近年来，大型语言模型（LLMs）如OpenAI最新推出的o1激发了关于人工通用智能（artificial general intelligence，AGI）的广泛讨论。然而，许多专家认为，仅靠LLMs无法实现这一目标。
AI技术的进展与局限
9月，OpenAI发布了其最新的AI系统o1，宣称其实现了“全新水平的AI能力”，并更接近人类的思维模式。这引发了对机器是否能具备人类所有认知能力的辩论，包括抽象推理、规划、泛化能力以及主动学习等。AGI的潜在应用广泛，从解决气候变化到开发重大疾病的治疗方法，但同时也可能带来控制失控的风险。
LLMs依靠“下一词预测”算法，通过数十亿文本数据训练，成功捕捉了语言结构，并在多种任务中表现卓越。然而，这种方法也有局限。研究表明，无论模型多大，它们在需要高度创新和适应性的任务中表现不佳。这是因为当前的LLMs缺乏真正的知识重组能力和动态调整机制。
迈向AGI的关键挑战
实现AGI的核心在于构建“世界模型”，即对周围环境的内部表示。这种模型可支持模拟情景、预测结果并推广已有技能。目前已有初步证据表明，LLMs能够学习基本的世界模型，例如对棋盘状态或地图的抽象表示。然而，研究也发现这些模型在复杂任务中常构建不一致甚至错误的世界观。
另一个瓶颈是反馈机制。人脑通过双向神经网络连接实现信息的上下贯通，形成感知、计划与推理，而现有LLMs只能在特定任务中通过外部验证模块实现有限的反馈改进。这种外部设计不仅繁琐，且缺乏普适性。
数据需求同样是挑战。当前模型依赖于大量文本数据，而公开可用的数据预计将在未来几年内耗尽。同时，随着模型规模增长，其性能提升的幅度正逐渐减小。
未来的突破方向与思考
新型架构与高效学习
加拿大蒙特利尔大学的Yoshua Bengio提出，通过生成式流网络（generative flow networks）构建新的AI架构，使AI能够同时学习世界模型和用于推理与规划的模块。英国伦敦大学学院的Karl Friston则主张赋予AI对数据采样的自主决策能力，从而提升效率。内生模拟与自主推理
未来的AI可以通过内部模拟生成数据，进行假设检验，减少对外部数据的依赖。这将显著提高模型的自主性与适应能力。安全与监管
Bengio强调，AGI的开发必须内置安全机制，例如通过概率模型检测潜在风险，并拒绝高风险行为。同时，政府应建立民主监督体系，确保AI技术的开发和使用符合公众利益。
AGI的到来可能并不像科幻作品那样突如其来，而是一个渐进的过程。这一过程将逐步展现AI在多领域的颠覆性潜力。然而，我们不能仅关注技术成就，还需深入探讨伦理、安全与社会影响。在实际操作中，构建更加自主且高效的AI模型固然重要，但确保其安全性与透明性同样关键。尤其在大模型的使用逐渐普及后，如何平衡效率与风险、创新与监管，将是每一位研究者和开发者需要深思的问题。
AGI是否最终能够实现？答案或许在十年内揭晓。但无论何时，这都将是人类与技术共舞的一场历史性变革。
