想象你是一名登山向导，站在山脚下仰望一座云雾缭绕的巨峰——它叫“通用人工智能”，简称 AGI。它的山顶，是人类梦寐以求的“通用智能”：能像人一样在不同领域学习、推理、创造、交流。过去几十年，一代又一代“登山队”从不同路线发起冲击：有人走“数据喂养”的缓坡，有人走“自我博弈”的峭壁，还有人照着人类大脑的地图修栈道。他们留下了一个个里程碑式的“补给站”：图灵测试、专家系统、深度学习革命、大模型涌现。可山还很高，暴风雪还很大——算力、能耗、安全对齐像一道道冰裂缝挡在面前。本文将带你重走这条登山路，看清每一段路线、每一个补给站，以及通往峰顶的最后冲刺线。

岗位关联

理解 AGI 的探索脉络，是 AI 从业者判断技术方向、避免盲目跟风的“登山地图”——无论做研究还是做工程，你都需要知道脚下在哪、前方有什么、哪条路值得走。

目录
  1. 可视化演示
  2. AGI基本概念
  3. 技术路线争锋
  4. 里程碑足迹
  5. 能力评测标尺
  6. 工程挑战之墙
  7. 未来探索方向
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

AGI基本概念

登山向导带人上山，第一件事不是急着走，而是搞清楚“峰顶到底长什么样”。AGI 就是 AI 界的珠峰——但很多人的想象跑偏了。它不是会飞的超人，也不是有感情的机器人。它更像一个“什么都会一点的学霸”：既能看懂物理书，也能学会弹钢琴，还能在陌生城市自己找路。登山队冲着峰顶去，首先要纠正一个认知：峰顶不是“某一方面突破天际”，而是“方方面面都拿得出手”。

AGI 全称 Artificial General Intelligence，直译是“人工通用智能”。它的“通用”体现在：一个系统能把学会的解题方法迁移到没见过的任务上，而不是只会做一道题。当前遍地都是的 AI 大多是窄 AI（ANI）——下围棋的 AlphaGo 不会聊天，聊天机器人不会开车。AGI 想做的，是把“考试技巧”变成“学习能力”，就像登山者不只是会爬一座山，而是掌握了一套能应对不同山况的攀登本领。

学术界对 AGI 没有统一标准，但有一个直观度量：任务覆盖率——系统能自主完成的任务，占人类能完成任务的百分比。窄 AI 的覆盖率可能不足 1%，而 AGI 的目标是接近 100%。这解释了为什么“全能”比“单项冠军”难得多：你会解微分方程，不代表你会修水管；AI 也一样，换个领域往往要推倒重来。

把人类日常面对的各种任务装进一个大集合，这就是“人类全能清单”。

从大集合中挑出 AI 真正拿得动的任务，剩下的就是它干不了的。

这个比例越接近 100%，说明这座“峰顶”越接近真正意义上的 AGI。

所以，AGI 这座山的高度，不是“某个技能破纪录”，而是“所有山头都能爬”。登山队要准备的不只是冰镐，还有氧气瓶、地图、补给——一个真正通用的攀登者，要能应对高反、暴风雪、冰裂缝。这，才是 AGI 的真正难度。

CAGI=∣TAI∣∣Thuman∣×100%\displaystyle C_{AGI} = \frac{|\mathcal{T}_{AI}|}{|\mathcal{T}_{human}|} \times 100\%
任务覆盖率：AI 能完成的任务种类占人类能完成的任务种类的比例，是衡量“通用”程度的一个直观标尺。
  1. 人类任务全集先定义分母——人类能完成的所有任务。
    Thuman={写诗, 修车, 带娃, 做手术, ⋯ }\mathcal{T}_{human} = \{写诗,\ 修车,\ 带娃,\ 做手术,\ \cdots\}
  2. AI 任务子集再定义分子——AI 系统能可靠完成的任务。
    TAI={x∈Thuman∣AI能可靠完成 x}\mathcal{T}_{AI} = \{x \in \mathcal{T}_{human} \mid AI 能可靠完成\ x\}
  3. 集合大小竖线符号表示“数一数有多少个”。
    ∣TAI∣=AI 能可靠完成的任务总数|\mathcal{T}_{AI}| = AI\ 能可靠完成的任务总数
  4. 覆盖率计算分子除以分母，再乘百分比。
    CAGI→100%  ⟺  AI 能完成人类几乎所有任务C_{AGI} \to 100\% \iff AI\ 能完成人类几乎所有任务

