广泛意义上的AI是指什么

在生成式AI的下一个阶段，我们预计推理研发的成果将快速且深入地渗透到应用层。过去，很多认知架构依赖于巧妙的“解锁”技术；而随着这些能力逐渐深度嵌入到模型中，自主应用程序的复杂性和稳健性将会迅速提升。在研究实验室中，推理和推理时计算将继续成为未来的重要议题。随着新的扩展法则的出现，新的竞赛已经开始。但在特定领域中，获取真实世界的数据并构建领域和应用特定的认知架构仍然是一个巨大的挑战。这意味着，在解决现实世界中多样化问题时，“最后一公里”的应用提供商可能更具优势。展望未来，多代理系统，如Factory的“机器人”，可能会成为建模推理和社会学习过程的主流方式。一旦AI能够执行工作，我们将能组建团队，让“工人”完成更多任务。我们所期待的，是生成式AI的“第37步”时刻——就像AlphaGo在与李世石对战的第二局中出人意料的那一步棋。当一个通用AI系统展现出超越人类的思考和决策时，那一刻便会到来。这并不意味着AI将“觉醒”（AlphaGo并没有），而是AI在感知、推理和行动的模拟过程中，能够以全新的方式进行探索。这或许就是通用人工智能（AGI），但如果是这样，它并不会是单一的奇迹，而是技术发展的下一个阶段。

Introduction智能是一个多方面而难以捉摸的概念，长期以来一直挑战着心理学家、哲学家和计算机科学家。1994年，一组52名心理学家签署了一份有关智能科学的广泛定义的社论，试图捕捉其本质。共识小组将智能定义为一种非常普遍的心理能力，其中包括推理、规划、解决问题、抽象思维、理解复杂思想、快速学习和从经验中学习等能力。这个定义意味着智能不仅限于特定领域或任务，而是涵盖了广泛的认知技能和能力——建立一个能够展示1994年共识定义所捕捉到的通用智能的人工系统是人工智能研究的一个长期而宏伟的目标。在早期的著作中，现代人工智能（AI）研究的创始人提出了理解智能的一系列宏伟目标。几十年来，AI研究人员一直在追求智能的原则，包括推理的普适机制（例如[NSS59]，[LBFL93]）以及构建包含大量常识知识的知识库[Len95]。然而，最近的许多AI研究进展可以描述为「狭义地关注明确定义的任务和挑战」，例如下围棋，这些任务分别于1996年和2016年被AI系统掌握。在1990年代末至2000年代，越来越多的人呼吁开发更普适的AI系统（例如[SBD+96]），并且该领域的学者试图确定可能构成更普遍智能系统的原则（例如[Leg08，GHT15]）。名词「通用人工智能」（AGI）在2000年代初流行起来（见[Goe14]），以强调从「狭义AI」到更广泛的智能概念的追求，回应了早期AI研究的长期抱负和梦想。我们使用AGI来指代符合上述1994年定义所捕捉到的智能广泛能力的系统，其中包括了一个附加的要求，即这些能力在或超过人类水平。然而，我们注意到并没有一个被广泛接受的AGI定义，我们在结论部分讨论其他定义。

So what do I actually even mean by“AI”here?In the past,anything seriously computational was often considered“AI”,in which case,for example,what we’ve done for so long with our Wolfram Language computational language would qualify—as would all my“ruliological”study of simple programs in the computational universe.But here for the most part I’m going to adopt a narrower definition—and say that AI is something based on machine learning(and usually implemented with neural networks),that’s been incrementally trained from examples it’s been given.Often I’ll add another piece as well:that those examples include either a large corpus of human-generated scientific text,etc.,or a corpus of actual experience about things that happen in the world—or,in other words,that in addition to being a“raw learning machine”the AI is something that’s already learned from lots of human-aligned knowledge.那么我在这里所说的“人工智能”到底是什么意思呢？在过去，任何认真计算的东西通常都被认为是“人工智能”，在这种情况下，例如，我们长期以来使用Wolfram语言计算语言所做的事情就符合资格——就像我对简单程序的所有“规则学”研究一样。计算宇宙。但在这里，我将在很大程度上采用更狭义的定义，并说人工智能是基于机器学习（通常通过神经网络实现）的东西，它是根据给出的示例进行增量训练的。我通常还会添加另一件事：这些例子要么包括人类生成的科学文本的大型语料库等，要么包括关于世界上发生的事情的实际经验的语料库，或者换句话说，是在除了作为“原始学习机器”之外，人工智能还可以从大量与人类相关的知识中学到东西。