XiaoMi-AI文件搜索系统
World File Search System通用汽车公司
资料表 - 可持续系统中心
3M 公司 Guardian Industries Corporation 宝洁公司 阿贡国家实验室 Ines Ibanez Daniel Raimi 美国铝业公司 Jeremiah Johnson Perry Samson Jeff Alson 金佰利 Ramteen Sioshansi John Barker Michael J. Lear Steelcase Rosina Bierbaum Maria Lemos Dorceta Taylor Bradley Cardinale 朗讯科技 Levi Thompson 克莱斯勒 密歇根州环境质量部 密歇根大学 底特律人环境正义工作组织 密歇根州环境委员会 美国农业部 陶氏化学公司 门罗县环境卫生部 美国能源部 能源基金会 美国国家可再生能源实验室 美国运输部 能源信息管理局 美国野生动物联合会 美国环境保护署 福特汽车公司 橡树岭国家实验室 Wege 基金会 通用汽车公司 David Pimentel 世界钢铁协会 Drew Gronewold Henry Pollack 施乐公司
通用人工智能的根本限制
自大约七十年前诞生以来，人工智能取得了巨大的进步。自动驾驶汽车、在复杂游戏中击败专家的程序以及能够帮助需要护理的人的智能机器人只是机器智能的成功案例。这种进步可能会诱使我们设想一个由能够在不久的将来执行与人类相同任务的自主机器人组成的社会。这一前景似乎仅受当前计算设备的功能和复杂性的限制，而这些设备正在快速改进。然而，这条道路上有几个重大障碍。一般智能包括情境推理、采取观点、选择目标以及处理模糊信息的能力。我们观察到，所有这些特征都与识别和利用新可供性（代理实现其目标的道路上的机会（或障碍））的能力有关。可供性的一般示例是代理手中物体的使用。我们表明，不可能预先定义此类用途的列表。因此，它们无法通过算法处理。这意味着“人工智能代理”和生物体在利用新能力的能力上有所不同。只有生物体才能做到这一点。这意味着真正的 AGI 在当前人工智能研究的算法框架中是无法实现的。这对进化论也有重要影响。我们认为，通过彻底的涌现，真正开放的进化必须严格要求有机体能动性。我们讨论了这一论点的多种影响，不仅在人工智能研究和进化中，而且在科学哲学中。
通用工程 - 陆军出版局
在陆军条令中，通用工程被视为一门学科；在海军陆战队和联合条令中，它是一项职能（见 JP 3-34）。通用工程是除战斗工程之外的那些提供基础设施并修改、维护或保护物理环境的工程能力和活动（JP 3-34）。它补充和支持战斗和地理空间工程，并涵盖在整个竞争过程中进行和维持军事行动所需的工程任务。通用工程任务通常与统一行动伙伴协调进行，并纳入指挥官的计划。通用工程单位可能由任何军种领导，通用工程支持可能来自其他军种工程师、承包商、东道国能力或其他国家的工程师。通用工程贯穿整个作战区域和竞争过程。本章讨论了通用工程应用注意事项，并提供了将通用工程与联合战区和机动指挥官的战略、作战和战术计划进行整合和同步的指导。它还介绍了本手册其他章节中用于讨论的一般工程生命周期活动和工程就业考虑因素。
自我预测通用人工智能
强化学习 (RL) 算法通常利用学习和/或规划技术来得出有效的策略。事实证明，将这两种方法结合起来在解决复杂的顺序决策挑战方面非常成功，AlphaZero 和 MuZero 等算法就是明证，它们将规划过程整合到参数搜索策略中。AIXI 是通用贝叶斯最优代理，它利用通过全面搜索进行规划作为寻找最优策略的主要手段。在这里，我们定义了一个替代的通用贝叶斯代理，我们称之为 Self-AIXI，与 AIXI 相反，它最大限度地利用学习来获得良好的策略。它通过自我预测自己的动作数据流来实现这一点，这些数据流的生成方式与其他 TD(0) 代理类似，是通过对当前的在策略（通用混合策略）Q 值估计采取动作最大化步骤来生成的。我们证明 Self-AIXI 收敛到 AIXI，并继承了一系列属性，如最大 Legg-Hutter 智能和自我优化属性。
通用人工智能入门指南
