通用人工智慧

出自 MBA智库百科(https://wiki.mbalib.com/)

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

　　通用人工智慧(Artificial General Intelligence, AGI)又稱“強人工智慧（Strong AI）”“完全人工智慧（Full AI）”是具有一般人類智慧，可以執行人類能夠執行的任何智力任務的機器智能。通用人工智慧是一些人工智慧研究的主要目標，也是科幻小說和未來研究中的共同話題。與弱AI（weak AI）相比，通用人工智慧可以嘗試執行全方位的人類認知能力^[1]。

• 1967年，Herbert Simon從認知，動機，情感控制等方面的人為行動相關的因素分析通用人工智慧的發展^[2]
• 1967年，Marvin Minsky發表著作“Computation： Finite and Infinite Machines”，介紹了多種抽象計算的概念^[3]。
• 1972年，Minsky和Papert總結了過去幾年的發展，主要的成果，以及存在的很多問題，為今後的研究塑造了一個方向^[4]
• 1977年，Felgenbaum介紹了關於知識工程，心理學等多種人工智慧話題，不僅僅局限於電腦，統計等方面^[5]
• 2007年，Goertzel全面介紹瞭如何構造一個全面的思考機器，對通用人工智慧提出了很多思考和待解決問題^[6]
• 2007年，Goertzel和Wang提出了一個用於構建通用人工智慧基本框架的思想^[7]

　　現代人工智慧研究開始於1950年代中期。最早的一批人工智慧研究者相信強人工智慧不僅是可能的，而且將在幾十年內出現。人工智慧先驅Herbert Simon在1965年寫道：“在20年之內，機器就能夠做到一個人能做到的任何事。” 啟發這一預言的是斯坦利·庫布里克和亞瑟·查理斯·克拉克在《2001太空漫遊》（2001： A Space Odyssey）創作的角色，HAL 9000。當時的人工智慧研究者確信，能夠在2001年製造出這樣的機器。值得一提的是，人工智慧先驅Marvin Minsky，在創作HAL 9000的工作中，他擔任了儘量將其製作得與當時主流研究界預言一致的項目顧問，他在1967年曾說：“在一代人之內，製造 ‘人工智慧’ 的問題就將被基本解決。”1960年後，Herbert Simon發表了多項人工智慧領域的著作，如“The sciences of artificial”和“Motivational and emotional controls of cognition”等，相比於電腦學家，Simon更多的關註了決策，認知，動機等方面的人為行動相關的因素。

　　然而，到了1970年代早期，研究者們意識到他們遠遠低估了其中的困難。資助AI項目的機構開始對強人工智慧產生懷疑，向研究者們施壓要求他們轉向更有用的技術，所謂的“應用AI”。在1980年代初，日本的第五代電腦開始重新對強人工智慧恢復興趣，制定的十年計劃中包括一些強人工智慧的目標，比如“進行日常對話”。同時，專家系統的成功和它一起促成了工業界和政府的資金重新開始註入這個領域。然而，人工智慧的市場在1980年代晚期發生劇烈崩塌，而第五代電腦的目標從未實現。再一次，人工智慧研究者們對於強人工智慧即將到來的預言在20年之內被證明超出了他們的能力。到了1990年代，人工智慧研究者背上了無法實現自己承諾的名聲，他們拒絕再作出任何預言。並且避免提到任何“人類水平”的人工智慧，以免被貼上“白日夢”的標簽。這一階段是人工智慧的冰河期，也是對通用/強人工智慧過於樂觀的後果和教訓。但是一些經典文章也產生了深刻價值，為後來的研究提供了基礎和思路。

