内容摘要
本视频是"人人皆可用的生成式 AI"课程第三周第八讲，直接承接上一讲关于 AI 焦虑的讨论，聚焦澄清一个被广泛误解的概念：AGI（人工通用智能）。吴恩达区分了"通用目的技术"与"AGI"这两个不同概念，给出 AGI 的主流技术定义，并对当前进展和时间线给出了审慎而诚实的评估——结论是：AGI 仍然非常遥远，但不存在物理法则层面的阻碍，且它的实现将对人类社会非常有价值。
核心观点
-
"通用目的技术"≠ AGI——这是最常见的混淆
AI 是通用目的技术（对许多事情都有用），大型语言模型（如 ChatGPT）是单一模型就能处理许多任务，感觉像是"通用"的——但这并不等于 AGI。通用目的技术（General Purpose Technology）和人工通用智能（Artificial General Intelligence）虽然都有"General"字眼，但是完全不同的概念。 -
AGI 的主流技术定义：能完成人类所能完成的任何智力任务的 AI
最广泛接受的 AGI 定义是：能够完成人类所能完成的任何智力任务的 AI（部分定义包括"人类或哺乳动物所能完成的任何任务"）。具体来说，如果存在 AGI：- 驾车：AI 能通过约 20 小时的练习学会驾车（如同一个青少年）——这是 Yann LeCun（深度学习先驱）提出的例子；而今天的自动驾驶汽车距离达到这一水平（仅需 20 小时练习）还差得很远。
- 博士研究：AI 能完成相当于完整博士论文的研究工作（5 年时间）；今天 AI 能协助头脑风暴和写作，但距离独立完成博士水平研究仍然非常遥远。
- 全部知识工作：AI 能完成一名程序员或任何知识工作者的所有任务——同样目前仍非常遥远。
-
时间线：仍需数十年，甚至更长
吴恩达认为 AGI 仍在数十年之外，也许还要更久，但希望能在有生之年看到它的实现。一些公司做出了更乐观的预测，但吴恩达发现大多数此类预测实际上是降低了 AGI 的定义门槛。一位经济学家朋友看过某公司使用的 AGI 定义后调侃说："如果那就是 AGI 的定义，那我觉得我们 30 年前就已经实现了。"通过足够地降低标准，可以更快地"实现" AGI，但这并不是真正意义上的 AGI。 -
LLM 作为推理引擎，是我们迄今为止看到的最接近 AGI 轮廓的技术
LLM 可以被用作推理引擎（第二周讨论过），我们可能已经开始隐约看到 AGI 某一天可能是什么样子的粗略轮廓。但还需要一些重大的技术突破才能真正到达那里。 -
AGI 的挑战之一：用人类智能作为基准是一个极高的要求
AI 和生物智能沿着完全不同的路径发展。AI 已经从远超任何人一生所能阅读的文本量中学习，在某些狭窄维度上已经远超人类。但要求 AI 完成所有人类能完成的智力任务，仍然是一个极高的标准。
关键收获
💡 收获 1：区分"通用目的技术"和"AGI"是理解 AI 能力边界的认知基础
混淆两者会导致两种错误：要么过高估计当前 AI（把 ChatGPT 当成 AGI），要么用 AGI 不可及来否定当前 AI 的实际价值。吴恩达的澄清有助于准确认知 AI 当前的能力——它是通用目的技术（对很多事情有用），但不是 AGI（不能做所有人类能做的智力任务）。
💡 收获 2：警惕"偷换 AGI 定义"的公司预测——门槛越低，实现越快，但意义越小
吴恩达经济学家朋友的调侃是对这类预测最精辟的批评。当媒体或公司声称"AGI 即将来临"时，首先需要追问的是：他们使用的是哪个 AGI 定义？这是评估任何 AGI 时间线预测的关键。
💡 收获 3：AGI 不存在物理法则阻碍——它是我们终将努力实现的长期目标
吴恩达明确表达了对 AGI 可行性的乐观：没有任何基本物理法则阻止我们创造 AGI，而且他相信 AGI 实现后将对人类社会非常有价值。这种审慎乐观与上一讲对灭绝风险的怀疑态度形成互补，构成了吴恩达对 AI 未来的完整立场。
💡 收获 4：AI 在某些狭窄维度已超越人类，但"全栈智力"仍是远期目标
AI 学习的文本量已远超任何人一生的阅读量，在文本处理某些维度上超越人类；但要完成"所有人类能做的所有智力任务"，仍然是一个距现实非常遥远的目标。这种清醒认识有助于避免对 AI 能力的盲目崇拜和不必要的恐惧。
重要引述
"The most widely accepted definition of AGI is AI that could do any intellectual task that a human can."
