GPT和GAN取得了各种进展，但AGI仍然是一个棘手的问题。就其核心而言，通用智能很难定义，而且很可能无法实现。GoogleDeepMind和OpenAI的顶尖人才正在努力寻找解决AGI的方法。许多研究人员似乎并没有关注一个我认为对解决通用智能至关重要的重要概念。Numenta的研究人员最近概述了我认为对实现AGI至关重要的四个基本概念。这些概念值得在广泛的AI研究领域认真考虑。1.持续学习机器学习算法是用静态数据集训练的。训练过程结束后，算法就可以使用了。例如，2021年训练OpenAIGPT3时，它可能知道新冠病毒，但不会知道乌克兰持续的紧张局势；该算法只会在2022年对互联网文本数据进行培训后了解乌克兰。另一方面，您知道乌克兰的紧张局势。为什么？答案是不断学习。另一个例子，当特斯拉的Autopilot接受coast-to-stop训练时，它一直这样做，直到它更新为停止该功能，而不是因为它知道它是错误的。重点是：人脑不断学习和更新其世界模型，而当前的人工智能算法则不然。不断学习有效的人工智能算法将是实现通用人工智能的突破口。2.物理世界的学习和探索乍一看，一般智能似乎与物理或物理世界没有太大关系。然而，要使AI算法做出粗略的智能决策，或在人类物理世界中以智能方式行事，它必须能够体验和试验真实世界的物理元素。否则，AI执行的复杂推理、决策制定或与世界相关的操作可能会导致孤立的行为。除此之外，我认为人工智能算法不应该在模拟的虚拟世界中进行训练，因为人类并不完全了解物理世界。简而言之，人脑被认为是通过运动来了解物理世界的。突破性的人工智能算法将通过在物理世界中移动来学习物理定律。3.泛化零样本学习(ZSL)当孩子看到一辆以前从未见过的新车并做出相应反应时，就会发生这种情况。这种概括可能基于以前的学习或直觉，我认为这与大脑可能使用的无模型方法有关。突破性的人工智能将拥有某种结构，允许某种程度的概括或外推，而不会造成灾难性的后果。4.从参照系中学习JeffHawkins的千脑智能理论就是基于参照系的概念。据我了解，参考系是由大脑创建和存储（维护）的抽象（神经元之间的连接）。根据该理论，大脑使用这些参照系来思考、计划和预测。突破性的AGI算法可能具有类似于参考框架的结构来映射和存储复杂的概念。然而，当前的ANN设计可能允许此类连接，所需的突破将基于持续学习、物理世界探索和泛化，以自动化此类连接的形成、修改和分散。如果人工智能研究人员和技术人员真正接受这些概念，我预测可能会出现具有人类智能特征的人工智能。希望他们读到这个。原标题：我们需要的4个通用人工智能里程碑，作者：MikeHassaballa