　　1972年，Minsky發表的文章“Artificial intelligence progress report”總結了過去幾年的發展，主要的成果，以及存在的很多問題，為今後的研究塑造了一個方向。1977年，Feigenbaum發表論文“The art of artificial intelligence”，介紹了關於知識工程，心理學等多種人工智慧話題。在1990年代和21世紀初，主流的人工智慧在商業成果和學術地位上已經達到了一個新高度，依靠的是專註於細分的專門問題的解決，例如人工神經網路、機器視覺以及數據挖掘。（在此詞條中就不對這些進行深入介紹和討論）2007年，Ben Goertzel的著作“Artificial general intelligence”全面介紹瞭如何構造一個全面的思考機器，對通用人工智慧提出了很多思考和待解決問題。同年，Goertzel的另一篇論文“A foundational architecture for artificial general intelligence”提出了一個用於構建通用人工智慧基本框架的思想。

　　目前，大多數主流的人工智慧研究者希望，能夠通過將解決局部問題的方法組合起來實現強人工智慧，例如將智能體架構、認知架構或者包容式架構整合起來。

　　人們提出過很多通用智能的定義（例如能夠通過圖靈測試），但是沒有一個定義能夠得到所有人的認同。然而，人工智慧的研究者們普遍同意，以下特質是一個通用人工智慧所必須要擁有的：

• 自動推理，使用一些策略來解決問題，在不確定性的環境中作出決策

• 背景知識，包括常識知識庫

• 自動規劃

• 遷移學習

• 使用自然語言進行溝通

　　以及，整合以上這些手段來達到同一個的目標

　　還有一些重要的能力，包括機器知覺（例如電腦視覺），以及在智能行為的世界中行動的能力（例如機器人移動自身和其他物體的能力）。它可能包括探知與迴避危險的能力。 許多研究智能的交叉領域（例如認知科學、機器智能和決策）試圖強調一些額外的特征，例如想象力（不依靠預設而建構精神影像與概念的能力）以及自主性。基於電腦系統中的確已經存在許多這樣的能力，例如計算創造性、自動推理、決策支持系統、機器人、進化計算、智能代理，然而這些系統並未達到人類的水平。

　　圖靈測試（圖靈提出）：一名人類參與者與一臺機器和一名人類進行對話，參與者看不見目前對話的是人類還是機器。如果在很長一段時間內，參與者無法判斷與他對話的是人類還是機器，那麼機器就通過了測試。

　　咖啡測試（沃茲尼亞克提出）：一臺機器需要具備在普通的美國家庭中弄清楚如何煮咖啡的能力：找到咖啡機，找到咖啡，加水，找到一個馬克杯，按下正確的按鈕開始煮咖啡。

　　機器人大學學生考試（哥茲柔提出）：一臺機器就讀於一所大學，選擇並通過和人類相同的課程，最終取得學位。

　　就業測試（尼爾森提出）：機器從事一份經濟上起著重要作用的工作，在工作中的表現至少和人類一樣好。

　　扁平傢具測試（Tony Severyns提出）：需要一臺機器來打開和組裝一件扁平傢具。它必須閱讀說明並按照描述組裝項目，正確安裝所有部分。

　　通用人工智慧也引發起一連串哲學爭論，例如如果一臺機器能完全理解語言並回答問題的，這台機器是不是有思維的？

　　關於通用人工智慧的爭論，不同於更廣義的一元論和二元論的爭論。其爭論要點是：如果一臺機器的唯一工作原理就是轉換編碼數據，那麼這台機器是不是有思維的？哲學家希爾勒認為這是不可能的。他舉了著名的中文房間（Chinese room）的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和實際事情之間的對應關係的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。

　　關於這個爭論，也有哲學家持不同的觀點。丹尼爾丹尼特在其著作《意識的闡釋》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已，為什麼我們認為：“人可以有智能，而普通機器就不能”呢？他認為像上述的數據轉換機器是有可能有思維和意識的。

　　通用人工智慧/強人工智慧雖說是人工智慧研究的最終目標，可是就現狀來看，弱人工智慧仍是研究發展的重點。通用人工智慧的實現，離不開機器與意識、感性、知識和自覺等人類特征的相互連結，目前還有很長的路要走。

