通用人工智能

出自 MBA智库百科(https://wiki.mbalib.com/)

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

　　通用人工智能(Artificial General Intelligence, AGI)又称“强人工智能（Strong AI）”“完全人工智能（Full AI）”是具有一般人类智慧，可以执行人类能够执行的任何智力任务的机器智能。通用人工智能是一些人工智能研究的主要目标，也是科幻小说和未来研究中的共同话题。与弱AI（weak AI）相比，通用人工智能可以尝试执行全方位的人类认知能力^[1]。

• 1967年，Herbert Simon从认知，动机，情感控制等方面的人为行动相关的因素分析通用人工智能的发展^[2]
• 1967年，Marvin Minsky发表著作“Computation： Finite and Infinite Machines”，介绍了多种抽象计算的概念^[3]。
• 1972年，Minsky和Papert总结了过去几年的发展，主要的成果，以及存在的很多问题，为今后的研究塑造了一个方向^[4]
• 1977年，Felgenbaum介绍了关于知识工程，心理学等多种人工智能话题，不仅仅局限于计算机，统计等方面^[5]
• 2007年，Goertzel全面介绍了如何构造一个全面的思考机器，对通用人工智能提出了很多思考和待解决问题^[6]
• 2007年，Goertzel和Wang提出了一个用于构建通用人工智能基本框架的思想^[7]

　　现代人工智能研究开始于1950年代中期。最早的一批人工智能研究者相信强人工智能不仅是可能的，而且将在几十年内出现。人工智能先驱Herbert Simon在1965年写道：“在20年之内，机器就能够做到一个人能做到的任何事。” 启发这一预言的是斯坦利·库布里克和亚瑟·查理斯·克拉克在《2001太空漫遊》（2001： A Space Odyssey）创作的角色，HAL 9000。当时的人工智能研究者确信，能够在2001年制造出这样的机器。值得一提的是，人工智能先驱Marvin Minsky，在创作HAL 9000的工作中，他担任了尽量将其制作得与当时主流研究界预言一致的项目顾问，他在1967年曾说：“在一代人之内，制造 ‘人工智能’ 的问题就将被基本解决。”1960年后，Herbert Simon发表了多项人工智能领域的著作，如“The sciences of artificial”和“Motivational and emotional controls of cognition”等，相比于计算机学家，Simon更多的关注了决策，认知，动机等方面的人为行动相关的因素。

　　然而，到了1970年代早期，研究者们意识到他们远远低估了其中的困难。资助AI项目的机构开始对强人工智能产生怀疑，向研究者们施压要求他们转向更有用的技术，所谓的“应用AI”。在1980年代初，日本的第五代电脑开始重新对强人工智能恢复兴趣，制定的十年计划中包括一些强人工智能的目标，比如“进行日常对话”。同时，专家系统的成功和它一起促成了工业界和政府的资金重新开始注入这个领域。然而，人工智能的市场在1980年代晚期发生剧烈崩塌，而第五代计算机的目标从未实现。再一次，人工智能研究者们对于强人工智能即将到来的预言在20年之内被证明超出了他们的能力。到了1990年代，人工智能研究者背上了无法实现自己承诺的名声，他们拒绝再作出任何预言。并且避免提到任何“人类水平”的人工智能，以免被贴上“白日梦”的标签。这一阶段是人工智能的冰河期，也是对通用/强人工智能过于乐观的后果和教训。但是一些经典文章也产生了深刻价值，为后来的研究提供了基础和思路。

　　1972年，Minsky发表的文章“Artificial intelligence progress report”总结了过去几年的发展，主要的成果，以及存在的很多问题，为今后的研究塑造了一个方向。1977年，Feigenbaum发表论文“The art of artificial intelligence”，介绍了关于知识工程，心理学等多种人工智能话题。在1990年代和21世纪初，主流的人工智能在商业成果和学术地位上已经达到了一个新高度，依靠的是专注于细分的专门问题的解决，例如人工神经网络、机器视觉以及数据挖掘。（在此词条中就不对这些进行深入介绍和讨论）2007年，Ben Goertzel的著作“Artificial general intelligence”全面介绍了如何构造一个全面的思考机器，对通用人工智能提出了很多思考和待解决问题。同年，Goertzel的另一篇论文“A foundational architecture for artificial general intelligence”提出了一个用于构建通用人工智能基本框架的思想。

