通用人工智慧（AGI）是人工智慧研究的一個領域，旨在創造能夠以與人類認知能力沒有區別的方式理解、學習和應用知識的機器。與旨在執行圖像識別或語言翻譯等特定任務的狹義或弱人工智慧不同，通用人工智慧將擁有廣泛的、適應性強的智慧。 AGI的發展將使機器能夠執行人類可以執行的任何智力任務，包括推理、解決問題和抽象思維。
目前，AGI仍然是一個純粹的理論概念，因為大多數現有的人工智慧系統沒有表現出人類全方位的認知能力並且缺乏意識。對AGI 的追求具有深遠的影響，不僅引發了關於創建此類技術的技術挑戰的問題，還引發了關於創建AGI 系統可能產生的倫理、社會和經濟影響的問題。
值得注意的是，領先的人工智慧研究機構和公司都投資於實現通用人工智慧，承認其在推動技術進步方面的潛在好處，以及仔細考慮和減輕與這種強大技術相關的風險的必要性。 AGI 的出現將代表人工智慧領域的一個重要里程碑，有可能改變各個產業以及人類與科技互動的方式。
定義通用人工智慧
通用人工智慧（AGI）代表了人工智慧研究的巔峰，旨在創造具有廣泛認知能力的機器，就像人類一樣。
跨領域智能
AGI 的特徵是能夠理解、學習和應用各領域的知識，而不限於單一專業。與更常見的人工智慧形式不同，通用人工智慧可以理想地在不同領域之間導航，從創意藝術到科學解決問題，而不需要額外的程式設計。
AGI 與狹義人工智慧
AGI 和狹義AI 之間的明顯差異在於它們的智慧範圍：
狹義人工智慧：
專門從事特定任務。缺乏對未編程任務的適應性。例：下棋的人工智慧。
通用人工智慧：
有效地執行各種任務。像人類一樣適應新的挑戰。例：假設的人工智慧在作曲和診斷疾病方面具有同等的能力。 AGI的歷史演變
通往通用人工智慧(AGI) 的歷程是從狹隘的人工智慧應用逐步轉向追求更具適應性和綜合性的系統。
最初的概念和里程碑
20 世紀初，數學家和哲學家開始思考智慧機器，產生了艾倫·圖靈計算原理等基礎理論。到了1950 年代中期，「人工智慧」一詞在達特茅斯會議上被創造出來，為追求AGI 奠定了基礎。兩個重要的里程碑定義了這個時代：
圖靈測試（1950）：艾倫·圖靈提出了一項測試，用於測量機器表現出與人類難以區分的智慧行為的能力。 LISP 程式語言（1958 年）：LISP 由John McCarthy 發明，因其符號處理能力而成為人工智慧研究的基礎。
機器學習的進展
從基於規則的系統到基於學習的方法的轉變標誌著AGI 進化的關鍵一步。以下幾點說明了主要進展：
神經網路（20 世紀80 年代起）：受大腦神經結構的啟發，這項技術為模仿人類認知過程的深度學習系統奠定了基礎。深度學習突破(2006)：Geoffrey Hinton 的研究證明了神經網路深層的實際好處，導致人工智慧學習能力取得重大進展。
這種轉向機器學習，尤其是深度學習，標誌著當代對開發具有更廣泛認知能力（類似於人類智慧）的AGI 系統的推動力。
AGI 開發的基本挑戰
通用人工智慧（AGI）的發展遇到了許多障礙，主要源自於複製複雜的人類認知和解決倫理問題。
類人推理的複雜性
AGI 的目標是實現類似人類的智力功能水準。這涉及到幾個能力：
學習與適應：AGI 必須能夠從經驗中學習並適應新場景，而無需明確程式設計。解決問題：它應該採用人類使用的策略（例如啟發法）來解決廣泛的問題。感知與理解：AGI 應該像人類一樣解釋其環境，理解不同的感官輸入。語言和交易所：機器需要理解和產生人類語言，識別細微差別和上下文。
創造一台具有如此綜合能力的機器非常複雜，因為人類認知依賴於由獨特經驗形成的複雜神經連結。
道德和安全考慮
AGI 的發展提出了需要解決的關鍵倫理和安全問題：
與人類價值觀一致：AGI 系統的程式設計方式必須確保其目標和行為符合人類道德標準。防止濫用：保障措施對於防止AGI 被有意或無意地以有害方式使用至關重要。控制和監督：必須有可靠的機制供人類操作員控制AGI 系統並在必要時進行幹預。
