GPT和GAN已取得種種進步，AGI卻依然是難以解決的問題。究其核心，通用智能很難定義，可能無法實現(xiàn)。

谷歌Deepmind和Open AI的頂尖人才正在努力探索解決AGI的方法。許多研究人員似乎沒有注意到我認為對解決通用智能至關(guān)重要的重要概念。Numenta的研究人員最近概述了四個基本概念，我也認為這些概念對于實現(xiàn)AGI至關(guān)重要。這些概念在廣泛的AI研究領(lǐng)域值得認真考慮。

1. 持續(xù)學習

機器學習算法是拿靜態(tài)數(shù)據(jù)集進行訓練的，訓練過程結(jié)束后，就可以使用算法了。

比如說，當Open AI GPT3在2021年接受訓練時，它可能知道新冠病毒，但是它不會知道烏克蘭持續(xù)的緊張局勢;只有拿2022年互聯(lián)網(wǎng)文本數(shù)據(jù)進行訓練后，算法才知道烏克蘭。另一方面，你知道烏克蘭的緊張局勢。這是為什么?答案就是持續(xù)學習。

另一個例子，當特斯拉的自動駕駛系統(tǒng)(Autopilot)接受滑行停車方面的訓練時，它會一直執(zhí)行滑行停車，直至它在更新后停止該功能，而不是由于它學習后明白這是錯誤的。關(guān)鍵是：人腦不斷地學習和更新世界模型，而目前的AI算法不會。不斷學習有效的AI算法將是實現(xiàn)AGI 的一個突破。

2. 物理世界學習和探索

乍一看，通用智能似乎與物理學或物理世界沒多大關(guān)系。然而，AI算法要做出大體上智能的決策，或者在人類物理世界以智能方式行事，它必須能夠體驗和試驗現(xiàn)實世界物理元素。否則，AI執(zhí)行的復雜推理、決策或與世界相關(guān)的行動可能導致孤立的行為。除此之外，我認為AI算法不應該在模擬的虛擬世界中加以訓練，因為人類并不完全了解物理世界。簡而言之，人腦被認為通過移動來了解物理世界。隨后，突破性的AI算法將通過在物理世界中移動來學習物理定律。

3. 泛化

孩子在見到一輛從未見過的新車，并做出相應的反應時，零樣本學習(ZSL)就發(fā)生了。這種泛化可能基于以前的學習或直覺，我認為這與大腦可能使用的無模型方法有關(guān)。突破性的AI將具有某種結(jié)構(gòu)，允許一定程度的泛化或外推，又不產(chǎn)生災難性的結(jié)果。

4. 參照系學習

Jeff Hawkins的千腦智能理論基于參照系概念。據(jù)我了解，參照系是大腦創(chuàng)建和存儲(維護)的抽象概念(神經(jīng)元之間的連接)。根據(jù)該理論，大腦使用這些參照系來思考、規(guī)劃和預測。突破性的AGI算法可能有一種與參照系相似的結(jié)構(gòu)，以映射和存儲復雜概念。然而，目前ANN的設計可能允許這種連接存在，所需的突破將是基于持續(xù)學習、物理世界探索和泛化，使這種連接的形成、修改和分散實現(xiàn)自動化。

如果AI研究人員和技術(shù)人員真心接受這些概念，我預計具有人類智能特征的AI可能會出現(xiàn)。但愿它們讀到這篇文章。

原文標題：??4 Artificial General Intelligence Milestones We Need??，作者：Mike Hassaballa