人工智能方面的进展使人工智能得以出身，它们能够完成以前认为只有人类才能完成的任务，如翻译措辞、驾驶汽车、玩天下冠军水平的棋盘游戏，以及提取蛋白质的构造。
然而，这些人工智能中的每一个都是为单一任务而设计和详尽演习的，并且有能力只学习该特界说务所需的知识。

最近的人工智能产生了流畅的文本，包括在与人类的对话中，并产生了令人印象深刻的独特艺术，可以给人一种头脑事情的假象。
但纵然这些都是专门的系统，实行狭义的任务，须要大量的演习。

将多个人工智能组合成一个能够学习和实行许多不同任务的系统仍旧是一个艰巨的寻衅，更不用说追求人类实行的全部任务的广度，或利用人类可用的一系列履历来减少学习如何实行这些任务所需的数据量。
目前在这方面最好的人工智能，如AlphaZero和Gato，可以处理各种符合单一模式的任务，如玩游戏。
能够胜任各种任务的人工通用智能（AGI：Artificial general intelligence）仍旧难以实现。

Artificial General Intelligence (AGI)：

关于人工智能（AI）的最初目标是建立 "会思考的机器"，但主流AI研究已经转向依赖领域和特定问题的办理方案；因此，有必要利用一个新的名称来表示仍旧追求 "大AI梦想 "的研究。
这类研究的类似标签包括 "强人工智能"、"人类水平的人工智能 "等。

近年来，越来越多的研究职员认识到，通过将智能作为一个整体来对待，回到该领域最初的目标的必要性--以及可行性。
越来越多的人呼吁过渡到面对 "人类水平的智能 "和更广泛的人工通用智能（AGI）的更困难的问题。

AGI研究与普通的人工智能研究不同，它强调智能的通用性和整体性，并根据在某种意义上可与人类思维相媲美的系统的轮廓来进行工程实践。

终极，AGI须要能够在各种物理环境和社会背景下与人有效互动，整合这样做所需的各种技能和知识，并从这些互动中灵巧有效地学习。

构建AGI归结为构建人工头脑，只管与人类的头脑比较大大简化。
而要建立一个人工头脑，你须要从认知模型开始。

从人类到人工通用智能

人类有一套险些无限制的技能和知识，并能迅速学习新的信息，而不须要重新设计。
可以想象的是，AGI可以采取与人类智能根本不同的方法来构建。
然而，作为三个长期从事人工智能和认知科学的研究职员，我们的方法是从人类的思维构造中汲取灵感和见地。
我们正通过考试测验更好地理解人类的思维来努力实现AGI，并通过努力实现AGI来更好地理解人类的思维。

从神经科学、认知科学和生理学的研究中，我们知道人类的大脑既不是一个巨大的同质的神经元凑集，也不是一个弘大的特界说务程序凑集，每个程序都办理一个单一的问题。
相反，它是一组具有不同属性的区域，支持共同构成人类思维的基本认知能力。

这些能力包括感知和行动；对当前情形下干系内容的短期影象；对技能、履历和知识的长期影象；推理和决策；情绪和动机；以及从一个人的全部感知和履历中学习新技能和知识。

人工智能先驱艾伦·纽维尔（Allen Newell）在1990年建议发展统一的认知理论，整合人类思维的所有方面，而不是孤立地关注详细的能力。
研究职员已经能够建立被称为认知架构的软件程序来表示这种理论，从而有可能测试和完善这些理论。

认知架构以多个科学领域为根本，具有不同的视角。
神经科学专注于人脑的组织，认知心理学专注于受控实验中的人类行为，而人工智能则专注于有用的能力。

认知的共同模型

我们已经参与了三个认知架构的开拓。
ACT-R、Soar和Sigma。
其他研究职员也一贯在忙于研究其他方法。
有一篇论文指出了近50种生动的认知架构。
这种架构的激增，部分是对所涉及的多种不雅观点的直接反响，部分是对各种潜在办理方案的探索。
然而，不管是什么缘故原由，它在科学上和在探求通往AGI的连贯道路方面都提出了尴尬的问题。

幸运的是，这种扩散已经把这个领域带到了一个主要的拐点。
我们三个人已经确定了架构之间惊人的趋同，反响了神经、行为和打算研究的结合。
作为回应，我们发起了一个全社会的努力，以类似于20世纪下半叶涌现的粒子物理学标准模型的办法来捕捉这种趋同。

这个认知的共同模型将人类的思维分为多个模块，个中短期影象模块是该模型的中央。
其他模块（感知、行动、技能和知识）通过它进行互动。

学习，不是故意发生的，而是作为处理的副浸染自动发生的。
换句话说，你并未定议什么被储存在长期影象中。
相反，构造决定了根据你所想的任何事情来学习什么。
这可以产生对你所打仗的新事实或你所考试测验的新技能的学习。
它也可以产生对现有事实和技能的改进。

这些模块本身是平走运作的；例如，许可你在听和看周围环境时记住一些东西。
每个模块的打算都是大规模并行的，这意味着许多小的打算步骤在同一韶光发生。
例如，在从大量的先前履历中检索一个干系的事实时，长期影象模块可以在一个步骤中同时确定所有已知事实的干系性。

勾引人工通用智能的发展方向

通用模型是基于目前认知架构研究的共识，有可能辅导自然和人工通用智能的研究。
当用于仿照大脑中的通信模式时，通用模型产生的结果比神经科学的紧张模型更准确。
这使其对人类--一个被证明有能力实现通用智能的系统--的建模能力超越了认知方面的考虑，包括了大脑本身的组织。

我们开始看到将现有的认知架构与通用模型联系起来的努力，并将其作为新事情的基线--例如，旨在辅导人们改进康健行为的互动人工智能。
我们中的一个人参与了基于Soar的人工智能的开拓，被称为Rosie，它通过人类西席的英语辅导来学习新的任务。
它能学习60种不同的谜题和游戏，并能将它所学的东西从一个游戏转移到另一个游戏。
它还能学习掌握一个移动机器人，完成取送包裹和巡逻大楼等任务。

罗西只是一个例子，解释如何建立一个通过认知架构靠近AGI的人工智能，该架构由通用模型很好地描述。
在这种情形下，人工智能在一样平常的推理过程中自动学习新的技能和知识，这种推理结合了人类的自然措辞辅导和最低限度的履历--换句话说，与本日的人工智能比较，这种人工智能的功能更像人类的头脑，后者通过蛮力打算和大量的数据学习。

从更广泛的AGI角度来看，我们期待通用模型既是开拓此类架构和AI的指南，也是将从这些考试测验中得到的见地整合为终极导致AGI的共识的手段。