根据 DeepMind 的说法，以下是我们在实现 AGI 方面还有多远

实现通用人工智能（AGI）的途径，即在大多数任务中至少与人类相当的人工智能系统，仍然是科学家争论的话题。观点范围很广，从AGI还很遥远，到可能在十年内出现，再到在当前的大型语言模型（LLM）中已经可见的“AGI的火花”。一些研究人员甚至认为，今天的LLM是AGI。

为了使讨论更加清晰，Google DeepMind的一个科学家团队，包括首席AGI科学家Shane Legg，提出了一个新的框架，用于对AGI系统及其前体的功能和行为进行分类。

作者在论文中写道：“我们认为，对于人工智能研究界来说，明确反思我们所说的'AGI'的含义，并渴望量化人工智能系统的性能、通用性和自主性等属性，这一点至关重要。

AGI的原理

AGI的主要挑战之一是明确定义AGI的含义。在他们的论文中，DeepMind的研究人员分析了九种不同的AGI定义，包括图灵测试、咖啡测试、意识测量、经济测量和与任务相关的能力。他们强调了每个定义在捕捉AGI本质方面的缺点。

例如，当前的LLM可以通过图灵测试，但仅生成令人信服的文本显然不足以实现AGI，正如当前语言模型的缺点所表明的那样。确定机器是否具有意识属性仍然是一个不明确和难以捉摸的目标。此外，虽然在某些任务上失败（例如，在随机厨房里煮咖啡）可能表明系统不是 AGI，但通过它们并不一定确认其 AGI 状态。

为了给AGI提供一个更全面的框架，研究人员提出了六个衡量人工智能的标准：

AGI的测量应侧重于能力，而不是类似人类的理解、意识或感知等品质。
AGI的测量应同时考虑一般性和性能水平。这确保了AGI系统不仅能够执行广泛的任务，而且在执行方面也表现出色。
AGI应该需要认知和元认知任务，但具身和物理任务不应被视为AGI的先决条件。
系统执行AGI级任务的潜力是足够的，即使它不可部署。研究人员写道：“要求部署作为测量AGI的条件会引入非技术障碍，例如法律和社会考虑，以及潜在的道德和安全问题。
AGI指标应该关注人们重视的现实世界任务，研究人员将其描述为“生态有效”。
最后，科学家们强调，AGI不是一个单一的终点，而是一条路径，在此过程中具有不同水平的AGI。

DeepMind提出了一个矩阵，用于衡量五个级别的“性能”和“通用性”，从无AI到超人AGI，这是一个在所有任务上都优于所有人的通用AI系统。性能是指人工智能系统的能力与人类的比较，而通用性则表示人工智能系统能力的广度或它达到矩阵中指定性能水平的任务范围。

椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/4758.html