技术路线争锋

登珠峰有南坡、北坡、东壁等不同路线，AI 界也有几条著名的“登山线路”：有人相信给 AI 喂大量数据，它就会自己长本事；有人相信让 AI 在模拟环境里反复试错可以“无师自通”；还有人拿着“人类大脑图纸”来修栈道。每支队伍都坚信自己的路最接近峰顶，但真实情况是：各条路都只走通了一部分。

这些路线背后是不同流派。深度学习路线：用海量数据训练神经网络，让模型自己提取特征，ChatGPT 就是这条路的代表，相当于“用大量照片堆出来的识路能力”。强化学习路线：智能体通过与环境交互获得奖励信号，从零学习策略，AlphaGo 下棋赢人类就是这招，相当于“在雪地里摔了无数跤，终于学会安全行走”。认知架构路线：把人的记忆、注意、决策拆成模块搭积木。神经科学启发路线：模仿大脑神经元和突触的工作方式设计新结构，相当于照着鸟造飞机的仿生学思路。

强化学习的核心是“用奖励信号优化策略”。智能体在状态 s 采取行动 a，环境反馈即时奖励 r 并进入新状态 s'。它学的是“在哪个状态做哪个行动最划算”。这个“划算程度”由 Q 函数刻画，最优 Q 值满足贝尔曼方程：

Q 就是一张“动作价值账本”，记着每个抉择的长期收益。

比如迈出一步不摔跤，+1；撞上冰壁，-1。

γ 越小越短视（只在乎脚下的几步），γ 越大越有远见（愿意为远处的大收益绕路）。

它代表下一步最好的选择，把整条路的账一路算到底。

四条路线没有谁绝对领先：深度学习的“数据大法”在感知任务上独领风骚，强化学习的“试错大法”在博弈决策上封神，认知架构和神经科学启发则在为“真正的通用”探路。就像登山者常常在途中换协作方式——南坡的团队也会借鉴北坡的路绳技术。

Q∗(s,a)=r(s,a)+γmax⁡a′Q∗(s′,a′)\displaystyle Q^{*}(s,a) = r(s,a) + \gamma \max_{a'} Q^{*}(s',a')
贝尔曼方程：当前状态的最优价值 = 立即回报 + 打了折扣的未来最优回报。它把“长远下山路”的每一步收益都串了起来。
  1. 最优 Q 值等式左边表示“在状态 s 做动作 a，未来总共能拿到的最大回报”。
    Q∗:(s,a)↦RQ^{*}: (s,a) \mapsto \mathbb{R}
  2. 立即奖励等式右边的第一项是“立刻到手的甜头”。
    r(s,a)r(s,a)
  3. 折扣因子γ 是 0 到 1 之间的系数，控制“眼前利益”和“长远收益”的权衡。
    γ=0.9\gamma = 0.9
  4. 未来最优最后一项是“到达新状态后，做哪个动作能拿到最大回报”。
    max⁡a′Q∗(s′,a′)\max_{a'} Q^{*}(s',a')

里程碑足迹

登山路上一站一站地扎营：第一站是“图灵测试”，第二站是“专家系统”，接着是“深度学习革命”，然后是“大模型涌现”——每站都插上了一面旗帜。回头望去，这些旗帜记录着人类离 AGI 峰顶越来越近的脚印。

1950 年，图灵提出“机器能否思考”的测试：如果机器能通过文字对话骗过人类裁判，就算“有智能”。这是最早把“机器智能”变成可操作问题的尝试。1980 年代，专家系统把人类专家的知识写成规则，一度风光无限，但“书到用时方恨少”——知识太多写不完，规则一冲突就崩溃。2012 年，AlexNet 在图像识别大赛上碾压所有对手，深度学习革命正式爆发。2017 年 Transformer 架构提出，大模型时代开启；2022 年 ChatGPT 让大众第一次直观感受到 AI 的力量。

