Source article: Potentially Viable Paths to True AGI
Translation by: cryptobeijing
Dework task link: https://app.dework.xyz/singularitynet-ambas/test-38287?taskId=d1431d75-cdbd-4614-ae42-0fa9f05de891
Community review: Please leave comments below about translation quality or like this post if it is well translated
通向真正通用人工智能（AGI）的潜在可行路径
在过去几年里，围绕通用人工智能（AGI）的诸多讨论都被大型语言模型（LLMs）以及其他形式的深度神经网络（DNNs）的迅速走红所主导。
从协助我们完成日常任务到生成精美的艺术作品，这些模型在各类任务中表现出色，给世界各地的众多用户留下了深刻印象。话虽如此，它们在有关AGI的讨论中存在一个主要问题，那就是在一个关键领域存在不足：真正的通用智能。
早在2022年，SingularityNET和人工超级智能联盟（Artificial Superintelligence Alliance）的首席执行官本·戈策尔（Ben Goertzel）博士在他一篇题为《通向真正AGI的三条可行路径》的博客中探讨了这样一个观点：深度学习系统或许不足以实现最完整形式的AGI。
在他的博客中，戈策尔博士概述了三条可能通向真正AGI的可行路径，每条路径都代表着应对复制类人智能这一巨大挑战的不同方式。
今天，我们将深入探讨这些路径：认知层面的方法、大脑层面的方法以及化学层面的方法——每条路径都为我们如何实现AGI以及当前人工智能领域之外的情况提供了独特的见解。
- 认知层面的AGI方法：混合神经符号系统
戈策尔博士着重提到的第一条路径，也是他个人最为热衷的路径，是认知层面的方法。该方法涉及将包括神经网络、符号推理、概率编程和进化学习等在内的各种人工智能技术整合到一个统一的框架中。
这种方法的核心是OpenCog Hyperon，这是一个由戈策尔博士及其研究人员和工程师同事们主导的项目，其阿尔法版本于今年早些时候发布。
Hyperon并非只是又一个基于神经网络的系统。它是一个混合神经符号框架，旨在通过整合多种人工智能范式来模拟人类认知。据戈策尔博士所言，仅靠深度神经网络不足以实现AGI，因为它们在泛化、创新以及在狭隘、特定任务之外进行抽象的能力有限。
戈策尔博士解释道：
“这些深度网络或任何与之大致相似的方法有望合理实现的绝对上限，我称之为‘封闭式准AGI’系统，它们能够模仿很多人类行为——但……将无法解决棘手的未解决的科学和工程问题，也无法进行作为种子人工智能并引发Singularity所需的自我修改和自我提升。”
这种对深度神经网络的批评凸显了它们的根本局限性，即它们无法进行自组织或产生创造力。
Hyperon通过纳入符号推理、进化算法和高级概率推理来弥补这些缺陷，所有这些都在一个基于元图的名为Atomspace的系统内运行。这种架构能够实现灵活、可扩展的推理和学习过程，其灵感来源于人类认知心理学。
戈策尔博士及其团队认为，Hyperon代表着迈向AGI的重要一步。该系统的设计通过使用一系列经过优化以便在一个通用框架内相互作用的先进人工智能算法来模拟关键的认知功能——记忆、注意力、推理。这种混合方法将不同人工智能范式的优势结合起来，同时克服了它们各自的弱点。
- 大脑层面的AGI方法：大规模非线性动态大脑模拟
如果说认知层面的方法侧重于通过结合人工智能范式来模拟人类思维过程，那么大脑层面的方法则采取了一种更为直接的途径：模拟大脑本身。
戈策尔博士承认这项工作的复杂性，但他认为创建一个大脑的非线性、动态模型能够为实现AGI提供另一条路径。这种方法与当前的神经网络模型有很大不同，正如他所指出的，当前的神经网络模型从最宽泛的意义上讲才算是“神经”的。
