那么,什么是通用智能?

社区文章 发布于 2025 年 1 月 20 日

image/png

摘要

  • 通用智能是一个系统在已知和未知情况下,以适应性方式泛化决策过程的能力。这意味着它能够将在一种情境中学习到的知识应用于新的、不同的情境。

  • 虽然基本智能涉及处理输入和产生输出,但通用智能需要适应性,尤其是在具有挑战性或不熟悉的环境中。这种适应性包括学习、预测和抵抗退化。

  • 通用智能不仅仅是解决问题。它是一种更广泛的决策特征,它从多种来源中获取信息。这些来源包括:

    • 亚符号泛化:从原始经验中学习关联,就像深度学习模型一样。
    • 生成泛化:使用混沌过程和动态系统生成新颖场景,这对流体智能很重要。
    • 记忆驱动泛化:通过抽象、想象和重新表示整合过去经验。
    • 时间泛化:根据学习到的序列和基于奖励的逆向推断来预测未来状态。
    • 分布式泛化:在多个代理之间共享知识。
    • 即时泛化:实时调整知识,利用工作记忆整合长期记忆和短期记忆。
    • 基于相似性的泛化:将新经验与过去经验进行比较,并相应调整信念。
    • 符号泛化:使用基于规则的推理、演绎、归纳和溯因推理来推导新知识。
    • 跨领域泛化:通过类比、概念融合和其他机制融合不同领域的知识。
    • 元认知泛化:通过意识、因果推理和复杂推断来自我调节学习和行为。
  • 本质上,通用智能使代理能够有效地泛化其内部计算过程(“推理”)以适应各种情况,从而实现适应性行为。这包括自发学习、解决问题以及将来自不同领域的知识应用于实现目标。它结合了联想学习、记忆整合、预测、复杂推理和其他过程,以在人工和生物系统中实现适应性和灵活性。

引语

“智能是信息处理系统在知识和资源不足的情况下适应环境的能力。”——P. Wang

“个体在理解复杂思想、有效适应环境、从经验中学习、进行各种形式的推理、通过思考克服障碍等方面的能力各不相同。”——美国心理学会

“我们将使用‘智能’一词来表示有机体解决新问题的能力……”——W. V. Bingham

“系统的智能是其在任务范围内,相对于先验、经验和泛化难度而言,技能获取效率的衡量。”——F. Chollet

“这些假设中的第一个是普遍存在的假设,即智能是一种‘心智的品质’,可以用聪明、富有创造力、敏锐等形容词来描述。实际上,智能是行为的一个方面;它主要与人类所做或想做的事情的适当性、有效性和价值有关。...它不能被定义为单一的特质或能力,如果被视为一种能力,它必须被视为一种整体或全局的能力...要被评定为智能,行为不仅必须是理性和有目的的;它不仅必须有意义,而且必须有价值,必须受到尊重。...个体理解周围世界的能力以及应对其挑战的足智多谋。”——D. Wechsler

“实用通用智能衡量代理在环境中实现目标的能力,相对于目标和环境空间上的先验分布。高效实用通用智能衡量相同的能力,但要根据实现目标过程中所利用的计算资源量进行标准化。”——B. Goertzel

“智能通常被定义为学习、理解和处理新情况的能力。聪明的人被认为是思维敏捷、敏锐、精明、狡猾、机智、聪慧和杰出的人。”——P. Kline

定义通用智能:超越简单的解决问题

“通用智能”一词一直是心理学、认知科学和人工智能(AI)的核心话题。每个领域都提供了其对智能构成独特的见解,然而这个概念经常被误解、过度简化,或被简化为解决问题等特定特质。这篇文章旨在深入探讨通用智能,探索其在不同系统中的分层、多面性。通用智能的传统解释通常将其等同于流体智力。然而,我提出通用智能,就像一般智能一样,是系统的一个渐进属性,源于部分过程。这些过程越强大,系统的理论通用智能就越高。虽然流体智力是其中一部分,但它只是一个方面。值得注意的是,多元、公平和包容(DEI)圈子中的一些人可能会反对通用智能之类的概念,因为它们与“TESCREAL”社区相关联,但这并不影响其有效性或智力意义。决策过程系统中的通用智能是指系统能够以适应性方式泛化决策,无论是在熟悉还是不熟悉的情况下。那么,通用智能与智能本身有何区别呢?智能通常指一个代理接受输入,以系统方式处理它们,并产生与环境和谐一致的输出的能力。这种描述并未具体说明内部发生的复杂性或精密的处理或推理。例如,一个在无限能量和无后果的情况下,生成随机数而不影响自身或环境的代理,可能被认为与在相同条件下什么也不做的代理一样智能。如果没有任何后果,任何行动(或不行动)都是同样有效的。相比之下,通用智能涉及内部和外部环境的适应,通常包括对抗性条件。它表现为代理对退化的抵抗力并需要学习。虽然智能可以通过静态规则发挥作用并在其专门设计的环境中表现良好,但通用智能需要灵活性。例如,一个通用人工智能(AGI)可能会为某些任务编写专门的C代码程序,而不是依赖其自身的过程,并且它将使用相对简单、静态的模型来高效执行重复性任务,而不是通过其自身的复杂机制来运行这些任务。