大模型最强的是“注意力机制”——它让模型在生成每个词时，回头扫描文本里所有位置，分配不同“注意力权重”。这就像登山者在雪坡上环顾四周，决定把每一步踩在哪里。注意力公式把查询 Q、键 K、值 V 做点积相似度后归一化：

查询向量 Q 像“我在找什么”，键向量 K 像“我这里有什么”，点积大说明对上眼了。

这像把太大声的对话调低音量，让每个词都听得清。

分数最高的位置获得最大权重，模型知道该“看哪里”。

注意力集中的地方，信息贡献最大，输出就偏向它——登山者每一步都踩在最该踩的地方。

从图灵的时代靠“骗人”起家，到大模型的“会说话”，每一站都是无数个日夜的修路搭桥。登山者回头看，会发现山脚营地的篝火已远去；抬头看，AGI 峰顶的雪光依然遥远。但这些补给站的存在，让下一位登山者不必从零开始。

Attention(Q,K,V)=softmax(QK⊤dk)V\displaystyle \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^{\top}}{\sqrt{d_k}}\right)V
注意力机制：让模型在上下文中“聚光”到最相关的信息上——相当于登山时知道该看哪块石头、踩哪条山脊，而不是平均用力。
  1. 匹配度打分Q 和 K 做点积，衡量“我要找的东西”和“别人提供的东西”有多匹配。
    QK⊤=∑iQiKiQK^{\top} = \sum_{i} Q_i K_i
  2. 缩放因子除以 $\sqrt{d_k}$，防止点积数值太大导致 softmax 饱和、梯度消失。
    QK⊤dk\frac{QK^{\top}}{\sqrt{d_k}}
  3. 归一化softmax 把分数变成和为 1 的权重。
    softmax(zi)=ezi∑jezj\text{softmax}(z_i) = \frac{e^{z_i}}{\sum_j e^{z_j}}
  4. 加权求和用权重把值向量 V 融合，输出最终结果。
    Attention=∑iwiVi\text{Attention} = \sum_i w_i V_i

能力评测标尺

登山者怎么知道自己爬了多高？不能光靠感觉，要用 GPS、气压计、标杆。AI 也一样——怎么判断它离 AGI 还差多远？需要一把可靠的“评测标尺”。没有尺子，就容易把大本营误当成峰顶。

传统评测是“单科考试”：给 AI 一套数学题、一张图、一段话，看它得分。问题是，考 100 分不代表它真懂——只会背题库的“书呆子”也能拿高分。所以研究者开始做“多任务综合考卷”：语言、视觉、推理、编程、常识……看看 AI 在“各科”的平均分。就像登山队的综合能力评估，不能只看谁跑得快，还要看高原反应、冰面技术、应变能力。

一个近似的 AGI 能力综合指数可以写成加权平均：给每个能力维度打分，再按重要程度加权求和。

如推理能力 0.9、视觉能力 0.8、创造能力 0.4……每一项都先归一化。

推理、学习能力的权重要高于“翻花绳”这种小众技能。

保证 G 是一个 0~1 的综合得分，可以直接用来互相比较。

偏科天才的 G 会被权重拉低——就像只会跑马拉松的选手，当不了全能登山队长。

当前 AI 的真实水平：在窄域接近或超过人类（围棋、图像分类、翻译），综合看还差得远。比如真人“文科理科体育音乐情商”样样有基本盘，AI 目前更像“偏科天才”。尺子告诉我们：现在登山队的位置大概在海拔 4500 米的大本营，能看到云雾中的顶峰，但离真正的峰顶还有垂直千米的高差。

G=∑i=1nwisi,∑i=1nwi=1\displaystyle G = \sum_{i=1}^{n} w_i s_i, \qquad \sum_{i=1}^{n} w_i = 1
综合能力指数：把不同维度的评测得分做加权求和，权重之和为 1，得到 0~1 之间的“通用水平”。
  1. 维度得分sᵢ 表示第 i 个能力维度的表现。
    si∈[0,1]s_i \in [0, 1]
  2. 维度权重wᵢ 表示这个维度对“通用”有多重要。
    wi≥0w_i \geq 0
  3. 归一化约束所有权重加起来等于 1。
    ∑i=1nwi=1\sum_{i=1}^{n} w_i = 1
  4. 加权求和把各科成绩按权重合成总分。
    G=w1s1+w2s2+⋯+wnsnG = w_1 s_1 + w_2 s_2 + \cdots + w_n s_n

