# 什么是 AGI
AGI，全称 Artificial General Intelligence，中文翻译为通用人工智能。
其中 Artificial 为人工，争议不大，所以不再此节展开。
剩下的两个关键词，将是本文尝试解释的重点：
- General （通用）
- Intelligence （智能）
# 通用
这里存在比较常见的误解，认为 “通用” 是某个系统 “什么都能做，人能做的它都能做”。
这里我给出自己的理解：
通用，代表一个系统当中只有一套解决方案，而不是多套解决方案。
系统使用一套方案，应对所有问题，尽管每一次应对都不见得完美，但系统可以在后续进行自我优化。
举个正向的例子：
大脑皮层的结构，绝大部分情况下是同构的，但不妨碍这些结构衍生出不同的“功能”，比如视觉识别、语言沟通、运动控制等等。
举个负面的例子：
Html 被发明后，觉得不够用，于是在其上加了另一套解决方案，即 CSS，然后又觉得不够，于是又加了一个解决方案，即 JavaScript。
总之，不断打补丁的系统，或者组合了各种专用模块的系统，都不是通用系统，因为它们整合了太多的解决方案，而不是一套解决方案。
# 智能
智能，就是在前面提到的解决方案中，写入三个维度的代码：
- 要什么？
- 有什么？
- 放弃什么？
所谓的 “要什么” ，大模型作对了一部分，即：有没有 a，a 之后有没有 b，b出现后有没有 c，c 出现的概率是多少。
大模型做错了什么？
没有把 “要什么” 和 “放弃什么” 写到核心代码中。
也就是说，缺失了下面两个维度的逻辑，没有写入神经元的核心代码中：
要什么：价值、目标、情感、欲望、动机。
放弃什么：遗忘、对资源有限的适应性、选择性、取舍。
这就导致大模型的研究者经常被一些问题所困扰：
- 价值难以对齐（因为你根本没把价值或目标相关的代码写进去）
- 灾难式遗忘（因为你也没有把遗忘的相关逻辑写进去，导致经常遗忘关键的数据）
最后，即便是大模型勉强作对的地方，也就是 “有什么”，也存在问题。
由于大模型底层理论基于 “概率统计” ，而概率统计存在一些致命性问题 1 (opens new window) 2 (opens new window) ，最显著的一个问题是：
无法细颗粒度地更新某个概念节点，都混成一锅粥了，难以区分。
即便是更新哪怕一句问答，也需要同时更新所有权重，把所有海量训练资料都重新过一遍。
所以大模型的更新经常伴随着海量的电力消耗和显卡占用。
时时刻刻在烧钱，如果不是在烧钱，那就是在烧钱的路上。
且由于存在这些致命性缺陷，很多人开始在大模型生态的外层插入各种各样的专用解决方案，比如：
- 蒸馏（大模型本身不具备遗忘功能，所以只能耗费更多的电力来进行“遗忘”，以便压缩运行成本）
- 强化学习（大模型不具备“价值对齐”能力，只能依赖强化学习，这也进一步耗费大量电力）
- 向量记忆库（大模型在部署时“细胞失去活性”，缺失了长期记忆能力，只能依赖外部的向量记忆库进行“记忆”）
- 提示词工程（大模型本身没有交互能力来自主挖掘细节，只能依赖用户主动提供“联想”提示）
- 流程图系统（由于大模型的会话上下文空间有限，只能利用流程节点来分割任务）
- MCP操作层（大模型本身没有实体交互层，只能外置各种执行器）
不是说这些专用模块没有用，但不能解决根本问题。
而且这么多专用模块加上去，系统逐渐从声称的 “通用”，转变为 “专用”，背离了 AGI 的初衷。
换句话说，大模型不是通用智能，仅仅是通用的统计程序。
# 如何解决上述问题？
要解决上述提到的所有的问题，必须从系统的核心（即概率统计）动手术，而不是从外部打补丁，
这样才能用有限的能量，撬动近乎无限的收益。
# 总结
模块多的系统，不是 AGI。 高耗能的系统，也不是 AGI。
什么才是 AGI？
只有一套解决方案（元方案），且兼顾了三个维度的系统，即要什么（目标衍生）、有什么（逻辑频率）、放弃什么（资源限制），才有可能成为 AGI。