通用人工智慧

一个强人工智能需要通过什么样的测试标准，科学家们有很多不同的想法，他们之中包括阿兰·图灵、本·格策尔、尼尔斯·尼尔森，他们提出的测试包括：

同人類交流的試驗。

生活中空間、操作技能的測試。将一部机器带到任何一个普通的美国家庭中，让它在不經刻意設計的條件下，懂得泡好一杯咖啡。它需要主動在陌生空間中認識咖啡机、辨識咖啡和水、找到合適的杯子並放好，然后按正确的键和操作以冲泡咖啡。這需要仰賴機器人學、圖像辨識的演算。

透過機器學習，分析和回答單一問題的測試 。让一个机器去注册一所大学，参加和人类学生同样的考试，然后通过并获得学位。例如日本的東大AI或是IBM參加搶答節目的華生。

測試統籌、推斷、發想、規劃解決複雜問題的能力。让机器处在一个经济上重要的职位，需要它能够和同样职位的人类做得同样好或者更好。

这些测试检测了一系列必要的特质，包括推理和学习能力。[13]

现代人工智能研究开始于1950年代中期。[18] 最早的一批人工智能研究者相信强人工智能不仅是可能的，而且将在几十年内出现。人工智能先驱司马贺在1965年写道：“在20年之内，机器就能够做到一个人能做到的任何事。”[19] 启发这一预言的是斯坦利·库布里克和亚瑟·查理斯·克拉克创作的角色，HAL 9000。当时的人工智能研究者确信，能够在2001年制造出这样的机器。值得一提的是，人工智能先驱马文·闵斯基，在创作HAL 9000的工作中， [20] 他担任了尽量将其制作得与当时主流研究界预言一致的项目顾问；根据Crevier所引用他在1967年所说的话：“在一代人之内...制造‘人工智能’的问题就将被基本解决”。[21]

然而，到了1970年代早期，研究者们意识到他们远远低估了其中的困难。资助AI项目的机构开始对强人工智能产生怀疑，向研究者们施压要求他们转向更有用的技术，所谓的“应用AI”。[22] 在1980年代初，日本的第五代电脑开始重新对强人工智能恢复兴趣，制定的十年计划中包括一些强人工智能的目标，比如“进行日常对话”。[23] 同时，专家系统的成功和它一起促成了工业界和政府的资金重新开始注入这个领域。[24] 然而，人工智能的市场在1980年代晚期发生剧烈崩塌，而第五代计算机的目标从未实现。[25] 再一次，人工智能研究者们对于强人工智能即将到来的预言在20年之内被证明超出了他们的能力。结果到了1990年代，人工智能研究者背上了无法实现自己承诺的名声，他们拒绝再作出任何预言。[26] 并且避免提到任何“人类水平”的人工智能，以免被贴上“白日梦”的标签。[27]

在1990年代和21世纪初，主流的人工智能在商业成果和学术地位上已经达到了一个新高度，依靠的是专注于细分的专门问题的解决。他们可以提供许多方案和商业应用，例如人工神经网络、机器视觉以及数据挖掘。[28] 这些“应用人工智能”今天已经在工业技术和研究中得到广泛和深入应用，在学术和产业方面都得到了许多资助。

大多数主流的人工智能研究者希望，能够通过将解决局部问题的方法组合起来实现强人工智能，例如将智能体架构、认知架构或者包容式架构整合起来。汉斯·莫拉维克在1988年写道：

"我相信，有一天人工智能的自下而上的研究路线，会与传统的自上而下的路线半途相遇，从而获得真实世界中的能力，以及对于推理程序来说极其困难的常识知识库。这两种方向结合在一起的时刻，会成为了产生真正智能机器的所谓“金钉子”。"[29]

然而，在人工智能研究者之间也存在一些争论，甚至涉及这个领域的哲学基础；例如，普林斯顿大学的S.Harnad在1990年关于符号基础假设的论文中这样写道：

"人们期待，模型认知的“自上而下的”（符号的）研究会在某个点上遇到“自下而上”（感觉的）研究。但是如果这篇文章有关落地的考虑是正确的，那么这个希望不会实现，只有一个可行从感觉到符号的路线，就是自下而上。一个独立的符号层面，就像计算机的软件层面，从不需要这样的路径来到达（反之亦然）——也不清楚我们为何要努力达到这样的层面，因为这个过程反而将我们的符号从固有的意义中连根拔起（于是仅仅是将我们化简为与可编程计算机功能上等价的东西）。"[30]

“通用人工智能”这一术语于 1997 年被马克·古布鲁德在一次关于全自动军事生产于操作的研讨会中使用。大约在 2002 年，该术语被沙恩莱格和本·格策尔重新提及和推广。那些研究目标非常古老，例如如道格拉斯·莱纳特的 CYC 项目（始于 1984 年），以及艾伦·纽厄尔的 Soar 项目也被认为属于 AGI 的范畴。王培和本·格策尔将 2006 年的 AGI 研究活动描述为“创作出版物和早期的结果”。第一次 AGI 暑期学校于 2009 年，在中国厦门，厦门大学的人工大脑实验室和 OpenCog 所举办。在 2010 和 2011 年，保加利亚的普罗夫迪夫大学，托多尔·阿纳多夫开设了相关课程。MIT 在 2018 年开设了 AGI 的课程，由莱克斯·弗里德曼组织，以众多客座讲师为特色。但是，在当下，伴随着“智能”过于复杂以至于无法在短期内被完全复制的警告，大多数 AI 研究者仅在 AGI 投入少量精力。不过，仍然有一小批计算机科学家活跃在 AGI 研究以及 AGI 会议中，他们的研究形形色色并富有开拓性。格策尔在他书中的介绍中说到，实现真正灵活的 AGI 所需要的时间从 10 年到一个世纪不等，但是，看起来 AGI 社区中的共识是，雷蒙德·库茨魏尔在奇点迫近中讨论的时间表是可信的。