Artificial General Intelligence(AGI)，通用人工智能，也译作人工通用智能、通用人工智慧、强人工智能（Strong AI），是具备与人类同等智能、或超越人类的人工智能，能表现正常人类所具有的所有智能行为。
人工智能（AI）的类型
人工智能主要有三种类型：
- 弱人工智能 (ANI)：ANI 是当今最常见的 AI 类型。它专注于特定任务，例如图像识别或自然语言处理。例如，安防系统中使用的人脸识别软件就是 ANI 应用。
- 人工通用智能 (AGI) ：AGI 具有类似人类的智慧，可以执行人类能够执行的任何智能任务。它能够学习、推理并适应新的情况。目前，并不存在真正的 AGI，但研发工作正在进行中。
- 超人工智能 (ASI)：ASI 超越了人类智慧，可能可以解决目前人类无法解决的问题。例如，ASI 系统或许可以设计高效的能源系统，或开发新的医学疗法。然而，ASI 仍然很大程度上是理论上的，并且仍然是一个存在争议和推测的话题。
通用人工智能(AGI)概述
强人工智能是人工智能研究的主要目标之一，同时也是科幻小说和未来学家所讨论的主要议题。相对的，弱人工智能（applied AI，narrow AI，weak AI, artificial narrow intelligence, ANI）只处理特定的问题。弱人工智能不需要具有人类完整的认知能力，甚至是完全不具有人类所拥有的感官认知能力，只要设计得看起来像有智能就可以了。由于过去的智能程序多是弱人工智能，发现这个具有领域的局限性，人们一度觉得强人工智能是不可能的。而强人工智能也指通用人工智能（Artificial General Intelligence，AGI），或具备执行一般智能行为的能力。强人工智能通常把人工智能和意识、感性、知识和自觉等人类的特征互相链接。
因而，这样的具备意识的强人工智能是否存在？目前模拟出简单的一个生物头脑已经不是不可能的事，一如化学技术累积发展下，现在许多研发药品已经使用计算机模型来推演药物效果，以减少受试动物的痛苦等。从前在使用电脑语言的时代，原先电脑被认为是不可能具备自我解决能力的，电脑只是看起来聪明，实质上还是按照设计好的规则行事，并不能应付突如其来的状况，仍旧会犯下错误，而近年来从电脑在摩尔定律与神经科学研究的协助下，透过在电脑上对生物神经元系统复杂的电位冲动模拟上获取了明显的突破，使人工智能越过发展中的坎——神经处理机制的发现，因为生物的独特是在于刺激与反应下会强化其反馈作用，这类能够透过试错学习经验并总结，以回应各种刺激的系统（例如玩多次网球游戏便能从生疏至熟巧），还能从每种反馈中又触发其他回路来升级改进思考结构，做出更复杂的精细反应（例如在对话中选择诚实、说谎、漠然之后考虑其不同行为的后果等），这样的仿生领域已经得到长足的进步，使人脑与AI的区别逐渐变得模糊；但是，在机器是否存在有自主“思想”上的议题，将还会一直是人们争辩的对象，特别是在智能理性与心理感性部分要如何区别、统合，更需要进一步引导其具有人性，来为人类提供最佳解，目前这些方法都还没有探索出来。在一些能够自动推理出最佳解的工具已经出现，如Google旗下的深思公司（DeepMind）在此领域进展最多，成功开发出了能解决任意问题的通用思考机器，他们将其类人脑神经程序称“人工通用智能技术”，而“通用”一词就代表着这是一个可以透过自主“进化发展”的通用智能。
通用人工智能(AGI)标准
人们提出过很多人工智能的定义（例如能够通过图灵测试），但是没有一个定义能够得到所有人的认同；然而，人工智能的研究者们普遍同意，以下特质是一个智能所必须要拥有的：
