引言
“通用人工智能”（Artificial General Intelligence，简称 AGI）一直是人工智能研究中既充满憧憬又具挑战性的方向。相较于当前大多数“专用人工智能”（Narrow AI）系统只能在特定任务或领域内发挥作用，AGI 追求的是一种能够跨越多种认知任务、具有灵活学习、推理与适应能力、接近或超越人类水平的智能体。这一目标不仅涉及计算机科学、机器学习、认知科学、脑科学，也与伦理、安全、政策、组织治理等问题交织在一起。随着近年来大型语言模型、多模态系统、强化学习、智能代理技术的迅速发展，AGI 研究再次受到广泛关注。本文旨在综述 AGI 的定义、起源、关键技术路径、评估指标、应用前景、面临挑战与未来方向，力图为读者提供一个较为系统的视角。
一、AGI 的定义与范畴
在 AGI 讨论中，首先必须厘清“通用”与“智能”两个关键词。根据 Legg & Hutter (2007) 所提出的“通用智能（Universal Intelligence）”定义，智能可被理解为“在一类可能的环境中执行任务并取得优异表现的能力”。(GitHub) 在这一框架下，AGI 被看作是具备广泛任务适应性、而非仅限某个领域的 AI 系统。Wang (2019) 在《On defining artificial intelligence》一文中指出，AGI 的含义仍有很大争议，需要明确其“能力”边界、可迁移性与持续性等特征。(GitHub)
例如，Arshi & Chaudhary (2024) 在其《关于 AGI 安全》的章节中，将 AGI 描述为“试图使机器人具备理解、吸收、并将信息应用于广泛任务、具备人类水平能力的系统”。(SpringerLink) 这一定义强调“广泛任务”、“人类水平”以及“理解与应用”三要素。可以说，AGI 与当前专用 AI （只擅长一类任务，如图像识别、语音识别、翻译、推荐系统等）之间，差距在于它不是“在 X 领域做得比人好”，而是“在 多数甚至全部认知任务中与人类可比或更优”。
从更宏观的视角来看，Joshi (2025) 的综述指出，AGI 通常被定义为“能够理解、学习并将知识应用于不同任务、且其能力不受域 上限 限制的 AI 系统”。(philarchive.org) 但他也指出，这样的定义虽然直观，却因“智能”的定义本身模糊、任务域难以界定而导致共识缺乏。综上，可以认为：AGI 是一类尚未实现的智能系统，其特征包括广域任务适应、跨域迁移能力、自主学习能力、与人类似或超越人类的认知能力。
表 1：部分 AGI 定义整理
| 文献 | 定义要素 | 说明 |
|---|---|---|
| Legg & Hutter (2007) | 通用智能 | 智能＝在多种可能环境中表现优秀的能力。(GitHub) |
| Wang (2019) | 人工智能定义探讨 | 强调能力、适应性、持续性。(GitHub) |
| Arshi & Chaudhary (2024) | AGI 概述 | 机器具备理解、应用于广泛任务、人类水平能力。(SpringerLink) |
| Joshi (2025) | 综合评述 | 能学习、迁移、自主、多任务、跨域。(philarchive.org) |
从上述可见，虽然不同文献表述不一，但核心趋同：广域、多任务、自主、自适应、接近人类水平。不过，需要指出的是，目前实际上尚无人宣称实现完全符合这些标准的系统。
二、AGI 的发展历史与背景
回顾 AGI 的发展背景，有助于理解其研究路径。早在 1950 年代，Alan Turing 在其经典论文 “Computing Machinery and Intelligence” 中提出了著名的 “图灵测试” 用于判断机器是否具备人类水平智能。(GitHub) 随后，1956 年在 Dartmouth 会议上，John McCarthy、Marvin Minsky 等人将 “人工智能” 一词正式提出。(SpringerLink)
在20 世纪的70 – 80 年代，AI 研究经历了早期符号主义及专家系统热潮，但由于期望过高、计算资源与算法能力受限，出现所谓的 “AI 冬天”。(SpringerLink) 随着统计学习、机器学习方法的兴起，进入1990–2000 年代，AI 开始复苏。深度学习（Deep Learning）及其在图像识别、自然语言处理等领域的突破，进一步推动了 AI 的发展。(SpringerLink)
然而，这些进展虽然显著，但多属于“专用 AI”范畴，即系统在某一任务或有限任务集合上表现优异，却缺乏跨域通用化能力。于是，从21 世纪初起，研究者开始更明确地提出“通用人工智能”这一概念，并探讨如何从当前的“窄 AI (Narrow AI)”跨越到“通用 AI (AGI)”。例如，Ben Goertzel 与 Wang (2007) 合著的 “Advances in Artificial General Intelligence” 一书，就从架构、算法、认知机制等角度探讨 AGI 的可能路径。(GitHub)
