【AGI】是推動人工智能發展的核心理念，一直以來，我們可能并未聽說【AGI】的發展歷程，或者是相關概念，好像是最近才突然“火”起來，為什么消失了多年的概念在當今又被提起？下面筆者會從AGI的原點，深入介紹一下AGI的現狀，以及未來發展的猜想。

1 AGI概念&背景

1.1 AI（Artificial Intelligence）簡史

最初在1955年，由約翰·麥卡錫（John McCarthy）創造的術語【人工智能】（Artificial Intelligence）指的是能夠像人類一樣思考、學習和推理的機器或計算機程序 – 其能夠具備人類的普遍智慧，即能夠學習各領域知識，并能將知識輸出在各個領域。

當時，約翰·麥卡錫預計人工智能將在幾個月內實現。

約翰·麥卡錫在實踐過程中，遇到了極大的技術阻礙，因此多年來，【人工智能】領域演變為【狹義人工智能】，即：一次只解決一種類型的問題。

我們將AI的能力應用在了各個領域，比如：機器視覺(CV)、語音識別(ASR)、自然語言處理(NLP)。但將AI能力應用到各種場景細分的不利后果是：我們現在依然需要程序員或者數據分析師才能實現場景下特定的目標，而不是我們構建了類似智能人腦的系統。

因此，【人工智能】的重點從系統內在智能，轉移到利用外部環境中的智能，需要程序員的智慧，解決特定問題。

隨著業務的深入，也更加關注特定場景下的人工智能的使用，這樣導致了：【人工智能】在迭代的過程中，忽視了適應型和主動性這兩大核心。智能體的初步設計是能夠自主地適應不斷變化的環境，根據環境調整自身算法，進行主動知識學習和研判，從而完成預設目標，但現在完成目標的不是【人工智能】，而是場景中的相關技術/業務人員。

1.2 AGI的背景

【AGI】的詞匯是“Artificial General Intelligence”的縮寫。

1997年時，【AGI】這個術語被定義，我們稱之為——【通用人工智能】。由Mark Gubrud在《Nanotechnology and International Security》（納米技術與國際安全）中提出，其主要內容是：討論全自動化軍事生產和作戰的影響。

其原文如下：

其翻譯為：

通過先進的【人工通用智能】——在復雜性和速度上能與人類大腦相媲美甚至超越的系統。

這些系統可以獲取、操縱和推理日常的知識，在需要人類智力的領域發揮作用，比如：在工業或軍事行動的任何階段。

這樣的系統可能以人類大腦為模型，但并不一定必須如此，重要的是這樣的系統可以被用來取代人類大腦，從組織和管理礦山或工廠到駕駛飛機、分析情報數據或規劃戰斗等各種任務。

Mark Gubrud認為【AGI】可以取代人類的大腦，做方方面面的領域應用，如：組織和管理工廠、駕駛飛機、分析情報等戰斗任務。雖然當時Mark Gubrud沒有提出一條確定的概念來描述【AGI】，但是我們可以從幾個關鍵詞來感知【AGI】的雛形：代替人類大腦、做各方面應用。

到2001年，許多人工智能研究人員獨立得出結論，認為現在是回歸【人工智能】原始愿景的時候，并決定聯合撰寫關于【人工智能】主題的書。2002年，其中三位作者分別為：本·戈爾策爾（Ben Goertzel）、謝恩·萊格（Shane Legg）和彼得·沃斯（Peter Voss）為該書的標題創造了術語【通用人工智能】（Artificial General Intelligence）。

1.3 AGI的定義

AGI（Artificial General Intelligence）的概念：指的是創建（半）自治、適應性強的計算機系統，具有典型的人類一般認知能力，具備支持抽象、類比、規劃和問題解決的能力。（來源于：《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的現狀

