除了人工智能(ai)的改进和新应用之外，大多数人都认为，当通用人工智能(agi)出现时，人工智能的下一次飞跃将发生。我们将agi宽泛地定义为机器或计算机程序理解或学习人类可以完成的任何智力任务的假设能力。然而，对于何时以及如何实现这一目标，人们几乎没有达成共识。

一种观点认为，如果可以构建足够多的不同ai应用，每个应用都解决一个特定的问题，那么这些应用最终将共同成长为agi的一种形式。这种方法的问题在于，这种所谓的“狭义”人工智能应用不能以通用形式存储信息。因此，其他狭隘的人工智能应用无法使用这些信息来扩展其广度。因此，虽然可以将语言处理和图像处理的应用拼接在一起，但这些应用无法像人类大脑集成听觉和视觉那样整合。

其他人工智能研究人员认为，如果能够构建一个足够大的机器学习(ml)系统，并拥有足够的计算机能力，其将自发地展示agi。当我们更深入地研究ml的实际工作原理时，这将意味着拥有一个包含我们假设的ml系统可能遇到的所有情况的训练集。专家系统试图获取特定领域的知识，但几十年前就已经清楚地证明了这一点，要创建足够多的案例和示例数据来克服系统潜在的理解不足是不可能的。

这两种方法的问题在于，它们充其量只能创建出一个看起来很智能的人工智能。它们仍然依赖于预先确定的脚本和数百万个训练样本。这样的人工智能仍然无法理解文字和图像代表存在于物理宇宙中的物理事物。它们仍然不能合并来自多种感官的信息。因此，虽然可以将语言和图像处理应用结合起来，但仍然没有办法像人类大脑将视觉、听觉和与环境的直接交互集成在一起那样无缝整合。

agi的成功需要什么?

为了获得真正的agi，研究人员必须将注意力从不断扩大的数据集转移到一个更具有生物学意义的结构上，该结构包含意识的三个基本组成部分:以实体为中心的环境内部心理模型；对时间的感知，可以根据当前的行动感知未来的结果；还有想象力，可以考虑多种潜在的行动，并评估和选择其结果。简而言之，agi必须开始表现出与人类相同的情境和常识性理解，以体验周围的世界。

为了实现这一目标，人工智能的计算系统必须更接近于人类大脑中的生物过程，而其算法必须允许它构建具有无限连接的抽象“事物”，而不是像当今的人工智能那样需要庞大的阵列、训练集和计算机能力。这样一个统一的知识库可能会与移动感知舱集成，其中包含视觉、听觉、运动和语音模块。这样的pod将使整个系统在其所采取的每个动作中都能体验到快速的感官反馈，随着时间的推移，这将导致一个端到端系统，随着它接近真正的agi，可以开始学习、理解并最终更好地与人合作。

即使有这样一个系统，agi的实际出现也可能是渐进的，而不是一蹴而就，这主要有两个原因。首先，也许也是最重要的，开发agi显然是一项非常复杂和艰巨的任务，需要在多个不同的领域取得重大进展，其中包括计算机科学、神经科学和心理学。虽然这意味着数年的研究和开发，涉及众多科学家和工程师的贡献，但好在，大量的研究目前正在进行中。随着众多领域的研究，agi的各个组成部分将随着它们的研究而出现。

然后，由于agi的许多功能本身就具有市场价值，即时满足可能会减缓agi的出现。如开发的功能可以改善alexa的理解方式，或者新的视觉能力可以改善自动驾驶汽车，并且由于在商业上可行，个人开发会被迅速推向市场。然而，如果这些更专业、可单独销售的人工智能系统可以建立在一个共同的底层数据结构上，它们就可以开始相互交互，构建一个真正能够理解和学习的更广泛的环境。随着这些系统变得更加先进，它们将能够共同发挥作用，创造出更普遍的智能。

随着这些方面的增加，人工智能系统将在个别领域表现出更像人类的表现，并随着系统的增强而发展到超人的表现。但性能不可能同时在所有领域都相同。这表明，在某一时刻，我们将接近agi的阈值，然后等于阈值，然后超过阈值。在这之后的某个时刻，我们将拥有明显优于人类智能的机器，人们将开始同意，也许agi确实存在。最终，agi必须实现，因为市场需要它。

以上是网络信息转载，信息真实性自行斟酌。