解如下:

第一波浪潮——基于规则的方法：也被称为“GOFAI”（Good Old-Fashioned AI），在大约2010年之前主导了该领域，其特点是：数据和算法紧张由开拓职员手工制作。
这包括专业系统、繁芜逻辑和搜索算法、架构方案和调度系统等。
其最显著的成功案例包括IBM在1997年的国际象棋冠军Deep Blue以及Jeopardy智力问答游戏冠军Watson。
第二波浪潮——神经网络：在2012年旁边如海啸般来袭，当时研究职员创造如何利用海量数据和打算能力（包括GPU/TPU）构建神经网络。
这推动了翻译、图像和语音识别的打破，终极通过GPT实现了强大的视觉、语音和文本天生。
目前，这些发展的顶层交互表示在各种LLM（大型措辞模型）中，如ChatGPT。
这一波浪潮以统计学和强化学习为特色；个中许多都是无监督或自监督的。
第三波浪潮——通用人工智能：第三波浪潮仍处于抽芽阶段。
它的重点完备符合AGI的哀求：自主、实时学习；适应、高等推理。
它还期望观点更加贴近现实（而非措辞统计）、稳定的少样本学习和可阐明性。
人工智能专家希望这些系统，能够优雅地将次符号模式匹配，与高等符号模式和措辞推理相结合。
知足所有这些哀求的一个明显候选方案便是【认知架构】方法。

3.2 第三次浪潮——【认知人工智能（cognitive AI）】

能够推动【通用人工智能】落地的知识架构是【认知架构】，其详细表现形式是【认知人工智能】。

【认知人工智能】（Cognitive AI）是具备人类式认知能力的智能体，认知人工智能阐述了一个别系，其能够：理解措辞、利用知识知识、推理温柔应未知情形；具备这些特色的凑集体，更像一个具备高等知识的人类，是一个能够帮助我们办理问题的【AGI】助手，它须要深刻理解生活和科学、与我们进行有效的沟通、利用我们日常的工具和系统，同时具备学习和创新能力。
实现这个目的，须要构建一种特定的【AGI】方法，专注于实时、终生的观点学习和推理。

如果AGI一旦落地，将会在很多领域远超人类，但在他们实际的运用环境中，须要的信息总是不完全而且相互抵牾，同时我们会规定有限的韶光和资源来完成任务。
另一方面，它们不须要人类级别的感知敏锐度或机动性。
可以将其称为海伦或霍金模型的【AGI】（Helen Keller / Stephen Hawking）——具有人类级认知能力但没有整体人类水平的身体能力。
然而，它们也须要某种办法来捕捉、与我们的实际天下互动。
例如：可以通过个人电脑屏幕、键盘和鼠标进行访问来实现这一点。
此外，AGI也将成为卓越的工具利用者，就像在办公室的员工一样。
我们看到【认知人工智】能是通往【AGI】最清晰、最明确和最直接的路子。

