什么是通用人工智能？
通用人工智能（AGI）是一个人工智能理论研究领域，研究如何开发具有类人智能和自学能力的软件。其目标是让软件能够执行训练或开发目的之外的任务。
当前的人工智能（AI）技术均依靠一组预先确定的参数运行。例如，在图像识别和生成方面经过训练的人工智能模型无法构建网站。作为一项理论研究，AGI 旨在开发具有自主自我控制、合理的自我理解以及新技能学习能力的人工智能系统。它可以在创建时未进行教导的环境和情境中解决复杂的问题。具有人类能力的 AGI 仍然只是理论概念和研究目标。
人工智能和人工通用智能有什么区别？
几十年来，人工智能研究人员实现了多个里程碑，这些里程碑极大地推动了机器智能的发展，甚至达到了在特定任务中模仿人类智能的程度。例如，AI 摘要器使用机器学习（ML）模型从文档中提取要点并生成易于理解的摘要。因此，AI 是一门计算机科学学科，它使软件能够以人类水平的性能解决新颖而困难的任务。
相比之下，AGI 系统可以像人类一样解决各个领域的问题，而无需人工干预。AGI 不局限于特定范围，而是可以自学并解决从未接受过训练的问题。因此，AGI 是完整的人工智能的理论表现，它以广义的人类认知能力解决复杂的任务。
一些计算机科学家认为，AGI 是一种假设的计算机程序，具有人类理解和认知能力。AI 系统可以学习处理不熟悉的任务，而无需对此类理论进行额外训练。换句话说就是，我们今天使用的 AI 系统需要大量的训练才能处理同一领域的相关任务。例如，您必须使用医疗数据集对预训练的大型语言模型（LLM）进行微调，然后它才能作为医疗聊天机器人持续运行。
强 AI 与弱 AI 的比较
强 AI 是完全人工智能或 AGI，尽管背景知识很少，但仍能够执行具有人类认知水平的任务。科幻小说经常将强 AI 描绘成具有人类理解能力的思维机器，而不局限于领域限制。
相比之下，弱 AI 或狭义 AI 是仅限于计算规范、算法和为之设计的特定任务的 AI 系统。例如，以前的 AI 模型的内存有限，只能依靠实时数据来做出决策。即使是内存保留率更高的新兴生成式人工智能应用程序也被视为弱 AI，因为它们无法重新用于其他领域。
通用人工智能研究的理论方法是哪些？
与当今的 AI 模型相比，实现 AGI 需要更广泛的技术、数据和互连性。创造力、感知、学习和记忆对于创建模仿复杂人类行为的 AI 至关重要。AI 专家提出了几种推动 AGI 研究的方法。
符号
符号方法假设计算机系统可以通过扩展逻辑网络来代表人类思想，从而发展 AGI。逻辑网络使用 if-else 逻辑符号化物理对象，允许 AI 系统在更高的思维水平上解释想法。但是，符号表征无法在较低层次上复制微妙的认知能力，例如感知。
连接主义
连接主义（或应急主义）方法侧重于使用神经网络架构复制人脑结构。当人类与外部刺激相互作用时，大脑神经元可以改变其传播路径。科学家们希望，采用这种亚符号方法的 AI 模型能够复制类似人类的智力，并表现出低水平的认知能力。大型语言模型是使用联结主义方法理解自然语言的人工智能范例。
普遍主义
采用普遍主义方法的研究人员专注于在计算层面上解决 AGI 的复杂性。他们试图制定理论解决方案，将其重新用于实际的 AGI 系统。
整个生物体架构
整个生物体架构方法涉及将 AI 模型与人体的物理表示相结合。支持这一理论的科学家认为，只有当系统从物理相互作用中学习时，AGI 才能实现。
混合
混合方法研究代表人类思想的符号和亚符号方法，以实现超越单一方法的结果。AI 研究人员可能会尝试吸收不同的已知原理和方法来开发 AGI。
推动通用人工智能研究的技术有哪些？
对于研究人员来说，AGI 仍然是一个遥远的目标。他们正在努力建立 AGI 系统，并受到新兴发展的鼓舞。以下各部分介绍了新兴技术。
深度学习
