🤖 AI

On the Definition of Intelligence

本文提出了一种基于“实体保真度”（entity fidelity）的物种无关的智能定义，将其形式化为 $\varepsilon$ -概念智能，旨在评估一个智能体在指定容差范围内生成与原始样本无法区分的新概念实例的能力。

原作者： Kei-Sing Ng

发布于 2026-08-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Kei-Sing Ng

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

伟大的“何为智能？”之谜

想象你正站在一座宏大的、混乱的图书馆里，书中的文字是用你能想象到的每一种语言编写的，而且有些书甚至不是纸质的——它们是由光、声音或纯粹的数学构成的。几十年来，科学家和工程师一直试图制造出一种能够像人类一样阅读、理解并书写这些书籍的机器。这个领域被称为通用人工智能（AGI），而悬在它上空的最大的问题既简单又极其困难：究竟什么才算“智能”？

通常，我们通过机器能“做什么”来定义智能。它能在国际象棋中击败你吗？它能开车吗？它能通过考试吗？但这变得很棘手。如果一个机器人在国际象棋方面表现卓越，但却不会系鞋带，它算聪明吗？如果一只鸽子识别显微片中癌细胞的能力比医生还强，那这只鸽子是天才吗？衡量智能的旧方法往往依赖于与人类进行比较，这就像是根据鱼爬树的能力来评判它一样。我们需要一把新的尺子，一把不在乎思考者是人类、鸽子还是计算机芯片的尺子。我们需要一个适用于所有人、适用于任何地方、基于单一且普适的“超能力”的定义。

论文的核心思想：“模仿者”测试

在这篇论文中，Ng 提出了一种新鲜、有趣且在数学上严谨的方式来定义智能。他没有问“它能否解决问题？”或“它能否赢得比赛？”，而是提出了一个更简单的问题：“它能否创造出更多同类事物？”

核心思想在于，智能是观察到关于某个“概念”的少量示例后，进而生成完全符合该概念的新事物的能力。把它想象成一位名厨。如果你给一位大厨一盘完美的、金黄色的煎饼（示例），一位真正聪明的厨师可以烹饪出一整批看起来、尝起来和感觉都与原版完全一致的新煎饼。如果新做的煎饼焦了或没熟，那么这位厨师并不擅长处理“煎饼”这个概念。

论文指出，这种“生成保真度”（generative fidelity）——即创造出与原物无法区分的新事物的能力——是智能的心跳。无论是人类按照梵高的风格画出一幅新画，还是鸽子对医疗切片进行分类，亦或是计算机写下一首诗，只要它们能通过观察少量示例并产生符合该模式的新作品，且让人们无法分辨其中的差异，它们都具备智能。

神奇的“不可区分性”规则

为了使这个想法更加精确，作者引入了一个概念，称为 $\epsilon$ -概念智能（ $\epsilon$ -concept intelligence，读作 epsilon-concept）。这里的希腊字母 $\epsilon$ 代表一个极小的、允许的误差范围。

想象你有一个“辨别者”——这可以是一个人类评委、一个计算机程序，甚至是一个非常严格的艺术评论家。他们的任务是观察一堆原始示例和一堆新创作的作品，并试图找出其中的伪造品。

如果辨别者能轻易分辨出差异，那么该系统在处理该概念时不具备智能。
如果辨别者竭尽全力却仍然无法将新创作的作品与原始作品区分开来（在那个微小的误差范围 $\epsilon$ 之内），那么该系统就是智能的。

论文认为，这是一种比传统的“图灵测试”（即人类尝试猜测对方是否在与机器人交谈）更好的衡量智能的方法。图灵测试只是这个新规则的一个特定版本。在新的框架下，如果一台机器能生成与人类反应无法区分的响应，它就通过了测试。但该规则也适用于图林测试无法处理的事物，例如一台机器生成了一种新型引擎设计，其符合“高效运输”这一概念的程度，不亚于马匹或汽车。

