The arrival of AGI 深度访谈

开场主持人首先抛出核心疑问：人类智能是否是智能的上限，若超级智能远超人类智能将对社会产生何种影响。Shane回应称AGI落地会带来经济、社会的结构性变革，全社会需要提前思考如何构建适配AGI的新秩序。随后主持人介绍Shane的身份：DeepMind联合创始人、首席AGI科学家，是AGI概念的早期推广者，早在AGI被视为边缘议题时就开展相关研究，本次访谈将围绕AGI定义、判定标准、安全伦理、社会影响等核心议题展开。

Shane首先明确最小AGI的基础定义：能完成普通人类可做到的所有认知类任务。他指出当前AI能力呈现明显不均衡特征：在多语言掌握、通识知识储备上远超人类平均水平，可覆盖150余种语言，甚至知晓其成长的新西兰小镇的相关信息；但在持续学习能力（比如新入职后长期积累工作技能）、复杂推理尤其是视觉推理能力（比如识别场景中透视关系下的物体大小、统计图节点计数等）上远低于人类平均表现，当前这些短板不存在根本性技术障碍，相关指标正在持续优化。

主持人询问是否仅靠扩大模型规模、增加训练数据就能提升AI可靠性，Shane回应称不存在单一的提升路径，需针对不同短板采取差异化方案：比如提升视觉推理能力需要补充对应的定向训练数据，而实现长期持续学习则需要新增情景记忆检索系统、优化信息回训到底层模型的流程，需要算法优化、架构调整、数据补充多维度协同推进，不存在通用的万能优化方案。

Shane提出AGI并非非黑即白的阈值，而是连续的能力光谱，分为三个明确层级：第一级是最小AGI，即能完成普通人类所有常规认知任务，预计2年左右可以实现；第二级是完全AGI，即能覆盖人类所有认知能力，包括顶尖人才的科研突破、艺术创作等顶级认知产出；第三级是超级AGI（ASI），即能力远超人类认知上限的通用智能，目前暂未形成清晰统一的定义。

Shane回顾了AGI术语的诞生过程：早年他和学者Ben Goertzel合作时，当时AI领域的研究都聚焦于专用系统（比如扑克AI、语音转文字工具），为了指代具备通用能力、能完成多类跨领域任务的智能系统，他提出加入General一词，命名为人工通用智能（AGI），原本是指代一个研究领域，后来逐步演变为对通用智能产品的分类标准。他也提到1997年已有学者提出过相似概念但未普及，自己并不后悔提出该术语，它填补了通用智能领域的概念空白。

Shane回应了市面多种AGI判定标准的缺陷：比如“用10万美元赚100万美元”的标准太偏向经济维度，很多普通人也做不到，且专用交易算法也能实现但不具备通用性；单一学科测试、厨师适配测试等标准也存在覆盖范围窄的问题。他提出的判定方法是先采用覆盖人类所有常规认知任务的测试集，AI必须全部通过，再进入对抗测试阶段，由专门团队花数月时间寻找AI在人类常规认知任务上的失败案例，如果找不到才可以判定为达到最小AGI标准。