人工智能的进步使人工智能能够执行以前认为只有人类才能完成的任务，例如翻译语言、驾驶汽车、玩世界冠军级别的棋盘游戏以及提取蛋白质结构。然而，这些 AI 中的每一个都是针对单个任务进行设计和详尽训练的，并且能够仅学习该特定任务所需的内容。
最近的 AI 可以产生流畅的文本，包括与人类的对话，并产生令人印象深刻的独特艺术，这可能会给人一种思维在工作的错误印象。但即使是这些都是执行狭义任务并需要大量培训的专业系统。
将多个人工智能组合成一个可以学习和执行许多不同任务的人工智能仍然是一项艰巨的挑战，更不用说追求人类执行的所有任务或利用人类可用的经验范围来减少原本需要的数据量学习如何执行这些任务。目前这方面最好的 AI，例如AlphaZero和Gato ，可以处理适合单一模式的各种任务，例如玩游戏。能够完成广泛任务的通用人工智能 (AGI)仍然难以捉摸。
最终，AGI需要能够在各种物理环境和社会环境中与彼此和人有效互动，整合所需的各种技能和知识，并从这些互动中灵活有效地学习。
构建 AGI 归结为构建人工思维，尽管与人类思维相比大大简化了。而要建立一个人工思维，你需要从一个认知模型开始。
从人类到通用人工智能
人类拥有几乎无限的技能和知识，并且无需重新设计即可快速学习新信息。可以想象，可以使用一种与人类智能根本不同的方法来构建 AGI。然而，作为人工智能和认知科学的三位长期研究人员，我们的方法是从人类思维的结构中汲取灵感和见解。我们正在通过努力更好地理解人类思维来实现 AGI，并通过努力实现 AGI 来更好地理解人类思维。
从神经科学、认知科学和心理学的研究中，我们知道人脑既不是一组巨大的同质神经元，也不是一组庞大的特定任务程序，每个程序都解决一个问题。相反，它是一组具有不同属性的区域，这些区域支持共同形成人类思维的基本认知能力。
这些能力包括感知和行动；对当前情况相关内容的短期记忆；对技能、经验和知识的长期记忆；推理和决策；情感和动机；从一个人的感知和经验中学习新的技能和知识。
人工智能先驱艾伦·纽厄尔（ Allen Newell ）在 1990 年建议开发整合人类思想各个方面的统一认知理论，而不是孤立地关注特定能力。研究人员已经能够构建体现这些理论的称为认知架构的软件程序，从而使测试和改进它们成为可能。
认知架构基于具有不同观点的多个科学领域。神经科学侧重于人类大脑的组织，认知心理学侧重于受控实验中的人类行为，人工智能侧重于有用的能力。
认知的共同模型
我们参与了三种认知架构的开发： ACT-R 、 Soar和Sigma 。其他研究人员也一直在忙于替代方法。一篇论文确定了近 50 种主动认知架构。这种架构的激增部分是所涉及的多个视角的直接反映，部分是对各种潜在解决方案的探索。然而，不管是什么原因，它在科学上和在寻找一条通向 AGI 的连贯道路方面都提出了尴尬的问题。
幸运的是，这种扩散使该领域达到了一个重大转折点。我们三个人已经确定了架构之间的惊人融合，反映了神经、行为和计算研究的结合。作为回应，我们发起了一项全社区的努力，以类似于 20 世纪下半叶出现的粒子物理学标准模型的方式来捕捉这种融合。
这种基本的认知模型既解释了人类的思维，也为真正的人工智能提供了蓝图。 Andrea Stocco，CC BY-ND
这种认知通用模型将类人思维分为多个模块，模型中心有一个短期记忆模块。其他模块（感知、行动、技能和知识）通过它进行交互。
学习不是有意发生的，而是作为处理的副作用自动发生的。换句话说，您无法决定长期记忆中存储的内容。相反，架构会根据您的想法来确定所学的内容。这可以让您学习接触到的新事实或尝试的新技能。它还可以对现有事实和技能进行改进。
模块本身并行运行；例如，让您在聆听和环顾周围环境时记住一些事情。每个模块的计算都是大规模并行的，这意味着同时发生许多小的计算步骤。例如，在从大量先前经验中检索相关事实时，长时记忆模块可以在一个步骤中同时确定所有已知事实的相关性。
引导通用人工智能之路
通用模型基于当前认知架构研究的共识，具有指导自然和人工智能通用智能研究的潜力。当用于模拟大脑中的交流模式时，通用模型产生的结果比神经科学的领先模型更准确。这扩展了它对人类建模的能力——一个被证明具有一般智能能力的系统——超越了认知考虑，包括大脑本身的组织。
我们开始看到将现有认知架构与通用模型相关联并将其用作新工作的基线的努力——例如，旨在指导人们改善健康行为的交互式人工智能。我们中的一个人参与了开发一种基于 Soar 的人工智能，称为Rosie ，它通过人类教师的英语指令学习新任务。它学习了 60 种不同的谜题和游戏，并且可以将它从一个游戏中学到的知识转移到另一个游戏中。它还学习控制移动机器人执行诸如取货和递送包裹以及巡逻建筑物等任务。
Rosie 只是一个例子，它展示了如何构建一种通过通用模型很好地表征的认知架构来接近 AGI 的 AI。在这种情况下，人工智能在综合推理过程中自动学习新的技能和知识，结合人类的自然语言指令和最少量的经验——换句话说，一个人工智能比今天的人工智能更像人类思维，后者通过蛮力学习计算能力和海量数据。
从更广泛的 AGI 角度来看，我们将通用模型视为开发此类架构和 AI 的指南，并将从这些尝试中获得的见解整合到最终导致 AGI 的共识中。 
本文根据知识共享许可从The Conversation重新发布。阅读原文。
图片来源： Shutterstock.com/wowowG