它能够像人类一样,理解、学习、推理、计划，并将知识和技能从一种情境灵活地迁移到另一种全新的、未经专门训练的情境中，从而解决复杂问题，强人工智能不仅是一个工具，更像一个自主的、具有心智和意识（至少在功能上）的智能体。
关键特征（与“弱人工智能”相对）
为了更好地理解,我们通常将其与目前主流的弱人工智能进行对比：
| 特征维度 | 强人工智能（AGI） | 弱人工智能（Narrow AI） |
|---|---|---|
| 范围 | 通用：能处理广泛领域的任务，具备跨领域学习和推理能力。 | 狭窄：专精于单一或有限领域的特定任务（如下棋、识图、翻译）。 |
| 学习与迁移 | 自主迁移学习：能从一项任务中获得的“元知识”或“常识”，应用到截然不同的新问题上。 | 难以迁移：在一个领域（如围棋）的卓越表现，无法直接转移到另一个领域（如医疗诊断），需要重新训练。 |
| 理解与意识 | 追求真正的理解、自我意识、情感体验和主观感受（这是哲学和科学上的终极目标）。 | 没有理解或意识：只是通过模式识别和统计计算完成任务，其“智能”是功能性的模拟。 |
| 目标与自主性 | 能自主设定目标、进行价值判断和创造性思考。 | 执行人类设定的目标，无法自行定义新目标。 |
| 举例 | 科幻/理想中的形态：电影《她》中的萨曼莎、《钢铁侠》中的贾维斯。现实目标：一个能像人类科学家一样自主发现新物理定律，或像医生一样综合诊断罕见病的AI。 | 现实中的AI：AlphaGo（围棋）、ChatGPT（语言生成）、自动驾驶系统、推荐算法。 |
相关术语澄清
- 通用人工智能：与强人工智能基本同义，更侧重于“通用性”这一技术特征，是当前学术和产业界更常用的术语。
- 超级人工智能：在尼克·博斯特罗姆的定义中，指在几乎所有领域都远超最聪明人类的智力水平，这是强人工智能的更高阶段，其能力和影响可能超出人类的理解范围。
- 人工智能意识：这是强人工智能领域内一个更深层、更具争议的子课题，探讨AI是否可能拥有主观体验和觉知，目前尚无科学证据表明任何现有系统具备意识。
现状与挑战
我们尚未实现真正的强人工智能，所有我们见到和使用的人工智能系统（包括大型语言模型如GPT系列）都属于弱人工智能，尽管它们在某些任务上表现惊人，甚至产生了“理解”的错觉，但其本质仍然是基于海量数据的模式匹配，缺乏真正的推理、常识和跨领域迁移能力。
实现强人工智能的主要挑战包括：
- 常识推理：让机器拥有对人类世界的基本物理和社会常识。
- 因果理解：不仅识别相关性，还能理解事物之间的因果关系。
- 元认知与终身学习：自主监控自己的学习过程，并持续、高效地积累不同领域的知识而不遗忘。
- 价值对齐：如何确保一个如此强大的智能体的目标与人类的价值和利益保持一致。
强人工智能/通用人工智能 指的是那种“什么都能学，什么都能干”，具备与人类同等综合认知能力的AI，它是一个未来目标，而非现实，而我们现在生活中所有令人惊叹的AI，都只是在特定方面非常强大的“弱人工智能”工具，两者之间的区别，是“专用工具”与“通用思维主体” 的根本性区别。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