開發與人類安全共存的通用人工智慧需要製定政策和框架來負責任地管理其使用和開發。
AGI 研究現狀
目前人工智慧（AGI）的研究主要是理論性的，但其目標是開發在各個領域具有與人類相當的認知能力的系統。
方法和方法
目前的AGI 研究採用了多種方法，每種方法都有不同的方法論。其中值得注意的是：
神經網路擴展：一些研究人員正在試驗神經網路的擴展，前提是增加的規模和複雜性將接近AGI 的能力。混合模型：人們對融合不同的人工智慧方法感興趣，例如將符號人工智慧與機器學習相結合，以產生更靈活且普遍智慧的系統。強化學習：這種方法涉及透過基於獎勵的回饋來訓練人工智慧，這在使人工智慧執行複雜任務和戰略遊戲方面表現出了希望。
主要參與者和機構
主要機構和個人處於AGI 研究的最前沿，並不斷突破其界限。簡要介紹其中一些包括：
DeepMind：人工智慧研究領域的領導者，旨在實現AGI，特別是在高階強化學習模型方面的工作。 OpenAI：專注於創造造福人類的人工智慧，其中包括針對AGI 技術的研究。微軟的人工智慧部門：由DeepMind 共同創辦人Mustafa Suleyman 等人領導，致力於推動人工智慧邁向通用人工智慧(AGI) 的計畫。實現通用人工智慧的意義
實現通用人工智慧（AGI）將標誌著人工智慧技術發展的重要轉折點，對社會各個領域產生深遠影響。
潛在的好處
經濟成長：AGI 系統可以大幅提高生產力，從而增加財富創造。他們可以跨不同領域執行複雜的任務，而無需進行大量的重新編程，從而促進創新和效率。科學發現：憑藉處理和分析大量數據的能力，AGI 可以加速醫學、氣候科學和物理學等領域的研究，有可能帶來突破性的發現和解決緊迫的全球問題。
社會影響
就業轉變：通用人工智慧的部署可能需要勞動力的轉變。需要重複或模式識別任務的工作可能會減少，而對管理和補充AGI 功能的角色的需求將會增加。倫理考量：AGI 融入社會引發了重要的倫理議題。有關隱私、自主性和責任的問題將成為首要問題，需要仔細考慮並建立新的法律框架，以確保通用人工智慧技術的開發和負責任地使用。經常問的問題
通用人工智慧(AGI) 與其他形式的人工智慧有何不同？
AGI 是指一種人工智慧，具有在廣泛的認知任務中理解、學習和應用智慧的能力，類似於人類的智力。其他形式的人工智慧，通常稱為狹義人工智慧，旨在執行特定任務，不具備定義通用人工智慧的一般解決問題的能力。
AGI 與超級人工智慧(ASI) 有何不同？
人工超級智能（ASI）是一種假設的人工智慧水平，它不僅模仿人類智能，而且在創造力、一般智慧和解決問題等方面超越人類智能。另一方面，AGI 的目標是與人類的認知能力相當，但不一定超過人類。
ChatGPT 可以被視為AGI 的一個例子嗎？
ChatGPT 不是AGI 的例子。它是一種專為自然語言處理和生成而設計的狹義人工智慧形式。雖然它可以在其領域內執行一系列任務，但它不具備AGI 理論上所具有的廣泛認知能力。
目前技術中AGI 的一些突出例子有哪些？
到目前為止，現有技術中還沒有AGI 的真實例子。現今可用的系統是高度專業化的人工智慧形式，在特定任務上表現出色，但沒有一個系統能夠實現通用人工智慧所特有的廣泛的智力能力。
AGI領域正在取得哪些進展？
研究人員正在機器學習、自然語言處理和機器人技術等基礎人工智慧技術方面取得進展。儘管這些進步並不構成通用人工智慧，但它們被認為是發展更廣泛的認知能力的墊腳石。
狹義人工智慧的概念與通用人工智慧有何不同？
狹義人工智慧被編程為擅長特定任務，例如圖像識別或下棋，並且它在預先定義的範圍內運行。相較之下，AGI 將能夠靈活、普遍地應用智能，類似於人類智能的多樣性和適應性。
資訊來源：由0x資訊編譯自COINPAPER。版權所有，未經許可，不得轉載