从计算神经科学中汲取灵感，戈策尔倡导基于混沌理论和非线性动力学的大脑模拟方法，这种方法将在更精细的层面上模拟神经元的复杂相互作用。他参考了Eugene Izhikevich在动力系统方面的工作，该工作为这种模型提供了理论基础。
然而，正如戈策尔博士所解释的，这种方法面临的最大障碍并非缺乏思路，而是所需的巨大计算能力：
“即便依据我们目前对大脑的了解，我们对大脑模拟所能做出的最佳尝试也不会是非常准确的——我们对大脑的运作方式了解得实在太少，而且我们的计算机硬件与神经湿件（生物大脑）差别太大。”
尽管存在这些挑战，他仍看到了这条路径的希望。一个全面的大脑模拟能够通过复制大脑各个区域和神经网络之间的相互作用，为类人智能提供见解。虽然人类大脑计划（Human Brain Project）曾尝试过类似的事情但未成功，但戈策尔相信，通过将大脑模拟建立在非线性动力学基础上，并在先进硬件上运行，我们或许仍能通过这种方法实现AGI。
但还有另一个考虑因素：如果我们不模拟人类大脑，而是从模拟更简单的生物体开始会怎样呢？正如他所建议的，模拟蟑螂或蜜蜂等动物的大脑可能是一个更可行的中间步骤。
这些更简单的大脑，神经元和连接较少，能够为神经动力学原理提供有价值的见解。我们之后可以将其扩展到人类水平的智能。
- 化学层面的AGI方法：人工化学与自组织系统
戈策尔提出的第三条路径完全摒弃了神经建模，而是聚焦于化学层面的AGI。这种颇具推测性但又引人入胜的方法涉及在化学层面模拟复杂的自组织系统，目的是促使类似大脑的涌现结构形成。本质上，我们不是直接尝试模拟大脑或认知，而是创建模拟生命和智能潜在过程的人工化学系统。
戈策尔对这种方法的着迷源于复杂系统科学和混沌理论所提供的见解，这些见解表明智能可能从高度动态、自组织的环境中涌现出来。他提到了像布鲁斯·达默（Bruce Damer）（Evogrid）和沃尔特·丰塔纳（Walter Fontana）（算法化学）等研究人员的工作，将其作为潜在的灵感来源。其理念是通过运行大规模的人工化学模拟，我们或许能够目睹类似于生物体内所发现的认知结构的自发涌现。
虽然这种方法极具推测性，就如戈策尔所说的“天马行空”，但它也极具吸引力。这里的核心挑战是开发一个支持如此大规模、分布式模拟以及后续用于理解复杂行为如何涌现的模式分析的计算环境。
戈策尔承认这种方法具有高风险的性质，但他看到了尝试复制最初催生生命和智能的那些过程所具有的巨大哲学吸引力。正如他恰当地表述的：
“这种通向AGI的潜在方法属于非常天马行空式的研究，且风险很高，但从哲学角度来看也极具吸引力——而且在现代规模上从未真正尝试过。”
如果在这一领域取得突破，它们可能会彻底改变我们对智能和生命本身的理解，为AGI研究提供一个全新的基础。
为何这些路径对AGI及即将到来的Singularity至关重要
这三条不同的路径在关于AGI及其在未来几年潜在可行性的更广泛讨论中都各自发挥着某种作用。
它们代表了应对智能本身巨大复杂性所必需的多种方法。
虽然深度神经网络在狭义人工智能应用中取得了显著成功，但创建人类水平的AGI将需要的不仅仅是对现有技术的扩展。
戈策尔博士的提议促使我们超越当前的范式进行思考，并考虑跨越认知科学、神经科学和化学等领域的更具整体性、多学科的方法。
在SingularityNET，我们致力于分散式人工智能开发并促进创新，这与这一更广泛的愿景完美契合。通过支持像OpenCog Hyperon这样的项目并鼓励对替代AGI路径的研究，我们正在助力突破可能的界限。
戈策尔博士所概述的这三种方法——认知层面、大脑层面和化学层面——为未来的AGI研究提供了一份路线图，每条路径都为如何实现真正的机器智能提供了独特的视角。
尽管AGI的未来尚未确定，但Singularity已近在咫尺。
当我们继续探索这些不同的路径时，我们邀请您加入我们的旅程，一同迈向一场可能（而且很可能会）重塑我们所知世界的智能大爆发的黎明。