　　目前，大多数主流的人工智能研究者希望，能够通过将解决局部问题的方法组合起来实现强人工智能，例如将智能体架构、认知架构或者包容式架构整合起来。

　　人们提出过很多通用智能的定义（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，以下特质是一个通用人工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

• 背景知识，包括常识知识库

• 自动规划

• 迁移学习

• 使用自然语言进行沟通

　　以及，整合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，然而这些系统并未达到人类的水平。

　　图灵测试（图灵提出）：一名人类参与者与一台机器和一名人类进行对话，参与者看不见目前对话的是人类还是机器。如果在很长一段时间内，参与者无法判断与他对话的是人类还是机器，那么机器就通过了测试。

　　咖啡测试（沃兹尼亚克提出）：一台机器需要具备在普通的美国家庭中弄清楚如何煮咖啡的能力：找到咖啡机，找到咖啡，加水，找到一个马克杯，按下正确的按钮开始煮咖啡。

　　机器人大学学生考试（哥兹柔提出）：一台机器就读于一所大学，选择并通过和人类相同的课程，最终取得学位。

　　就业测试（尼尔森提出）：机器从事一份经济上起着重要作用的工作，在工作中的表现至少和人类一样好。

　　扁平家具测试（Tony Severyns提出）：需要一台机器来打开和组装一件扁平家具。它必须阅读说明并按照描述组装项目，正确安装所有部分。

　　通用人工智能也引发起一连串哲学争论，例如如果一台机器能完全理解语言并回答问题的，这台机器是不是有思维的？

　　关于通用人工智能的争论，不同于更广义的一元论和二元论的争论。其争论要点是：如果一台机器的唯一工作原理就是转换编码数据，那么这台机器是不是有思维的？哲学家希尔勒认为这是不可能的。他举了著名的中文房间（Chinese room）的例子来说明，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。

　　关于这个争论，也有哲学家持不同的观点。丹尼尔丹尼特在其著作《意识的阐释》（Consciousness Explained）里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。

　　通用人工智能/强人工智能虽说是人工智能研究的最终目标，可是就现状来看，弱人工智能仍是研究发展的重点。通用人工智能的实现，离不开机器与意识、感性、知识和自觉等人类特征的相互连结，目前还有很长的路要走。

　　机器的智能使它们能够理解、学习和执行智力任务，就像人类一样，被称为人工通用智能(AGI)。AGI使机器能够模仿人类的思维和行为，以应对任何挑战性的任务。这些机器人的性能与人类的性能相同，因为它们是为广泛的知识和认知计算而设计的。已经尝试和测试了多种方法来实现类人智能。下面列出了通用人工智能的一些核心方法：

• 符号方法

　　符号方法是指使用逻辑网络（即if-then语句）和符号来学习和开发综合知识库。通过操纵这些代表物理世界基本方面的符号，可以进一步拓宽该知识库。该方法模仿了人类大脑思维的更高层次。 　　理论上，符号方法可以执行更高层次的逻辑和思维，但实际上它缺乏学习感知等较低层次的任务。符号方法的一个恰当例子是CYC项目，该项目由Cycorp的道格拉斯•莱纳特（Douglas Lenat）在1980年代启动，旨在推进人工智能领域的工作。CYC拥有庞大的知识库、逻辑系统和强大的表示语言。

• 联结主义方法

　　联结主义方法是一种亚符号方法，它利用类似于人脑的架构（例如神经网络）来创建通用智能。该方法期望从较低级别的子符号系统（如神经网络）中出现更高级别的智能，这尚未发生。深度学习系统和卷积神经网络（例如DeepMind的AlphaGo）是联结主义方法的好例子。

• 混合方法

　　混合方法是联结主义和符号系统的混合。引领通用人工智能竞赛的架构倾向于使用混合方法，例如CogPrime架构。它通过称为原子空间（AtomSpace）的单个知识表示来表示符号和子符号知识。著名的社交类人机器人索菲亚（Sophia）是由汉森机器人技术公司（Hanson Robotics）和OpenCog在神经架构CogPrime的帮助下创建的。

• 整体架构

　　专家认为，一个真正的通用人工智能系统应该拥有一个物理身体，并从物理交互中学习。虽然目前还没有任何这样的系统，但最接近的系统是索菲亚（Sophia），这是一个模仿人类手势和面部表情，并沉迷于预定主题的对话的类人机器人。