　　機器的智能使它們能夠理解、學習和執行智力任務，就像人類一樣，被稱為人工通用智能(AGI)。AGI使機器能夠模仿人類的思維和行為，以應對任何挑戰性的任務。這些機器人的性能與人類的性能相同，因為它們是為廣泛的知識和認知計算而設計的。已經嘗試和測試了多種方法來實現類人智能。下麵列出了通用人工智慧的一些核心方法：

• 符號方法

　　符號方法是指使用邏輯網路（即if-then語句）和符號來學習和開發綜合知識庫。通過操縱這些代表物理世界基本方面的符號，可以進一步拓寬該知識庫。該方法模仿了人類大腦思維的更高層次。 　　理論上，符號方法可以執行更高層次的邏輯和思維，但實際上它缺乏學習感知等較低層次的任務。符號方法的一個恰當例子是CYC項目，該項目由Cycorp的道格拉斯•萊納特（Douglas Lenat）在1980年代啟動，旨在推進人工智慧領域的工作。CYC擁有龐大的知識庫、邏輯系統和強大的表示語言。

• 聯結主義方法

　　聯結主義方法是一種亞符號方法，它利用類似於人腦的架構（例如神經網路）來創建通用智能。該方法期望從較低級別的子符號系統（如神經網路）中出現更高級別的智能，這尚未發生。深度學習系統和捲積神經網路（例如DeepMind的AlphaGo）是聯結主義方法的好例子。

• 混合方法

　　混合方法是聯結主義和符號系統的混合。引領通用人工智慧競賽的架構傾向於使用混合方法，例如CogPrime架構。它通過稱為原子空間（AtomSpace）的單個知識表示來表示符號和子符號知識。著名的社交類人機器人索菲亞（Sophia）是由漢森機器人技術公司（Hanson Robotics）和OpenCog在神經架構CogPrime的幫助下創建的。

• 整體架構

　　專家認為，一個真正的通用人工智慧系統應該擁有一個物理身體，並從物理交互中學習。雖然目前還沒有任何這樣的系統，但最接近的系統是索菲亞（Sophia），這是一個模仿人類手勢和麵部表情，並沉迷於預定主題的對話的類人機器人。

　　雖然通用人工智慧還沒有被實現，但是它代表了一個可以徹底改變人工智慧領域的可能性世界。目前，通用人工智慧的發展面臨著嚴重的障礙和挑戰。

　　下麵這些是達到最終通用人工智慧階段的關鍵挑戰：

　　1、類人能力掌握問題

　　要實現真正的人類級別的智能，通用人工智慧需要掌握一些類似人類的能力，例如：

　　感官知覺：儘管深度學習系統在電腦視覺領域顯示出巨大的潛力，但人工智慧系統缺乏類人的感官知覺能力。例如，經過訓練的深度學習系統仍然具有較差的顏色感知能力。這一點在自動駕駛汽車中很明顯，因為它們很容易被紅色停車標誌上的小塊黑色膠帶或貼紙愚弄。在聲音感知方面也觀察到了類似的情況。當前的人工智慧系統無法感知和複製不同的人類聲音感知。

　　運動技能：由於我們的精細運動技能，人類可以輕鬆地從口袋中取出任何物體。最近的一項發展是將強化學習應用於教授機器人手解魔方。儘管這一演示值得註意，但它揭示了對單手編程機器人手指進行編程以操作諸如鑰匙之類的瑣碎對象所涉及的問題。

　　自然語言理解：人類通過書籍、文章、博客文章和視頻分享知識。因此，當人們寫作時，他們傾向於假定讀者的常識，因此，很多信息在寫作中是沒有說出來的。首先，當前的人工智慧需要消耗來自所有知識源的大量信息，這是一項關鍵任務。如果人工智慧缺乏常識基礎，這些系統將很難理解情況併在現實世界中運行。

