人类包含意识、认知、决策等等在内的智慧能力，似乎从人类有记录的那一刻起，就吸引着无数哲学家的思索。与之类似，从AI诞生的那一刻，科学家们则在憧憬：AI 如何能够达到像人类一样的智能？

人工智能经过50多年的研究开发，已经从传统的、学派分立、层次分离的“狭义人工智能”，发展成为现代的、多学派兼容、多层次结合、多智体协同的“广义人工智能”。那什么是广义人工智能呢？

名词解释

广义人工智能”(Generalized Artificial Intelligence，也有称Broad Artificial Intelligence)，具体涵义如下：

“广义人工智能”是兼容多学派 的“多学派人工智能”，模拟、延伸与扩展“人的智能”及其它动物智能，既研究“机器智能”，也开发“智能机器”。

“多层次”人工智能，“广义人工智能”是多层次结合的“多层次人工智能”。如:自推理，自联想，自学习，自寻优，自协调，自规划，自决策，自感知，自识别。自辨识，自诊断，自预测，自聚售，自融合，自适应，自组织，自整定，自校正，自稳定，自修复，自繁衍，自进化等。不仅研究专家系统，而且研究人工神经网络、模式识别、智能机器人等。

“多智体”人工智能，“广义人工智能”不仅研究个体的、单机的、集中式人工智能，而且

研究群体的、网络的、“多智体”Multi-Agent)、分布式人工智能

Distributed Artificial Intelligence)。研究如何使分散的“个体人工智能”协调配合，形成协同的“群体人工智能”，模拟、延伸与扩展人的群体智能或其。它动物的群体智能。

图注：不同层次的AI对应的能力

广义AI区别于现有的、专门针对特定任务设计的狭义AI（narrow AI），而更加强调技能习得和问题解决的能力（skill acquisition and problem solving）。这一观点来自任职于Google、Keras作者Franois Chollet曾在一篇论文中提到对于智能的定义。Chollet认为处于智能第二阶梯（下图）的广义AI应该具有以下重要的特征：知识迁移和互动、鲁棒性、抽象和推理的能力、高效性。而广义AI充分利用感知与料（sensory perception）、以往经验和学习到的技能成功胜任不同的任务。

广义人工智能的科学方法

(1)多学科协同

广义人工智能是跨学科的综合性边缘学科，需要采取信息科学、生物科学、系统科学、思维科学、行为科学等多学科协同的科学研究方法。

现代“广义人工智能”学科体系包括：“机器智能、智能机器”2个方面，“高层思维智能、中层感知智能、基层行为智能”3个层次，以及多个“人工智能”学科分支。

(2)多途径结合

广义人工智能是对广义自然智能的模拟、延伸和扩展，需要采取功能模拟、结构模拟、行为模拟等定性研究与定量分析，综合集成的多途径相结合的科学方法。

(3)多学派兼容

虽然,人工智能领域中存在不同学派的争论，但是，为了取长补短，集思广益，广义人工智能的研究应当也需要采取符号主义，联结主义。行为主义等多学派兼容的科学方法。

最新动态

近期，LSTM 提出者和奠基者，奥地利人工智能高级研究所（IARAI）创始人，曾获得IEEE CIS 2021 年神经网络先驱奖（Neural Networks Pioneer Award）的Sepp Hochreiter教授在《ACM通讯》上对目前AI达到的智能水平发表了看法。

Sepp Hochreiter 指出，目前 AI 的发展正以广义 AI（Broad AI）为目标。他强调，将以往基于逻辑的符号AI和现有的基于数据的神经AI结合的双向AI（bilateral AI）是最有希望实现广义 AI 的方式。

深度神经网络是现在 AI 的主流实现方式。尽管它可以实现惊人的性能，但就和人的智能比较而言，它仍然存在很多的缺陷。Hochreiter 教授援引纽约大学认知科学家 Gary Marcus 曾经对于神经网络的批判，认为：（1）神经网络极度需要数据（data hungry）；（2）有限的迁移能力、也无法有效地迁移到新的任务或者数据分布上去；（3）对于世界知识或者先验知识无法充分地融合进去。

也因此，Hochreiter教授警示道，决策者对于这些模型在真实数据的应用领域的效果存疑，因为真实场景下的数据总是变化着的、带噪声的、甚至数据稀缺的。事实上，在需求很大但安全性和可解释性占很大考量的医疗、航空、无人驾驶等领域，深度学习技术的应用仍旧有限。

尽管如此，Hochreiter教授也指出，当下的 AI 已经在试图克服这些缺陷，并且以“广义AI”（broad AI）作为当下AI的新目标。

Hochreiter强调，实现广义AI需要神经-符号系统的结合，以达到一种双向AI（bilateral AI）。而AI研究者也应该朝着具有更强的技能习得和问题解决能力的AI系统努力。他还展望道，欧洲在这两方面都有传统的优势，因而要利用这些优势，积极地寻求广义AI的解决方案。

参考资料:

Hochreiter, Sepp. "Toward a broad AI." Communications of the ACM 65.4 (2022): 56-57.

Chollet, F. On the Measure of Intelligence (2019); ArXiv:1911.01547.

Luís C. Lamb, Artur d'Avila Garcez, Marco Gori, Marcelo O.R. Prates, Pedro H.C. Avelar, and Moshe Y. Vardi. 2021. Graph neural networks meet neural-symbolic computing: a survey and perspective. In IJCAI'20. Article 679, 4877–4884.