通用人工智能（AGI）概述

通用人工智能（Artificial General Intelligence, AGI），亦称强人工智能或人类水平人工智能，指具备与人类相当或超越人类的广泛认知能力的人工智能形态。其核心目标是使机器能够像人类一样，在各种不同的任务和环境中学习、理解、推理并自主解决问题，其能力不局限于任何特定领域。

1. 定义：AGI与狭义人工智能（ANI）的区别

通用人工智能（AGI） 追求的是智能的“通用性”。其目标是创造一个能够理解、学习并适应新情况的系统，可以处理人类所能完成的几乎所有智力任务。AGI不仅能够执行任务，更重要的是能够理解问题本身并进行独立决策。

狭义人工智能（ANI），或称弱人工智能，是当前主流的AI形态。ANI专注于解决特定领域的问题（如图像识别、机器翻译、下棋），在其训练范围内表现出色，但无法将其能力迁移到其他未训练的领域。例如，一个顶尖的围棋程序无法进行医疗诊断。目前常见的ChatGPT、文生图模型等均属于ANI范畴。

二者的根本区别在于：ANI是“专才”，而AGI追求成为“通才”。

2. 核心特征

一个真正的AGI系统通常被认为需要具备以下关键特征：

• 通用性：能够完成无限种类的任务，并能在不同领域间灵活迁移和整合知识与技能。

• 自主性：能够主动在环境中发现任务、设定目标并制定行动计划，而非仅仅被动执行预设指令。

• 适应性/学习能力：具备强大的学习能力，能够从经验、数据或与环境的交互中持续学习，快速适应全新的、未知的情境。

• 理解与推理能力：能够理解信息（包括语言、图像等）的深层含义，掌握常识，并运用逻辑推理、因果推断等方式解决问题。

3. 发展历程与主要技术路径

AGI的概念贯穿了人工智能学科的发展史。

• 早期探索：自1956年达特茅斯会议起，创造具有人类水平智能的机器便是AI研究的初心。艾伦·图灵提出的“图灵测试”为此设定了参考标准。

• 概念提出：“AGI”这一术语于1997年左右被明确提出，旨在区分于当时主流的、专注于特定应用的弱人工智能研究，标志着对AI原始愿景的回归和聚焦。

• 技术路径：在追求AGI的过程中，形成了不同的研究流派：

  • 符号主义：主张通过对抽象符号的逻辑推理和操作来实现智能，如专家系统。

  • 连接主义：受大脑神经网络启发，认为智能源于大量简单处理单元的相互连接，当代深度学习是其代表。

  • 行为主义/具身认知：强调智能需要通过物理身体与环境进行实时互动才能产生与发展，与机器人学、强化学习紧密相关。

  • 整合方法：当前趋势倾向于融合多种路径，例如结合神经网络的感知能力与符号系统的推理能力，或开发具备“世界模型”的AI智能体。

4. 当前研究进展与瓶颈

• 进展：以大型语言模型（如GPT-4、Claude 3）和多模态模型（如Sora）为代表的生成式AI取得了突破性进展。这些模型在自然语言处理、多任务处理等方面展现出接近人类水平的广泛能力，激发了业界对AGI路径的深入探索。一些机构（如OpenAI）已开始制定通往AGI的等级划分体系。

• 瓶颈：

  1. 算力与能源制约：训练和运行先进大模型需要巨大的计算资源和能源消耗。

  2. 能力局限：现有模型在常识推理、因果推断、可解释性、长期规划等深层认知能力上与人类智能存在明显差距，且容易产生“幻觉”（生成不准确内容）。

  3. 数据瓶颈：模型依赖大规模高质量数据，但数据的获取、标注及其中可能存在的偏见是重大挑战。

  4. 伦理与安全：数据隐私、算法偏见、滥用风险、对社会结构的冲击等伦理安全问题亟待解决。

5. 关键技术挑战

实现AGI仍需攻克多项核心技术挑战：

1. 从多模态数据中学习：让AI能像人类一样，从视频等动态、富含上下文信息的多模态数据中有效学习，构建对物理世界和社会场景的理解。

2. 理解时间与因果关系：使AI能够理解事件的时间顺序、持续时间及复杂的因果联系，并在此基础上进行预测和规划。

3. 实现可解释性与鲁棒性：使AI的决策过程变得透明、可理解，并确保其在面对不确定性和对抗性干扰时依然可靠、稳定。

4. 达成价值对齐：确保高度自主的AGI系统的目标与人类价值观保持一致，防止其产生有害行为，这是至关重要的安全挑战。