通用人工智能是什么？定义、边界和4项核心能力清单

通用人工智能到底是什么？先把定义说清楚

一句话定义：通用人工智能指的是一套模型、一套权重，不需要针对新任务重新训练，就能处理语言、图像、推理、写代码这些差别很大的活儿。专用AI是「一个模型干一件事」，通用AI是「一个模型干很多件事」，差别就在这里。

很多人第一次接触这个概念，会以为它等于「什么都会」。实际情况没那么夸张。它会的东西多，但每一样的深度不一样，有些活儿做得比人好，有些还差得远。

定义里有三个词最关键

靠前个是「预训练」。模型先在海量文本上把语言的规律摸一遍，这个过程不针对任何具体任务。第二个是「迁移」。学到的规律能搬到新任务上，不用从头再来。第三个是「少样本」。你给两三个例子，它就能接着做，而不是非得喂几千条标注数据。

2017年那篇讲 Transformer 架构的论文 Attention Is All You Need 是这条路的起点。三年后 GPT-3 把参数量推到1750亿，大家才发现规模上去之后，模型会冒出一批没被专门训练过的能力。

它和专用AI差在哪？

人脸识别、短视频推荐、垃圾邮件过滤，这些都属于专用AI。一个模型只负责一件事，换个场景就得重新标注数据、重新训练。

通用模型的用法完全不同。任务变了，模型不用动，你改的是提示词。这就是为什么同一套系统，上午帮你改合同，下午帮你写 SQL。

通用人工智能的边界在哪里？哪些事它现在真做不到

边界有三条：没有真实世界的行动能力，长任务容易跑偏，而且它分不清「我不会」和「我编一个」。这三条决定了它现在更像一个很能干活的助手，而不是能独立扛事的同事。

边界一：没有身体，就没有一手经验

模型的知识全部来自别人写下来的东西。它没摸过零件，没进过车间，没闻过焊锡的味道。所以凡是需要现场手感、需要跟物理世界反复打交道的判断，它的输出只能当参考。

有个做五金的朋友问过我，能不能让AI直接判断一批货的公差合不合格。我告诉他，让它读图纸、整理检验标准没问题，最后那一下测量还是得靠人和仪器。

边界二：任务一长，记忆和自纠错就掉链子

让它写一段话，稳。让它连续做二十步操作、中间还要回头改前面的错，就容易越走越偏。步骤一多，前面的信息会被稀释，它自己也发现不了哪一步开始错了。

边界三：它不知道自己不知道

专用模型遇到不认识的输入，一般会报错。通用模型更倾向于给你一个看起来很像样的答案。所以事实核查这一步，短时间内还得你自己扛。

通用AI的核心能力清单，一共四项

把能力拆开看，能用的其实就四项。判断一个系统通不通用，对着这四项挨个试就行。

• 语言理解与生成：读得懂你的意思，写得出成篇的东西。翻译、摘要、改写、起标题，都算在这一项里。
• 跨领域迁移：同一个模型，今天处理法律条款，明天分析销售数据，不需要重新训练。
• 多步规划与工具调用：能把一个大任务拆成几步，中间去查资料、调接口、跑代码。
• 多模态理解：看图、听声音、读表格，和文字放在一起处理。

四项里，第一项早就成熟了，第二项是通用AI的门槛，第三项目前最不稳，第四项进步最快。

怎么判断手上的AI够不够通用？三个能上手的标准

标准就三条：换个陌生领域还能不能干活、能不能自己拆步骤并检查、需不需要你反复重写提示词。三条都过，才叫通用。

换个陌生领域，还能不能用

拿一个你熟悉的领域去试，再拿一个你完全不懂的领域去试。两次表现差太多，说明它更像专用工具。

能不能自己拆步骤、自己回头检查

给它一个模糊的目标，看它会不会先问你几个关键条件，再列步骤。会主动拆解和复核的，实用价值高一大截。

要不要你反复重写提示词

同一件事，你要来回改五遍提示词才能得到能用的结果，那说明这套系统还没到通用的程度。提示词是沟通方式，不该变成体力活。

如果你只想记住一件事：通用人工智能的通用，指的是迁移能力，不是知识总量。下一次评估工具，别问它懂多少，直接扔一个它没见过的任务过去，看它怎么接。这一步做完，答案自己就出来了。