关注“FightingCV”公众号
回复“AI”即可获得超100G人工智能的教程
AGI应该如何发展、最终呈什么样子？
现在，业内第一个标准率先发布：
AGI分级框架，来自谷歌DeepMind。
该框架认为，发展AGI必须遵循6个基本原则：
关注能力，而非过程
同时衡量技能水平和通用性
专注于认知和元认知任务
关注最高潜力，而非实际落地水平
注重生态有效性
关注整条AGI之路的发展，而非单一的终点
在此原则之上，AGI将呈现6大发展阶段，每个阶段都有对应的深度（性能）和广度（通用性）指标。
我们当前的AI产品走到哪一阶段了？这里也有答案。
详细来看。
6项基本原则
什么是AGI？
对于这个问题，许多科学家、研究机构都给出了自己的理解。
比如图灵提出的图灵测试认为机器是否能“思考”就是一个衡量指标；强人工智能的概念提出者则认为，AGI是一个拥有意识的系统；还有人说AGI一定是能在复杂性和速度上与人脑一样甚至超越人脑……
谷歌认为，这些定义都不全面。
像图灵测试，一些LLM已经可以通过，但我们能称那些模型为AGI吗？
像类人脑说法，Transformer架构的成功就已表明，严格基于大脑的思考过程对于AGI来说并不是必须的。
通过分析这些定义（一共9种，详情可翻阅原文）的优缺点，谷歌重新理出了6项基本原则：
一、关注能力，而非过程。
这可以帮助我们去除一些不一定是实现AGI的必备要求：
比如AGI不一定要用类似人类的方式思考或理解，也不意味着系统必须具有主观意识等能力（主要是这种能力无法也通过固定的方法去测量）。
二、注重通用性和技能水平。
目前所有的AGI定义都强调了通用性，这一点不必多说。但谷歌强调，性能也是AGI的关键组成部分（也就是可以达到人类的几分水平）。在后面的具体阶段制定中，主要也是根据这俩指标进行分类的。
三、专注于认知和元认知任务。
前者目前基本为共识，即AGI可以执行各种非体力任务。不过谷歌在此强调，AI系统执行物理任务的能力也需要加强，因为它对于认知能力是有推动作用的。
此外，元认知能力，如学习新任务或知道何时向人类寻求帮助，是系统走向通用性的关键先决条件。
四、关注最高潜力，而非实际落地水平
证明一个系统可以在给定的标准上完成任务，就足以宣布该系统为AGI，我们不要求一定得在开放世界中完全部署出水平相同的系统。
因为，这可能会面临一些非技术阻碍，比如法律和社会考虑、潜在道德问题。
五、注重生态有效性。
所谓生态有效性，谷歌指的是选择真正有用的现实任务去benchmark系统的进步，这些任务不仅包括经济价值也包括社会和艺术价值，要避开那些容易自动匹配和量化的传统AI指标。
六、关注整条AGI之路的发展，而非单一的终点。
这也是为什么谷歌要制定我们接下来将要看到的6个发展阶段。
6大必经阶段
AGI之路的6个阶段由深度指标（即技能水平，与人类相比）和广度指标（通用性）进行划分。
第零阶段为“No AI”，计算软件、编译器等属于该范畴，在通用性上只能执行human-in-the-loop任务。
第一阶段为“涌现级”（Emerging），技能相当于或略比没有相关技能的人类要强。
ChatGPT、Bard和Llama 2等大模型就属于该阶段，并且已经满足了该阶段要达到的通用性。
第二阶段可理解为“刚刚合格级”（Competent），可以达到正常成年人50%的水平。
像语音助手Sir、能在短文写作/简单编码等任务中达到SOTA水平的大模型都属于这一阶段。
不过，它们都只是在技能指标上合格了，通用性还够不上，也没有其它能够达到这一阶段通用性水平的AI产品。
第三阶段为“专家级”（Expert），可达到正常成年人90%的水平。
谷歌认为，拼写和语法检查器如Grammarly、图像生成模型Imagen等可以划为该阶段，主要也是在技能水平上达标了，通用性还不够。
第四阶段为“大师级”（Virtuoso），可达到正常人类99%的水平。
深蓝、AlphaGo等都属于。同样，还没有哪个AI产品可以达到属于这一级别的通用能力。