　　解決問題：舉一個例子，一個家庭機器人必須識別出房子里的LED燈泡壞了，要麼更換一個新燈泡，要麼提醒某人。要執行這項任務，機器人需要具有如上所述的常識，或者應該具有模擬所有排列和組合的能力，這些排列和組合決定了可能性、合理性和概率。今天的人工智慧缺乏常識和模擬能力。

　　人類水平的創造力：如果人工智慧系統能夠理解人類編寫的大量代碼，識別出可以改進的新方法，然後重寫識別出的代碼，那麼它們就可以自行提高智能。雖然基於人工智慧的機器已經能夠創作音樂和繪畫，但是要想展示像人類水平一樣的自我優化創造力，還需要人工智慧的進一步發展。

　　社交和情感聯繫：對於支持人工智慧的機器人在世界上運行，人類互動是不可避免的。因此，這些機器人需要理解人類、面部表情和語氣變化來解釋真實的情緒。考慮到上面討論的感知挑戰，能夠對情感聯繫產生同理心的人工智慧系統現在似乎是一個遙遠的現實。

　　2、缺乏工作協議

　　當前的人工智慧系統缺乏幫助人工智慧或機器學習網路系統協作的工作協議。這在部署一個完整的通用人工智慧系統時存在一個嚴重的技術缺陷。因此，這些系統被迫在封閉、孤立的環境中作為獨立模型工作。這種操作模式不符合通用人工智慧系統所必需的複雜和高度社會化的人類環境。

　　3、通信差距降低了普適性

　　今天，人工智慧系統面臨著一個明顯的通信障礙。不同人工智慧系統之間的通信差距阻礙了無縫數據共用。因此，機器學習模型的相互學習停滯不前。由於對相互學習的影響，人工智慧可能無法優化分配的任務。這最終降低了整個人工智慧系統的普適性。

　　4、缺乏業務一致性

　　對於適當的人工智慧實施，業務主管需要通過設定目標、確定KPI和跟蹤ROI來採取戰略方法。否則，很難評估人工智慧帶來的結果併進行比較，以衡量人工智慧投資的成功（或失敗）。

　　將人工智慧集成到現有的系統中是一個複雜的過程。需要考慮各種參數，例如數據基礎設施需求、數據存儲、標記、將數據輸入系統等。目前，相關利益相關者似乎對人工智慧的所有這些操作參數一無所知。這阻礙了業務目標的整體發展和實現。

　　5、缺乏通用人工智慧方向

　　由於企業經常在對通用人工智慧系統的基本理解上苦苦掙扎，他們不得不聘請專門的人工智慧專家團隊，這可能會是一件昂貴的事情。此外，企業沒有一個明確的基於人工智慧的計劃和方向來開展業務。這使得人工智慧平臺的實施成本高昂且複雜。這些因素對實現成熟的通用人工智慧系統起著重要的作用，併成為了障礙。

　　到目前為止，我們所接觸的AI產品大都還是狹義AI，又稱“弱人工智慧”。

　　簡單來說，狹義AI就是一種被編程來執行單一任務的人工智慧——無論是檢查天氣、下棋，還是分析原始數據以撰寫新聞報道。狹義AI系統可以實時處理任務，但它們從特定的數據集中提取信息。因此，這些系統不會在它們設計要執行的單個任務之外執行。

　　Google assistant、Google Translate、Siri等自然語言處理工具都是狹義AI的產品。雖然它們能夠與我們交互並處理人類語言，但這些機器遠沒有達到人類的智能水平。比如，當我們與Siri交談時，Siri並不能靈活地來響應我們的查詢。相反，Siri所能做的，就是處理人類語言，將其輸入搜索引擎，然後返回給我們。

　　通用AI則是指在不特別編碼知識與應用區域的情況下，應對多種甚至泛化問題的人工智慧技術。雖然從直覺上看，狹義AI與通用AI是同一類東西，只是一種不太成熟和複雜的實現，但事實並非如此。