近年来，随着大型语言模型（LLMs）、多模态模型、强化学习与自监督学习等方法的快速发展，AGI 研究再次掀起波澜。2025 年 1 月，Mumuni & Mumuni 在其题为 “Large language models for artificial general intelligence (AGI): A survey of foundational principles and approaches” 的论文中，系统分析了 LLM 在迈向 AGI 过程中所触及的关键问题（如 embodiment、symbolgrounding、causality、memory 等）。(arXiv) 此外，一系列关于 AGI 安全、评估、伦理、治理等方向的综述也同步涌现，为 AGI 的研究提供更多维度的视角。
因此，从历史脉络来看，AGI 的发展可概括为从早期符号主义 AI→专家系统→统计学习/深度学习 AI→大型预训练模型/多模态系统→迈向通用智能的探索。虽然通用智能尚未实现，但这一历程为我们提供了理解其研究进展的框架。
三、构成 AGI 的关键技术与能力
要理解 AGI ，我们需要从其“能力组成”与“技术路径”两条线索出发。多篇综述文章（如 Mumuni & Mumuni 2025；Arshi & Chaudhary 2024；Joshi 2025）指出，拟实现 AGI 的系统需在多个维度具备能力：感知与认知、推理与规划、自主学习与迁移、记忆与知识表示、多模态交互与身体化（embodiment ）等。(arXiv) 以下分别说明。
3.1 感知与认知
感知系统是 AGI 与环境交互的基础。传统 AI 已经在视觉识别、语音识别、自然语言处理等方向取得重要突破。但对于 AGI 而言，仅有识别还远远不够，还要具备理解环境、推断背景、抽象概念、归纳规律的能力。Arshi & Chaudhary (2024) 在其 AGI 综述中指出：AGI 必须具备“理解、吸收、并将信息应用于广泛任务”的能力，而这要求系统不仅能感知，还要在感知基础上进行认知处理。(SpringerLink)
例如，多模态模型（vision + language + action）正在崛起：该类模型不仅接收文字输入，也接收图像、视频、传感器信号，再结合行动反馈，从而具备更丰富的表征能力。Mumuni & Mumuni (2025) 认为，这类基础模型为通用智能搭建了“感知–表征–交互”三环路的框架。(arXiv)
3.2 推理、规划与迁移能力
认知不仅是感知，更在于“能够从感知中推导、规划、决策，并将所学迁移到新任务”这一能力。许多经典 AI 系统尽管在特定任务上表现优异，但缺乏迁移能力：即当任务从 A 变为 B 时，不能很好适应。AGI 的目标就是打破这个限制。Joshi (2025) 指出：AGI 应具备“跨域迁移能力、多任务泛化能力、自主学习能力”。(philarchive.org)
在技术路线上，近年来多项方法被提出以增强迁移与规划能力：例如，强化学习 (RL) 中的元学习（meta‑learning）、终身学习（continual learning）、检索增强生成 (RAG) 等方法。Haseeb et al. (2025) 在其综述中提及，诸如指令微调（instruction tuning）、人类反馈强化学习（RLHF）、检索增强生成、智能代理系统（agentic AI）等，均为迈向 AGI 的重要步骤。(ResearchGate)
3.3 记忆与知识表示
要实现通用智能，仅仅具备感知与推理还不够，还要具备“长期记忆、知识表示、符号推理以及经验积累”的能力。Mumuni & Mumuni（2025）指出，当前的大型语言模型虽然能力惊人，但其“记忆”仍较为浅层，难以应对长期规划与持续学习的问题。(arXiv) 另一方面，Jiang et al. （2025）在其 “Embodied Intelligence: The Key to Unblocking Generalized Artificial Intelligence” 一文中，将身体化智能（embodied AI）中的“记忆–反馈–行动”循环视作通用智能不可或缺的模块。(arXiv)
因此，AGI 系统往往被要求具备一个多层次记忆系统：短期记忆用于即时感知与推理，中期记忆用于任务流程与代理系统，长期记忆用于知识库的积累与迁移。这种知识表示方式应当既能支持符号推理，也能支持分布式表征（如 neural embedding）两种路径。
3.4 多模态交互、自主执行与身体化
人类智能的一个显著特征是能在真实世界中通过身体（感知–行动–反馈）与环境互动。近年来，研究者越来越强调 embodiment 即“具备物理或虚拟身体、在环境中执行动作并完善抽象能力”在 AGI 路径中的重要性。Jiang et al. (2025) 指出，身体化智能为 AGI 提供了“感知–决策–行动–反馈”闭环，是跨越窄域 AI 的重要方向。(arXiv)
