3 JG.US 将集成 DeepMind Google GPTBots.ai 极光 Genie

2025年8月7日，中国深圳 —— 近日，中国抢先的客户互动与营销科技服务商极光(Aurora Mobile，纳斯达克股票代码：JG，以下简称 "极光" 或 "公司")旗下 AI 自动体平台GPTBots.ai宣布将接入Google DeepMind最新公布的Genie 3通用全球模型。经过这一协作，开发者可在GPTBots.ai平台上直接调用Genie 3，为AI自动体构建高灵敏、物理分歧的3D训练环境，减速复杂义务学习与决策才干退步。

此次接入GPTBots.ai将成功中心价值打破：真实物理模拟、灵敏场景操控以及多行业赋能，同时标志着AI自动体训练从"文本交互"迈向"具身模拟"的关键跃迁。GPTBots.ai将继续结合前沿实验室，推进AGI技术落地产业场景。

通用人工智能(Artificial General Intelligence, AGI)又称“强者工智能（Strong AI）”“完全人工智能（Full AI）”是具有普通人类智慧，可以执行人类能够执行的任何智力义务的机器智能。通用人工智能是一些人工智能研讨的关键目的，也是科幻小说和未来研讨中的共同话题。与弱AI（weak AI）相比，通用人工智能可以尝试执行全方位的人类认知才干。通用人工智能的历史 现代人工智能研讨末尾于1950年代中期。最早的一批人工智能研讨者置信强者工智能不只是或许的，而且将在几十年内出现。人工智能先驱Herbert Simon在1965年写道：“在20年之内，机器就能够做到一团体能做到的任何事。” 启示这一预言的是斯坦利·库布里克和亚瑟·查理斯·克拉克在《2001太空遨游》（2001： A Space Odyssey）创作的角色，HAL 9000。事先的人工智能研讨者确信，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Marvin Minsky，在创作HAL 9000的任务中，他担任了尽量将其制造得与事先主流研讨界预言分歧的项目顾问，他在1967年曾说：“在一代人之内，制造 ‘人工智能’ 的疑问就将被基本处置。”1960年后，Herbert Simon宣布了多项人工智能范围的著作，如“The sciences of artificial”和“Motivational and emotional controls of cognition”等，相比于计算机学家，Simon更多的关注了决策，认知，动机等方面的人为执行相关的要素。但是，到了1970年代早期，研讨者们看法到他们远远低估了其中的困难。资助AI项目的机构末尾对强者工智能发生疑心，向研讨者们施压要求他们转向更有用的技术，所谓的“运行AI”。在1980年代初，日本的第五代电脑末尾重新对强者工智能恢复兴味，制定的十年方案中包括一些强者工智能的目的，比如“启动日常对话”。同时，专家系统的成功和它一同促进了工业界和政府的资金重新末尾注入这个范围。但是，人工智能的市场在1980年代早期出现猛烈崩塌，而第五代计算机的目的从未成功。再一次性，人工智能研讨者们关于强者工智能行将到来的预言在20年之内被证明超出了他们的才干。到了1990年代，人工智能研讨者背上了无法成功自己承诺的名声，他们拒绝再作出任何预言。并且防止提就任何“人类水平”的人工智能，以免被贴上“白日梦”的标签。这一阶段是人工智能的冰河期，也是对通用/强者工智能过于失望的结果和经验。但是一些经典文章也发生了深入价值，为后来的研讨提供了基础和思绪。1972年，Minsky宣布的文章“Artificial intelligence progress report”总结了过去几年的开展，关键的效果，以及存在的很多疑问，为今后的研讨塑造了一个方向。1977年，Feigenbaum宣布论文“The art of artificial intelligence”，引见了关于知识工程，心思学等多种人工智能话题。