第三节
大模型带来通用人工智能的曙光

通用人工智能，虽然在字面上容易理解，就是“任何场景、任何任务都可以用的通用的人工智能”，但实际上，业界对通用人工智能的定义、目标和实现时间都还没有达成共识。

关于通用人工智能的定义，此处列出一些不同的解读。例如，斯坦福大学以人为本人工智能研究所（Stanford Human-Centered AI Institute）将通用人工智能视为人类级别的人工智能，并将其描述为全面智能且具备情境感知能力的机器。咨询机构高德纳将通用人工智能定义为一种能够理解、学习，并将这些知识用于许多不同任务和领域的人工智能。OpenAI将通用人工智能定义为在各个方面都比人类聪明的人工智能系统。

对于我们离通用人工智能还有多远这个问题，也有许多不同观点。例如，微软认为GPT-4在可执行任务种类和专业领域知识方面表现出了前所未有的广度，且在大多数任务上能力与人类相当，可以被视为通用人工智能的早期版本。也有研究人员认为，包括GPT、Bard、Llama、Claude 等在内的最新一代大模型，虽然有各种缺陷，但已经可以被认为是通用人工智能的实例。当然，也有不同意见。图灵奖得主杨立昆不止一次公开表示，我们离通用人工智能的实现还有几十年的差距，现有的生成式人工智能无法理解真实世界，不可能是走向通用人工智能的正确路径。不过在2024年11月的一次活动上，杨立昆表示，如果发展顺利，也许通用人工智能会在5~10年内出现，但肯定不是最近两年。

但普遍的观点是，大模型带动了通用人工智能的快速发展。下文将从另一个视角阐述为什么大模型带来了通用人工智能的曙光。

我们知道，人工智能是希望为机器复制、培育人类意识。这个理念在现实中是有可参考对象的，例如教育，教育就是最成功的“培育”人类意识的行为之一。因此，我们可以从教育的角度观察人工智能的发展，来讨论为什么大模型带来了通用人工智能的曙光，从而使科技界乃至全社会都需要重视这个变化。

一、认知的六个层次

美国心理学家本杰明·布鲁姆在20世纪50年代提出了著名的教育目标分类理论，这个理论将教育目标分为认知、情感和动作技能三个领域。而在认知领域，教育目标又细分为六个层次：知识、理解、应用、分析、综合、评价。

知识（knowledge）：这是认知的起点，它不仅指知识，更要求学习者能直接回忆具体事实、概念、术语、方法、过程等内容。

理解（comprehension）：要求学习者能够对知识进行转换、解释和推断。不仅是对知识的再现，还要理解信息之间的关系，以及进行基本的推理和判断。

应用（application）：强调将所学知识应用于新的、具体的情境中。要求学习者能够在不同的情境中识别并应用所学知识，解决问题或完成任务。

分析（analysis）：主要涉及将复杂的知识分解成其组成部分，并理解各部分之间的关系。要求学习者能够识别信息中的模式、结构、因果关系等，以便更深入地理解问题。

综合（synthesis）：要求学习者将所学的零碎知识整合为知识体系，创造出新的模式或结构。这需要学习者具备高度的创新思维和问题解决能力，能够将不同的概念、原理和信息融合在一起，形成新的理解和见解。

评价（evaluation）：这是认知领域的最高层次，要求学习者能够基于给定的目标，对材料、方法等进行判断和评价，包括定量和定性的判断。

二、大模型的对比

从认知层次来看，就可以理解为什么大模型令人更期待通用人工智能。

教育儿童时，我们希望他们的认知能力覆盖知识、理解、应用、分析、综合、评价，这是自我意识、创造性不断提升的过程。而人工智能过去几十年的发展，也正契合认知层次提升路线：从最初的知识范围狭窄且被限定、执行规则较固定且比较少，到如今输入数据后机器可以自主学习、自主提升。

从大模型展现的涌现和泛化来看，机器和系统第一次不再是人类的提线木偶，而是具备了理解、记忆、逻辑、生成的能力，后文会详细阐述。可以说，我们已经看到了通用人工智能的曙光。