Let's Make AGI Real

在人工智能（AI）不断刷新纪录的今天，我们似乎陷入了一种集体眩晕：AI 下围棋赢了世界冠军，AI 画图拿了艺术大奖，AI 写的代码通过了谷歌面试。越来越多的人都开始相信：“通用人工智能（AGI）即将来临！”

然而，在这种狂欢之下，图灵奖得主杨立昆（Yann LeCun）和 DeepMind 创始人哈萨比斯（Demis Hassabis）等顶尖科学家却在进行着冷静甚至残酷的反思。他们都在重新审视一个根本问题：只会做题的机器，真的拥有智能吗？ 

谷歌科学家 François Chollet 在其奠基性论文《论智能的尺度》中，极其深刻地讨论了这根问题。

一、 两个考生的寓言：技能不等于智能

为了看清 AI 的真相，让我们先看一个关于“两个考生”的故事。

• 考生 A：只看了一遍书，做了三道练习题，就考了 100 分。
• 考生 B：背下了过去一百年的所有题库（一亿道题），甚至背下了答案，也考了 100 分。

从成绩单上看，两者的“技能（Skill）”水平一模一样。但在人类看来，显然考生 A 更聪明。为什么？因为 A 掌握了规律，能够举一反三，这叫泛化能力；而 B 只是在死记硬背。

遗憾的是，目前的 AI 发展大多都在疯狂培养“考生 B”。像 AlphaGo 或大型语言模型，它们通过“作弊”的方式——即吞噬人类几万年都看不完的海量数据——来换取高分。这种由数据堆砌出来的“高技能”，掩盖了一个致命的真相：当前 AI 的技能获取效率极低。一旦把题目稍微变个花样，或者把它们扔到一个未曾见过的新场景中，这些“高分选手”往往会瞬间崩溃。

二、 智能的真实公式：从“F1赛车”到“越野车”

那么，真正的智能到底是什么？

Chollet 给出了一个残酷而精准的数学公式：智能是一个转化率。

智能= 任务表现（技能）/ （先验知识+ 经验数据）

这个公式告诉我们：智能的高低，不看你最后考了多少分（分子），而看你为了拿到这个分数消耗了多少资源（分母）。

• 现有的 AI：虽然分子很高，但分母（消耗的数据和算力）是天文数字，一除下来，智能得分极低。
• 人类：只需要极少的演示（几百盘棋、几次对话），就能掌握一项新技能。这种极高的“数据转化效率”，才是智能的皇冠。

关于这一点，哈萨比斯曾用一个精彩的比喻来描述“通用性”：现在的特化 AI 就像一辆F1 赛车，在特定的赛道上它是无敌的；但真正的智能应该像一辆越野车。虽然越野车在赛道上跑不过 F1，但它能穿越泥泞、丛林，适应任何未知的路况。

真正的 AGI，追求的不是在某一张考卷上拿满分，而是那种“既能装水又能装沙”的适应性。

三、 沃兹尼亚克的咖啡与人类的“出厂设置”

如果刷题不能证明智能，那什么能证明？

苹果联合创始人沃兹尼亚克提出了一个著名的“咖啡测试”：把一个机器人扔进一所它从未去过的陌生房子，让它自己走进厨房，找到咖啡机、杯子和咖啡粉，泡一杯咖啡。这对人类六岁小孩来说轻而易举，但对那些战胜过人类棋手的 AI 来说，却是地狱难度。因为这考查的不是已有的知识，而是面对陌生环境的探索与推理。

为什么人类能通过咖啡测试？杨立昆指出，人类大脑虽然不是全能的（比如我们的瞬间记忆甚至不如黑猩猩），但我们拥有一套高效的“过滤器”。面对宇宙中近乎无限的信息噪音，人类进化出了一套**“核心先验知识”**（Priors），这就像我们的“出厂设置”。

在 Chollet 设计的ARC 测试中，去掉了所有语言和文化背景，只保留了人类最基础的认知积木：

• 物体恒常性（东西不会凭空消失）；
• 主体性（物体有目标）；
• 物理直觉（几何、拓扑、数量）。

正是这些“出厂设置”，让我们的大脑不仅仅是一个存储器，而是一个**“程序生成引擎”**。当我们面对新问题（比如在新厨房泡咖啡）时，我们不是在脑海里查数据库，而是利用这些基础积木，瞬间“写”出了一段新的逻辑代码来解决它。

四、 结语：给人类智能的一封情书

哈萨比斯曾感叹，人类大脑最神奇的地方在于“旧硬件产生新能力”：我们这颗为了在草原上抓羚羊而进化的大脑，几百万年后竟然学会了理解量子物理和编写代码。

这正是智能的本质。真正的智能不是全知全能的神，而是一个在信息匮乏的荒原上，利用极少的线索、依靠核心逻辑去推导未来的探索者。

未来的 AGI 之路，不再是单纯地把模型做大、把数据喂多，而是要教会机器像人类一样，拥有那些看似简单却无比深刻的“出厂设置”，学会从模仿走向理解，从刷题走向探索。这不仅是对机器的重新定义，更是一次对人类自身智慧的深刻致敬。