除了人工智能(AI)的改進和新應用之外，大多數人都認為，當通用人工智能(AGI)出現時，人工智能的下一次飛躍將發生。我們將AGI寬泛地定義為機器或計算機程序理解或學習人類可以完成的任何智力任務的假設能力。然而，對于何時以及如何實現這一目標，人們幾乎沒有達成共識。

一種觀點認為，如果可以構建足夠多的不同AI應用，每個應用都解決一個特定的問題，那么這些應用最終將共同成長為AGI的一種形式。這種方法的問題在于，這種所謂的“狹義”人工智能應用不能以通用形式存儲信息。因此，其他狹隘的人工智能應用無法使用這些信息來擴展其廣度。因此，雖然可以將語言處理和圖像處理的應用拼接在一起，但這些應用無法像人類大腦集成聽覺和視覺那樣整合。

其他人工智能研究人員認為，如果能夠構建一個足夠大的機器學習(ML)系統，并擁有足夠的計算機能力，其將自發地展示AGI。當我們更深入地研究ML的實際工作原理時，這將意味著擁有一個包含我們假設的ML系統可能遇到的所有情況的訓練集。專家系統試圖獲取特定領域的知識，但幾十年前就已經清楚地證明了這一點，要創建足夠多的案例和示例數據來克服系統潛在的理解不足是不可能的。

這兩種方法的問題在于，它們充其量只能創建出一個看起來很智能的人工智能。它們仍然依賴于預先確定的腳本和數百萬個訓練樣本。這樣的人工智能仍然無法理解文字和圖像代表存在于物理宇宙中的物理事物。它們仍然不能合并來自多種感官的信息。因此，雖然可以將語言和圖像處理應用結合起來，但仍然沒有辦法像人類大腦將視覺、聽覺和與環境的直接交互集成在一起那樣無縫整合。

AGI的成功需要什么?

為了獲得真正的AGI，研究人員必須將注意力從不斷擴大的數據集轉移到一個更具有生物學意義的結構上，該結構包含意識的三個基本組成部分:以實體為中心的環境內部心理模型;對時間的感知，可以根據當前的行動感知未來的結果;還有想象力，可以考慮多種潛在的行動，并評估和選擇其結果。簡而言之，AGI必須開始表現出與人類相同的情境和常識性理解，以體驗周圍的世界。

為了實現這一目標，人工智能的計算系統必須更接近于人類大腦中的生物過程，而其算法必須允許它構建具有無限連接的抽象“事物”，而不是像當今的人工智能那樣需要龐大的陣列、訓練集和計算機能力。這樣一個統一的知識庫可能會與移動感知艙集成，其中包含視覺、聽覺、運動和語音模塊。這樣的pod將使整個系統在其所采取的每個動作中都能體驗到快速的感官反饋，隨著時間的推移，這將導致一個端到端系統，隨著它接近真正的AGI，可以開始學習、理解并最終更好地與人合作。

即使有這樣一個系統，AGI的實際出現也可能是漸進的，而不是一蹴而就，這主要有兩個原因。首先，也許也是最重要的，開發AGI顯然是一項非常復雜和艱巨的任務，需要在多個不同的領域取得重大進展，其中包括計算機科學、神經科學和心理學。雖然這意味著數年的研究和開發，涉及眾多科學家和工程師的貢獻，但好在，大量的研究目前正在進行中。隨著眾多領域的研究，AGI的各個組成部分將隨著它們的研究而出現。

然后，由于AGI的許多功能本身就具有市場價值，即時滿足可能會減緩AGI的出現。如開發的功能可以改善Alexa的理解方式，或者新的視覺能力可以改善自動駕駛汽車，并且由于在商業上可行，個人開發會被迅速推向市場。然而，如果這些更專業、可單獨銷售的人工智能系統可以建立在一個共同的底層數據結構上，它們就可以開始相互交互，構建一個真正能夠理解和學習的更廣泛的環境。隨著這些系統變得更加先進，它們將能夠共同發揮作用，創造出更普遍的智能。

隨著這些方面的增加，人工智能系統將在個別領域表現出更像人類的表現，并隨著系統的增強而發展到超人的表現。但性能不可能同時在所有領域都相同。這表明，在某一時刻，我們將接近AGI的閾值，然后等于閾值，然后超過閾值。在這之后的某個時刻，我們將擁有明顯優于人類智能的機器，人們將開始同意，也許AGI確實存在。最終，AGI必須實現，因為市場需要它。