强人工智能与通用人工智能有什么本质区别

　　，既缺乏理论依据，又具有误导性：逻辑上貌似完整无缺，又与“奇点”不谋而合。其中，计算智能（又称运算智能）指的是快速计算和记忆存储能力，感知智能指的是视觉、听觉、触觉等感知能力，认知智能则指抽象理解的能力。对于计算系统而言，计算智能对应于计算水平，感知智能对应于感知水平，而认知智能则对应于认知水平，三者由低至高逐级更加“智能”。现在计算智能和感知智能业已成熟，那么随着技术的发展，在给定这一框架的前提下，认知智能也应该可以实现，毕竟前两者已经做到了。然而，无关乎最后的认知智能是否最终必然实现，关键问题在于框架的前提就有问题。事实上，计算能力和感知能力只是实现智能的必要条件，而不是智能本身，所以将计算智能和感知智能也划入智能的分解只是一个玩弄逻辑概念的把戏而已，在不能够真正地解决任何实质性问题的同时却极大提升了“认知智能必定能够实现”的信念和预期。因此，如果不能详实检视这个前提，那么所得到的后续结论便经不起推敲。

　　第二种分类多见于哲学论述中，最早由赛尔提出（Searle J，1980）。他认为，弱人工智能的计算机其价值主要是为心智探索提供有效的工具，而强人工智能则意味着某种程序化系统的运行本身就处于心智状态中，能够真正理解事物并具有自己的认知状态（唐热风，1998）。对此，徐英瑾专门撰文写道：大众理解的“强—弱”之分在于智能的宽与窄之分，而塞尔心中“强—弱”之分却是真假之分。然而，这种区分并不是没有意义的，起码说明了“人工智能在各个领域内的量的积累，未必会导致真正意义上的智能的涌现”（徐英瑾，2018）。于是，在赛尔看来即使一个计算机系统的外在表现完全像人，那也只是个“弱人工智能”，而“强人工智能”必须真正拥有自我意识。这是很多通用人工智能研究者不认可的，因为在此分类下人工智能系统的“强弱”之别就没有任何外部标准来衡量了（王培，2016）。可以看出，“强人工智能”并不是智力能够全面接近乃至超越人类智能的机器智能，而“弱人工智能”也不是指对人类智能的某些方面的模仿。所以，从原始学科向其他学科的概念“转移”中，其内涵和外延已经发生了变化，正如“奇点”一样。

　　第三种分类则出自人工智能技术领域自身，即认为人工智能包括专用人工智能（Special-purpose AI，SAI）和通用人工智能（Artificial General Intelligence，AGI）两个不同的子领域。对于“智能”理解的根本差异，使人工智能分化成为专用和通用两个不同分支。专用人工智能采取先做后思的路径，即一开始并不深究智能也不对智能做清晰的定义，而是通过技术迭代渐进式地提升智能化的程度。通用人工智能认为智能的存在代表着可以被认知的理性原则，采取的是先思后做的路径（刘凯，胡祥恩等，2018）。与人工智能早期工作时所使用“AI”非常相似，“AGI”的表述在2005前后被核心研究群体认可和采用，希望将他们的目标与当前“AI”（即SAI）区分开来。随后，AGI学会的年会及其学报于2008年及2009年相继启动。由于AGI项目的做法往往与主流AI社区有重大差别，所以尽管近年来“AGI”一词大热，但相关研究成果却基本鲜为人知。

　　因此，上述三种分类既有关联，又彼此不同，且三者不能简单等同：“计算智能+感知智能”既不能简单等同于“弱人工智能”，也不能简单等同于“专用人工智能”。同样地，“认知智能”既不能简单等同于“强人工智能”（强调“真正”智能的有无），也不能简单等同于“通用人工智能”（强调“真正”智能本身的特征）。事实上，也只有第三种分类适用于当前语境下的学术讨论，因此本文也将以第三种分类──“专用人工智能”和“通用人工智能”为讨论前提。

　　刘凯,隆舟,刘备备,王伟军,王培. 何去何从? 通用人工智能视域下未来的教师与教师的未来[J]. 武汉科技大学学报, 2018, 20(5):565-575.

　　人工智能的一个比较流行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡在1956年的 达特矛斯会议上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性。另一个定义指人工智能是人造机器所表现出来的智能。总体来讲，目前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。

　　强人工智能观点认为有可能制造出真正能推理和解决问题的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：类人的人工智能，即机器的思考和推理就像人的思维一样。非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式

　　弱人工智能观点认为不可能制造出能真正地推理和解决问题的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。

　　弱人工智能是对比强人工智能才出现的，因为人工智能的研究一度处于停滞不前的状态下，直到类神经网络有了强大的运算能力加以模拟后，才开始改变并大幅超前。但人工智能研究者不一定同意弱人工智能，也不一定在乎或者了解强人工智能和弱人工智能的内容与差别，对定义争论不休。

　　就现下的人工智能研究领域来看，研究者已大量造出看起来像是智能的机器，获取相当丰硕的理论上和实质上的成果，如2009年康乃尔大学教授Hod Lipson 和其博士研究生Michael Schmidt 研发出的 Eureqa计算机程序，只要给予一些数据，这计算机程序自己只用几十个小时计算就推论出牛顿花费多年研究才发现的牛顿力学公式，等于只用几十个小时就自己重新发现牛顿力学公式，这计算机程序也能用来研究很多其他领域的科学问题上。这些所谓的弱人工智能在神经网络发展下已经有巨大进步，但对于要如何集成成强人工智能，现在还没有明确定论。

　　关于强人工智能的争论，不同于更广义的一元论和二元论的争论。其争论要点是：如果一台机器的唯一工作原理就是转换编码数据，那么这台机器是不是有思维的?希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。