工程挑战之墙

登山越往上，越会遇到“坏天气”：暴风雪是算力，缺氧是数据，体能消耗是能耗。AGI 的冲刺路上同样立着三堵墙，每一堵都比想象中更难翻越。

第一堵墙是算力与数据：大模型参数量动辄百亿千亿，训练要吃掉海量 GPU 和互联网文本，数据快被“挖空”了。第二堵墙是能耗成本：一次前沿模型训练耗电几百万度，不是一般公司玩得起。第三堵墙是安全对齐：怎么保证 AI 的行为符合人类意图？让它别撒谎、别骗人、别失控，比让它变聪明更难。这三堵墙就像海拔 8000 米的“死亡地带”——不是技术不够聪明，而是基础资源在极限承压。

训练一个 Transformer 模型的算力开销，近似是模型参数量 N 和训练数据量 D 的乘积的 6 倍。这个经验定律把“大力出奇迹”的天价账单摆上了台面：

参数量像登山队员的数量——人越多，队伍能带的东西越多，但后勤压力也越大。

数据像物资补给，越多越充足，但搬运成本越高。

这个 6 来自 Transformer 架构的实际测量，不是理论推导的精确值。

没有“规模经济”的捷径——想变强一倍，账单就翻一倍。

再强的登山者，也要等天气窗口。AGI 的“天气窗口”取决于芯片工艺、能源技术和对齐研究的突破。这三堵墙不是一锤子能砸开的，而是需要整个行业一起扛着氧气瓶攀过去。

Ctrain≈6ND\displaystyle C_{train} \approx 6ND
算力定律：训练算力 ≈ 6 × 参数量 × 训练数据量。参数或数据翻倍，算力几乎线性翻倍。
  1. 参数量 N模型里可学习的权重数量。
    N=数十亿∼数万亿N = 数十亿 \sim 数万亿
  2. 数据量 D训练时“喂”给模型的 token 总数。
    D=数千亿∼数万亿D = 数千亿 \sim 数万亿
  3. 经验常数 6约等于一次前向传播加反向传播的浮点计算次数倍数。
    C≈6NDC \approx 6ND
  4. 线性增长N 或 D 翻倍，C 就翻倍。
    C(2N,D)=2C(N,D)C(2N, D) = 2C(N, D)

未来探索方向

山顶虽远，但山脊上已经能看到几条通往顶峰的路。最后一公里，需要集齐多种装备：要让 AI“眼观六路”，要让它“手脚并用”，要让它“解释自己”，还要让人类和它“结伴同行”。

多模态融合：把文字、图像、声音、视频的语义打通，让 AI 同时理解“图里的猫”和“文里的猫”。具身智能：把大模型装进机器人的身体，让它真的动手做事情——不是读登山攻略，而是自己踩到石头上感受平衡。可解释 AI：给黑盒模型装上“仪表盘”，让人类知道它为什么这么走。人机协同：不是 AI 取代人，而是“向导 + 登山者”的组合，人和 AI 各展所长，AI 认路，人做决策。

多模态融合的数学本质，是最大化不同信息源之间的共享信息。互信息度量“看到图像后，对理解文字增加了多少信息”：

不确定性越大，信息量越大——比如“前方是山”比“前方是山还是海”的信息量小。

看到图像后，对文字理解的疑惑减少，剩下的不确定性就是条件熵。

互信息越大，说明“看图”对“懂字”的帮助越大——这就是多模态融合的价值。

图像帮文字的程度，等于文字帮图像的程度——两者互相成就，就像登山结组时队友互为支点。

峰顶不会再是一个冰冷的“超级大脑”，而将是人类与智能体共生的一座营地。登山队的终极目标不是插旗，而是让每个人都拥有“登山能力”。这条路，轮到我们这一代人接着走了。

