GPT和GAN已取得种种进步，AGI却依然是难以解决的问题。究其核心，通用智能很难定义，可能无法实现。
谷歌Deepmind和Open AI的顶尖人才正在努力探索解决AGI的方法。许多研究人员似乎没有注意到我认为对解决通用智能至关重要的重要概念。Numenta的研究人员最近概述了四个基本概念，我也认为这些概念对于实现AGI至关重要。这些概念在广泛的AI研究领域值得认真考虑。
1. 持续学习
机器学习算法是拿静态数据集进行训练的，训练过程结束后，就可以使用算法了。
比如说，当Open AI GPT3在2021年接受训练时，它可能知道新冠病毒，但是它不会知道乌克兰持续的紧张局势;只有拿2022年互联网文本数据进行训练后，算法才知道乌克兰。另一方面，你知道乌克兰的紧张局势。这是为什么?答案就是持续学习。
另一个例子，当特斯拉的自动驾驶系统(Autopilot)接受滑行停车方面的训练时，它会一直执行滑行停车，直至它在更新后停止该功能，而不是由于它学习后明白这是错误的。关键是：人脑不断地学习和更新世界模型，而目前的AI算法不会。不断学习有效的AI算法将是实现AGI 的一个突破。
2. 物理世界学习和探索
乍一看，通用智能似乎与物理学或物理世界没多大关系。然而，AI算法要做出大体上智能的决策，或者在人类物理世界以智能方式行事，它必须能够体验和试验现实世界物理元素。否则，AI执行的复杂推理、决策或与世界相关的行动可能导致孤立的行为。除此之外，我认为AI算法不应该在模拟的虚拟世界中加以训练，因为人类并不完全了解物理世界。简而言之，人脑被认为通过移动来了解物理世界。随后，突破性的AI算法将通过在物理世界中移动来学习物理定律。
3. 泛化
孩子在见到一辆从未见过的新车，并做出相应的反应时，零样本学习(ZSL)就发生了。这种泛化可能基于以前的学习或直觉，我认为这与大脑可能使用的无模型方法有关。突破性的AI将具有某种结构，允许一定程度的泛化或外推，又不产生灾难性的结果。
4. 参照系学习
Jeff Hawkins的千脑智能理论基于参照系概念。据我了解，参照系是大脑创建和存储(维护)的抽象概念(神经元之间的连接)。根据该理论，大脑使用这些参照系来思考、规划和预测。突破性的AGI算法可能有一种与参照系相似的结构，以映射和存储复杂概念。然而，目前ANN的设计可能允许这种连接存在，所需的突破将是基于持续学习、物理世界探索和泛化，使这种连接的形成、修改和分散实现自动化。
如果AI研究人员和技术人员真心接受这些概念，我预计具有人类智能特征的AI可能会出现。但愿它们读到这篇文章。
原文标题：4 Artificial General Intelligence Milestones We Need，作者：Mike Hassaballa