　　虽然通用人工智能还没有被实现，但是它代表了一个可以彻底改变人工智能领域的可能性世界。目前，通用人工智能的发展面临着严重的障碍和挑战。

　　下面这些是达到最终通用人工智能阶段的关键挑战：

　　1、类人能力掌握问题

　　要实现真正的人类级别的智能，通用人工智能需要掌握一些类似人类的能力，例如：

　　感官知觉：尽管深度学习系统在计算机视觉领域显示出巨大的潜力，但人工智能系统缺乏类人的感官知觉能力。例如，经过训练的深度学习系统仍然具有较差的颜色感知能力。这一点在自动驾驶汽车中很明显，因为它们很容易被红色停车标志上的小块黑色胶带或贴纸愚弄。在声音感知方面也观察到了类似的情况。当前的人工智能系统无法感知和复制不同的人类声音感知。

　　运动技能：由于我们的精细运动技能，人类可以轻松地从口袋中取出任何物体。最近的一项发展是将强化学习应用于教授机器人手解魔方。尽管这一演示值得注意，但它揭示了对单手编程机器人手指进行编程以操作诸如钥匙之类的琐碎对象所涉及的问题。

　　自然语言理解：人类通过书籍、文章、博客文章和视频分享知识。因此，当人们写作时，他们倾向于假定读者的常识，因此，很多信息在写作中是没有说出来的。首先，当前的人工智能需要消耗来自所有知识源的大量信息，这是一项关键任务。如果人工智能缺乏常识基础，这些系统将很难理解情况并在现实世界中运行。

　　解决问题：举一个例子，一个家庭机器人必须识别出房子里的LED灯泡坏了，要么更换一个新灯泡，要么提醒某人。要执行这项任务，机器人需要具有如上所述的常识，或者应该具有模拟所有排列和组合的能力，这些排列和组合决定了可能性、合理性和概率。今天的人工智能缺乏常识和模拟能力。

　　人类水平的创造力：如果人工智能系统能够理解人类编写的大量代码，识别出可以改进的新方法，然后重写识别出的代码，那么它们就可以自行提高智能。虽然基于人工智能的机器已经能够创作音乐和绘画，但是要想展示像人类水平一样的自我优化创造力，还需要人工智能的进一步发展。

　　社交和情感联系：对于支持人工智能的机器人在世界上运行，人类互动是不可避免的。因此，这些机器人需要理解人类、面部表情和语气变化来解释真实的情绪。考虑到上面讨论的感知挑战，能够对情感联系产生同理心的人工智能系统现在似乎是一个遥远的现实。

　　2、缺乏工作协议

　　当前的人工智能系统缺乏帮助人工智能或机器学习网络系统协作的工作协议。这在部署一个完整的通用人工智能系统时存在一个严重的技术缺陷。因此，这些系统被迫在封闭、孤立的环境中作为独立模型工作。这种操作模式不符合通用人工智能系统所必需的复杂和高度社会化的人类环境。

　　3、通信差距降低了普适性

　　今天，人工智能系统面临着一个明显的通信障碍。不同人工智能系统之间的通信差距阻碍了无缝数据共享。因此，机器学习模型的相互学习停滞不前。由于对相互学习的影响，人工智能可能无法优化分配的任务。这最终降低了整个人工智能系统的普适性。

　　4、缺乏业务一致性

　　对于适当的人工智能实施，业务主管需要通过设定目标、确定KPI和跟踪ROI来采取战略方法。否则，很难评估人工智能带来的结果并进行比较，以衡量人工智能投资的成功（或失败）。

　　将人工智能集成到现有的系统中是一个复杂的过程。需要考虑各种参数，例如数据基础设施需求、数据存储、标记、将数据输入系统等。目前，相关利益相关者似乎对人工智能的所有这些操作参数一无所知。这阻碍了业务目标的整体发展和实现。

　　5、缺乏通用人工智能方向

　　由于企业经常在对通用人工智能系统的基本理解上苦苦挣扎，他们不得不聘请专门的人工智能专家团队，这可能会是一件昂贵的事情。此外，企业没有一个明确的基于人工智能的计划和方向来开展业务。这使得人工智能平台的实施成本高昂且复杂。这些因素对实现成熟的通用人工智能系统起着重要的作用，并成为了障碍。

　　到目前为止，我们所接触的AI产品大都还是狭义AI，又称“弱人工智能”。

　　简单来说，狭义AI就是一种被编程来执行单一任务的人工智能——无论是检查天气、下棋，还是分析原始数据以撰写新闻报道。狭义AI系统可以实时处理任务，但它们从特定的数据集中提取信息。因此，这些系统不会在它们设计要执行的单个任务之外执行。