此外，多模态系统（语言、视觉、听觉、行为）能够让智能系统理解更丰富的世界，从而提升通用性。Lee et al. (2023) 在其关于教育场景中 AGI 的研究中指出，多模态输入在实现“理解—迁移—交互”方面至关重要。(arXiv)
自主执行是另一个关键能力。即智能体不仅被动响应输入，而是能够主动设定目标、规划路径、执行行动、评估反馈。这种“代理化”能力（agentic AI）被视作 AGI 迈向的中间阶段。Joshi (2025) 指出，当前“Agentic AI”处于从生成式 AI 向 AGI 的桥梁阶段。(philarchive.org)
3.5 系统架构与规模化能力
除了上述能力模块，AGI 还面临系统级的工程挑战：计算资源、训练规模、模型架构、效率、可扩展性、软硬件协同等。Mumuni & Mumuni（2025）指出，目前虽然大型模型（如 GPT‑4、Gemini 等）在多个任务上表现强劲，但其通用性仍然受限，原因之一是尚缺乏完全扩展的、可迁移的认知架构。(arXiv)
综上，可以说，AGI 的技术路径不是单一技术突破，而是多条能力通道（感知、推理、记忆、交互、自主）与系统工程（规模化、架构、资源）同步推进。理解这些组成，有助于辨识当前研究的进展与瓶颈。
四、AGI 的评估指标与评价体系
既然 AGI 追求的是“接近或超越人类水平”的通用智能，那么如何评估这样的智能系统？这一问题本身就是 AGI 研究中的一个核心难题。不同文献提出了多种指标与评价维度。以下整理几个典型维度，并辅以文献说明。
4.1 多任务泛化与迁移能力
评价 AGI 系统是否真正具备通用性，一个重要指标是它能否在训练之外的新任务、或跨域任务中表现良好。Joshi (2025) 提到：“AGI 应具备跨域迁移能力、多任务泛化能力”。(philarchive.org) Mumuni & Mumuni（2025）在其 LLM‑for‑AGI 综述中指出，“迁移能力、因果推理、符号理解、记忆增强”是当前大型模型迈向 AGI 所面临的关键衡量维度。(arXiv)
4.2 知识表征与长期学习能力
AGI 系统不应仅在一次训练中表现强劲，还应具备持续学习、累积知识、适应新环境的能力。Arshi & Chaudhary (2024) 指出，AGI 要具备“理解、吸收、并将信息应用于广泛任务”的能力。(SpringerLink) 此外，从系统角度看，“记忆系统”（短期、中期、长期）和“知识表示方式”（符号与分布式）也是衡量维度之一。
4.3 可解释性、安全与对齐指标
随着 AGI 体量、能力的增强，其安全、对齐（alignment）、可控性等指标也成为评价体系不可或缺的一环。The systematic review on AGI 风险（2021）指出，尽管 AGI 尚未实现，其潜在风险应成为指标考量的一部分。(Taylor & Francis Online) 此外，AGI 系统在可解释性、公平性、透明度、可控性等方面的表现，也应纳入评价。Arshi & Chaudhary（2024）在其 AGI 概述章节中强调，技术进展若不伴随安全治理与伦理对齐，则通用智能可能带来重大负面后果。(SpringerLink)
4.4 任务‑环境广度与现实世界交互
AGI 系统如果只能在受控实验室环境或模拟任务中运行，那么其通用性仍受质疑。因此，衡量其是否在现实世界、开放环境下具备能力，是一项重要指标。Mumuni & Mumuni（2025）指出，虽然现代 LLM 具备优秀交互能力，但其“物理环境中的自主行动、身体化 embodied 交互”尚不具备，正是限制其通用性的瓶颈。(arXiv)
表 2：AGI 评估维度汇总
| 评估维度 | 说明 | 典型文献 |
|---|---|---|
| 多任务迁移能力 | 系统能否跨域任务、迁移已有技能 | Joshi (2025) (philarchive.org) |
| 长期学习与知识累积 | 系统持续学习、积累知识的能力 | Arshi & Chaudhary (2024) (SpringerLink) |
| 安全、对齐、可控性 | 系统是否可控、可信、安全 | 系统综述 (2021) (Taylor & Francis Online) |
| 现实环境交互能力 | 系统能否在现实/开放环境行动 | Mumuni & Mumuni (2025) (arXiv) |
通过上述维度，我们可以构建一个多维评价体系，用于分析 AGI 研究进展到底在哪些地方实现突破、在哪些地方仍是瓶颈。
五、AGI 的应用场景与产业潜力
尽管真正意义上的 AGI 尚未出现，但从应用视角看，研究者已经从多个场景探讨 AGI 或通用代理（agentic AI）可能带来的机遇。以下结合文献与行业观察进行阐述。