决策过程系统的通用智能是指系统能够自适应地泛化决策过程,无论是在已知还是未知情况下。

通用智能可以定义为代理能够泛化其内部计算过程——通常被称为“推理”——以适应各种情况,从而促进适应性行为的能力。这包括自发学习、解决新问题的能力,以及将来自不同领域的知识应用于实现特定目标的能力。通用智能是一个多层次的属性,它来自各种决策过程的组合,而不是可以简化为单一的认知技能。

智能与通用智能的区别

传统意义上的智能与通用智能之间存在一个重要的区别。基本智能是指代理处理输入、执行计算并产生与环境和谐一致的输出的能力。这种智能可以是静态的:一套预定义的规则可能足以在已知、不变的环境中表现良好。然而,通用智能更进一步。它要求在内部和外部环境中都具备适应性,特别是在对抗性或新颖的条件下。这需要学习、预测和抵抗退化的能力——这些特质将生物智能与狭义的人工智能系统区分开来。通用智能能够适应不断变化的环境,通常通过复杂的推理和学习机制。

上述整合的通用智能的不同解释

人工智能中的实用通用智能
通用智能受多种标准驱动

  • 快乐:知识的再利用
  • 成长:获取或创造新的、令人惊讶的知识
  • 选择:保留未来的自由或决策主导权
  • 智力广度:涵盖了多少个不同的领域
  • 目标达成:实现目标的有效性
  • 高效资源利用:例如,技能获取效率或认知协同效应

对新情况的适应性和具身性

心理学和认知科学中的通用智能
过程重叠理论认为,通用智能(g)源于视觉空间和言语推理等领域中重叠的执行过程。这些过程的核心是工作记忆和注意力控制,它们位于大脑的额顶网络中。这些领域通用过程与各种认知领域中的领域特定功能相互作用。

认知架构(模拟人类思维)列举了通用人工智能应支持的几个关键过程,包括:

  • 识别和分类
  • 决策和选择
  • 感知和态势评估
  • 预测和监控
  • 问题解决和规划
  • 推理和信念维护
  • 执行和行动
  • 交互和通信
  • 记忆、反思和学习

神经科学
神经科学提出了各种与工作记忆、注意力整合、执行功能和情境依赖性适应相关的理论。这些过程还涉及对语义记忆、情景记忆和知觉记忆中非模态和跨模态表征的分割和排序。这些心理表征作为一种“思维语言”发挥作用,与更抽象的泛化解释相符。

泛化解释(见下文)

智能泛化的多种来源

通用智能的关键特征是能够将代理的内部计算过程(在人工智能中通常称为“推理”)泛化到各种情况,从而实现适应性行为,这不仅限于自发行为。这意味着代理的通用智能有多种来源,它不能简化为我们通常从心理学角度联想到的词语,即在工作记忆中通过推理解决问题。它最好被认为是系统决策行为的一种属性,而不仅仅是特定的认知过程,尽管人类的特殊之处在于他们不仅像其他一些动物一样拥有专门的机器,而且拥有更复杂的机器来实现即时泛化。这种差异解释了关于该概念的许多混淆,尤其是在通用人工智能研究中。

跨情境泛化决策过程的来源有哪些?