在1990年代和21世纪初，主流的人工智能在商业效果和学术位置上曾经到达了一个新高度，依托的是专注于细分的专门疑问的处置，例如人工神经网络、机器视觉以及数据开掘。（在此词条中就不对这些启动深化引见和讨论）2007年，Ben Goertzel的著作“Artificial general intelligence”片面引见了如何结构一个片面的思索机器，对通用人工智能提出了很多思索和待处置疑问。同年，Goertzel的另一篇论文“A foundational architecture for artificial general intelligence”提出了一个用于构建通用人工智能基本框架的思想。目前，大少数主流的人工智能研讨者希望，能够经过将处置部分疑问的方法组合起来成功强者工智能，例如将智能体架构、认知架构或许容纳式架构整合起来。通用人工智能的特点人们提出过很多通用智能的定义（例如能够经过图灵测试），但是没有一个定义能够失掉一切人的认同。但是，人工智能的研讨者们普遍赞同，以下特质是一个通用人工智能所必要求拥有的： 以及，整合以上这些手腕来到达同一个的目的还有一些关键的才干，包括机器知觉（例如计算机视觉），以及在智能行为的全球中执行的才干（例如机器人移动自身和其他物体的才干）。它或许包括探知与逃避风险的才干。 许多研讨智能的交叉范围（例如认知迷信、机器智能和决策）试图强调一些额外的特征，例如想象力（不依托预设而建构精气影像与概念的才干）以及自主性。基于计算机系统中确实曾经存在许多这样的才干，例如计算发明性、智能推理、决策支持系统、机器人、退化计算、智能代理，但是这些系统并未到达人类的水平。测试通用人工智能的方式图灵测试（图灵提出）：一名人类介入者与一台机器和一名人类启动对话，介入者看不见目前对话的是人类还是机器。假设在很长一段时期内，介入者无法判别与他对话的是人类还是机器，那么机器就经过了测试。咖啡测试（沃兹尼亚克提出）：一台机器要求具有在普通的美国度庭中弄清楚如何煮咖啡的才干：找到咖啡机，找到咖啡，加水，找到一个马克杯，按下正确的按钮末尾煮咖啡。机器人大学在校生考试（哥兹柔提出）：一台机器就读于一所大学，选择并经过和人类相反的课程，最终取得学位。务工测试（尼尔森提出）：机器从事一份经济上起着关键作用的任务，在任务中的表现至少和人类一样好。扁平家具测试（Tony Severyns提出）：要求一台机器来翻开和组装一件扁平家具。它必需阅读说明并依照描画组装项目，正确装置一切部分。通用人工智能也引发起一连串哲学争论，例如假设一台机器能完全了解言语并回答疑问的，这台机器是不是有思想的？关于通用人工智能的争论，不同于更狭义的一元论和二元论的争论。其争论要点是：假设一台机器的独一任务原理就是转换编码数据，那么这台机器是不是有思想的？哲学家希尔勒以为这是无法能的。他举了著名的中文房间（Chinese room）的例子来说明，假设机器仅仅是转换数据，而数据自身是对某些事情的一种编码表现，那么在不了解这一编码和实践事情之间的对应相关的前提下，机器无法能对其处置的数据有任何了解。基于这一论点，希尔勒以为即使无机器经过了图灵测试，也不一定说明机器就真的像人一样有思想和看法。关于这个争论，也有哲学家持不同的观念。丹尼尔丹尼特在其著作《看法的阐释》（Consciousness Explained）里以为，人也不过是一台有灵魂的机器而已，为什么我们以为：“人可以有智能，而普通机器就不能”呢？他以为像上述的数据转换机器是有或许有思想和看法的。通用人工智能/强者工智能虽说是人工智能研讨的最终目的，可是就现状来看，弱人工智能仍是研讨开展的重点。通用人工智能的成功，离不开机器与看法、理性、知识和自觉等人类特征的相互连结，目前还有很长的路要走。通用人工智能的技术方法机器的智能使它们能够了解、学习和执行智力义务，就像人类一样，被称为人工通用智能(AGI)。AGI使机器能够模拟人类的思想和行为，以应对任何应战性的义务。这些机器人的性能与人类的性能相反，由于它们是为普遍的知识和认知计算而设计的。曾经尝试和测试了多种方法来成功类人智能。