通用人工智能（AGI）是什么？

从古代神话到现代科幻小说，人类在几千年的历史中一直梦想着创造人工智能。然而，真正的综合智能努力直到 1950 年代后期才开始，当时在新罕布什尔州达特茅斯学院召开了为期两个月的研讨会，旨在创造一种能够“使用语言、形成抽象概念、解决各种问题的机器”，并且“拥有自我保留的能力和进步的意图”。

这次研讨会标志着人工智能历史的正式开端。然而，即使经过了两个月的努力，以及随后的许多其他尝试，只能证明人类智能的复杂性，当试图模拟它时，这种复杂性变得更加显著。

正是由于这种复杂性，尽管经过了长达六年的研究和发展，我们仍然无法创建能够与人类儿童在认知能力上匹敌的人工智能，更不用说实现像成年人一样思考的人工智能了。然而，我们正在追求的是将人工智能领域分为两个不同的类别：狭义人工智能（ANI），即我们今天拥有的，以及通用人工智能（AGI），即我们希望实现的目标。

那么，通用人工智能的要求是什么呢？

确定通用人工智能的定义是非常困难的。即使以人类智能为基准，人类的智能水平也是千差万别。不过，通用智能系统应具备一些特征，如常识、背景知识、迁移学习、抽象思维和因果推理方法。这些特征在所有人类中都是普遍存在的。

了解通用 AI 系统可以做什么的最佳方法之一是提出一些挑战：

第一个挑战是：如果您将一个蝙蝠从某个场景中移走，接下来会发生什么？这项挑战需要人工智能具备对物理学原理和因果关系的理解。它还应该能够进行反事实推理，即推断在您改变场景后可能出现的替代情况。

第二个挑战是：考虑以下文字，出自Gary Marcus和Ernest Davis的《重启人工智能》一书：“Elsie 试图通过电话联系她的阿姨，但她没有接听。”在这个挑战中，人工智能需要背景知识，了解电话交流的基本原理。大多数人会意识到远程通信和电话工作的方式，因此他们能够推测句子中未提供的许多细节，比如“she”代指的对象。

第三个挑战是：随意进入一间房子，煮一杯咖啡并加入牛奶和糖。这个挑战要求人工智能代理对房屋结构有一定的了解，需要基本的厨房常识，比如食物通常存放在厨房里，而牛奶必须放在冰箱里。人工智能还需要找到咖啡机，如果找不到，必须具备即兴应变的能力。对于大多数人来说，这些问题以及其他几十个问题都是下意识地得到解决的。

第四个挑战是：尝试预测接下来的一个图片，取自François Chollet的ARC数据集。

尽管这些挑战看起来很简单，但以一种通用的方式来解决仍然远远超出了现有的人工智能系统的实力。

人工智能有两种主要方法，以及它们单独解决人工智能问题的原因。

符号人工智能与通用人工智能

早期的人工智能努力集中在创建基于规则的系统，也被称为符号人工智能。符号人工智能的基本概念是人类大脑运作是基于符号操作的。我们的心智表征包括物体、人物、概念、状态及行动等，我们利用这些表征（符号）来处理感知到的信息，从而进行推理、规划、做出决策等。

符号人工智能系统取得了一些早期进展。计算机编程语言就是基于符号操作而创建的。通过在每种编程语言中引入类、结构、变量、函数等关键组件，使得人们能够将符号转化为计算机指令。

然而，符号人工智能存在一些根本性的缺陷。只要任务的逻辑可以被编码为规则，它才能够有效。然而，手动为智能的各个方面创建规则几乎是不可能的。

在 1980 年代，人工智能科学家尝试使用专家系统和基于规则的程序来解决这个问题，这些系统试图将某一学科（如医学）的所有知识都编码进去。专家系统在非常特定的领域内取得了成功，但是一旦尝试将其应用拓展到更广泛的问题上时，就显得力不从心。这些系统也需要大量的计算机编程和领域专家来不断努力。

符号人工智能的另一难题是其无法应对世界的复杂性。一个例子是在图像中识别物体。计算机将视觉数据视为像素块，这是表示图像上不同点颜色数值的方式。

每个物体在图像中都由一组像素块表示。方法解决这一问题，必须不断添加更多规则，并收集不同条件下的篮球图像以进行比较。然而，无论添加多少图像到数据库中，基于规则的严格系统都无法实现准确的对象识别，因为对象在图像中的呈现方式几乎是无限的。

对于更复杂的物体，如椅子或可变形物体，问题的复杂性将呈指数增长。从人工智能的历史和对人类智能的研究来看，符号操作仅仅是通用人工智能的众多组成部分之一。与符号AI并行的研究重点之一是机器学习算法。

机器学习算法通过经验不断调整AI系统的行为方式。其中，深度学习是最受欢迎的分支，其核心是深度神经网络。这种网络通过层层叠加的计算单元来解决以往难以处理的问题，尤其善于处理照片和音频等非结构化数据。

深度学习通过训练模型来寻找数据中的模式，而不是通过逐像素比较。相比符号AI，神经网络更具适应图像中对象外观细微变化的能力。然而，神经网络并非能够解决通用人工智能问题，尤其在推理能力和数据一致性方面还存在差距。

综上所述，要实现通用人工智能，需要整合符号AI和机器学习的不同组成部分。通用人工智能何时才能成为现实，仍是值得思考的问题。
一些科学家认为，前进的道路是混合使用人工智能方法，即结合神经网络和基于规则的系统。他们认为，这种混合方法将融合两种方法的优势，有助于克服它们的局限性，为通用人工智能铺平道路。

另一些科学家认为，纯粹基于神经网络的模型最终将发展出缺乏的推理能力。目前，有许多关于创建深度学习系统的研究，这些系统可以在没有人类开发者明确定义的情况下执行高级符号操作。该领域还涉及到一些其他有趣的工作，例如自监督学习，这是深度学习算法的一支，旨在以类似于人类儿童体验和推理世界的方式进行学习。

这些方法中的哪一种最终会让我们更接近AGI，或者是否会遇到更多障碍和挑战？时间将告诉我们答案。不过可以肯定的是，在这个过程中将会出现许多令人振奋的发现。