  • 亚符号泛化:通过联想学习
  • 生成泛化:混沌理论与动力系统
  • 记忆驱动泛化:整合过往经验
  • 时间泛化:预测和未来状态预测
  • 分布式泛化:在代理之间共享知识
  • 即时泛化:实时适应知识
  • 基于相似性的泛化:从经验中类比
  • 符号泛化:基于规则的推理和抽象
  • 跨领域泛化:融合不同领域的知识
  • 元认知泛化:自我调节和学习意识

抱歉,理解有误!以下是带有编号标题的原始内容,未作任何更改:

  1. 亚符号泛化:通过联想学习
    亚符号泛化,也称为连接主义泛化,指通过学习原始经验中可复用的关联来泛化的能力。这种泛化形式是现代人工智能系统的基础,例如 AlphaZero 或 GPT 模型。这些系统经过广泛经验的训练,并通过其训练目标调整其内部权重,以更好地反映其环境中的模式。这个过程创建了一个联想的“世界模型”,本质上是其环境的直接映射——无论是通过经验过的游戏片段还是来自大型语料库的预测文本。
    同样,在人类中,大脑会自动根据经验形成新的联想。这些联想,在经典条件反射和操作性条件反射过程中很常见,有助于增强泛化。相关经验使我们能够将知识泛化到局部相似的情况,在更高级的情况下,甚至可以泛化到广泛相似的情况,如深度学习模型所示。通过不断从经验中学习,人工智能和生物系统都提高了它们适应新的、相关情况的能力。

  2. 生成式泛化:混沌理论与动态系统
    泛化的联想基础可以通过整合生成性以及动态系统和混沌理论的原理来增强。传统的神经网络(ANN)通常设计用于拟合静态数据分布,虽然有些能够进行在线学习,但真正的终身学习——即在不忘记先前知识的情况下持续适应的能力——在神经网络中仍然是一个未解决的挑战,灾难性遗忘现象就证明了这一点。本质上,许多神经网络就像巨大的查找表,由高度复杂但最终静态的规则组成。
    相比之下,生物神经元,特别是由于树突的非线性,可以支持广泛的动态活动,远超当前静态人工神经网络所能达到的。单个神经元的复杂性可以如此之广,以至于需要一个深度前馈网络才能完全描述其行为。除了单个神经元之外,整个人脑被认为是一个世界的生成模型,作为一个受引导的混沌系统运行。这个系统使用吸引子状态等自引导机制,在动态过程中创建稳定的模式。
    从根本上说,有效的泛化不仅在于与相关的环境经验良好地结合,还在于将知识构建在能够促进创造力的混沌骨干上。无论是生物系统还是人工智能系统,即使没有更高层次的认知推理,也能够生成大量新颖但有根据的场景。这种创造力在梦境的异常内容中显而易见,这些内容来源于这些混沌过程。此外,这种生成模型对于流体智力具有很强的效力,这使得神经形态计算——它试图模拟这些生物动力学——成为未来自适应泛化研究的一个有前景的领域。

  3. 记忆驱动泛化:整合过往经验
    记忆整合在泛化中扮演着至关重要的角色,与深度学习在各种经验中进行抽象的能力密切相关。这个过程涉及将新经验与现有知识整合,从而增强系统泛化的能力。记忆整合包含多种机制,例如:

    • 抽象:将复杂经验简化为更一般的概念。
    • 想象/模拟:使用心理模型预测结果或测试场景。
    • 重新表征:重新组织现有知识以适应新信息。
    • 分化:区分新信息与先前知识以完善理解。
    • 梦境:对于人类而言,梦境是一种离线泛化过程,它根据先前的经验模拟场景。
    • 语义和情景记忆泛化:整合事实(语义)和个人(情景)记忆以形成泛化知识。
    • 认知协同:不同认知过程和模块之间的协作,以整合知识并改善泛化。
      通过记忆整合,系统——无论是生物系统还是人工系统——都可以将先前学习到的信息应用于新情况,从而增强适应性和决策能力。这种新旧经验的融合过程允许在更广泛的语境中进行更广泛、更有效的泛化。
  4. 时间泛化:预测和未来状态预测
    预测和理解是记忆整合的一种时间形式,其中知识随时间泛化。在深度学习中,这涉及从序列或基于时间的数据中学习,使系统能够预测自身或其环境的未来状态。这些预测允许策略优化——调整行动以最大化奖励或实现特定目标。
    通过从过去的序列和结果中学习,代理可以预测未来情况,并将学习到的策略应用于新环境。这个过程包括:

    • 时间序列学习:深度学习模型分析时间模式,理解当前状态如何过渡到未来状态。
    • 基于奖励的反向推断:利用来自得分奖励函数的反馈,代理调整其策略以优化未来的行动。
    • 策略泛化:学习到的策略,一旦在过去的情况中有效,就可以泛化并应用于新的、相似的环境,从而增强适应性和决策能力。
      通过这种机制,人工智能和生物系统都利用对过去事件的理解来预测未来状态,从而导致更有效的行动和更好的长期结果。
  5. 分布式泛化:在代理之间共享知识
    这种泛化形式涉及整合来自多个代理的知识,并将其抽象并应用于单个代理自身的经验和上下文。它作为一种高效的知识共享方式,促进了具有不同背景和视角的代理之间的思想和见解的交叉传播。

  6. 即时泛化:实时适应知识
    即时泛化是指实时调整工作记忆中存储的知识,以解决当前任务或问题。它涉及灵活整合长期记忆和短期记忆,以帮助实现即时目标。这个过程由工作记忆的迭代更新模型描述,其中新信息被检索并与已存储的相似项目进行匹配,无论是在宏观层面还是微观层面。即时泛化既能使长期记忆适应特定任务,又能自发学习新见解,其中预测误差会触发对新经验的有意识识别。这使得新知识可以在工作记忆中进行标记,以便立即使用。这个过程的一个例子是当你心理模拟一个场景或为新问题规划解决方案时。

  7. 基于相似性的泛化:从经验中类比
    基于相似性的泛化涉及将新经验与之前遇到的经验进行比较,评估它们的相似性,并将这些知识整合到现有记忆中。主动推断等方法说明了这一过程,其中预先存在的信念构成了新经验的框架,要么引导行为,要么通过整合新信念来调整知识本身。不精确学习允许放宽模型条件,有助于在训练或测试期间泛化到分布外实例,通过更灵活地调整模型以适应数据。

  8. 符号泛化:基于规则的推理和抽象
    符号泛化和推理涉及使用形式规则来推导新知识。演绎法将既定规则应用于进行命题预测,而归纳法从有限的观察集合中推断新规则。另一方面,溯因法为给定的一组观察推导出解释,或根据相似性分配最可能的规则。所有这些过程都可以通过主动推断框架为认知控制,其中情境依赖性泛化影响决策。然而,符号处理可以被视为一种联想处理形式。主动推断循环不断调整信念,以满足认知控制和规划的约束。这意味着推理可以归结为溯因,其中推理成为一个持续的反馈循环,将预测作为规则应用并根据内部反馈进行修订。在这个框架中,演绎法像联想推理一样运作,使用溯因逻辑与最有可能导致逻辑结论的约束保持一致。归纳法根据观察引入概率规则,并根据其为真的可能性更新它们。推理的单一过程模型表明,推理强度在连续统一体上进行评估,具体取决于决策标准。对于归纳法,标准是泛化的合理性,而对于演绎法,则是逻辑有效性(通常涉及进一步的推断)。在这种贝叶斯观点中,推理将信念解释为世界的描述。归纳推理可以被视为演绎推理的泛化,其中对于演绎推理,代理的信念不确定性是二元的——要么真,要么假。

  9. 跨领域泛化:融合不同领域的知识
    跨领域推理和理论融合是创造力和通过连接看似不相关的领域泛化知识的关键机制。这些过程允许知识的转移和转化,从而产生新的见解和解决方案。有几种机制支持这一点,包括:

    • 类比:此过程涉及识别两个领域之间的结构对应关系,即使它们表面上看起来截然不同。通过识别潜在的相似性,一个领域的知识可以应用于另一个领域。启发式驱动理论投影(HDTP)是一种类比框架,其中领域使用一阶逻辑表示,并通过反统一来检测类比。
    • 跨领域泛化:这种机制抽象出多个领域的共同特征,以形成更通用的理解。通过从具体例子中迭代泛化,可以产生更高阶的概念和原则。例如,识别数学领域(如对象集合)中的共享属性可以导致对算术的更抽象理解。
    • 跨领域专门化:这涉及通过将抽象概念应用于特定上下文,将通用理论应用于特定领域。通用理论中的术语和关系被转换为适用于目标领域的形式,从而使抽象知识能够解决具体问题。
    • 同余关系检测:这种机制旨在识别领域之间的结构同余,从而实现知识分类和表示的新方式。通过识别在不同领域中与等价关系类似的关系,它有助于创建新的表示系统和对复杂关系的更深入理解。
    • 概念融合:概念融合是结合不同领域元素以生成新概念的能力。借鉴高根(Goguen)对概念融合的形式化,此过程涉及在两个领域之间找到共同的泛化,并构建一个“融合空间”,该空间保持由泛化建立的关系。该过程包括:
      • 输入域(I1 和 I2):两个初始概念空间,每个都形式化为一个理论。
      • 泛化(G):一个抽象空间,突出两个输入域之间的共性。
      • 融合空间(B):通过融合过程形成的新空间,继承了两个领域的元素,同时创建了新颖的属性。
      • 态射:连接概念空间的映射,确保融合空间保留了基本关系。
        其他跨领域推理机制包括:
    • 类比:通过将已知情境的解决方案转移到新情境中来解决问题。
    • 跨领域泛化:压缩知识,形成抽象概念,并从少量例子中学习。
    • 跨领域专门化:将抽象知识应用于具体情况。
    • 同余关系检测:促进新的表征、分类和概念形成。
    • 重新表征:改变视角以生成问题的替代表征。
    • 频率效应:利用统计模式识别联系并促进泛化。
    • 溯因:生成假设并从观察到的结果推断潜在原因。
      这些机制增强了我们跨领域融合知识的能力,从而促进了创造力和新见解。
  10. 元认知泛化:自我调节和意识
    虽然即时泛化可能偶然发生,但它也可以是有意的,由更高阶的执行功能驱动,这些功能能够磨练推理并增强世界模型的连贯性,这与尼采的权力意志概念相符。在这种情况下,成功智能是指通过分析、创造性和实践智能来适应、塑造和选择环境,从而实现个人目标的能力。
    认知控制可以理解为一种隐性嵌套的贝叶斯推断形式,其中对世界的因果知识被用来将问题分解成可管理的组件或“块”,这些组件适合工作记忆的有限容量。它还涉及将单个项目绑定成一个连贯的整体,表示情境或问题的解决方案,或推断行动序列以进行规划。
    新兴的问题理解和规划会触发选择性注意力,它被用于执行当前计划或适应新出现的结构。选择性注意力也可以被视为隐性贝叶斯推断,其中与任务相关的认知被更精确地处理,对任务重要的工作记忆项目被选择性地启动。这些启动的项目最初参与生成与任务相关的信息,它们会偏向于检索相关知识,从而有助于决策和行动协调。
    因此,注意力从自上而下施加的集合转向对任务相关表征的记忆检索偏向,然后这些表征在序列中指导行动。对环境的期望以及行动对结果的影响会持续被监控、比较和评估以进行潜在调整,并根据焦点行动的成功情况更新注意力集合。

元认知泛化的详细机制:自我调节、推理和意识

  1. 因果推理:理解因果关系
  2. 系统 2 推理:增强认知控制和问题解决能力
  3. 流体智力和工作记忆:动态关系的作用
  4. 递归主动推断和复杂推断:预测信念、调整世界模型和约束推理
  5. 分块与泛化:压缩知识以提高效率
  6. 泛化中的自我调节:动机和行为适应
  7. 元认知控制和监控:管理学习和引导注意力

1. 因果推理:理解因果关系

因果推理在贝叶斯框架内,通过评估事件的时间顺序及其相互联系来预测和理解因果关系。代理通过公开行动和隐蔽知识建立对因果联系的信念。它们通过与环境互动来检验假设,并且随着行动反复观察到与假定的因果联系相关,代理对该关系的信念就会加强。隐蔽推理过程,例如反事实推理,允许代理想象替代场景并评估因果关系的可能性。

有助于建立因果关系的关键属性包括:

  • A 是否是 B 的必要条件。
  • 两个事件是真实的还是一个想象的。
  • 是否存在反例。
  • 代理的行动是否改变了结果。
  • 观察到的模式是否可重复。
  • 该关系在多大程度上可以通过进一步的知识来解释。
  • 因果关系的时间邻近性。
  • 其他观察到的原因是否排除了假设的因果联系。

2. 系统 2 推理:增强认知控制和问题解决能力

系统 2 推理涉及基于规则的思维,它建立在因果推理的基础上,进一步完善认知控制。其他过程增强了推理能力,例如应用约束、区分和问题分割,以及使用复杂推断来分解复杂目标。这种推理形式通过关注约束和资源来帮助管理任务复杂性,确保高效的问题解决。它有助于决策,并通过分割任务、评估关系和考虑各种可能的结果来使行动与总体目标保持一致。