3.3 【认知人工智能】的核心-认知架构

认知架构根本理念是创建、涵盖并表示出：人类水平的思维，所需的所有基本构造的系统。

主要的是，它还考虑了这些构造和功能，如何须要与不断变革的知识、技能相结合，以在多样、动态的环境中产生智能体。

虽然有多个认知架构项目已经持续生动了几十年，但迄今为止，没有一个显示出足够的商业前景，被广泛采取或受到特殊充分的帮助。

缘故原由是多方面且繁芜的，但一个共同的特点是：它们正在以模块化和低效的办法运行，并且缺少深入的学习反馈和认知理论。

4 为什么我们还没有实现AGI

大略来说，大概是由于目前还没有一个采取精确方法、理论，并拥有足够资金支持的项目。

最近ChatGPT的成功表明，硬件限定目前可能不是紧张瓶颈，现有硬件的支持，使得高度繁芜的措辞天生或“推理”变得可行。

4.1 没有实现AGI的缘故原由：只管成千上万的【AI】研究职员在【人工智能】领域事情，无论是通过自我承认还是客不雅观剖析，只有极少数人，直接致力于研究实现【AGI】的方法。
一个客不雅观的标准是，在实现【AGI】的过程中，所做的【AI】事情，是否有明确定义的步骤或整体详细操持。
很少有【AI】事情符合这一标准。
详细来说，天生式【AI】研究不符合【AGI】的实现路径。
目前，致力于开拓【AGI】的项目，很少有明确符合【AGI】所需的自主适应智能哀求的理论。
由于在过去的十年里，统计（与认知AI）取得了巨大成功，目前该领域的险些所有领先专家和从业者都来自统计学、数学或形式逻辑的研究。
随着研究的深入，现有的行业【AI】专家，险些不可能从“0”再次从认知角度看待【AGI】的哀求。
在市场经济体中，个人、团队和公司的动机和勉励很少有助于朝着【AGI】进展。
对付学者来说，揭橥论文是最主要的，而非开拓实际的AI系统。
对付公司来说，是制作令人印象深刻的演示，或者在某些游戏或活动中击败人类以得到额外资金。
对付大多数人来说，是打破现有的能力，而非从源头上改变它们。
利用现有的基准来评估【AGI】存在很大问题：首先，将焦点放在对特定基准的逐步改进上，会分散开拓其他更根本办理【AGI】问题的事情。
相对付办理困难的未知问题，更随意马虎动手处理已经节制如何取得进展的事物。
其次，当前的基准极不适宜衡量原型【AGI】的进展。
早期【AGI】系统的定义，在现有的狭窄基准上表现很差，同时也不善于高水平的智商测试，和其他专业测试。
纵然统统都顺利朝着【AGI】预定义的目标发展——拥有良好的理论根本和发展操持，出色的开拓团队和雄厚资金，以及精确的目标基准、开拓标准，但仍旧存在着“狭义AI陷阱”的隐患。
人的本性使得我们本能地希望在最短韶光内取得最大进展。
但对付【AGI】来说，这每每意味着我们终极利用外部人类聪慧来实现特定结果，或在给定基准上取得进展，而不因此一种将聪慧（适应性、自治的问题办理能力）融入系统的办法来实现。
随着开拓深入，终极导致的结果是：只有名义上是【AGI】的【狭义人工智能】事情。

4.2 AGI的隐患

许多进行人工智能研究的专家，对通用人工智能的实现，持疑惑态度。
有些人质疑【AGI】的落地是否值得。

英国理论物理学家、宇宙学家和作家斯蒂芬·霍金在2014 年接管英国广播公司采访时警告了【AGI】的危险。
“人工智能的全面发展可能意味着人类的闭幕”，他说。
“它会自己发展，并以越来越快的速率重新设计自己。
当人类受到缓慢的生物进化的限定，无法与AIG进行竞争时，就会被取代。
”

一些人工智能专家估量【AGI】将连续发展。
发明家兼未来学家雷·库兹韦尔 (Ray Kurzweil)，在 2017 年西南论坛（South by Southwest Conference）上接管采访时预测，到2029 年，打算机将达到人类的智能水平。
库兹韦尔还预测，人工智能将以指数级速率进步，带来打破，使其能够在一定水平上运行超出人类的理解和掌握。
人工智能的这一点被称为奇点。
通用人工智能是有助于人工智能终极发展的人工智能类型之一。

2022 年，在席卷环球的天生式人工智能发展的推动下，这一愿景更加靠近现实。
随着 ChatGPT 于 2022 年 11 月首次亮相以，以及其他【天生式 AI 】涌现，天下各地的用户亲眼目睹了：人工智能软件可以理解人类文本，提示并回答不限范围的问题，虽然答案并不总是准确，但是这些天生式人工智能模型已证明了：它们可以天生大量不同类型的内容，从诗歌和产品描述，到代码和合成数据。
像 Dall-E 这样的图像天生系统也颠覆了视觉交互，除了医学图像、物体 3D 模型和***之外，还天生模拟著名艺术家作品或照片的图像。

只管天生式人工智能的功能令人印象深刻，但它们仍旧达不到完备自主的 【AGI】。
无论是由于此类工具随意马虎产生不准确和缺点信息，还是由于它们无法自主获取、处理最新信息。

5 总结

最近GPT技能的惊人表现引起了：我们实现“AI”最初愿景的可能性——拥有人类水平的“思考机器”。
术语【AGI】被创造出来（重新）专注于这一目标，同来带来办理人类面临的许多问题、促进人类繁荣的技能。
然而，对人类认知水平的详细剖析显示，目前AI主导的领域，大多数技能方法、动机和基准都没有与实现这一目标保持同等。

为加速朝着【AGI】发展，我们须要专注于：类似人类认知的核心哀求——比如自主的、实时的、渐进式学习；观点形成、以及元认知掌握。
我们须要从第二波AI转向第三波AI，从统计天生式AI转向认知AI。

以上是笔者对AGI观点的分享，希望可以和大家一起理解、分享前沿的AI知识。

本文由 @Steven的产品炉 原创发布于大家都是产品经理。
未经作者容许，禁止转载。

题图来自Pixabay，基于CC0协议。

该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。