通用人工智能（AGI）基础

发布日期：2022/8/21 9:25:10      浏览量：

通用人工智能（Artificial General Intelligence，AGI）

通用人工智能（AGI）的研究具有下列特点：

• 强调智能通用目的的特点
• 基于整体或综合的智能观
• 相信打造可媲美人类智能AI的时机已经成熟

因此，"AGI"更接近"AI"的原意，这点与当前聚焦于领域相关或问题相关手段的主流"AI研究"完全不同。"AGI"与"强AI（Strong AI）"、"类人AI（Human-Level AI）"、"思维机器（Thinking Machine）"、"认知计算（Cognitive Computing）"等概念关系更加密切。

AGI研究包括科学（理论）与工程（技术）两个方面。完整的AGI工作通常包括：

1. 一套智能的理论
2. 该理论的形式化模型
3. 该模型的计算机实现

尽管对于在计算机中重塑 "智能" 的目标取得了大致共识，但是当前AGI项目的具体目标却并非完全相同。虽然所有的AGI方案都从人类智能的源头获得灵感，但"智能" 却有不同的理解。结果，AGI项目试图从不同的抽象层次上复制人类智能：

结构派

基本观点：既然人类智能是人脑的产物，那么"尽可能按照原样复刻人脑结构"便是利用计算机实现智能的可行途径

理论基础：神经科学，生物学，等

典型代表：HTM，Vicarious

• 主要挑战：有太多生理细节既不可能也无在AI系统中复制的必要

行为派

基本观点：智能表现为人类的外在行为，所以只需让计算机表现得"与人一样"即可

理论基础：心理学，语言学，等

典型代表：Turing Test，cognitive model

• 主要挑战：有太多心理和社会因素既不可能也无在AI系统中复制的必要

能力派

基本观点：人们通常智能可以问题解决能力来测试智力，因此智能系统也要能够解决现在只有人类才能解决的那些问题。

理论基础：领域知识导向下的计算机应用

典型代表：AlphaGo，expert system

• 主要挑战：缺乏对智能问题的界定，专用解决方案的通用性和弹性不足

方法派

基本观点：智能是诸如感觉、推理、学习、行为、交流、问题解决等一系列认知功能的整合。因此，在计算机中分而治之地实现这些功能就能够实现智能。

理论基础：计算机科学

典型代表：主流AI教材，Soar

• 主要挑战：AI技术发展至今内部已经相当分散和僵化，难以有效整合。

原则派

基本观点：智能是一种理性或优化的形式。因此，智能系统应该总是能够按照某种通用原则而“正确做事”。

理论基础：逻辑学，数学，等

典型代表：AIXI，NARS

• Challenge：智能和认知中的影响因素太多，以至于难以被一种理论解释或生成。

自上而下，上述派别对人类智能的描述对应于越来越通用化的理论以及相应计算机中的系统实现。由于对智能的不同描述具有不同的粒度和范围，尽管各个派别的目标相关，但依旧差异明显、相互不兼容。实现其中某一目标的最优方式却往往对其他目标的实现帮助有限。[更为详细的讨论请见这里]

由于研究目标的多样性，虽然AGI研究者团结协作进行了多方尝试，但当前在AGI学界也并没有被普遍认可的评价标准（如必经阶段或基准测试）。