5.1 智能助理与人‑机协作
随着大型语言模型与智能代理技术的发展，未来的智能助理可能不只是“回答问题”、“执行命令”，而是具备“理解背景、主动提出建议、协助决策、适应个体偏好、自主行动”的能力。这一方向可视作 AGI 在现实世界的初步体现。Haseeb et al. (2025) 在其关于 AGI 架构与应用的综述中提及，智能助理是通用智能架构中的“入口场景”：系统可从多任务交互中获得迁移能力、自主规划能力。(ResearchGate)
5.2 教育与个性化学习
在教育领域，Lee et al. (2023) 探讨了 AGI 如何通过多模态智能、自适应学习路径、情感理解、个性化反馈等方式促进教学与学习变革。他们指出，AGI 能够为每个学生提供量身定制的学习方案，理解其情绪与互动，动态调整教学内容。(arXiv) 另外，Latif et al. (2023) 也从教育角度探讨 AGI 在评估、教学设计、师生互动中的潜力。(arXiv)
5.3 医疗、科研与科学发现
通用智能系统若能够在跨域任务中表现良好，就可能在医疗诊断、科学研究、药物发现、基因编辑、复杂系统模拟等领域发挥作用。一些综述指出，AGI 可用于“辅助科学家做实验设计、生成假设、自动化数据分析、跨学科迁移知识”。例如，Goertzel (早期) 的 AGI 综述就讨论了 AGI 在科研中的潜力。(Goertzel)
5.4 机器人与物理环境中的通用代理
当 AGI 系统具备身体化能力、行动–感知–反馈闭环能力后，它们就可以在物理世界中作为通用代理执行任务：例如搬运、交互、协作、服务、探索未知环境。这一场景被 Jiang et al. (2025) 在其 embodied AI 综述中强调：身体化智能是迈向通用智能的关键。(arXiv)
总体而言，AGI 潜在应用十分广泛，但重要的是：真正通用的智能系统尚未出现，目前产业中更多是“通用化 AI”向“通用智能”迈进的过程，而不是已经落地的 AGI 系统。
六、AGI 面临的主要挑战
推动 AGI 从理想到现实的过程中，存在众多技术、理论、伦理、社会、政策等方面的挑战。以下是基于文献整理的几个典型瓶颈。
6.1 技术与认知机制瓶颈
虽然 深度学习、大型语言模型、多模态系统取得突破，但仍然受限于以下问题：
-
缺乏“常识性理解”与“因果推理”能力：Mumuni & Mumuni (2025) 指出，当前 LLM 虽然强大，但其推理仍浅层、缺乏真正的“理解–应用–迁移”循环。(arXiv)
-
迁移与通用化难题：Joshi (2025) 提到，AGI 系统必须具备从一个任务迁移到另一个任务的能力，而现有系统多数停留在“同任务再训练”阶段。(philarchive.org)
-
身体化与环境交互薄弱：虽然 embodied AI 被视为关键，但目前多数系统仍局限于模拟或虚拟环境，真正物理环境中的通用代理尚稀缺。(arXiv)
-
记忆、知识表示与长期学习：当前 AI 系统多为静态训练完毕后应用，缺乏“记忆–累积–更新”机制。Mumuni & Mumuni（2025）对此指出：“记忆增强、终身学习机制是 AGI 亟待突破的一环”。(arXiv)
6.2 安全、对齐与治理问题
AGI 的高能力也必然带来重大安全与伦理风险。系统性综述（2021）指出，尽管尚未出现真正意义上的 AGI 系统，但研究应高度重视其潜在风险。(Taylor & Francis Online) Arshi & Chaudhary (2024) 强调，开发高能力智能系统而忽视安全、透明、对齐（alignment）等问题，将可能带来灾难性后果。(SpringerLink)
具体而言，包括：
-
超出人类控制的行为风险：一旦智能系统具备自主目标设定与行动能力，如果其目标与人类不一致，可能造成严重问题。
-
偏见、歧视与不公平：通用智能系统若训练数据偏倚、设计缺乏公平考虑，则可能放大系统性歧视。
-
隐私、安全与滥用：AGI 系统若具备强交互与学习能力，可能威胁隐私或被恶意利用。
-
治理机制缺乏：目前全球尚未建立完善的 AGI 治理框架，而高能力智能系统的风险跨越国界、跨越行业。(gcrinstitute.org)
6.3 资源、工程与经济挑战
迈向 AGI 不仅是算法问题，也是资源、架构、计算、能耗、需求匹配的问题。Mumuni & Mumuni (2025) 指出，目前大型预训练模型已占用巨量算力和数据，但通用性却仍然有限。(arXiv) 再加上现实世界部署所需的传感器、行动执行器、反馈机制等工程化配套，使得 AGI 系统的构建、训练、维护成本高昂。
6.4 评估指标缺失与定义模糊
如前所述，AGI 的定义尚未达成共识，各种评估维度、任务域、基线标准也尚未形成统一。正如 Financial Times 报告所指出：“大科技公司在 AGI 定义、衡量标准、时间表上尚未达成共识。”(金融时报) 这一缺乏统一标准，使得研究、产业、监管均面临困难。
