谷歌DeepMind：AGI逐步逼近，但距全面实现仍有差距及三大不足

哈萨比斯表示，真正的通用人工智能（AGI）正逐步逼近，但距离全面实现仍存在差距。首先是“持续学习”能力不足。现有系统在部署前已经完成训练，之后基本处于静态状态。“系统可以做短期规划，但像人类那样跨越多年进行规划，目前还不具备这种能力。系统在某些领域极为出色，在其他领域却存在明显不足。

近日，谷歌CEO哈萨比斯抛出重磅观点，此观点为我们离真正像人一样思考的通用人工智能还有三块硬骨头要啃。这位诺奖得主直言，现在的AI存在致命伤，此致命伤表现为看似聪明，实则存在“偏科”和“学不会”的情况。

当前的AI系统，其学习模式宛如批量产出的毕业生，一旦走出校门，知识便定格在了毕业的那一瞬间。哈萨比斯表明，多数系统在部署之前就已完成训练，当投入实际使用之后，几乎就不再进行更新与进化了。

在理想状态下的AGI，应当如同初入职场的新人那般，能够于工作期间持续性地积累相关经验，通过从实时交互里获取全新知识，依据场景的动态变化灵活地对自身行为模式予以调整，而绝非始终凭借陈旧眼光去看待新出现的问题。

短期内进行规划，对于现有的人工智能而言，并非是一件困难的事情，然而，要使它们去构思那种跨越数年时间的长远计划，就显得力不从心了。哈萨比斯进行了举例说明，人类能够为了五年之后的目标，一步步地进行倒推从而执行，而人工智能目前仅仅只能看到眼前的几步。

这般时间维度方面的思考能力匮乏情况，致使AI在参与那些需长期规划的复杂任务时遭遇困难。真正意义上的通用智能应当如同企业家那般，既能够精准把控当下态势，又能够对未来几年的发展趋向做出预判。

当前系统最让人费解的特性是能力断层，哈萨比斯讲述了一个怪异现象，AI能够在国际数学奥赛里摘取金牌，然而转过头或许会在基础算术题方面失手。

这种呈现出不稳定态势的表现，将智能那种存在“偏科”情况的本质给暴露了出来。要是有一个人属于数学方面的专家，绝对是不会在简单的加减法运算上出现错误的。然而人工智能所具备的专家水准，往往只是在特定的领域以及特定的提问方式方面才有所体现。

去年，哈萨比斯在接受采访之时给出了时间表，他觉得真正的AGI会在五到十年之内达成。他所带领的DeepMind团队在2014年被谷歌收购，此团队已然变成全球AI研发的核心力量。

在谷歌收购案当中身为重要角色的哈萨比斯，对于技术发展的节奏持有独特的判断。他在去年获得了诺贝尔化学奖，这证实了他于人工智能和科学交叉的领域有着深厚的积累，如此一来使得他所做出的预测更具备分量。

要实现持续学习，那就得突破现有神经网络的结构限制。当下主流模型采用的是固定权重，在训练完成之后参数就不再改变了，而这与人脑持续可塑的特性是完全不一样的。

探究者正致力于探寻终身学习的框架结构，力求使人工智能在留存过往知识之际，还能够接纳新涌现的经验内容。然而，怎样去避免出现灾难性遗失的状况，并且与此同时确保学习成效可以显现积极向上的状态，依旧是放置于实验室范畴之内的实际存在的棘手难题。

哈萨比斯所着重强调的稳定性这一问题，直接指向了AI的泛化能力，真正地道的通用智能应当处于任何智力任务方面都达成人类的等级水准，并非是在某一个排行榜里刷取到较高的分数。

这就如同一位在各个方面都得以发展的学生，其各个学科的成绩呈现出均衡并且稳定的态势。当人工智能不仅能够成功攻克专业性较强的难题，而且在面对小学生的题目时也不会出现失误的情况，在这样的时候，我们才敢于声称它拥有了真正意义上的通用智能。

就你而言，AI于哪些平常细微之事上的呈现，最令你感觉它尚未切实“领悟真谛”呢？欢迎于评论区域分享你之所察，点个赞以使更多友人投身讨论之中。