最后一阶段为“超人级”（Superhuman），在技能指标上，已经可以超越顶尖科学家的AlphaFold、AlphaZero也可划入该阶段。
毫无疑问，具备超人智能级通用性的AI还没诞生。
从中我们看出，按照谷歌这个标准来看，大多数已有AI产品其实都分别进入了不同的AGI阶段，但只仅限于在技能水平上——要谈及通用性，目前只有ChatGPT等模型完全合格。
但它们也只还处于最底层的“一级AGI”阶段。
不过，正如原则2所说，评价AGI就是要看这技能水平和通用性这两个指标，这样划分也算说得过去。
值得一提的是，我们可以看到，像DALLE-2这样的图像生成模型已经可以归类于“三级AGI”。
谷歌给出的理由是，因为它生成的图像已经比大多数人都要强了（也就是超越90%人类）。
这一划分并未考虑大多数用户由于提示技巧不佳，无法达成最佳性能的情况。
因为遵循原则4，我们只需要关注一个系统的潜力到了就够了。
另外，对于最终阶段的AGI，谷歌畅想，它除了蛋白质结构预测，还可能能同时进行与动物交流、分析大脑信号、进行高质量预测等各种人类难以企及的任务，这样才不枉费我们的期待。
最后，对于这个层级划分，谷歌也承认还有很多事情要做：
比如在通用性维度上，应该用哪些标准任务集进行测量？完成多大比例的任务才行？有哪些任务是一定要满足的？
这些问题一时都不大可能全部摸清。
你同意谷歌提出的这些原则和阶段划分吗？
原文：
https://arxiv.org/abs/2311.02462
量子位
往期回顾
基础知识
【CV知识点汇总与解析】|损失函数篇
【CV知识点汇总与解析】|激活函数篇
【CV知识点汇总与解析】| optimizer和学习率篇
【CV知识点汇总与解析】| 正则化篇
【CV知识点汇总与解析】| 参数初始化篇
【CV知识点汇总与解析】| 卷积和池化篇 （超多图警告）
【CV知识点汇总与解析】| 技术发展篇 (超详细！！！)
最新论文解析
NeurIPS2022 Spotlight | TANGO：一种基于光照分解实现逼真稳健的文本驱动3D风格化
ECCV2022 Oral | 微软提出UNICORN，统一文本生成与边框预测任务
NeurIPS 2022 | VideoMAE：南大&腾讯联合提出第一个视频版MAE框架，遮盖率达到90%
NeurIPS 2022 | 清华大学提出OrdinalCLIP，基于序数提示学习的语言引导有序回归
SlowFast Network：用于计算机视觉视频理解的双模CNN
WACV2022 | 一张图片只值五句话吗？UAB提出图像-文本匹配语义的新视角！
CVPR2022 | Attention机制是为了找最相关的item？中科大团队反其道而行之！
ECCV2022 Oral | SeqTR：一个简单而通用的 Visual Grounding网络
如何训练用于图像检索的Vision Transformer？Facebook研究员解决了这个问题！
ICLR22 Workshop | 用两个模型解决一个任务，意大利学者提出维基百科上的高效检索模型
See Finer, See More！腾讯&上交提出IVT，越看越精细，进行精细全面的跨模态对比！
MM2022｜兼具低级和高级表征，百度提出利用显式高级语义增强视频文本检索
MM2022 | 用StyleGAN进行数据增强，真的太好用了
MM2022 | 在特征空间中的多模态数据增强方法
ECCV2022|港中文MM Lab证明Frozen的CLIP 模型是高效视频学习者
ECCV2022｜只能11%的参数就能优于Swin，微软提出快速预训练蒸馏方法TinyViT
CVPR2022|比VinVL快一万倍！人大提出交互协同的双流视觉语言预训练模型COTS，又快又好！
CVPR2022 Oral｜通过多尺度token聚合分流自注意力，代码已开源
CVPR Oral | 谷歌&斯坦福（李飞飞组）提出TIRG，用组合的文本和图像来进行图像检索