I(X;Y)=H(X)−H(X∣Y)\displaystyle I(X;Y) = H(X) - H(X \mid Y)
互信息：度量两个模态（如图像与文本）互相提供的信息量。互信息越大，说明融合的收益越高。
  1. 信息熵H(X) 表示 X 的不确定性。
    H(X)=−∑xP(x)log⁡P(x)H(X) = -\sum_{x} P(x) \log P(x)
  2. 条件熵H(X|Y) 表示已知 Y 之后，X 剩余的不确定性。
    H(X∣Y)=−∑x,yP(x,y)log⁡P(x∣y)H(X \mid Y) = -\sum_{x,y} P(x,y) \log P(x \mid y)
  3. 信息增益两者相减，得到“Y 帮 X 消除了多少不确定性”。
    I(X;Y)=H(X)−H(X∣Y)I(X;Y) = H(X) - H(X \mid Y)
  4. 对称性互信息是对称的。
    I(X;Y)=I(Y;X)I(X;Y) = I(Y;X)

AI 应用场景

多模态科研助手

阶段：模型应用与交互设计

解决的问题：科研人员阅读文献像“单靠眼睛找路”——论文、图表、实验数据分散在不同格式里，传统工具只能全文搜索文字，无法理解图表和公式。多模态大模型能同时理解图像和文本，像向导帮你同时看地图和路标，把散落的知识拼成全景。

具体案例：药物研发团队用多模态大模型解析 10 万篇论文中的分子图与实验结果，自动构建蛋白质相互作用知识图谱，将靶点筛选周期从数月缩短到数周。

具身智能仓储机器人

阶段：强化学习与环境交互

解决的问题：传统分拣机器人按固定轨迹抓固定尺寸的箱子，遇到异形包裹就罢工。强化学习让机器人在模拟环境里反复试错，学会面对新形状的泛化抓取策略——就像登山者在训练墙反复练习，直到形成肌肉记忆。

具体案例：某电商仓库部署强化学习抓取系统，机器人每天在仿真环境“自我对弈”训练，实际抓取成功率达 97%，新包裹形状零编程适配。

可解释 AI 风控审计

阶段：模型安全与对齐

解决的问题：金融机构用大模型做信贷审核，但“黑盒”输出让监管无法解释决策依据，就像领队说不出为什么绕路。可解释 AI 工具为每个决策生成“理由报告”，把黑盒变成透明账本。

具体案例：某银行对贷款拒绝决策生成特征归因报告：“主要因收入稳定性指标低于阈值，贡献度 62%”，满足合规审查，客户投诉率下降 40%。

Python 演示

python72 行
# -*- coding: utf-8 -*-"""A tiny Q-learning demo: how an agent learns to reach the goal.Borrowed from the RL route toward AGI."""import numpy as np  class GridWorldAgent:    def __init__(self, n=4, alpha=0.1, gamma=0.9, eps=0.1):        self.n = n        self.alpha = alpha        self.gamma = gamma        self.eps = eps        self.q_table = np.zeros((n * n, 4))        self.actions = [(-1, 0), (1, 0), (0, -1), (0, 1)]        self.goal = (n - 1, n - 1)     def state_index(self, pos):        return pos[0] * self.n + pos[1]     def choose_action(self, pos):        idx = self.state_index(pos)        if np.random.rand() < self.eps:            return int(np.random.randint(0, 4))        return int(np.argmax(self.q_table[idx]))     def step(self, pos, act):        dr, dc = self.actions[act]        nr, nc = pos[0] + dr, pos[1] + dc        if not (0 <= nr < self.n and 0 <= nc < self.n):            return pos, -1        if (nr, nc) == self.goal:            return (nr, nc), 10        return (nr, nc), 0     def evaluate(self, episodes=20):        total = 0        for _ in range(episodes):            pos = (0, 0)            while pos != self.goal:                idx = self.state_index(pos)                act = int(np.argmax(self.q_table[idx]))                pos, _ = self.step(pos, act)                total += 1                if total > 1000:                    break        return total / episodes     def train(self, episodes=500):        for _ in range(episodes):            pos = (0, 0)            while pos != self.goal:                act = self.choose_action(pos)                nxt, reward = self.step(pos, act)                idx = self.state_index(pos)                nidx = self.state_index(nxt)                best = np.max(self.q_table[nidx])                self.q_table[idx, act] += self.alpha * (                    reward + self.gamma * best - self.q_table[idx, act]                )                pos = nxt  def main():    agent = GridWorldAgent(n=4)    print("before training: avg steps =", agent.evaluate())    agent.train(500)    print("after training: avg steps =", agent.evaluate())  if __name__ == "__main__":    main()
目的：用 Q-learning 演示强化学习路线——智能体在 4×4 网格世界里从起点 (0,0) 出发，通过反复试错学会走向终点 (3,3)，训练前后平均步数对比直观展示“从乱撞到会走”的过程。
  1. self.q_table = np.zeros((n * n, 4))初始化一张“动作价值账本”，记录每个格子做四种动作的长期回报。
  2. if np.random.rand() < self.eps:以概率 eps 随机探路，早期多尝试没走过的方向，避免“一条道走到黑”。
  3. act = int(np.argmax(self.q_table[idx]))按已有经验选“最划算”的动作，这是智能体的“向导经验”。
  4. if not (0 <= nr < self.n and 0 <= nc < self.n):撞墙了，返回 -1 作为惩罚，相当于登山踩进冰裂缝。
  5. best = np.max(self.q_table[nidx])找出新位置未来能拿到的最大回报，这是贝尔曼方程里的“未来最优”。
  6. self.q_table[idx, act] += self.alpha * (reward + self.gamma * best - self.q_table[idx, act])贝尔曼更新：用新情报修正旧账本，把“踩过的坑”变成“下一步的经验”。
  7. if __name__ == "__main__":程序入口，只有直接运行才执行 main()，保证模块可被安全导入。

