Artificial General Intelligence (AGI)

通用人工智能 (AGI) 代表了计算机科学中的一个理论里程碑，此时机器拥有认知灵活性，能够在各种各样的任务中理解、学习和应用知识，达到或超过人类的能力。与专为特定功能设计的当前 AI 系统不同，AGI 能够进行自主推理、在不熟悉的环境中解决问题，并将一个领域的经验泛化到另一个领域。虽然 AGI 仍然是激烈研究和讨论的主题，但它是 OpenAI 和 Google DeepMind 等主要研究机构的终极目标，有望重塑我们与技术互动的方式。

区分 AGI 与弱人工智能 (Narrow AI)#

要理解达到 AGI 所需的跨越，必须将其与我们今天接触的 人工智能 (AI) 区分开来。

• 狭义人工智能 (ANI)： 也称为 弱 AI，这一类别涵盖了所有现有的 AI 应用。这些系统擅长特定的、预定义的任务。例如，Ultralytics YOLO26 是一个先进的 ANI 模型，针对 目标检测 和 图像分割 进行了高度优化。虽然 YOLO26 能够比人类更快、更准确地识别物体，但除非明确针对这些任务进行重新训练，否则它无法下棋或写诗。
• AGI（强 AI）： AGI 系统通常被称为 强 AI，它不会局限于单一模态。它将表现出真正的 迁移学习，使其能够将在物理模拟中学习到的逻辑应用到金融市场中。这种多功能性模仿了人脑广泛的 认知计算 能力。

核心特征与挑战#

开发 AGI 需要克服重大的技术障碍，而不仅仅是向 神经网络 (NN) 中添加更多数据。它涉及创建支持以下功能的架构：

• 抽象推理： 分析复杂、新颖的情况并在没有先前特定 训练数据 的情况下得出逻辑结论的能力。
• 常识： 对因果关系和物理规律的直观理解，这一特征对于当前的 深度学习 (DL) 模型来说仍然很难完全掌握。
• 意识： 关于机器是否可以拥有感觉的哲学和技术挑战，这经常在像 中文房间论证 这样的思想实验中进行讨论。

实现这些特征可能需要大量的计算资源，依赖于来自 NVIDIA 等创新者的先进硬件和高效的 模型优化 技术。

假设的现实世界应用#

由于 AGI 尚不存在，其应用具有推测性但极具变革性。Stanford HAI 等机构的专家认为，AGI 可以作为全自主智能体彻底改变各个行业。

1. 自主科学研究： 与通过突出扫描中的异常来协助医生的当前 医疗领域的 AI 不同，AGI 可以独立审查医学文献、提出假设并设计治愈疾病的实验。

2. 通用机器人： 在 机器人技术 领域，AGI 将使机器能够穿梭于非结构化环境。由 AGI 驱动的机器人可以进行家务、做饭并提供老龄护理，适应任何家庭独特的布局和需求而无需重新编程。这为 机器人领域的 AI 创造了新的可能性。

可视化当前 AI 的局限性#

虽然我们还不能编写 AGI 代码，但我们可以展示先进狭义 AI 的功能。以下代码片段使用 ultralytics 包来运行推理任务。这代表了 ANI，因为该模型仅限于检测其经过专门训练的对象，而不具备 AGI 的通用理解能力。

from ultralytics import YOLO

# Load the YOLO26 model (Artificial Narrow Intelligence)
# This model excels at vision tasks but is limited to its training domain
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# The model identifies patterns, but does not 'understand' the scene context
results[0].show()

前进之路：从 ANI 到 AGI#

当前的研究正在通过 多模态学习 弥合狭窄应用与通用智能之间的差距。像 GPT-4 和 大语言模型 (LLMs) 这样的模型正开始通过同时处理文本、代码和图像来显示通用推理的火花。Ultralytics 平台 等工具赋予开发者训练日益复杂的模型的能力，为有一天可能通往真正的 AGI 的基础研究做出贡献。目前，掌握 监督学习 并优化特定任务仍然是发挥 AI 价值的最有效方式。