上方列出了通用人工智能的一些中心方法： 符号方法是指经常使用逻辑网络（即if-then语句）和符号来学习和开发综合知识库。经过操纵这些代表物理全球基本方面的符号，可以进一步拓宽该知识库。该方法模拟了人类大脑思想的更高层次。通常上，符号方法可以执行更高层次的逻辑和思想，但实践上它缺乏学习感知等较低层次的义务。符号方法的一个恰当例子是CYC项目，该项目由Cycorp的道格拉斯•莱纳特（Douglas Lenat）在1980年代启动，旨在推进人工智能范围的任务。CYC拥有庞大的知识库、逻辑系统和弱小的表示言语。 结合主义方法是一种亚符号方法，它应用相似于人脑的架构（例如神经网络）来创立通用智能。该方法希冀从较低级别的子符号系统（如神经网络）中出现更初级别的智能，这尚未出现。深度学习系统和卷积神经网络（例如DeepMind的AlphaGo）是结合主义方法的好例子。 混合方法是结合主义和符号系统的混合。引领通用人工智能竞赛的架构倾向于经常使用混合方法，例如CogPrime架构。它经过称为原子空间（AtomSpace）的单个知识表示来表示符号和子符号知识。著名的社交类人机器人索菲亚（Sophia）是由汉森机器人技术公司（Hanson Robotics）和OpenCog在神经架构CogPrime的协助下创立的。 专家以为，一个真正的通用人工智能系统应该拥有一个物理身体，并从物理交互中学习。虽然目前还没有任何这样的系统，但最接近的系统是索菲亚（Sophia），这是一个模拟人类手势和面部表情，并沉溺于预定主题的对话的类人机器人。通用人工智能的关键应战虽然通用人工智能还没有被成功，但是它代表了一个可以彻底改动人工智能范围的或许性全球。目前，通用人工智能的开展面临着严重的阻碍和应战。上方这些是到达最终通用人工智能阶段的关键应战：1、类人才干掌握疑问要成功真正的人类级别的智能，通用人工智能要求掌握一些相似人类的才干，例如：感官知觉：虽然深度学习系统在计算机视觉范围显示出庞大的潜力，但人工智能系统缺乏类人的感官知觉才干。例如，经过训练的深度学习系统依然具有较差的颜色感知才干。这一点在智能驾驶汽车中很清楚，由于它们很容易被白色停车标志上的小块黑色胶带或贴纸捉弄。在声响感知方面也观察到了相似的状况。以后的人工智能系统无法感知和复制不同的人类声响感知。运动技艺：由于我们的精细运动技艺，人类可以轻松地从口袋中取出任何物体。最近的一项开展是将强化学习运行于教授机器人手解魔方。虽然这一演示值得留意，但它提醒了对单手编程机器人手指启动编程以操作诸如钥匙之类的琐碎对象所触及的疑问。自然言语了解：人类经过书籍、文章、博客文章和视频分享知识。因此，当人们写作时，他们倾向于假定读者的知识，因此，很多信息在写作中是没有说出来的。首先，以后的人工智能要求消耗来自一切知识源的少量信息，这是一项关键义务。假设人工智能缺乏知识基础，这些系统将很难了解状况并在理想全球中运转。处置疑问：举一个例子，一个家庭机器人必需识别出房子里的LED灯泡坏了，要么改换一个新灯泡，要么提示某人。要执行这项义务，机器人要求具有如上所述的知识，或许应该具有模拟一切陈列和组合的才干，这些陈列和组合选择了或许性、合理性和概率。今天的人工智能缺乏知识和模拟才干。人类水平的发明力：假设人工智能系统能够了解人类编写的少量代码，识别出可以改良的新方法，然后重写识别出的代码，那么它们就可以自行提高智能。虽然基于人工智能的机器曾经能够创作音乐和绘画，但是要想展现像人类水平一样的自我优化发明力，还要求人工智能的进一步开展。社交和情感咨询：关于支持人工智能的机器人在全球上运转，人类互动是无法防止的。因此，这些机器人要求了解人类、面部表情和语气变化来解释真实的心情。思索到上方讨论的感知应战，能够对情感咨询发生同理心的人工智能系统如今似乎是一个悠远的理想。2、缺乏任务协议以后的人工智能系统缺乏协助人工智能或机器学习网络系统协作的任务协议。这在部署一个完整的通用人工智能系统时存在一个严重的技术缺陷。因此，这些系统自愿在封锁、孤立的环境中作为独立模型任务。这种操作形式不契合通用人工智能系统所必需的复杂和高度社会化的人类环境。