原標題：以「通專融合」方式構建 AGI——路徑與關鍵問題探索｜CNCC2024
文章來源：特工宇宙
內容字數：15282字

探索通用人工智能的未來

近年來，人工智能（AI）領域的發展突飛猛進，尤其是通用人工智能（AGI）的實現路徑引起了廣泛關注。周伯文教授作為上海人工智能實驗室的主任和首席科學家，自2016年以來，持續深入研究AGI的發展，提出了多項創新性觀點和實踐方案。本文將探討AGI的實現路徑以及未來的發展方向，力求為讀者提供深入的理解。

AGI的定義與發展階段

周伯文教授在2016年首次公開分享了對AGI發展路徑的思考，明確提出人工智能的發展將經歷三個階段：狹義人工智能（ANI）、廣義人工智能（ABI）以及通用人工智能（AGI）。他指出，基于深度學習的監督算法只能實現狹義人工智能，因其在任務間的遷移和泛化能力較為有限。ABI作為連接狹義與通用人工智能的橋梁，強調了自監督學習、端到端能力和從判別式到生成式轉變的必要性。

當前技術瓶頸與創新路徑

盡管近年來大語言模型（LLM）如ChatGPT等取得了顯著進展，但在專業性和泛化性方面依然存在局限。周伯文教授提到，未來的人工智能應當在專業性上達到或超過90%的水平，同時具備廣泛的泛化能力。這一“高價值區域”是實現AGI的關鍵所在。

為了推動這一目標，周教授提出了“通專融合”的概念，強調在實現AGI的過程中，必須同時兼顧專業性、泛化性和任務可持續性。這一技術路線的實現需要三個層次相互依賴，而非僅依賴單一模型或算法。

通專融合的三層路徑

通專融合的路徑可以分為三個層次：基礎模型層、融合協同層和探索進化層。

基礎模型層

在基礎模型層，需要通過改變現有架構來實現知識與推理的有效解耦與組合。高密度的監督信號是專業化知識注入的關鍵，必須有效引入以提升模型的專業性和泛化能力。

融合協同層

融合協同層強調快速處理和深度推理的結合。通過“系統1”和“系統2”的動態融合，模型能夠在高效識別的同時進行深度分析，從而提升處理的準確性和效率。

探索進化層

探索進化層關注模型與環境的長期實時交互，通過具身自主探索和世界模型構建，提升模型在實際應用中的適應能力。這一層的關鍵在于獲取可持續且高置信的反饋，從而不斷改進模型的表現。

通專融合的實踐與未來展望

通專融合不僅是AGI實現的技術路徑，更是推動科學創新的重要手段。通過人工智能的助力，科學家們能夠突破信息壁壘，提升研究的效率與創新性。周教授認為，未來的AGI將會在科學研究的全生命周期中發揮重要作用，幫助人類發現更多未曾預見的現象。

展望未來，AGI的實現可能會形成一種“中心法則”，指引我們在復雜的科研領域中不斷探索與創新。通過各個學科的跨界合作，我們將共同推動AGI的進步，開啟人工智能的新紀元。

聯系作者

文章來源：特工宇宙
作者微信：
作者簡介：Agent Universe，專注于智能體的AI科技媒體。