这个定义忽略了什么（以及为什么）

作者非常明确地说明了这个定义不是什么。

它不是关于意识。 根据这条规则，你不需要拥有感受、灵魂或“自我”也能被称为智能。一个能完美解决数学问题的简单计算机程序也是智能的，因为它生成了正确的答案，即使它并不“知道”自己在做数学。
它不是关于学习。 机器不需要能够在实战中学习新事物才能被称为智能。如果一台机器虽然处于静止状态，但仍能生成该概念的完美示例，它依然算作智能。学习只是你在一段时间内提高生成这些示例能力的手段，但它本身并不是智能的定义。
它不是以人类为中心的。 该定义并不关心这个“概念”是否是人类所喜爱的。如果一只鸟能创造出一个比人类建筑师更符合“安全庇护所”这一概念的巢穴，那么这只鸟在该领域就是智能的。

智能的两面：“当下”与“未来”

论文还将智能分解为两个有趣的类别，以帮助我们理解它是如何随时间运作的：

共时能力（Synchronic Capability，即“当下”的聪明）： 这是指一个系统在此时此刻生成多种不同概念的优秀示例的能力。它就像一把瑞士军刀，所有工具都已准备就绪，随时待命。
历时能力（Diachronic Capability，即“未来”的聪明）： 这是指适应能力。如果世界发生了变化，你需要学习一个新概念（比如从做煎饼转变为做华夫饼），你学习生成好华夫饼的速度有多快？这就是“学习”的部分，论文将其视为一种独立但相关的超能力。

为什么这很重要

作者建议，通过专注于这种“生成”能力，我们终于可以建立一个统一的标准，来衡量从生物大脑到人工计算机的一切。这改变了人工智能研究的目标。我们不应该致力于制造“像人一样思考”的机器，而应该专注于制造能够生成出与真相、艺术或我们正在寻找的解决方案都无法区分的输出结果的机器。

论文总结道，这种方法可以使人工智能更安全、更可靠。如果我们训练机器去生成与“安全”概念完全一致的输出，我们或许就能防止它们犯下有害的错误。它还暗示，人工智能的未来可能涉及使用高级数学（如范畴论）来绘制这些概念之间的连接图谱，从而让机器能够轻松地从一个想法跳转到另一个想法。

简而言之，这篇论文邀请我们停止追问“它是否聪明？”，转而开始询问：“它能否创造出更多同类事物，且做得如此出色以至于我们无法分辨其真伪？”如果答案是肯定的，那么根据这个新的定义，它就是智能的。

技术摘要：论智能的定义

问题陈述
对通用人工智能（AGI）的追求需要一个正式的、可操作的且与物种无关的智能定义。现有的定义面临显著局限性：

目标导向型定义： 如 Legg 和 Hutter 的定义（衡量智能体在多样化环境中实现目标的能力），难以应用于缺乏明确环境、奖励信号或明确目标的行为（例如生成式 AI）。
人类中心论与时效性定义： 如图灵测试或 Elaine Rich 的定义（将 AI 定义为使计算机能够完成目前人类做得更好的事情），要么受限于人类与机器的比较，要么在时间上取决于当前人类的优越地位。
操作化问题： 心理学定义（如韦氏量表）难以应用于非人类系统。

目前缺乏一个统一的框架，能够跨越不同的范式（包括强化学习、生成模型、分类和类比推理）来评估生物、人工及混合系统，且不依赖于模糊的描述或仅以人类判断作为唯一指标。

方法论
本文提出了一种基于**生成保真度（generative fidelity）和实体不可区分性（entity indistinguishability）**的智能定义。其方法论包含以下形式化构建：