3、通讯差距降低了普适性今天，人工智能系统面临着一个清楚的通讯阻碍。不同人工智能系统之间的通讯差距阻碍了无缝数据共享。因此，机器学习模型的相互学习停滞不前。由于对相互学习的影响，人工智能或许无法优化分配的义务。这最终降低了整团体工智能系统的普适性。4、缺乏业务分歧性关于适当的人工智能实施，业务主管要求经过设定目的、确定KPI和跟踪ROI来采取战略方法。否则，很难评价人工智能带来的结果并启动比拟，以权衡人工智能投资的成功（或失败）。将人工智能集成到现有的系统中是一个复杂的环节。要求思索各种参数，例如数据基础设备需求、数据存储、标志、将数据输入系统等。目前，相关利益相关者似乎对人工智能的一切这些操作参数一无所知。这阻碍了业务目的的全体开展和成功。5、缺乏通用人工智能方向由于企业经常在对通用人工智能系统的基本了解上苦苦挣扎，他们不得不延聘专门的人工智能专家团队，这或许会是一件昂贵的事情。此外，企业没有一个明白的基于人工智能的方案和方向来展开门务。这使得人工智能平台的实施本钱高昂且复杂。这些要素对成功成熟的通用人工智能系统起着关键的作用，并成为了阻碍。狭义人工智能与通用人工智能到目前为止，我们所接触的AI产品大都还是狭义AI，又称“弱人工智能”。简易来说，狭义AI就是一种被编程来执行单一义务的人工智能——无论是审核天气、下棋，还是剖析原始数据以撰写资讯报道。狭义AI系统可以实时处置义务，但它们从特定的数据集中提取信息。因此，这些系统不会在它们设计要执行的单个义务之外执行。Google assistant、Google Translate、Siri等自然言语处置工具都是狭义AI的产品。虽然它们能够与我们交互并处置人类言语，但这些机器远没有到达人类的智能水平。比如，当我们与Siri交谈时，Siri并不能灵敏地来照应我们的查询。相反，Siri所能做的，就是处置人类言语，将其输入搜索引擎，然后前往给我们。通用AI则是指在不特别编码知识与运行区域的状况下，应对多种甚至泛化疑问的人工智能技术。虽然从直觉上看，狭义AI与通用AI是同一类东西，只是一种不太成熟和复杂的成功，但理想并非如此。狭义AI就像是计算机开展的初期，人们最早设计电子计算机是为了替代人类计算者成功特定的义务。而艾伦·图灵等数学家则以为，我们应该制造通用计算机，我们可以对其编程，从而成功一切义务。于是，曾经在一段过渡时期，人们制造了各种各样的计算机，包括为特定义务设计的计算机、模拟计算机、只能经过改动线路来改动用途的计算机，还有一些经常使用十进制而非二进制任务的计算机。如今，简直一切的计算机都满足图灵想象的通用方式，我们称其为“通用图灵机”。只需经常使用正确的软件，如今的计算机简直可以执行任何义务。市场的力气选择了通用计算机才是正确的开展方向。如今，即使经常使用定制化的处置方案，如公用芯片，可以更快、更节能地成功特定义务，但更多时刻，人们还是更喜欢经常使用低本钱、方便的通用计算机。如今，AI也将出现相似的转变——通用AI将成为主流，它们与人类更相似，能够对简直一切东西启动学习。当然，通用AI并非全知全能。与任何其他智能存在一样，依据它所要处置的疑问，它要求学习不同的知识内容。比如，担任寻觅致癌基因的AI算法不要求识别面部的才干；而当同一个算法被要求在一大群人中找出十几张脸时，它就不要求了解任何有关基因互作的知识。通用人工智能的成功仅仅意味着单个算法可以做多件事情，而并不意味着它可以同时做一切的事情。值得一提的是，通用AI又与强者工智能不同。强者工智能（strong artificial intelligence）是约翰·希尔勒在提出“中文屋实验”时设定的人工智能级别。这个等级的人工智能，不只要具有人类的某些才干，还要有知觉，有自我看法，可以独立思索并处置疑问。虽然两个概念似乎都对应着人工智能处置疑问的才干，但通用AI更像是无所不能的计算机，而强者工智能则逾越了技术的属性成为相似穿着钢铁侠战甲的人类。通用人工智能案例真正的AGI系统还没有商业化。但是，在某些状况下，有一些有限的人工智能系统接近甚至婚配人类的才干。这些系统和AGI在未来的潜在运行是领先人工智能研讨的主题。