- 自动推理，使用一些策略来解决问题，在不确定性的环境中作出决策；
- 知识表示，包括常识知识库；
- 自动规划；
- 自主学习、创新；
- 使用自然语言进行沟通；
- 以及，集成以上这些手段来达到同一个的目标；
还有一些重要的能力，包括机器知觉（例如计算机视觉），以及在智能行为的世界中行动的能力（例如机器人移动自身和其他物体的能力）。它可能包括探知与回避危险的能力。许多研究智能的交叉领域（例如认知科学、机器智能和决策）试图强调一些额外的特征，例如想象力（不依靠预设而建构精神影像与概念的能力）以及自主性。基于计算机的系统中的确已经存在许多这样的能力，例如计算创造性、自动推理、决策支持系统、机器人、进化计算、智能代理，然而并未达到人类的水平。
检验强人工智能的操作性手段
一个强人工智能需要通过什么样的测试标准，科学家们有很多不同的想法，他们之中包括阿兰·图灵、本·格策尔、尼尔斯·尼尔森，他们提出的测试包括：
图灵测试（图灵）
图灵测试（英语：Turing test）是英国计算机科学家艾伦·图灵于1950年提出的思想实验，图灵亦将其称为“模仿游戏”（imitation game），这个实验的流程是由一位询问者写下自己的问题，随后将问题发送给在另一个房间中的一个人与一台机器，由询问者根据他们所作的回答来判断哪一个是真人，哪一个是机器，所有测试者都会被单独分开，对话以纯文本形式透过屏幕传输，因此结果不取决于机器的语音能力，这个测试意在探求机器能否模仿出与人类相同或无法区分的智能。
图灵测试是图灵在他的论文《计算机器与智能》中提出的，这篇论文于1950年10月发表于哲学期刊《心灵》中，图灵在这篇论文中探讨了“机器能够思考吗”这一问题，图灵测试产生了很大的影响力，同时也遭到诸多批评，它亦成为人工智能哲学中的一个重要概念。
咖啡测试
生活中空间、操作技能的测试。将一部机器带到任何一个普通的美国家庭中，让它在不经刻意设计的条件下，懂得泡好一杯咖啡。它需要主动在陌生空间中认识咖啡机、识别咖啡和水、找到合适的杯子并放好，然后按正确的键和操作以冲泡咖啡。这需要仰赖机器人学、图像识别的演算。
机器人学生测试
透过机器学习，分析和回答单一问题的测试 。让一个机器去注册一所大学，参加和人类学生同样的考试，然后通过并获得学位。例如日本的东大AI或是IBM参加抢答节目的沃森。
雇员测试
测试统筹、推断、发想、规划解决复杂问题的能力。让机器处在一个经济上重要的职位，需要它能够和同样职位的人类做得同样好或者更好。
这些测试检测了一系列必要的特质，包括推理和学习能力。
人工智能（AI）和人工通用智能（AGI）有什么区别？
几十年来，人工智能研究人员实现了多个里程碑，这些里程碑极大地推动了机器智能的发展，甚至达到了在特定任务中模仿人类智能的程度。例如，AI 摘要器使用机器学习（ML）模型从文档中提取要点并生成易于理解的摘要。因此，AI 是一门计算机科学学科，它使软件能够以人类水平的性能解决新颖而困难的任务。
相比之下，AGI 系统可以像人类一样解决各个领域的问题，而无需人工干预。AGI 不局限于特定范围，而是可以自学并解决从未接受过训练的问题。因此，AGI 是完整的人工智能的理论表现，它以广义的人类认知能力解决复杂的任务。
一些计算机科学家认为，AGI 是一种假设的计算机程序，具有人类理解和认知能力。AI 系统可以学习处理不熟悉的任务，而无需对此类理论进行额外训练。换句话说就是，我们今天使用的 AI 系统需要大量的训练才能处理同一领域的相关任务。例如，您必须使用医疗数据集对预训练的大型语言模型（LLM）进行微调，然后它才能作为医疗聊天机器人持续运行。
强 AI 与弱 AI 的比较