（AGI 最广泛接受的定义是：能够完成人类所能完成的任何智力任务的 AI。）
"I think we're still many decades away — maybe even longer. But I hope we'll get there sometime in our lifetimes."
（我认为我们仍在数十年之外——也许甚至更久。但我希望能在有生之年看到这一天。）
"Boy, if that's the definition of AGI, I think we got there 30 years ago."
——吴恩达的经济学家朋友，评价某公司降低了 AGI 门槛的定义
"I don't think there's any fundamental laws of physics that prevents us from ever creating AGI, which I think will actually be very valuable to human society."
（我认为没有任何基本物理法则阻止我们永远创造 AGI，而且我认为它实际上将对人类社会非常有价值。）
总体结论
本讲以简洁精准的方式厘清了 AGI 的概念边界，纠正了"通用目的技术等同于 AGI"的常见混淆，并给出了诚实的时间线评估：AGI 仍需数十年，但没有物理法则层面的阻碍，且其实现将对人类社会非常有价值。吴恩达对那些通过降低定义来声称"AGI 即将来临"的预测保持了健康的怀疑，同时对 LLM 作为推理引擎所展示的能力表示谨慎乐观——这可能是我们迄今为止看到的最接近 AGI 轮廓的技术形态。对于普通学习者而言，本讲最重要的收获是：AI 今天已经非常强大且有实用价值，但这并不意味着 AGI 已经实现或即将实现。
逐字稿（中文翻译）
AGI，即人工通用智能，是一个令人兴奋的概念。我认为围绕它的一些困惑源于"通用"（General）这个词的使用。正如你所知，AI 是一种通用目的技术，意味着它对许多不同的事情都有用；大型语言模型的兴起产生了像 ChatGPT 这样的单一模型，它对许多事情都有用，感觉好像可以是通用目的的——但通用目的技术和人工通用智能并不是同一件事。让我们来看看 AGI 真正的技术定义是什么。
AGI 最广泛接受的定义是：能够完成人类所能完成的任何智力任务的 AI。有些定义实际上说的是"人类或哺乳动物所能完成的任何任务"，但我暂时用这个定义。举例来说，如果我们有了 AGI，AI 将能够通过大约 20 小时的练习学会驾车，类似于一个青少年所能做到的——这是深度学习先驱 Yann LeCun 提出的例子；而今天的自动驾驶汽车仍然距离达到这一水平还差得很远，当然不是仅仅 20 小时的练习就能实现。如果我们有了 AGI，AI 也能够完成完成博士论文水平的研究这一智力任务，也许是五年的工作，甚至更快；而今天 AI 能在头脑风暴和写作的某些方面提供帮助，也许能作为研究某些环节的思维伙伴，但我们显然仍然与这一目标相距甚远。如果我们有了 AGI，AI 还能够完成计算机程序员或其他任何知识工作者——那些通过执行智力任务来贡献工作成果的人——几乎所有的任务；而显然，我们距离这一目标仍然非常遥远。
我知道关于实现 AGI 需要多长时间有不同的观点。我认为我们仍在数十年之外——也许甚至更久——但我希望能在有生之年的某个时候看到它的实现。有一些公司对何时能到达那里做出了更乐观的预测，但我发现大多数这些公司改变了 AGI 的定义，将实现的标准设定得低了很多。我把其中一家公司使用的 AGI 定义给我的一位经济学家朋友看，他调侃说："如果那就是 AGI 的定义，那我觉得我们 30 年前就已经实现了。"所以确实，通过足够地降低标准，我们可以更快地"实现"AGI，但对于最广泛接受的 AGI 定义，我认为我们仍然相当遥远。
大型语言模型令人兴奋的一点是，我们可以将其用作推理引擎——正如我上周提到的——也许我们现在开始隐约看到 AGI 某一天可能是什么样子的粗略轮廓。我不认为有任何基本物理法则阻止我们永远创造 AGI，我认为它实际上将对人类社会非常有价值，但我们仍然需要一些重大的技术突破才能到达那里。
实现 AGI 的困难之处之一在于，它是将人工智能与人类智能进行比较。人工智能和生物智能沿着两条截然不同的路径发展——例如，AI 是从比任何人一生所能阅读的文本量多得多的数据中学习的，所以 AI 在某些特定任务上已经远超任何人类。但要求 AI 完成所有人类所能完成的所有智力任务，这仍然是一个非常高的标准。
但即使我们距离 AGI 仍有一段路要走，AI 已经非常强大，重要的是我们要负责任地使用它。让我们在下一个视频中来看看负责任的 AI！
本文档根据视频字幕整理翻译，内容为 DeepLearning.AI "Generative AI for Everyone" 课程第三周第八讲。
通用人工智能（AGI）
下载 MP3