下面以兩個具體的場景為例，帶入讀者感受現階段【AI】概念與【AGI】概念的不同。

2.1 狹義人工智能/弱人工智能

弱人工智能（英語：Weak artificial intelligence，簡稱Weak AI）或稱狹義人工智能（Narrow AI）、應用型人工智能（Applied AI），是實現部分知識應用的人工智能，且僅能專注于某項特定任務。用約翰·瑟爾的話來說，它“對于測試關于思想的假設很有用，但實際上并非思想本身”。弱人工智能專注于模仿人類如何執行基本動作，例如記憶或感知事物、解決簡單問題。比如：AlphaGo是一種圍棋軟件，只能專注于下圍棋。

在1990年代和21世紀初，【狹義人工智能】在商業成果和學術地位上，已經達到了一個新高度，依靠專注于解決細分的問題。他們可以提供許多方案和商業應用，例如：人工神經網絡、機器視覺以及數據挖掘。這些【狹義人工智能】今天已經在工業技術和科學研究中，得到廣泛和深入的應用，在學術和產業方面都得到了許多資助。

2.2 狹義人工智能的使用場景

有一位名叫李明的企業家，他正在尋找一種創新的市場營銷策略來推廣他的產品?？紤]到社交媒體在當下的重要性，他決定嘗試利用【NLP-自然語言模型】助力社交媒體營銷。

李明提供了一些關于他的產品特點和目標受眾信息，請求【NLP-自然語言模型】生成一系列具有吸引力和影響力的社交媒體內容。【NLP-自然語言模型】開始分析這些信息，并生成了一系列引人注目的媒體帖子、廣告標語和產品描述。

李明根據【NLP-自然語言模型】生成的內容，制作了一系列的社交媒體內容，并發布到多個平臺上。這些內容不僅引起了用戶的興趣，還增加了產品的知名度和銷售量，為企業帶來了可觀的營銷效果。

這個案例講述了，通過【NLP-自然語言模型】的協助，李明成功地實現了創新的社交媒體營銷策略，為他的產品帶來了廣泛的關注和認可。這個例子突出了【NLP-自然語言模型】在企業營銷中的應用潛力，為企業提供了創造性的市場推廣方案，幫助他們實現品牌宣傳和市場競爭優勢。

但是這也會有一定的不足，如果李明想讓AI幫助生成一整套商業推廣策略，【NLP-自然語言模型】可能就有些力不從心了，因為整套的商業推廣文件形式，涉及到視頻、圖片等。如果生成推廣海報，可能需要【CV-視覺模型】和其他領域人工智能的介入。

通過這個案例，我們可以把這種【NLP-自然語言模型】、【CV-視覺模型】等，歸類為【狹義人工智能】。這些【狹義人工智能】都有一個共性，其只是在某一領域給需求方提供一定的指導，其智能程度無法幫助需求方完成一整套需求落地，主要表現為：最終把生成的社交媒體內容推向市場的還是李明、而不是【NLP-自然語言模型】。

我們試想，如果上述案例讓【AGI】執行，將會是怎樣呢？

【AGI】得知李明需要推廣產品后，開始查閱所有的方案推廣可能性，根據現在市場行情，從中選擇一個最優解；然后，【AGI】開始撰寫符合商業場景的文案，并自動合成相關的宣傳視頻、生成推廣海報；在這些物料準備完成后，

【AGI】開始分析廣告投放策略，并通過不同渠道做精準的廣告投放，把邊際成本降到最低；在廣告投放完成后，【AGI】會對市場反饋的數據再進行分析，優化現有物料、提升渠道效率，降低獲客成本。最終結果當達到你的目標時，【AGI】給予你反饋。

而在【AGI】執行此任務的過程中，自身又根據事件及環境作出了自我優化。在面臨相似需求時候，它會更加智能、更加高效。

2.3 現代通用人工智能（AGI）的使用場景

【AGI】的使用遠不止上述案例，為什么說【AGI】只存在于小說里、科幻電影中呢？因為【AGI】具象化以后，就是一個無所不能的、集各領域行業專家知識于一身的智能體。下面再舉一個案例請大家感受一下【AGI】的智能程度。