综上，AGI 的实现不仅需要技术突破，更需要制度、资源、伦理、评估等系统性配套。因此，研究者通常强调 “通用性” + “安全性” 两条线路必须同步推进，否则可能陷入“能力提升”却“失控或偏离人类价值”的风险。
七、未来发展方向与路线图
基于上述分析，学术界与产业界对 AGI 未来发展提出若干路线图与建议。以下结合文献进行探讨。
7.1 从大型模型迈向模块化、组成化智能
目前，大型预训练模型（如 LLM）是通用智能路径上的重要基石。但 Mumuni & Mumuni (2025) 指出，仅靠“规模 + 数据”无法自动生成通用智能；需要模块化架构、嵌入式记忆、符号推理、因果建模、环境交互等组成。(arXiv) 未来的智能系统可能由多个子模块（感知模块、记忆模块、规划模块、执行模块）协同形成，再加上一个“学习‐迁移‐反馈”循环。
7.2 强化身体化、多模态、交互式学习
从 embodiment 角度来看， Jiang et al. (2025) 指出，具备真实世界行动能力的智能体是通用智能的重要方向。(arXiv) 此外，多模态交互能力（视觉、触觉、语言、行动）也被视为提升通用智能的关键。Lee et al. (2023) 在教育场景中已探讨多模态 AI 如何迈向 AGI。(arXiv) 因而，未来研究需推动智能系统在虚拟与物理混合环境下学习、交互、反馈。
7.3 强化迁移学习、终身学习与记忆机制
为了实现通用迁移，未来系统将更多采用终身学习机制、元学习机制、快速适应的记忆体系。Arshi & Chaudhary (2024) 指出：AGI 系统必须能“理解、吸收、并将信息应用于广泛任务”，这要求具备记忆累积、知识迁移能力。(SpringerLink)
7.4 安全、可控、对齐成为研究并行方向
正如 AGI 安全综述 (2018) 所指出，研究 AGI 不能仅关注能力提升，也必须同步关注安全、对齐、治理。(arXiv) 未来路线图应强调“双轨前进”：技术轨 + 安全轨。国际协作、标准制定、政策监管将成为并行维度。
7.5 多层评估体系与标准化任务基准
为了推进 AGI 研究，行业和学术界需要建立统一的评估基准：可涵盖“通用任务集”、跨域能力测试、“现实环境代理任务”、长期学习任务等。Joshi (2025) 指出，目前评估体系尚缺，标准化任务集将有助于衡量进展。(philarchive.org)
7.6 时间表与期望管理
虽然媒体、业界常宣称 AGI “即将实现”，但学术‐政策界倾向于更为谨慎。比如，Andrew Ng 曾指出 AGI “被过度炒作”。(Business Insider) 未来路线图应明确：短期（1‑3 年）侧重于大模型扩展、多模态代理；中期（5‑10 年）强调迁移、终身学习、身体化代理；长期（10+ 年）可能达到人类水平或超越人类的通用智能。但仍需警惕风险、规范与治理远落后于能力。
结语
本文从 定义、历史、关键技术、评估维度、应用场景、挑战与未来方向六大板块，系统梳理了 AGI （通用人工智能）研究的全貌。可以看出，虽然 AGI 是当前 AI 研究的重要方向，但其真正实现仍充满诸多挑战：不仅要突破技术瓶颈，更要在记忆、迁移、身体化、评价、安全与治理等多维度同步推进。未来，若能够模块化架构、多模态交互、终身学习、物理代理、安全对齐、多元评估体系等齐头并进，或许我们将迈入通用智能的新纪元。但与此同时，我们也应保持审慎、做好期望管理、同步推进安全与伦理治理。
对于开发者、科研人员、政策制定者而言：理解 AGI 不仅是理解「更强的模型」，而是理解一个智能系统在多任务、多域、自主学习、环境交互、知识迁移、安全信任等多个维度上的整体能力演变。希望本文能为 读者提供一个较为全面的思考框架，并激发对 AGI 研究与应用的深入思考。
参考资料
-
Mumuni, A., & Mumuni, F. (2025). Large language models for artificial general intelligence (AGI): A survey of foundational principles and approaches. arXiv:2501.03151. https://arxiv.org/abs/2501.03151 (arXiv)
-
Arshi, O., & Chaudhary, A. (2024). Overview of Artificial General Intelligence (AGI) | AGI Security. In Advanced Technologies and Societal Change. Springer. https://link.springer.com/chapter/10.1007/978-981-97-3222-7_1 (SpringerLink)
-