　　狹義AI就像是電腦發展的初期，人們最早設計電子電腦是為了代替人類計算者完成特定的任務。而艾倫·圖靈等數學家則認為，我們應該製造通用電腦，我們可以對其編程，從而完成所有任務。

　　於是，曾經在一段過渡時期，人們製造了各種各樣的電腦，包括為特定任務設計的電腦、模擬電腦、只能通過改變線路來改變用途的電腦，還有一些使用十進位而非二進位工作的電腦。現在，幾乎所有的電腦都滿足圖靈設想的通用形式，我們稱其為“通用圖靈機”。只要使用正確的軟體，現在的電腦幾乎可以執行任何任務。

　　市場的力量決定了通用電腦才是正確的發展方向。如今，即便使用定製化的解決方案，如專用晶元，可以更快、更節能地完成特定任務，但更多時候，人們還是更喜歡使用低成本、便捷的通用電腦。現在，AI也將出現類似的轉變——通用AI將成為主流，它們與人類更類似，能夠對幾乎所有東西進行學習。

　　當然，通用AI並非全知全能。與任何其他智能存在一樣，根據它所要解決的問題，它需要學習不同的知識內容。比如，負責尋找致癌基因的AI演算法不需要識別面部的能力；而當同一個演算法被要求在一大群人中找出十幾張臉時，它就不需要瞭解任何有關基因互作的知識。通用人工智慧的實現僅僅意味著單個演算法可以做多件事情，而並不意味著它可以同時做所有的事情。

　　值得一提的是，通用AI又與強人工智慧不同。強人工智慧（strong artificial intelligence）是約翰·希爾勒在提出“中文屋實驗”時設定的人工智慧級別。這個等級的人工智慧，不僅要具備人類的某些能力，還要有知覺，有自我意識，可以獨立思考並解決問題。雖然兩個概念似乎都對應著人工智慧解決問題的能力，但通用AI更像是無所不能的電腦，而強人工智慧則超越了技術的屬性成為類似穿著鋼鐵俠戰甲的人類。

　　真正的AGI系統還沒有商業化。然而，在某些情況下，有一些有限的人工智慧系統接近甚至匹配人類的能力。這些系統和AGI在未來的潛在應用是當前人工智慧研究的主題。

• 自動駕駛汽車：它們能夠識別道路上的其他汽車、行人和其他東西，並且它們遵守所有的駕駛法律和法規。

• 信息情報：它可以從大約10億個文本文檔中提取數據，分析數據，併在不到三秒鐘的時間內對具有挑戰性的查詢提供準確的答案。

• 超級計算：普通電腦做不到的計算可以由沃森和其他超級電腦來處理。他們將其巨大的電腦能力與人工智慧結合起來，完成以前無法完成的工程和科學任務，例如模擬宇宙起源的大爆炸理論或人類大腦。

• AlphaGo：另一個擅長解決特定問題的受限智力的例子是這個。一種名為AlphaGo的電腦軟體能夠玩圍棋。圍棋是一種具有挑戰性的游戲，對人類學習來說具有挑戰性。在2016年的五局比賽中，AlphaGo擊敗了衛冕世界冠軍Lee Sedol。

• 專家系統：這些人工智慧設備模仿人類的判斷。他們可以預測分子結構，並根據患者數據提出用藥建議。

• 創成式預訓練變壓器：GPT-3是一個可以按需產生人類語言的工具。有時，人們不可能區分人類生產的結果，但產出經常是不足的。人類的一般智力可以不斷地被技術模仿。

• 音樂人工智慧：一個名為Dadabots的人工智慧程式可以創建一個音樂流，當給定一個先前存在的音樂體時，它是這個音樂體的近似體。

• 人工智慧
• 弱人工智慧
• 人工超級智能