深度学习是一门 AI 学科，专注于训练具有多个隐藏层的神经网络，以从原始数据中提取和理解复杂的关系。AI 专家使用深度学习来构建能够理解文本、音频、图像、视频和其他信息类型的系统。例如，开发人员使用 Amazon SageMaker 为物联网 (IoT) 和移动设备构建轻量级深度学习模型。
生成式人工智能
生成式人工智能是深度学习的一个子集，其中 AI 系统可以根据所学知识生成独特而真实的内容。生成式人工智能模型使用海量数据集进行训练，这使它们能够使用自然类似于人类创作的文本、音频或视觉效果来响应人类查询。例如，来自 AI21 Labs、Anthropic、Cohere 和 Meta 的 LLM 是生成式人工智能算法，组织可以使用这些算法来解决复杂的任务。软件团队使用 Amazon Bedrock 在云上快速部署这些模型，而无需预置服务器。
NLP
自然语言处理（NLP）是 AI 的一个分支，允许计算机系统理解和生成人类语言。NLP 系统使用计算语言学和机器学习技术将语言数据转换为称为标记的简单表示，并理解它们的上下文关系。例如，Amazon Lex 是一个 NLP 引擎，允许组织构建对话式人工智能聊天机器人。
计算机视觉
计算机视觉是一项允许系统从视觉数据中提取、分析和理解空间信息的技术。自动驾驶汽车使用计算机视觉模型分析来自摄像头的实时信息，并引导车辆安全地远离障碍物。深度学习技术使计算机视觉系统能够自动执行大规模对象识别、分类、监控和其他图像处理任务。例如，工程师使用 Amazon Rekognition 为各种计算机视觉应用程序自动执行图像分析。
机器人技术
机器人学是一门工程学科，组织可以在其中构建自动执行物理操作的机械系统。在 AGI 中，机器人系统允许机器智能以物理方式表现出来。它对于引入 AGI 系统所需的感官感知和物理操作功能至关重要。例如，将机械臂嵌入 AGI 可以使机械臂像人类一样感知、抓握和剥橙子。在研究 AGI 时，工程团队在组装机器人系统之前使用 AWS RoboMaker 对机器人系统进行虚拟模拟。
通用人工智能研究面临哪些挑战？
计算机科学家在开发 AGI 时面临以下一些挑战。
建立连接
当前的 AI 模型仅限于其特定领域，无法在域之间建立连接。但是，人类可以将知识和经验从一个领域应用到另一个领域。例如，将教育理论应用于游戏设计中，以创造富有吸引力的学习体验。人类还可以将他们从理论教育中学到的知识应用到现实生活中。但是，深度学习模型需要对特定数据集进行大量训练，才能可靠地处理不熟悉的数据。
情商
深度学习模型暗示了 AGI 的可能性，但尚未证明人类拥有的真实创造力。创造力需要情感思维，而神经网络架构尚无法复制这种思维。例如，人类根据自己的情感对对话做出回应，但是 NLP 模型会根据他们训练的语言数据集和模式生成文本输出。
感官知觉
AGI 要求 AI 系统与外部环境进行物理交互。除了机器人能力外，系统还必须像人类一样感知世界。现有的计算机技术需要进一步发展，才能像人类一样准确区分形状、颜色、味觉、气味和声音。
AWS 如何帮助您开展 AI 和 AGI 工作？
AWS 提供托管的人工智能服务，可帮助您训练、部署和扩展生成式人工智能应用程序。组织使用我们的 AI 工具和基础模型，利用自己的数据对 AI 系统进行创新，以实现个性化使用案例。
- Amazon Bedrock 是一项完全托管的服务，开发人员可以使用 API 调用来访问他们部署的生成式人工智能模型。您可以在 Bedrock 上选择、自定义、训练和部署业界领先的基础模型，以处理专有数据。
- Amazon SageMaker Jumpstart 通过在机器学习中心构建、训练和部署基础模型，帮助软件团队加速 AI 开发。
- 使用 Amazon Elastic Compute Cloud UltraClusters 通过超级计算 GPU 为您的生成式人工智能工作负载提供支持，以低延迟处理海量数据集。
立即注册 AWS 账户，开始使用 AGI
