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。

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AGI至關重要。這些概念在廣泛的AI研究領域值得認真考慮。

1. 持續學習

機器學習算法是拿靜態數據集進行訓練的，訓練過程結束后，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的緊張局勢;只有拿2022年互聯網文本數據進行訓練后，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?答案就是持續學習。

另一個例子，當特斯拉的自動駕駛系統(Autopilot)接受滑行停車方面的訓練時，它會一直執行滑行停車，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實世界物理元素。否則，AI執行的復雜推理、決策或與世界相關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。突破性的AI將具有某種結構，允許一定程度的泛化或外推，又不產生災難性的結果。

4. 參照系學習

Jeff Hawkins的千腦智能理論基于參照系概念。據我了解，參照系是大腦創建和存儲(維護)的抽象概念(神經元之間的連接)。根據該理論，大腦使用這些參照系來思考、規劃和預測。突破性的AGI算法可能有一種與參照系相似的結構，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、修改和分散實現自動化。

如果AI研究人員和技術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。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