我们已经迈入了通用人工智能的时代 [译]
内容提要
尽管AI模型存在缺点，但几十年后将被视为通用人工智能的开山之作。最新一代AI大语言模型实现了关键特性，包括训练大量文本数据、胜任多种任务、处理多种模态、支持多语言交流和具备上下文学习能力。人们对通用人工智能持保留态度，原因包括对评估指标的怀疑、对其他AI理论的坚定信仰、对人类特殊性的高度尊重和对经济影响的担忧。智能系统是否具有意识尚无定论。讨论通用人工智能应更关注经济影响和公平性。
延伸解读
通用智能是连续谱，而非突然涌现
文章指出，常用AI评估指标存在非线性问题，导致能力“涌现”的错觉。例如，在算术测试中，若只给五位数题目，小模型全错，大模型突然全对；但若混合一至四位数并部分给分，性能随模型增大而平滑提升。这说明通用智能是“多带来更多”的连续过程，而非“多带来不同”的突变。读者应警惕将意识或超智能视为突然涌现的叙事，更合理的评估应关注多维度的渐进改善。
符号与神经网络之争：规范批评与经验批评
文章区分了两类对神经网络的批评：规范批评认为AGI必须按特定方式（如符号系统）构建；经验批评则认为神经网络方法可能无法工作。作者反对规范批评，主张只要系统通过全面测试就应认可；对于经验批评，则应以实际成果检验。当前神经网络已能学习符号表示、执行复杂计算并近似任意函数。读者应关注批评背后的依据，而非简单站队。
意识与自主性：无法验证的信仰问题
文章强调，智能系统是否具有意识目前无法测量或验证。直接询问模型并不可靠，因为回答可能受训练方式影响（如ChatGPT被设计为否认有意识）。将代理性等同于意识会导致两难：要么承认先进模型有意识，要么承认代理性不必然意味着意识。作者建议将智能、意识与情感区分开来，因为意识定义不改变具体任务的能力测量，对AGI定义的实际意义有限。
经济影响：AGI讨论中不可回避的公平问题
文章认为，对AGI的保留态度部分源于对经济影响的担忧。历史上，技术进步曾带来“大压缩”式的广泛利益分配，但如今贫富差距扩大，AI可能加剧不平等。作者引用休谟原则，呼吁区分事实与价值，直接讨论“谁会受益”“谁可能受伤”“如何公平实现”等问题，而不是通过否认AGI存在来回避这些紧迫议题。
Q&A
通用人工智能的核心特性是什么？
通用人工智能的核心特性包括处理大量文本数据、胜任多种任务、支持多模态和多语言交流，以及具备上下文学习能力。
人们对通用人工智能持保留态度的原因是什么？
人们对通用人工智能持保留态度的原因包括对评估指标的怀疑、对其他AI理论的信仰、对人类特殊性的尊重以及对经济影响的担忧。
通用人工智能的评估标准存在哪些分歧？
通用人工智能的评估标准存在分歧，主要在于是否应关注实际能力而非特定测试，以及如何定义“有能力”的智能。
通用人工智能与狭义智能有什么区别？
通用人工智能能够执行广泛的任务，而狭义智能通常只能完成特定任务，且局限于工程师预设的范围。
通用人工智能的经济影响有哪些？
通用人工智能可能创造巨大的经济价值，但也伴随风险，需关注利益分配和公平性。
目前对智能系统是否具有意识的看法是什么？
目前尚无定论，关于智能系统是否具有意识的讨论涉及主观信念，且缺乏有效的测量方法。
