A Definition of AGI：顶级学者为人工通用智能提供清晰定义

这篇论文把 AGI 定义清楚了！

**论文背景**

《A Definition of AGI》由 Dan Hendrycks、Yoshua Bengio、Dawn Song、Gary Marcus 等多位顶级学者共同撰写，核心目标是为人工通用智能（AGI）提供一个清晰、可量化的定义，从而让人类能够科学地评估 AI 到底距离"人类水平智能"有多远。

**问题的提出**

论文指出，长期以来 AGI 的定义非常模糊，常被描述为"像人类一样聪明的 AI"，但缺乏可验证的标准。随着 GPT-4、Gemini、Claude 等大型模型不断突破，人们争论"是否已接近 AGI"，但这种讨论无法脱离一个具体的衡量框架。

因此，作者希望用心理学的认知模型来定义 AGI。

**核心定义**

**AGI 是一种在认知多样性和熟练度上，能够与受过良好教育的成年人相匹敌或超越的人工智能。**

这一定义强调两方面：
- **认知广度**：是否能在多个不同领域展现理解与学习能力
- **认知深度**：是否能以人类水平解决复杂任务、展现推理和综合能力

**十大核心能力**

为了让这一定义可以被测量，作者借鉴了心理学中最具实证基础的 Cattell–Horn–Carroll（CHC）智力理论。论文据此提出了一个由十个核心认知领域组成的 AGI 框架：

**1. 一般知识（General Knowledge）**
涉及常识、科学、社会科学、历史与文化等广泛的人类知识。

**2. 阅读与写作能力（Reading and Writing）**
衡量模型在语言理解、文本生成、语法与表达上的能力。

**3. 数学能力（Mathematical Ability）**
覆盖从算术、代数、几何到概率与微积分的知识与推理。

**4. 即兴推理能力（On-the-Spot Reasoning）**
考察模型面对新问题时的推理、规划、心智理论与适应力。

**5. 工作记忆（Working Memory）**
衡量模型维持和操作信息的能力，包括文字、图像和声音信息。

**6. 长期记忆存储（Long-Term Memory Storage）**
即模型能否持续学习并保留新知识。

**7. 长期记忆提取（Long-Term Memory Retrieval）**
测试模型能否准确提取记忆、避免幻觉。

**8. 视觉处理（Visual Processing）**
评估其理解、生成、推理和扫描视觉信息的能力。

**9. 听觉处理（Auditory Processing）**
包括语音识别、语音生成、节奏与音乐感知等。

**10. 速度（Speed）**
即模型在执行简单认知任务时的反应与处理速度。

**AGI 分数体系**

作者用这十个维度构建了一个综合的"AGI 分数"（AGI Score），满分为 100%，表示与人类智力等同。每个维度在总分中占 10%，体现了广度优先的设计思路。

**当前模型的评分**

通过这一框架，研究团队为不同模型计算了 AGI 分数：

- **GPT-4**：约 27%
- **GPT-5**：约 58%

这意味着 GPT-5 的认知广度和熟练度已经达到人类智能的一半左右。它在阅读理解、写作、数学和视觉理解方面表现突出，但在长期记忆方面依然是 0%，即几乎不具备持续学习能力。

**锯齿状智能现象**

论文进一步分析了当前 AI 系统的"锯齿状智能"现象——某些方面超人，某些方面极度欠缺。

例如，模型依赖超大上下文窗口（工作记忆）来弥补缺乏长期记忆的缺陷，这是"能力弯曲"的表现。类似地，模型通过外部检索（RAG）来弥补内部记忆提取不足，但这并不代表真正的学习或理解。

作者称这种现象为"能力错觉"（illusion of generality）。在他们看来，真正的 AGI 必须具备能长期积累、内化和提取知识的认知系统，而不是依赖外部数据库或一次性上下文。

**核心结论**

论文的结论是，虽然大型模型在某些领域已接近人类，但距离真正的 AGI 仍有显著差距。

**最大的瓶颈：**
1. 缺乏长期记忆与持续学习能力
2. 多模态整合不足
3. 自主推理能力有限

作者认为，这一框架提供了一种客观方法，能持续追踪 AI 向 AGI 发展的进展，并揭示未来研究需要突破的方向。

**概念区分**

论文还特别区分了 AGI 与其他相关概念：

- **超级智能**：远超人类的智能
- **递归 AI**：能自主改进自身的 AI
- **自维持 AI**：能独立运行并自我保护
- **经济型 AI**：能产生巨大利润但不一定具备通用智能

**论文明确指出：AGI 衡量的是认知能力，而不是经济价值。**

**意义与价值**

这篇论文的价值在于：

1. **提供了可量化的标准**：将模糊的概念转化为可测量的指标
2. **揭示了真实差距**：让我们清楚地看到当前 AI 的局限性
3. **指明了研究方向**：明确了未来需要突破的关键领域
4. **促进了理性讨论**：为 AGI 相关讨论提供了科学基础

这是 AGI 研究领域的一个重要里程碑，为整个行业提供了一个共同的评估框架。