常见误区

误区我以为 AGI 就是电影里的天网，比人类厉害千百倍，啥都会、永远正确，还能自我进化成神。

正解AGI 的“通用”指的是跨领域学习能力接近人类水平，不是全知全能。它可能像聪明但会犯错的人：会写诗也会算错账，需要不断学习。比喻：AGI 是能翻越各种山头的登山家，不是长翅膀的天使。

为何常见：科幻影视把“通用智能”渲染成“无限能力”，混淆了“范围广”和“能力强”这两个维度。

误区ChatGPT 什么都懂，能过律师资格考试，还会写代码，难道不就是 AGI 吗？

正解大模型在语言、知识、代码等单点能力上很强，但缺自主规划、持续学习、物理世界理解。它像一位知识渊博但不会动手的参谋，离“全能选手”还差得远。真正的“通用”要跨出文本，走进真实世界。

为何常见：语言是人类智能的表层，模型在表层表现好，容易让人误判它的内在理解能力。

误区只要机器能在对话中骗过人类裁判，就证明它有思维、有意识，是真正的智能。

正解图灵测试是行为主义的标准，只测“像不像人”，不测“是不是真有理解”。背题库的复读机也能骗过考官。比喻：木偶戏演得像人，木偶依然没有心跳。它测的是“伪装能力”，不是“内在智能”。

为何常见：图灵测试最早把“机器智能”变成可操作问题，知名度高，被影视和媒体过度神化。

误区看 ChatGPT 这两年的进步，感觉 AGI 五年内就能实现，现在入场就是赢家。

正解历史上 AI 热潮已经历两度“寒冬”，每次技术乐观都撞上物理极限的墙。当前虽有大突破，但算力、能耗、对齐这些“硬骨头”一个都没彻底解决。看到补给站就把峰顶当近在咫尺，是登山者最危险的错觉。

为何常见：人们习惯把指数曲线直接外推，忽略了增长瓶颈和边际收益递减的规律。

面试题

Q1. AGI 的中文含义是？

单选题 · easy

  • A.人工通用智能← 正确答案
  • B.人工图形智能
  • C.高级通用智能
  • D.自动生成智能

答案：A。AGI 是 Artificial General Intelligence 的缩写，关键在“General（通用）”，指跨领域学习能力，不是“Graph（图形）”“Advanced（高级）”或“Generated（生成）”。就像“全能登山队”和“只会爬一座山的小队”的区别。

Q2. 2012 年深度学习革命的标志性事件是？

单选题 · mid

  • A.AlexNet 在图像识别竞赛夺冠← 正确答案
  • B.深蓝首次战胜国际象棋大师
  • C.图灵发表《计算机器与智能》
  • D.Transformer 论文正式发表

答案：A。AlexNet 在 ImageNet 上以碾压式成绩夺冠，开启了深度学习革命。深蓝是 1997 年，图灵的论文是 1950 年，Transformer 是 2017 年——后者是革命之后的新范式，不是革命起点。