想象一下，現在有一個關于《治愈癌癥》的課題急需攻破，其影響重大，可能挽救成千上萬病患者的生命，但以現有的研發資源來看，這還是一個無法解決的問題，具體體現在：缺乏富有經驗的醫學人才，缺少對以往醫療案例有效數據進行深入挖掘。

【AGI】可以通過全面整合已有的醫學文獻、臨床案例和研究報告，挖掘其中的關鍵信息和潛在規律。

【AGI】能夠快速理解并分析大量醫學數據，尋找可能的突破點和治療方向。同時，【AGI】可以利用計算機模擬技術，對潛在的治療方法和新藥進行大規模虛擬實驗，加速研發過程。通過分子模擬、蛋白質配體對接等技術，篩選出可能的有效藥物及其作用機制。

在臨床實踐中，【AGI】可以提供最新的研究成果和治療建議，幫助醫生做出更明智的醫療決策。同時，在醫生實際決策的數據中，【AGI】又會進行深度學習。

在很短的時間之內，【AGI】會變成一個行業的解決方案專家，當然了，不同的醫院有不同的高級智能體，這些智能體之間會相互共享、分析數據，將各類深度學習的人工智能知識匯聚，做自我升級。

不久，【AGI】就會超越人類，率先研發出對抗癌癥的解決方案。

雖然有了一系列的展望，但是AGI的倫理層面還是需要深度探索，國內外人工智能發展的現狀總是技術跑在監管條例前面，因此，會引發一系列的社會問題，在對人工智能發展的監管力度應該加強。

2.4 狹義人工智能和AGI的不同

我們在理解AI與AGI的過程中，不要把【通用人工智能（AGI）】和【人工智能】相混淆，通用人工智能( AGI ) 是人工智能(AI)的一種，【AGI】可以在廣泛的認知任務中表現得與人類一樣好甚至更好，與專為特定任務而設計的【狹義人工智能】不同。創建【AGI】 是一些人工智能研究以及OpenAI、DeepMind和Anthropic等公司的主要目標。2020 年的一項調查發現，有 72 個活躍的 AGI研發項目遍布 37 個國家。

下面【狹義人工智能】與【AGI】 主要特點的對比：

理論上，【AGI】 能夠執行人類可以執行的任何任務，并在不同領域表現出一系列智能、無需人工干預的特點；在解決大多數領域的問題時，它的表現應該與人類一樣好，甚至更好。

相比之下，【狹義人工智能】擅長完成特定任務或特定類型的問題。許多現有的人工智能系統結合使用機器學習 ( ML )、深度學習（機器學習的子集）、強化學習和自然語言處理 ( NLP ) 來進行自我改進，并解決特定類型的問題。然而，這些技術并沒有達到人腦的聚合處理能力。

目前使用【狹義人工智能】主要的應用領域有：

• 客戶服務聊天機器人。
• 語音助手，例如蘋果的 Siri 和亞馬遜的 Alexa。
• Google、Netflix 和 Spotify 等推薦引擎，用于向用戶推薦內容。
• 由人工智能驅動的業務分析和商業智能 ( BI ) 工具可進行數據分析、評估客戶情緒并為最終用戶呈現數據可視化。
• 圖像和面部識別應用程序以及它們使用的深度學習模型。

2.5 AGI的價值

1. 執行認知任務的成本大大低于人類。
2. 【AGI】在彼此之間更擅長溝通和分享知識 – 沒有自我設限阻礙。
3. 無休止運轉，7*24小時無休止工作，需求處理速度更快，解決問題注意力更集中。
4. 不會受到人類感知的各種“干擾”，例如家庭、假期、愛好等。
5. 更強的邏輯思維能力，以及進行復雜規劃和推理能力得到大幅提升。