Joshi, S. (2025). Comprehensive Review of Artificial General Intelligence (AGI), Agentic AI and GenAI: Current Trends and Future Directions. International Journal of Management, Research and Emerging Economies, 6 (3), 681‑688. https://philarchive.org/archive/JOSCRO-2 (philarchive.org)
-
Haseeb, M., et al. (2025). A Comprehensive Overview towards AGI: Architectures, Applications, Innovations and Future Directions in the Age of Artificial General Intelligence. https://www.researchgate.net/profile/Haseeb-Haseeb/publication/394105821_A_Comprehensive_Overview_towards_AGI_Architectures_Applications_Innovations_and_Future_Directions_in_the_Age_of_Artificial_General_Intelligence/links/688a021f00a2407910a52cb7/A-Comprehensive-Overview-towards-AGI-Architectures-Applications-Innovations-and-Future-Directions-in-the-Age-of-Artificial-General-Intelligence.pdf (ResearchGate)
-
Review – AGI Safety Literature Review. (2018). arXiv:1805.01109. https://arxiv.org/abs/1805.01109 (arXiv)
-
Systematic review – The risks associated with Artificial General Intelligence: A systematic review. (2021). Technology Forecasting & Social Change. https://doi.org/10.1080/0952813X.2021.1964003 (Taylor & Francis Online)
-
Lee, G.-G., et al. (2023). Multimodality of AI for Education: Towards Artificial General Intelligence. arXiv:2312.06037. https://arxiv.org/abs/2312.06037 (arXiv)
-
Latif, E., etal. (2023). AGI: Artificial General Intelligence for Education. arXiv:2304.12479. https://arxiv.org/abs/2304.12479 (arXiv)
-
Jiang, J., et al. (2025). Embodied Intelligence: The Key to Unblocking Generalized Artificial Intelligence. arXiv:2505.06897. https://arxiv.org/abs/2505.06897 (arXiv)
-
Millennium Project – Artificial General Intelligence – The Millennium Project. (2023). https://www.millennium-project.org/wp-content/uploads/2023/05/EC-AGI-paper.pdf (The Millennium Project)
-
GitHub – AGI‑Survey (Bowen‑Xu et al.). https://github.com/bowen-xu/AGI-Survey (GitHub)
-
GitHub – AGI‑Survey (ulab‑uiuc). https://github.com/ulab-uiuc/AGI-survey (GitHub)
扫一扫
1996
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