强 AI 是完全人工智能或 AGI，尽管背景知识很少，但仍能够执行具有人类认知水平的任务。科幻小说经常将强 AI 描绘成具有人类理解能力的思维机器，而不局限于领域限制。
相比之下，弱 AI 或狭义 AI 是仅限于计算规范、算法和为之设计的特定任务的 AI 系统。例如，以前的 AI 模型的内存有限，只能依靠实时数据来做出决策。即使是内存保留率更高的新兴生成式人工智能应用程序也被视为弱 AI，因为它们无法重新用于其他领域。
推动通用人工智能的技术有哪些？
对于研究人员来说，AGI 仍然是一个遥远的目标。他们正在努力建立 AGI 系统，并受到新兴发展的鼓舞。以下各部分介绍了新兴技术。
深度学习
深度学习是一门 AI 学科，专注于训练具有多个隐藏层的神经网络，以从原始数据中提取和理解复杂的关系。AI 专家使用深度学习来构建能够理解文本、音频、图像、视频和其他信息类型的系统。例如，开发人员使用 Amazon SageMaker 为物联网 (IoT) 和移动设备构建轻量级深度学习模型。
生成式人工智能
生成式人工智能是深度学习的一个子集，其中 AI 系统可以根据所学知识生成独特而真实的内容。生成式人工智能模型使用海量数据集进行训练，这使它们能够使用自然类似于人类创作的文本、音频或视觉效果来响应人类查询。例如，来自 AI21 Labs、Anthropic、Cohere 和 Meta 的 LLM 是生成式人工智能算法，组织可以使用这些算法来解决复杂的任务。软件团队使用 Amazon Bedrock 在云上快速部署这些模型，而无需预置服务器。
NLP
自然语言处理（NLP）是 AI 的一个分支，允许计算机系统理解和生成人类语言。NLP 系统使用计算语言学和机器学习技术将语言数据转换为称为标记的简单表示，并理解它们的上下文关系。例如，Amazon Lex 是一个 NLP 引擎，允许组织构建对话式人工智能聊天机器人。
计算机视觉
计算机视觉是一项允许系统从视觉数据中提取、分析和理解空间信息的技术。自动驾驶汽车使用计算机视觉模型分析来自摄像头的实时信息，并引导车辆安全地远离障碍物。深度学习技术使计算机视觉系统能够自动执行大规模对象识别、分类、监控和其他图像处理任务。例如，工程师使用 Amazon Rekognition 为各种计算机视觉应用程序自动执行图像分析。
机器人技术
机器人学是一门工程学科，组织可以在其中构建自动执行物理操作的机械系统。在 AGI 中，机器人系统允许机器智能以物理方式表现出来。它对于引入 AGI 系统所需的感官感知和物理操作功能至关重要。例如，将机械臂嵌入 AGI 可以使机械臂像人类一样感知、抓握和剥橙子。在研究 AGI 时，工程团队在组装机器人系统之前使用 AWS RoboMaker 对机器人系统进行虚拟模拟。
通用人工智能潜在应用场景
AGI 的开发和实现可以为社会带来许多好处。其一大优势是能够解决目前超出人类能力范围的复杂问题，有可能彻底改变医疗保健和减缓气候变化等领域。
此外，AGI 可以通过自动化和优化显著提高各行业的生产力和效率。生产力的提升能够让人们腾出时间来处理更具创造性、成就感的任务。
在医疗保健领域，AGI 有可能彻底改变诊断、治疗方案和药物研发，最终改善整体的健康结果。同样，AGI 系统量身定制的个性化学习体验也可以让教育更普及、更有效。
此外，AGI 控制的系统可以通过自动驾驶汽车提高交通等领域的安全性，减少事故，提高整体健康水平。便利性也很重要，由 AGI 赋能的虚拟助理和聊天机器人提供全天候支持和协助。
最后，AGI 可以催生出前所未有的创新和创造力，从而推动技术进步和社会进步。
文章内容汇编自Google、Amazon及Wikipedia，特此感谢！
评论