文章来源：赛先生微信公众号
人工智能(Artificial Intelligence，简称AI)开始于一个很简单的想法。当计算机被发明之后，不少人很快认识到它的能力远不限于数值计算，而是可以通过对信息编码和对指令编程完成很多其它以往只有人脑才能完成的任务。这自然就导出了是否人脑的功能都能在计算机中实现的问题。这类研究开始有不同的名称，最后“人工智能”这个词被大多数人接受了，尽管对其解释始终没有统一(见《当你谈论人工智能时，到底在谈论什么？》)。
开始，AI研究者们以为可以在不远的将来实现他们的目标。这个领域的先驱图灵在1950年预言在五十年内可以造出言语行为和人难以分辨的“思维机器”，而这个领域的奠基人明斯基和西蒙等人的估计甚至还要更乐观些。在AI历史上，曾经有过一些雄心勃勃的研发项目，如纽厄尔和西蒙的“通用问题求解器”和日本政府牵头的“第五代计算机系统”等，但都没有达到预期目的。这些失败让AI的名誉受到巨大的负面影响，导致经费断流、人员出走、岗位削减，史称“AI之冬”。
计算机科学之父图灵(Alan Turing)人工智能“脑死亡”了？
痛定思痛，AI的大部分研究者觉得失败的原因是前辈们太好高骛远了。用一本权威AI教科书[3]的说法，在八十年代末“人工智能接受了科学方法”，其特征是从热衷于发明新理论转向基于经典理论，从期望发现一揽子解决方案转向解决具体问题。这使得AI着力于一个一个地解决各种以往只有人能解决的实际问题，或一项一项地再现人的认知功能。由于各种“专家系统”在很多领域达到甚至超过了人类的水平，AI终于摆脱了“现代炼金术”的恶名。广为人知的例子包括战胜了国际象棋世界冠军的“深蓝”系统和近年来风头正劲的“深度学习”技术在图像、语音识别等领域的应用等。
但这个从通用系统向专用系统的转向是有代价的。由于“只有人能解决的问题”在不同的时期有不同的内容(如曾经包括四则运算、排序等)，以此定义“人工智能”实际上把它看成了计算机应用的前沿。由于这个前沿在不断扩展，所面对的问题千差万别，解法也因问题而异，所以不可能全被囊括于一个理论之中，因此也就说不清AI和普通计算机应用到底有什么区别。甚至有人说“人工智能”专指那些尚未被计算机解决的问题，因为一旦一个问题被计算机解决了，它也就不再是“只有人能解决的问题”了。以这种标准来界定一个研究领域自然会造成大量的思想混乱。
即使我们完全不在乎“人工智能”到底是什么意思，只是以“能抓耗子”来定义“好猫”，这种“分而治之”的战略仍有致命问题存在。人类的各种认知功能显然是有紧密的相互依存关系的，而人在各个领域的问题求解能力也不乏相通性和可转移性。在目前AI各子领域中，都有不少核心问题是依赖于其它子领域的。以自然语言理解为例，有什么证据说明语言理解能力是和推理、学习、记忆、感知、规划、决策等能力无关，而可以“就语言论语言”的？
对上面的诘问的常见答复是：智能之中的诸功能当然是互相依赖的，但由于它们太复杂，只能一个一个研究，将来再把它们集成一个完整的智能系统。或者说当具体问题解决多了，普适的办法也可能就找到了。
这种战略在很多领域的确是恰当的，但在AI研究中似乎并非如此。解决具体问题的最有效手段常常是通过深入分析该问题的特点得到的，因此未必能推广到其它问题。比如说“深蓝”的技术对计算机下围棋就不适用。类似地，当某种认知功能被孤立定义成一个计算过程时，其结果和该功能在人脑中的“原生态”常常已经是大不相同了。大略翻翻一本AI教科书(如 [3]) 就不难发现大量针对各种问题的解决方案。把它们都编成程序装到同一个计算机系统里并不难，难的是让它们协调工作。由于这些方案是基于不同的理论和预设的，它们完全没有协作的基础。这就解释了为什么整合各种AI功能的呼吁(如[1])收效甚微。