3. 流体智力和工作记忆:动态关系的作用

流体智力涉及识别不同概念之间的关系,并在工作记忆中有效组织它们。这种能力支持归纳和类比推理,对结构映射和解决问题至关重要。动态关系通过大脑中的节律激活模式来表示,以组织相关性的方式协调元素。当大脑组织和解除信息同步时,认知控制用于维持心理表征的稳定性和连贯性,确保“思维链”保持完整。

当记忆容量达到极限时,大脑必须转换焦点以保持清晰,这是认知控制所发挥的功能。


4. 递归主动推断和复杂推断:预测信念、调整世界模型和约束推理

递归主动推断涉及预测对信念的信念,利用反事实推理和假设来预测未来结果。这种推断形式使代理能够预测和调整其世界模型,根据证据检验假设,并寻求新信息以完善理解。认识性觅食——寻找能够强化或挑战现有信念的信息——有助于优化对世界的心理表征并解决任务。

通过递归推断,代理可以形成整合的解决方案并创建连贯的情境模型,随着新数据的纳入不断更新其理解。

此外,复杂推断通过采用高级推理策略(如区分和约束)来增强此过程。通过识别概念的关键属性——如本体属性或值范围——代理可以过滤相关信息并重新表示知识以适应特定上下文。对潜在解决方案施加硬性或软性约束,限制了可能结果的范围,并优化了认知效率。区分和约束满足也有助于领域分割,帮助将复杂问题分解为可管理的子组件,从而实现更清晰的决策。


5. 分块与泛化:压缩知识以提高效率

分块涉及将详细的、细粒度的知识压缩成更抽象、更通用的表征。这可以更有效地利用记忆和解决问题。通过分块,代理可以使用模式和相似性更有效地组织知识,将学到的经验应用于新情境。

这种泛化能力对于效率至关重要,特别是在适应不熟悉或复杂场景时。这个过程也可能导致“舌尖现象”,即个体可能觉得知道答案但无法精确地检索出表征。


6. 泛化中的自我调节:动机和行为适应

自我调节是引导时间决策泛化通过动机和行为适应的关键。通过创建理想化的自我形象,代理可以推导出指导行动和行为的价值观和原则。这些自我施加的框架有助于定义知识如何在不同情境下应用和泛化。

自我调节的抽象性质通过将注意力集中在特定目标上,提高动机,并优化认知资源以应对新挑战来支持泛化。手段-目的分析涉及将情境的当前状态与期望的目标状态进行比较。通过推理这些状态之间的差异,代理可以确定弥合差距的行动。这个过程通过将当前行动与长期目标对齐,选择策略来减少差异并实现期望的结果来支持有效的决策。

它还允许任务的分割,其中选择行动来解决逐步将代理推向目标的特定需求。


7. 元认知控制和监控:管理学习和引导注意力

元认知控制和监控协同工作,以优化学习和认知表现。元认知控制指自我调节注意力的能力,将注意力导向有价值的信息,并使用有效策略以提高学习成果。它涉及优先处理任务和管理认知资源以实现高效学习。

另一方面,元认知监控涉及自我评估学习进度,判断已学内容,并评估将要记住的内容。这些过程共同确保注意力集中在最相关的信息上,并高效分配资源,以最大限度地提高学习和问题解决的成功率。


让我们用这些知识重新定义

通用智能的定义:

通用智能可以定义为代理能够有效地将其内部计算过程(通常被称为“推理”)泛化到各种情况,从而促进适应性行为的能力。这包括自发学习、解决新问题的能力,以及将来自不同领域的知识应用于实现特定目标的能力。通用智能源于多种来源,不局限于心理学中传统上与推理相关的认知过程(如工作记忆和问题解决)。相反,它是系统决策行为的一种特征,它整合了不同层次的处理。这些来源从亚符号学习和联想记忆(通过原始经验获取知识)到更高层次的过程,如认知控制、基于规则的推理和元认知调节。总而言之,通用智能反映了代理通过利用联想学习、记忆整合、预测、复杂推理等过程,在不同情境下进行泛化的能力。它包括在新的环境中规划、解决问题和高效适应的能力,使其成为人工和生物系统中决策和行为灵活性的核心方面。

社区

注册登录 发表评论