47、人工智能的未来：从抽象类比到通用智能

人工智能的未来：从抽象类比到通用智能

1. 人工智能的新目标

在追求人工智能的道路上，我们常常陷入一个误区，即过于关注特定任务的技能实现。然而，真正的智能应该具备处理现实世界中各种变化和不确定性的能力。为了实现这一目标，我们需要将焦点从特定任务技能转移到泛化能力本身。

智能可以被精确地量化为一种效率比率，即我们所拥有的关于世界的相关信息（包括过去的经验和先天的先验知识）与未来操作区域（即能够产生适当行为的新情况集合）之间的转换比率。一个更智能的主体能够利用较少的过去经验来处理更广泛的未来任务和情况。

为了衡量这个比率，我们需要固定系统的可用信息（经验和先验知识），并在一组与系统之前接触过的情况有足够差异的参考情况或任务上测量其性能。关键是，为了避免作弊，我们必须确保只在系统未被编程或训练处理的任务上进行测试，甚至是系统创建者无法预见的任务。

2. ARC：衡量智能的新基准

2018 年和 2019 年，研究者开发了一个名为抽象与推理语料库（ARC）的基准数据集，旨在捕捉智能的这一定义。ARC 既适合机器也适合人类，它与人类智商测试（如瑞文渐进矩阵）非常相似。

在测试时，会看到一系列“任务”，每个任务通过三到四个“示例”来解释，这些示例以输入网格和相应输出网格的形式呈现。然后会得到一个全新的输入网格，并在进入下一个任务之前有三次尝试生成正确输出网格的机会。

与智商测试相比，ARC 有两个独特之处。首先，ARC 旨在测量泛化能力，只测试从未见过的任务。这意味着，至少在理论上，ARC 是一个无法通过练习提高的游戏，因为测试的任务有其独特的逻辑，需要即时理解。其次，ARC 试图控制测试者带来的先验知识，假