强人工智能(strong AI)或AGI(Artificial General Intelligence，人工通用智能)是指具备与人类相当或超越人类水平的通用认知能力的机器智能系统。
它能够理解、学习、推理、决策，并在多种未预先编程的复杂任务和环境中表现出高度适应性。
与当前广泛应用的弱人工智能(Narrow AI，仅针对特定任务设计，如语音助手、图像分类器)不同，AGI的核心特征在于其跨领域的通用性和自主性。
AGI的核心特征
1. 跨领域泛化领域
AGI可以像人类一样，在不同领域(如数学、语言、物理、社交等)灵活迁移知识，无需重新训练。
例如：学会下棋后，无需额外数据即可理解国际象棋规则并快速掌握。
2. 自主学习与推理
无需依赖大量标注数据，通过少量样本甚至逻辑推导即可学习新概念。
例如：仅通过阅读物理教材推导出力学公式。
3. 环境适应性
在动态、不确定的环境中实时调整策略。
例如：在陌生城市自主规划交通路线并应对突发状况。
4. 自我意识和元认知(争议性)
部分定义中要求AGI具备对自身状态、目标和知识的监控能力，甚至接近人类的主观体验。
AGI(强人工智能)与现有AI(弱人工智能)
| 维度 | AGI | 弱人工智能(Narrow AI) |
| 任务范围 | 通用，跨领域 | 专用，单一任务 |
| 学习方式 | 少量数据/自主学习 | 依赖大模型标注数据 |
| 适用性 | 动态环境自适应 | 静态环境预设规则 |
| 典型例子 | 目前未实现(实验性原型探索中) | AlphaGo、GPT-4、自动驾驶系统 |
实现AGI的技术挑战
1. 知识迁移与抽象能力
如何让AI从一个领域抽象出普适规律，并应用于新领域(如从机械原理推导生物进化理论)。
2. 因果推理而非相关性统计
当前AI依赖数据关联，而AGI需理解因果关系(例如区分”吃药治愈疾病”与”病重者吃药”的关系)。
3. 通用算法框架
现有模型(如Transformer)擅长特定任务，但缺乏统一架构处理所有认知功能(如结合符号逻辑与神经网络)。
4. 能源与计算效率
人类大脑仅需约20瓦功率完成复杂任务，而当前大模型训练能耗相当于数千户家庭年用电量。
当前进展与争议
- 技术前沿：
- 大语言模型(LLM)：如GPT-4、PaLM在多任务中展现类人表现，但仍依赖模式匹配而非真正理解。
- 混合系统：结合符号AI(逻辑规则)与深度学习(如MIT的”神经符号系统”)。
- 强化学习：DeepMind的AlphaZero在游戏领域实现跨任务迁移，但局限于规则明确的环境。
- 争议焦点：
- 实现时间线：乐观者预测2030年-2050年，怀疑者认为百年内无望。
- 安全风险：超级智能失控(如《生命3.0》中”纸夹最大化”思想实验)。
- 定义模糊性：AGI的标准尚未统一(是否需具备情感、创造力等)。
AGI的潜在影响
1. 积极面
- 加速科学发现(如药物研发、气候变化建模)。
- 全自动经济体系(生产、物流、服务无人化)。
- 个性化教育与医疗(根据个体需求定制方案)。
2. 风险与挑战
- 就业冲击：知识型工作(律师、医生、程序员)可能被取代。
- 权力集中：AGI开发权可能垄断于少数国家或企业。
- 控制难题：如何确保AGI目标与人类价值观对齐(如避免”善意目标导致灾难性结果”)。
研究方向与代表机构
- 主流路径：
- 神经符号AI(Neural-Symbolic AI)：结合深度学习与逻辑推理(如IBM Watson AI)。
- 通用问题求解器(GPS)：模拟人类问题解决流程(如SOAR、ACT-R认知框架)。
- 人工好奇心与自主学习：让AI通过内在动机探索世界(如Schmidhuber的”压缩自主性”理论)。
- 关键参与者：
- DeepMind(谷歌旗下，研究通用强化学习)。
- OpenAI(探索安全AGI路径，如GPT系列)。
- Anthropic(聚焦可解释性与可控AGI)。
- 欧盟人脑计划(模拟生物神经网络启发AGI)。