Q3. 窄 AI（ANI）最典型的特征是？

单选题 · easy

  • A.只在特定领域超越人类← 正确答案
  • B.在所有领域全面超越人类
  • C.已经具备自我意识觉醒
  • D.能够理解并表达情感

答案：A。ANI 是“单项冠军”：下棋、翻译、识别图像都很强，但换个领域就失灵。AGI 的“通用”才是全领域覆盖。自我意识和情感不是窄 AI 的必要条件，也不是当前 AI 具备的能力。

Q4. 以下属于 AGI 探索主流技术路线的有哪些？

多选题 · mid

  • A.深度学习数据驱动路线← 正确答案
  • B.强化学习试错博弈路线← 正确答案
  • C.认知架构模块搭建路线← 正确答案
  • D.手工特征工程路线

答案：ABC。深度学习、强化学习、认知架构（外加神经科学启发）是四条主流路线。手工特征工程是早期符号主义方法，已被深度学习取代，不是 AGI 探索的前沿方向。

Q5. 图灵测试的原始设计是怎样的？

单选题 · hard

  • A.裁判通过对话辨别机器身份← 正确答案
  • B.通过脑机接口检测思维活动
  • C.用数学证明机器具有意识
  • D.用物理实验测量智能强弱

答案：A。图灵测试的“模仿游戏”设计是：人类裁判只靠文字对话，判断对面是人是机器，若难以分辨就认定机器“会思考”。它只看行为、不验意识——木偶戏演得像人，不等于木偶有心跳。

Q6. 通往 AGI 的工程挑战之墙包括哪些？

多选题 · mid

  • A.算力与数据资源瓶颈← 正确答案
  • B.训练能耗与资金成本← 正确答案
  • C.安全对齐与行为可控← 正确答案
  • D.模型参数量越大越好

答案：ABC。算力、能耗、对齐是公认的三堵墙。D 是典型误区：参数越多并不自动等于更接近 AGI，反而伴随边际收益递减和失控风险，就像登山队人多了不一定更快登顶，还可能拖垮后勤。

Q7. 注意力公式中除以 √d_k 的目的是？

单选题 · mid

  • A.防止点积值过大导致梯度消失← 正确答案
  • B.加快模型训练收敛速度
  • C.减少模型的参数量
  • D.提高训练数据的质量

答案：A。QK^T 的点积在高维度下数值会变大，softmax 进入饱和区后梯度趋近 0，所以除以 √d_k 做缩放。这就像说话太大声反而听不清，要调低音量才能让注意力分配均匀。

Q8. 关于当前 AI 的真实水平，正确的说法是？

多选题 · hard

  • A.在图像分类等窄域已超越人类← 正确答案
  • B.已经达到真正通用智能水平
  • C.有强大通识但物理世界理解有限← 正确答案
  • D.综合能力已经远超人类平均水平

答案：AC。当前 AI 是“偏科天才”：窄域（图像分类、围棋、翻译）超越人类，但物理世界理解、持续学习、自主规划仍很弱，综合能力离 AGI 差距巨大。B 和 D 都把“单点强”误当成“全面强”。

Q9. 大模型的“涌现能力”指的是什么？

单选题 · hard

  • A.模型规模过线后突然出现新能力← 正确答案
  • B.模型能自动生成训练数据集
  • C.模型通过量子计算加速推理
  • D.模型在无数据时自我进化

答案：A。当模型参数量和训练数据量超过某一阈值，上下文学习、思维链等能力会“凭空出现”，这就是涌现。它像登山队翻过某个海拔后，视野突然开阔——不是学会了新技巧，而是规模带来了质变。

Q10. 训练 Transformer 的算力近似公式是？

单选题 · extreme

  • A.算力约等于六倍参数乘数据量← 正确答案
  • B.算力约等于六倍层数平方量
  • C.算力约等于参数乘天数平方量
  • D.算力约等于两倍参数加数据量

答案：A。C ≈ 6ND，其中 N 是参数量、D 是训练 token 数。这个经验定律把“大力出奇迹”的天价账单摆上台面：参数或数据翻倍，算力几乎线性翻倍，这也是工程挑战之墙的第一堵墙。