Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction
本文提出了一个基于认知神经科学中信号预测原理的可证伪的人工通用智能框架，并引入了一个用于经验性评估这些基础性要求的操作测试平台。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图制造一个像人类一样真正“聪明”的机器人。如今大多数人试图通过给机器人一百万个关于如何下棋、写诗或驾驶汽车的例子来教它。但本文认为，我们把问题看反了。我们不应该教机器人“做什么”，而应该弄清楚允许一个大脑（无论是生物脑还是人工脑）进行学习的那些基本的、底层的规则。
作者 Matej Šprogar 提出了衡量“通用人工智能”（AGI）的一种新方法。他不是问：“这个机器人能通过数学考试吗？”而是问：“这个机器人是否具备学习的基础构建模块？”
以下是该论文核心思想的简单拆解：
1. 核心思想：通过预测未来来进行学习
论文指出，真正的智能不在于记忆事实，而在于预测未来。
- 类比： 想象你正走在黑暗的森林中。你听到一根树枝折断的声音。一个聪明的系统不仅能听到声音，还会立即猜测：“有一只鹿要过来了，”或者“是一根树枝掉了，”并为下一步行动做好准备。
- 论文的观点： 一个智能系统必须能够观察一段原始数据流（类似于神经元放电的 1 和 0 序列），并猜出下一个环节是什么。它通过尝试根据之前的“帧”来预测现实的下一“帧”来进行学习。
2. “可证伪”测试（12 条规则）
由于我们没有完美的“智能”定义，作者并没有试图证明一个系统是聪明的。相反，他设置了一个陷阱。他提出了 12 条具体的规则，任何真正的智能系统都必须遵循这些规则。
如果一个系统哪怕违反了其中一条规则，它也不能被视为具有通用智能。然而，通过所有 12 条规则并不保证它就是天才；这仅仅意味着它还没有被抓到作弊的把柄。
以下是结合日常类比解释的 12 条规则：
- 白纸（空白状态）： 系统必须从零知识开始。它不能拥有任何预设的“作弊码”或预载的关于世界的知识。它必须像人类婴儿一样，从头开始学习一切。
- 发条大脑： 如果你向系统输入两次完全相同的输入，它的反应必须完全一致。它不能是随机或混乱的；它需要保持一致性。
- 永久伤痕： 系统看到的每一条信息都必须在它的“记忆”中留下永久的印记。它不能忘记或覆盖过去；每一次经历都会永远改变它。
- 时间的重要性： 事件的顺序必须很重要。如果你先看到“烟雾”信号，后看到“火灾”信号，这与先看到“火灾”后看到“烟雾”是不同的。系统必须理解时间是单向流动的。
- “恢复期”： 正如真实的神经元在再次放电前需要一瞬间的休息一样，系统不能瞬间处理两个完全相同的信号。在输入之间，它需要一个微小的“喘息”时间。
- 容量限制： 系统不能学习所有事物。它有一个极限。它应该能轻松学习简单的配对事件，但随着序列变得更长、更复杂，它最终应该撞上一堵墙，即无法再继续学习。
- 灵活的时序： 系统必须能够学习快速发生的模式（如鼓点）和缓慢发生的模式（如季节）。它不能被困在单一的速度上。
- 难易程度： 如果模式很简单，系统应该学得很快。如果模式杂乱且复杂，它应该花费更长时间。学习速度应与难度相匹配。
- 语境相关： 系统学习的速度取决于它已经知道什么。如果新信息与它昨天学到的内容相符，它应该学得快；如果新信息与昨天相矛盾，它应该学得慢。
- 噪声过滤器： 如果你给系统一个熟悉的模式，但弄乱了其中的一部分（比如一张带有划痕的唱片播放出的音乐），它应该能够“听出”错误，并猜出正确的音符应该是多少。
- 信任的飞跃（泛化）： 如果系统学习了一个模式，它应该能够预测它从未见过的序列中的下一个环节。它不应只是死记硬背，而应理解其背后的规则。
- 实时速度： 系统必须立即做出决策。它不能在处理一个简单输入时思考一年。无论它学到了多少东西，它必须在固定的短时间内做出反应。
3. “测试平台”（考试）
作者构建了一个名为 AGITB 的数字考试，用以检查计算机是否能通过这 12 条规则。
- 设置： 计算机被喂入一段随机的 10 位二进制数字（类似于灯光开关的开与关）。
- 目标： 计算机必须预测流中的下一个数字。
- 结果： 到目前为止，没有任何现有的 AI 系统通过了完整的测试。
- 为什么？ 现代 AI（比如你使用的聊天机器人）通常在“白纸”规则上失败，因为它们是在海量数据上预训练过的。它们在“实时”规则上失败，因为它们太慢，或者需要庞大的计算机进行思考。它们在“永久伤痕”规则上失败，因为它们的记忆经常会被重置。
4. 为什么这很重要
论文认为，目前的 AI 就像一只鹦鹉。它可以重复它听到的内容，但它并不真正理解时间的流动，也不能在没有预加载的情况下从原始经验中学习。
为了制造一个真正“活着”且具有适应性的机器人，我们需要停止尝试教它高层技能（如写文章），转而开始构建满足这 12 条底层规则的系统。如果一台机器能通过这项测试，这意味着它具备了通用智能的潜力。如果它失败了，它就只是一个专门化的工具。
简而言之： 论文说，“我们不知道确切的‘智能’是什么，但我们知道它不是什么。这里有 12 条聪明的脑子必须遵循的规则。如果你的机器人违反了其中任何一条，它还不够聪明。”
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。