　　Google assistant、Google Translate、Siri等自然语言处理工具都是狭义AI的产品。虽然它们能够与我们交互并处理人类语言，但这些机器远没有达到人类的智能水平。比如，当我们与Siri交谈时，Siri并不能灵活地来响应我们的查询。相反，Siri所能做的，就是处理人类语言，将其输入搜索引擎，然后返回给我们。

　　通用AI则是指在不特别编码知识与应用区域的情况下，应对多种甚至泛化问题的人工智能技术。虽然从直觉上看，狭义AI与通用AI是同一类东西，只是一种不太成熟和复杂的实现，但事实并非如此。

　　狭义AI就像是计算机发展的初期，人们最早设计电子计算机是为了代替人类计算者完成特定的任务。而艾伦·图灵等数学家则认为，我们应该制造通用计算机，我们可以对其编程，从而完成所有任务。

　　于是，曾经在一段过渡时期，人们制造了各种各样的计算机，包括为特定任务设计的计算机、模拟计算机、只能通过改变线路来改变用途的计算机，还有一些使用十进制而非二进制工作的计算机。现在，几乎所有的计算机都满足图灵设想的通用形式，我们称其为“通用图灵机”。只要使用正确的软件，现在的计算机几乎可以执行任何任务。

　　市场的力量决定了通用计算机才是正确的发展方向。如今，即便使用定制化的解决方案，如专用芯片，可以更快、更节能地完成特定任务，但更多时候，人们还是更喜欢使用低成本、便捷的通用计算机。现在，AI也将出现类似的转变——通用AI将成为主流，它们与人类更类似，能够对几乎所有东西进行学习。

　　当然，通用AI并非全知全能。与任何其他智能存在一样，根据它所要解决的问题，它需要学习不同的知识内容。比如，负责寻找致癌基因的AI算法不需要识别面部的能力；而当同一个算法被要求在一大群人中找出十几张脸时，它就不需要了解任何有关基因互作的知识。通用人工智能的实现仅仅意味着单个算法可以做多件事情，而并不意味着它可以同时做所有的事情。

　　值得一提的是，通用AI又与强人工智能不同。强人工智能（strong artificial intelligence）是约翰·希尔勒在提出“中文屋实验”时设定的人工智能级别。这个等级的人工智能，不仅要具备人类的某些能力，还要有知觉，有自我意识，可以独立思考并解决问题。虽然两个概念似乎都对应着人工智能解决问题的能力，但通用AI更像是无所不能的计算机，而强人工智能则超越了技术的属性成为类似穿着钢铁侠战甲的人类。

　　真正的AGI系统还没有商业化。然而，在某些情况下，有一些有限的人工智能系统接近甚至匹配人类的能力。这些系统和AGI在未来的潜在应用是当前人工智能研究的主题。

• 自动驾驶汽车：它们能够识别道路上的其他汽车、行人和其他东西，并且它们遵守所有的驾驶法律和法规。

• 信息情报：它可以从大约10亿个文本文档中提取数据，分析数据，并在不到三秒钟的时间内对具有挑战性的查询提供准确的答案。

• 超级计算：普通计算机做不到的计算可以由沃森和其他超级计算机来处理。他们将其巨大的计算机能力与人工智能结合起来，完成以前无法完成的工程和科学任务，例如模拟宇宙起源的大爆炸理论或人类大脑。

• AlphaGo：另一个擅长解决特定问题的受限智力的例子是这个。一种名为AlphaGo的计算机软件能够玩围棋。围棋是一种具有挑战性的游戏，对人类学习来说具有挑战性。在2016年的五局比赛中，AlphaGo击败了卫冕世界冠军Lee Sedol。

• 专家系统：这些人工智能设备模仿人类的判断。他们可以预测分子结构，并根据患者数据提出用药建议。

• 创成式预训练变压器：GPT-3是一个可以按需产生人类语言的工具。有时，人们不可能区分人类生产的结果，但产出经常是不足的。人类的一般智力可以不断地被技术模仿。

• 音乐人工智能：一个名为Dadabots的人工智能程序可以创建一个音乐流，当给定一个先前存在的音乐体时，它是这个音乐体的近似体。

• 人工智能
• 弱人工智能
• 人工超级智能