概念空间与纤维（Conceptual Space and Fibres）：
- 令 $U$ 为所有可构想实体（数据点、产品、行为、概念）的宇宙。
- 一个概念空间被定义为一个满射映射 $\Phi: U \to K$ ，其中 $K$ 是概念的集合。
- 对于概念 $k \in K$ ，体现该概念的实体集合称为“纤维” $C_k = \Phi^{-1}(k)$ 。
$\varepsilon$ -概念智能（ $\varepsilon$ -Concept Intelligence）：
- 给定属于概念 $C_k$ 的输入实体多重集 $S \subseteq U$ ，若智能体能够生成一组体现相同概念的实体 $\hat{S}$ ，则称该智能体具有智能。
- 辨别器（Distinguishers）： 一族函数 $F = \{f: U \to [0, 1]\}$ 作为辨别器，用于测试 $S$ 与 $\hat{S}$ 之间的相似性。
- 评分： 评分函数 $\sigma$ 聚合了一组辨别器在集合上的输出。
- 度量： 智能度量定义为在所有辨别器下，原始集合与生成集合之间的得分差异的上确界：
  $\Delta^\sigma_F(S, \hat{S}) = \sup_{f \in F} |\sigma(\{f(x) : x \in S\}) - \sigma(\{f(x') : x' \in \hat{S}\})|$
- 定义： 若对于概念 $k$ ， $\Delta^\sigma_F(S, \hat{S}) \le \varepsilon$ ，则称智能体是 $\varepsilon$ -智能的。这意味着生成的实体在任何容许的辨别器 $F$ 面前，与原始实体在 $\varepsilon$ 容差范围内是不可区分的。
动态框架：
- 本文区分了共时能力（Synchronic Capability）（在给定时间内，针对固定概念集生成低 $\varepsilon$ 实体的广度）与历时能力（Diachronic Capability）（从一个概念集向另一个概念集转移能力的能力，实际上是在衡量学习/适应能力）。

核心贡献

统一的形式化定义： 本文提供了一个单一的数学框架（ $\varepsilon$ -概念智能），它涵盖了多种 AI 范式。它将智能视为不仅仅是抽象映射或仅为目标最大化，而是从根本上表现为生成与给定概念一致的新实体的能力。
现有基准的统一： 作者证明了已建立的智能测试是其框架下的特例：
- 图灵测试： 当纤维是人类语言响应且辨别器是人类评判者时产生。
- C-测试： 当纤维是具有特定 Levin 复杂度的序列且辨别器验证唯一的最小解释时产生。
- Legg-Hutter 智能： 当纤维是环境内最大化预期奖励的行为序列时产生。
解耦智能、学习与意识：
- 该定义不需要意识；一个确定性求解器可以在没有意识的情况下展现出高 $\varepsilon$ -智能。
- 该定义并不严格要求学习能力；一个静态系统如果能持续为某个概念生成正确的输出，则在该领域内是智能的，尽管学习关系到历时能力（即随时间变化的 $\varepsilon$ ）。
操作标准： 该定义满足三个特性：
- 可操作性： 可通过可观察的输出和不可区分性进行测量。
- 可证伪性： 生成与概念偏离输出的系统会被识别为低智能。
- 泛化性： 适用于人类、机器和生物系统，不存在人类中心主义偏见。

结果与理论意义
本文并未呈现新的实验数据，而是提供了理论推导和逻辑一致性检查：

生成保真度： 框架假定智能是生成与概念一致的实体的能力，即使这些实体是抽象的（例如，给定马作为“交通工具”的一个例子，生成汽车）。
安全性与数据质量： 作者认为，由于智能由对概念的保真度定义，因此输出的安全性和可靠性直接取决于训练数据的质量（初始实体 $S$ ）。在源头策展符合安全标准的合成数据被视为减轻有害输出的主要方法。
泛化： 框架支持向未见概念的泛化。如果一个新的概念空间 $K_B$ 可以通过一个全、忠实且本质上满射的函子嵌入到已知空间 $K_A$ 中，则智能边界（辨别器）可以被迁移，从而在理论上允许系统处理未见的问题。

意义与主张
本文声称提供了一个用于比较生物、人工及混合系统的“单一标尺”。其意义在于：

范式转移： 从目标导向或任务特定的定义转向生成保真度模型。
AGI 的基础： 提供了一个足够通用的基准定义，能够涵盖多种范式（RL、LLM、类比推理），同时保持可测试性。
未来方向： 作者建议该框架可以进一步通过**范畴论（Category Theory）**进行完善，其中概念被视为对象，而泛化则通过函子进行建模。作者还指出，后续工作将把这扩展为一个基于定向相似性场（directed similarity fields）和生成算子的数学框架。

作者保持了谦逊的态度，将此作为一种“最小且基础的定义”，旨在作为未来完善和经验验证的理论基准，而非最终的、详尽的智能理论。