2.6 現代通用人工智能（AGI）的爭論

通用人工智能【AGI】引發起一連串哲學的爭論，例如：如果一臺機器能完全理解語言，并回答問題，其是不是有思維。哲學家希爾勒認為不可能。

關于【AGI】的爭論，不同于更廣義的一元論和二元論的爭論。其爭論要點是：如果一臺機器的唯一工作原理就是轉換編碼數據，那么這臺機器是不是有思維的？希爾勒認為這是不可能的。他舉了著名的中文房間的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那么在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解?；谶@一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。

也有哲學家持不同的觀點。丹尼爾·丹尼特（Daniel C. Dennett）在其著作《意識的闡釋》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已，為什么我們認為：“人可以有智能，而普通機器就不能”呢？他認為像上述的數據轉換機器是有可能有思維和意識的。

3 AGI的發展與未來

3.1 人工智能的三次浪潮

幾年前，美國國防部高級研究計劃局(DARPA)提出了一個簡單分類法，其按時間順序和應用特征，劃分人工智能，分解如下:

1. 第一波浪潮——基于規則的方法：也被稱為“GOFAI”（Good Old-Fashioned AI），在大約2010年之前主導了該領域，其特點是：數據和算法主要由開發人員手工制作。這包括專業系統、復雜邏輯和搜索算法、架構規劃和調度系統等。其最顯著的成功案例包括IBM在1997年的國際象棋冠軍Deep Blue以及Jeopardy智力問答游戲冠軍Watson。
2. 第二波浪潮——神經網絡：在2012年左右如海嘯般來襲，當時研究人員發現如何利用海量數據和計算能力（包括GPU/TPU）構建神經網絡。這推動了翻譯、圖像和語音識別的突破，最終通過GPT實現了強大的視覺、語音和文本生成。目前，這些發展的頂層交互體現在各種LLM（大型語言模型）中，如ChatGPT。這一波浪潮以統計學和強化學習為特征；其中許多都是無監督或自監督的。
3. 第三波浪潮——通用人工智能：第三波浪潮仍處于萌芽階段。它的重點完全符合AGI的要求：自主、實時學習；適應、高級推理。它還期望概念更加貼近現實（而非語言統計）、穩定的少樣本學習和可解釋性。人工智能專家希望這些系統，能夠優雅地將次符號模式匹配，與高級符號模式和語言推理相結合。滿足所有這些要求的一個明顯候選方案就是【認知架構】方法。

3.2 第三次浪潮——【認知人工智能（cognitive AI）】

能夠推動【通用人工智能】落地的知識架構是【認知架構】，其具體表現形式是【認知人工智能】。

【認知人工智能】（Cognitive AI）是具備人類式認知能力的智能體，認知人工智能闡述了一個系統，其能夠：理解語言、運用常識知識、推理和適應未知情況；具備這些特征的集合體，更像一個具備高級知識的人類，是一個能夠幫助我們解決問題的【AGI】助手，它需要深刻理解生活和科學、與我們進行有效的溝通、使用我們日常的工具和系統，同時具備學習和創新能力。實現這個目的，需要構建一種特定的【AGI】方法，專注于實時、終身的概念學習和推理。

如果AGI一旦落地，將會在很多領域遠超人類，但在他們實際的應用環境中，需要的信息總是不完整而且相互矛盾，同時我們會規定有限的時間和資源來完成任務。另一方面，它們不需要人類級別的感知敏銳度或靈巧性?？梢詫⑵浞Q為海倫或霍金模型的【AGI】（Helen Keller / Stephen Hawking）——具有人類級認知能力但沒有整體人類水平的身體能力。然而，它們也需要某種方式來捕捉、與我們的實際世界互動。 例如：可以通過個人電腦屏幕、鍵盤和鼠標進行訪問來實現這一點。此外，AGI也將成為卓越的工具使用者，就像在辦公室的員工一樣。 我們看到【認知人工智】能是通往【AGI】最清晰、最明確和最直接的途徑。