更重要的一点是，即使是这些打上“智能”标签的技术仍常常让我们觉得缺了些重要的东西。的确，它们在很多方面比人更强，因为它们速度更快、容量更大、功能更稳定，但是这本来就是计算机的长项，而它们仍然缺乏适应性、灵活性、创造性等直观上和智能密切相关的特征。即使是最新的机器学习算法也仍然受制于其中种种对应用领域的预设，因而和人的学习能力的普遍性不可同日而语。
明斯基曾在一次采访中对AI主流转向专用系统大表不满，斥之为“AI已经脑死亡了”。
通用人工智能的崛起
其实就像历史上类似情形中那样，总还是有些不改初衷的研究者，尽管他们只能在学术界的边缘沉默坚持。在2001年，他们中的一些人为了改变这种状况，开始把他们的研究成果编成一本书。最早草拟的书名是《Real AI》(真正的人工智能)，在2003年全书完稿时定为《Artificial General Intelligence》(通用人工智能，简称AGI)。这本书在出版过程中又经历了些周折，故2007年才得以面世[2]。在此期间，在2006年于华盛顿特区召开了为期两天，大约50人参与的AGI研讨会([4]就是这次会议文集的引言)。在这些准备活动的基础上，AGI年会(http://agi-conf.org/)从2008年开始举办，而AGI学报(http://www.degruyter.com/view/j/jagi)也在2009年创刊了。时至今日，AGI的概念已经广为流传，尽管人们对其有各种各样的理解和反应。
一个常常被当作AGI同义词的概念是“强人工智能”(Strong AI)。直观来说这是可以理解的，因为AGI的野心显然比目前的AI要强很多。但是按照这个词的发明人哲学家塞尔的说法，即使一个计算机系统的外部表现完全像人，那也只是个“弱人工智能”，而“强人工智能”必须真正拥有自我意识。这样一来一个AI系统是“强”还是“弱”就完全没有外部标准了，这是很多AGI研究者所不同意的。
与此相反，AI和AGI的差别是有明确外部标准的。如果要用一句话来概括，可以说AGI是把“智能”看作一个问题，而目前主流AI是将其看作一组问题。从AGI的观点看，“智能”当然是个很复杂的问题，必须一步一步地解决，但这里的“一步”不是“下围棋”、“识别照片中的事物”或“听懂中国话”，而是要根据一个智能理论来划分。这就像盖一栋房子应该从画图纸开始，然后据此一间间、一层层地建，而不是各人根据自己的想法分别去建客厅、书房、卧室、厨房、阁楼、卫生间等等，最后再设法把它们拼在一起。这听上去像常识，只是这样工程周期显然比只造一个房间会长很多，而且在全部完工之前不容易看出好坏。因此，在主流AI的工地上，绝大部分施工队都在忙着造各种房间，而不愿花功夫去捉摸那些成败难料的图纸。
尽管有“建造多功能通用系统”这个共识，目前AGI领域内对“智能到底是指什么”仍旧未达成一致意见，而在《当你谈论人工智能时，到底在谈论什么？》中介绍的几种观点在目前AGI研究中均不同程度地有所体现。既然对“做什么”都有不同看法，对“怎么做”的答复就更是百家争鸣了。尽管如此，已经有若干AGI项目离开了纸上谈兵的阶段，开始有具体系统可以被检验了，虽然离完成都还有很远的距离。
高技能≠高智能
在AGI中的“G”(General)不意味着能解决一切问题，而是指在系统设计时不限定其应用范围。“通用”自然是个程度问题，“通用”和“专用”也是相对而言的，但这个差别仍然是明显存在的，比如“深蓝”就完全不能算个通用系统。一个常见的误解是把一个通用系统看作一批专用系统的组合。实际上它们是两类非常不同的系统，不能相互替代。不仅AGI不能通过堆砌现有AI技术来实现，而且即使在AGI实现后也不会抹杀专用技术的价值。如[4]中所指出的，对一个可以明确刻画的应用问题而言，专用系统往往比通用系统更有效和更可靠。通用系统的应用价值是在那些问题和解法都难以事先确定的领域。在理论价值上，这二者的差别就更显著了。各种现存AI理论对于揭示智能的一般原理贡献甚微，而AGI理论则往往是从一般原理入手的。
