对通用人工智能的难以捉摸的探索：为什么 AGI 仍然遥不可及
尽管近年来人工智能取得了显着进步，但专家们的共识很明确：我们尚未实现通用人工智能（AGI）。虽然人工智能系统可以执行日益复杂的任务，但它们仍然远远低于类人的通用智能，后者可以跨领域转移知识并以人类思维的灵活性适应新的情况。
理解 AGI：人工智能研究的圣杯
通用人工智能是指一种人工智能，它具有与人类智能相当的水平来理解、学习和应用知识来完成广泛的任务。与专为特定功能（例如下棋、识别图像或翻译语言）而设计的狭义人工智能系统不同，AGI 将表现出与人类相当的认知能力，包括抽象思维、常识推理和对全新情况的适应能力。
当前形势：狭义人工智能与通用智能
当今最先进的人工智能系统，包括 GPT-4 等大型语言模型、Midjourney 等图像生成器以及专门的游戏人工智能，体现了研究人员所说的“狭义人工智能”——擅长特定任务但缺乏人类广泛认知能力的系统。这些系统虽然在各自的领域令人印象深刻，但无法将其知识转移到不相关的任务或展示超出其训练参数的真正理解。
| AI 能力：现状与 AGI 愿景 |
| 当前人工智能系统 |
通用人工智能潜力 |
| 专业任务表现 |
跨域的一般问题解决 |
| 训练数据中的模式识别 |
真正的理解和推理 |
| 对新场景的适应性有限 |
灵活运用知识 |
| 没有意识或自我意识 |
元认知的潜力 |
通用人工智能之路上的技术挑战
通向 AGI 的旅程面临着研究人员尚未克服的许多艰巨的技术障碍：
- 常识推理：当前的人工智能系统缺乏人类通过经验发展起来的对世界如何运作的直观理解。他们很难掌握基本的常识知识，而这些知识使人类能够对日常情况做出推断。
- 迁移学习：虽然现代人工智能可以从数据中学习，但如果不进行广泛的再培训，它们就无法像人类一样在不同领域或环境之间有效地迁移知识。
- 能源效率：人脑只需约 20 瓦的功率即可实现卓越的认知性能，而当今的 AI 系统需要大量的计算资源，这引发了人们对 AGI 所需的基本架构的疑问。
- 具身认知：AGI 可能需要与世界进行物理交互，以发展人类所拥有的基础理解，而这是当前人工智能系统所缺乏的。
- 自我意识和主观体验：AGI 是否拥有意识或主观体验的问题仍然是一个深刻的哲学和技术问题。
研究前沿与突破尝试
尽管存在这些挑战，世界各地的研究人员仍在通过各种方法继续追求通用人工智能：
神经形态计算尝试模仿人脑的结构，创建比传统计算机更像神经网络运行的硬件。 IBM 的 TrueNorth 和英特尔的 Loihi 等项目代表了这个方向的早期步骤。
认知架构（例如 ACT-R、SOAR 和 LIDA）尝试比深度学习方法更明确地模拟人类认知，结合了受心理学启发的记忆、注意力和学习机制等元素。
混合方法将神经网络与符号人工智能系统相结合，试图弥合模式识别和逻辑推理之间的差距，而逻辑推理是人工智能领域历史上的大部分特征。
行业前景与投资
全球领先的科技公司大幅增加了对人工智能研究的投资，通用人工智能经常被视为长期目标。 OpenAI、DeepMind 和 Anthropic 等公司已经吸引了大量资金，并承诺提供功能日益强大的人工智能系统。
但是，即使是这些组织也承认存在挑战。 OpenAI 的领导层表示，虽然他们在更通用的人工智能方面取得了进展，但真正的通用人工智能仍然遥远。 DeepMind 的研究人员强调需要在基本人工智能能力上取得突破，而不是简单地扩展现有方法。
道德和安全考虑
对通用人工智能的追求引发了研究人员和政策制定者日益面临的深刻伦理问题。 AGI 的潜在好处（从解决复杂的科学问题到应对全球挑战）是巨大的，但如果此类系统与人类价值观不正确一致，风险也是巨大的。
领先的人工智能研究人员强调了以确保其有益且可控的方式开发通用人工智能的重要性。这导致人们更加关注人工智能安全研究，包括价值调整、可解释性和稳健控制机制的技术。
时间线预测：乐观与现实
专家对何时实现 AGI 的预测差异很大，这既反映了研究的不确定性，也反映了 AGI 构成的不同定义。一些乐观的预测表明通用人工智能可能会在未来十年内出现，而更保守的估计则认为它需要几十年甚至几个世纪的时间。
TechOffice