3.3 【認知人工智能】的核心-認知架構

認知架構基礎理念是創建、涵蓋并體現出：人類水平的思維，所需的所有基本結構的系統。

重要的是，它還考慮了這些結構和功能，如何需要與不斷變化的知識、技能相結合，以在多樣、動態的環境中產生智能體。

雖然有多個認知架構項目已經持續活躍了幾十年，但迄今為止，沒有一個顯示出足夠的商業前景，被廣泛采用或受到特別充分的資助。

原因是多方面且復雜的，但一個共同的特點是：它們正在以模塊化和低效的方式運行，并且缺乏深入的學習反饋和認知理論。

4 為什么我們還沒有實現AGI

簡單來說，也許是因為目前還沒有一個采用正確方法、理論，并擁有足夠資金支持的項目。

最近ChatGPT的成功表明，硬件限制目前可能不是主要瓶頸，現有硬件的支持，使得高度復雜的語言生成或“推理”變得可行。

4.1 沒有實現AGI的原因：

1. 盡管成千上萬的【AI】研究人員在【人工智能】領域工作，無論是通過自我承認還是客觀分析，只有極少數人，直接致力于研究實現【AGI】的方法。
2. 一個客觀的標準是，在實現【AGI】的過程中，所做的【AI】工作，是否有明確定義的步驟或整體詳細計劃。很少有【AI】工作符合這一標準。具體來說，生成式【AI】研究不符合【AGI】的實現路徑。
3. 目前，致力于開發【AGI】的項目，很少有明確符合【AGI】所需的自主適應智能要求的理論。
4. 由于在過去的十年里，統計（與認知AI）取得了巨大成功，目前該領域的幾乎所有領先專家和從業者都來自統計學、數學或形式邏輯的研究。隨著研究的深入，現有的行業【AI】專家，幾乎不可能從“0”再次從認知角度看待【AGI】的要求。
5. 在市場經濟體中，個人、團隊和公司的動機和激勵很少有助于朝著【AGI】進展。對于學者來說，發表論文是最重要的，而非開發實際的AI系統。對于公司來說，是制作令人印象深刻的演示，或者在某些游戲或活動中擊敗人類以獲得額外資金。對于大多數人來說，是突破現有的能力，而非從源頭上改變它們。
6. 使用現有的基準來評估【AGI】存在很大問題：首先，將焦點放在對特定基準的逐步改進上，會分散開發其他更基礎解決【AGI】問題的工作。相對于解決困難的未知問題，更容易著手處理已經掌握如何取得進展的事物。其次，當前的基準極不適合衡量原型【AGI】的進展。早期【AGI】系統的定義，在現有的狹窄基準上表現很差，同時也不擅長高水平的智商測試，和其他專業測試。
7. 即使一切都順利朝著【AGI】預定義的目標發展——擁有良好的理論基礎和發展計劃，出色的開發團隊和雄厚資金，以及正確的目標基準、開發標準，但仍然存在著“狹義AI陷阱”的隱患。 人的本性使得我們本能地希望在最短時間內取得最大進展。但對于【AGI】來說，這往往意味著我們最終利用外部人類智慧來實現特定結果，或在給定基準上取得進展，而不是以一種將智慧（適應性、自治的問題解決能力）融入系統的方式來實現。隨著開發深入，最終導致的結果是：只有名義上是【AGI】的【狹義人工智能】工作。

4.2 AGI的隱患

許多進行人工智能研究的專家，對通用人工智能的實現，持懷疑態度。有些人質疑【AGI】的落地是否值得。

英國理論物理學家、宇宙學家和作家斯蒂芬·霍金在2014 年接受英國廣播公司采訪時警告了【AGI】的危險。“人工智能的全面發展可能意味著人類的終結”，他說。“它會自己成長，并以越來越快的速度重新設計自己。當人類受到緩慢的生物進化的限制，無法與AIG進行競爭時，就會被取代?！?/strong>