AGI

AGI（通用人工智能）是指在几乎所有认知任务上都能达到或超越人类水平的人工智能系统。与只能处理特定任务的「窄 AI」不同，AGI 理论上能跨领域迁移知识、自主解决全新问题，目前仍是尚未实现的研究目标。

AGI 与当前主流 AI 系统的根本区别在于「通用性」——

• 窄 AI（Narrow AI）：只在单一或有限领域表现出色，例如图像识别、棋类对弈
• AGI：能像人类一样在任意认知领域学习、推理并解决问题，无需针对每项任务单独训练
• 目前学界对 AGI 尚无统一定义，不同机构的判定标准差异显著
• Google DeepMind 将 AGI 分为五个能力层级：初现、胜任、专家、大师、超人，并将当前大语言模型归为「初现级」（Emerging AGI）
• 人工超级智能（ASI）被视为 AGI 之后的下一阶段，指全面超越人类认知能力的系统

AGI 概念贯穿 AI 学科整个历史，经历多次高潮与低谷——

• 1950：图灵在《计算机器与智能》中提出图灵测试，确立「机器能否像人一样思考」这一核心问题
• 1956：达特茅斯会议，AI 作为学科诞生，早期研究者普遍乐观，认为通用机器智能十年内可期
• 1970—1980 年代：两次 AI 寒冬，专用系统繁荣但通用性失败，AGI 热情降温
• 1997：Mark Gubrud 最早在正式文章中使用「artificial general intelligence」这一表述
• 2002：Ben Goertzel、Shane Legg、Peter Voss 共同确立「AGI」术语，以区分日益狭窄化的 AI 研究
• 2007：Goertzel 与 Pennachin 主编《Artificial General Intelligence》（Springer），标志 AGI 正式成为独立研究领域
• 2022—2024：ChatGPT 发布引发全球 AGI 讨论热潮；OpenAI、Google DeepMind、Anthropic 相继将 AGI 列为核心使命

实现 AGI 面临多维度的技术与理论瓶颈——

• 常识推理：当前模型缺乏对物理世界和社会规律的深层理解，在开放场景下容易失效
• 跨域迁移：人类能将一个领域的知识自然迁移到全新领域，现有 AI 系统在此能力上仍远落后
• 持续学习：模型在学习新知识时往往遭遇「灾难性遗忘」，难以在不重新训练的情况下累积知识
• 因果推断：区分相关性与因果关系是人类认知的基础，但对现有 AI 系统仍是难题
• 定义模糊：学界对 AGI 的具体判定标准尚无共识，导致进展评估缺乏统一基准

AGI 何时到来是 AI 领域分歧最大的议题之一——

• 乐观派：Sam Altman（OpenAI）、Demis Hassabis（Google DeepMind）等认为 AGI 可能在数年至十年内出现
• 悲观派：Gary Marcus、Yann LeCun 等认为当前大语言模型 scaling 路径根本无法通往 AGI，需要全新架构
• 分歧根源：各方对「AGI 的定义」本身存在分歧——通过所有认知测试即可，还是必须具备「意识」或「理解」
• 量化困难：由于缺乏统一测试标准，很难客观判断当前系统距离 AGI 有多近
• 研究者预测时间跨度从「数年内」到「永不」均有，凸显不确定性之大

AGI 的潜在风险催生了专门的安全研究方向——

• 对齐问题（Alignment）：如何确保 AGI 的目标与人类价值观一致，是最核心的安全挑战
• 控制问题：超越人类能力的系统一旦产生与人类利益冲突的目标，人类是否还能有效干预
• 分配影响：AGI 可能导致劳动力市场系统性冲击，加剧财富与权力的集中
• Anthropic、OpenAI、DeepMind 等机构均设有专职 AI 安全团队，致力于在实现 AGI 前解决对齐问题
• 研究者普遍认为，安全研究的进展应与能力提升同步推进，而非滞后

截至 2026 年，AGI 仍未被公认实现，围绕它存在若干常见误解——

• 误区：「顶级大模型已是 AGI」：现有模型在幻觉、持久记忆、可靠推理等方面仍有显著缺陷，业界主流不认可此说法
• 误区：「AGI 一定是人形机器人」：AGI 是认知能力的定义，与物理形态无关，可以是纯软件系统
• 误区：「scaling 必然通往 AGI」：规模扩展的边际收益在某些推理任务上已现瓶颈，新架构同等重要
• 当前最先进系统更接近「强专用助手」，而非能自主设定目标并跨领域独立完成任务的通用智能体
• 基准局限：现有评估体系难以全面衡量通用智能，模型可能在测试中高分却在真实开放场景中失败