Artificial General Intelligence (AGI)

通用人工智能 (AGI) 代表着计算机科学中的一个理论里程碑：机器具备认知灵活性，能够理解、学习并将知识应用于各种任务，其能力达到或超过人类水平。与当前为特定功能而设计的 AI 系统不同，AGI 将能够在陌生环境中自主推理和解决问题，并将一个领域中的经验泛化到另一个领域。尽管 AGI 仍是一个受到广泛研究和激烈争论的主题，但它是 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。

区分 AGI 与狭义人工智能#

要理解达到 AGI 所需实现的飞跃，就必须将它与我们如今接触的 人工智能 (AI) 区分开来。

• 狭义人工智能 (ANI)： 也称为 弱人工智能，这一类别涵盖了所有现有的 AI 应用。这些系统擅长执行特定的预定义任务。例如，Ultralytics YOLO26 是一种先进的 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，但除非针对这些任务进行专门的重新训练，否则它无法下棋或写诗。
• AGI（强人工智能）： AGI 系统通常被称为 强人工智能，不会局限于单一模态。它将展现真正的 迁移学习 能力，使其能够将在物理仿真中学到的逻辑应用于金融市场。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 需要克服重大技术障碍，而不仅仅是向 神经网络 (NN) 添加更多数据。这需要创建支持以下能力的架构：

• 抽象推理： 分析复杂、新颖情况并形成逻辑结论的能力，无需事先准备特定的 训练数据。
• 常识： 对因果关系和物理定律的直觉性理解，这是当前 深度学习 (DL) 模型仍难以完全掌握的特征。
• 意识： 关于机器能否拥有感知能力的哲学与技术挑战，这一问题经常在 中文房间论证 等思想实验中展开讨论。

实现这些特征可能需要庞大的计算资源，依赖 NVIDIA 等创新企业提供的先进硬件以及高效的 模型优化 技术。

假设性的现实世界应用#

由于 AGI 尚不存在，其应用目前仍具有推测性，但可能带来变革。像 Stanford HAI 这样的机构中的专家认为，AGI 可以作为完全自主的智能体，彻底改变各个行业。

1. 自主科学研究： 不同于当前的 医疗保健领域 AI 通过标记扫描中的异常来协助医生，AGI 可以自主查阅医学文献、提出假设，并设计用于治愈疾病的实验。

2. 通用机器人技术： 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 驱动的机器人可以完成家务、烹饪和老年人护理，无需重新编程即可适应任何家庭独特的布局和需求。这将为 机器人技术领域的 AI 创造新的可能性。

展现当前 AI 的能力边界#

虽然我们还无法编写 AGI，但可以展示先进狭义人工智能的能力。以下代码片段使用 ultralytics 软件包来运行推理任务。这代表 ANI，因为该模型只能检测它经过专门训练的物体，缺乏 AGI 所具备的通用理解能力。

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 (LLMs) 等模型通过同时处理文本、代码和图像，开始展现通用推理的曙光。Ultralytics Platform 等工具帮助开发者训练日益复杂的模型，为基础研究作出贡献，而这些研究或许有一天会促成真正的 AGI。现阶段，掌握 监督学习 并优化特定任务，仍是充分发挥 AI 价值的最有效方式。