Artificial General Intelligence (AGI)

通用人工智能 (AGI) 代表了计算机科学的一个理论里程碑，即机器具备认知灵活性，能够理解、学习并应用知识来处理各种各样的任务，从而达到或超过人类的能力。与目前为特定功能设计的 AI 系统不同，AGI 将能够进行自主推理、在陌生环境中解决问题，并将经验从一个领域推广到另一个领域。尽管 AGI 仍然是深入研究和争论的主题，但它依然是 OpenAI 和 Google DeepMind 等主要研究机构的最终目标，有望重塑我们与技术互动的方式。

Link to this section区分 AGI 与弱人工智能 (Narrow AI)#

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

• 狭义人工智能 (ANI)： 也称为 弱人工智能 (Weak AI)，此类涵盖了所有现有的 AI 应用。这些系统擅长处理特定的、预定义的任务。例如，Ultralytics YOLO26 是一款针对 目标检测 和 图像分割 进行高度优化的顶尖 ANI 模型。虽然 YOLO26 识别物体的速度和准确度可以超过人类，但除非针对这些任务进行明确的重新训练，否则它无法下棋或写诗。
• AGI（强人工智能）： 通常被称为 强人工智能 (Strong AI)，AGI 系统不会局限于单一模式。它将表现出真正的 迁移学习，能够将从物理模拟中学到的逻辑应用到金融市场中。这种多功能性模拟了人脑广泛的 认知计算 能力。

Link to this section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。这涉及到创建能够支持以下功能的架构：

• 抽象推理： 分析复杂、新颖情况并形成逻辑结论的能力，无需预先具备特定的 训练数据。
• 常识： 对因果关系和物理定律的直观理解，这是目前 深度学习 (DL) 模型仍难以完全掌握的特征。
• 意识： 关于机器是否能够拥有感知力的哲学和技术挑战，这经常在诸如 中文房间论证 的思想实验中进行讨论。

实现这些特征可能需要庞大的计算资源，依赖于来自 NVIDIA 等创新者的先进硬件以及高效的 模型优化 技术。

Link to this section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具有变革性。Stanford HAI 等机构的专家认为，AGI 可以作为完全自主的代理，彻底改变各个行业。

1. 自主科学研究： 与目前通过突出扫描异常来辅助医生的 医疗 AI 不同，AGI 可以独立查阅医学文献、提出假设并设计实验来治愈疾病。

2. 通用机器人： 在 机器人技术 领域，AGI 将使机器能够在非结构化环境中导航。由 AGI 驱动的机器人可以处理家务、做饭并提供老年护理，无需重新编程即可适应任何家庭的独特布局和需求。这为 机器人 AI 创造了新的可能性。

Link to this section可视化当前 AI 的局限性#

虽然我们还不能编码 AGI，但我们可以展示高级狭义 AI 的能力。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专门训练过的对象，缺乏 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()

Link to this section前进之路：从 ANI 到 AGI#

当前的研究正通过 多模态学习 弥合狭义应用与通用智能之间的差距。GPT-4 和 大语言模型 (LLM) 等模型开始通过同时处理文本、代码和图像来展现通用推理的火花。Ultralytics Platform 等工具赋予开发者训练日益复杂的模型的能力，为未来可能导向真正 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利用 AI 价值最有效的方式。