数据量大幅增长，且数据来源不断变化。5G 移动基础设施的推出是技术进步之一，据称该技术可以促进物联网 (IoT) 的发展，从而带来数据量的大幅增长。然而，我们的同事进行的研究指出了 5G 实施的障碍，尤其是运营商的经济效益。此外，在 2019 年的一项调查中，运营商报告称，他们并不认为物联网是 5G 的核心目标，因为现有的物联网功能可能足以满足大多数用例的需求。因此，5G 本身似乎不太可能成为增加数据量的主要转折点，也不太可能成为随后训练数据的推动者。大多数好处可能已经显现。
通用人工智能的问题与机遇
各国政府和欧盟、经合组织、联合国教科文组织等多边组织已经确定了狭义人工智能的价值观和原则，以及其发展的国家战略。但很少有人关注如何确定未来通用人工智能（AGI）的有利初始条件。AGI的初始条件将决定超级人工智能是否会进化得造福人类。即使就AGI的有利初始条件达成国际协议，仍然需要全球治理体系来执行这些协议并监督AGI的发展和管理。由于制定和批准国际AGI条约并建立全球AGI治理体系可能需要10年、20年甚至更长时间，而且一些专家认为有可能在10到20年内实现AGI，因此尽快解决这些问题非常重要。最关键的AGI问题是其初始条件和全球治理。各国政府从一开始就必须正确处理这些问题。
通用人工智能不可能实现吗？
大致而言，“狭义”人工智能的目标是开发能够做“智能”事情的人工智能系统。从人工智能诞生到今天，大多数人工智能研究都处于这一水平。自然语言处理、视觉、规划和行动、问题解决、游戏等系统都取得了成功（或部分成功），这些系统在人工智能教科书和研究文章中都有讨论。通常，给定的狭义人工智能系统只执行其设计的一项任务：人工智能国际象棋程序无法查看或解决代数问题，反之亦然。（有关狭义人工智能成功的良好调查，请参阅 Brachman 和 Levesque 2022 年第 3 章——强烈推荐作为 L&S 书籍的解毒剂和补充。）通用人工智能是试图产生一个可以以协调的方式完成大多数或所有狭义任务的单一人工智能系统，从而完全像人类一样“智能”。
通用人工智能方法：分析
本文分析了实现 AGI 的不同方法，包括人脑模拟、AIXI 和集成认知架构。首先，本文定义了 AGI，并说明了其要求。对于提到的每种提议方法，都总结了相关方法，并详细介绍了其关键流程，展示了其运作方式。然后，分析了列出的每种方法，并考虑了各种因素，例如技术要求、计算能力和对要求的充分性。结论是，虽然有多种方法可以实现 AGI，例如人脑模拟和集成认知架构，但实现 AGI 最有希望的方法是集成认知架构。这是因为发现人脑模拟需要扫描技术，而这些技术很可能要到 2030 年代才能实现，因此不太可能在那之前创建出来。此外，集成认知架构降低了计算要求，并具有适合通用智能的功能，使其成为实现 AGI 的最有可能的方法。
通用人工智能 - 欧洲议会
ChatGPT 等通用人工智能 (AI) 技术正在迅速改变 AI 系统的构建和部署方式。虽然这些技术预计将在未来几年带来巨大好处，刺激许多领域的创新，但其颠覆性引发了有关隐私和知识产权、责任和问责制的政策问题，以及对其传播虚假信息和错误信息的可能性的担忧。欧盟立法者需要在促进这些技术的部署与确保采取足够的保障措施之间取得微妙的平衡。通用 AI 的概念（基础模型）虽然人工智能没有全球公认的定义，但科学家们普遍认为，从技术上讲，AI 技术有两大类：“狭义人工智能”（ANI）和“广义人工智能”（AGI）。ANI 技术，例如图像和语音识别系统，也称为弱 AI，在标记良好的数据集上进行训练，以执行特定任务并在预定义的环境中运行。相比之下，AGI 技术（也称为强人工智能）是旨在执行各种智能任务、抽象思考和适应新情况的机器。尽管几年前 AGI 的发展似乎还比较平缓，但包括使用大型语言模型 (LLM) 技术在内的快速技术突破已经从根本上改变了这些技术的潜力。具有生成能力的新一波 AGI 技术（称为“通用人工智能”或“基础模型”）正在使用大量未标记数据进行训练，这些数据只需进行最少的微调即可用于不同的任务。这些底层模型可通过应用程序编程接口 (API) 和开源访问供下游开发人员使用，如今许多公司将其用作基础设施，为最终用户提供下游服务。