AGI从根本上就是伪命题？AI教父杨立昆重磅论文论证：AI的未来不是万能，是专精！

最近，图灵奖得主，人称教父的杨立昆联合哥伦比亚大学等机构，共同发布了一篇重磅论文。

——《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》

（人工智能必须借助超越人类的自适应智能实现专业化）。

文章传递了一个核心结论：

目前大家狂热追寻的终极目标AGI（通用人工智能），本质上其实是一个定义模糊而且难以落地的伪命题。

研究者们认为：

AI的未来不应该追求无所不能这种通用能力，而是应该深耕于某一个领域，还得具备可以超越人类的快速适应能力。

——这也是杨立昆所提出的SAI(超人类适应性智能)

近几年人们都在为实现AGI充满期待和幻想。

但眼前我们是不是需要从对AGI的幻想中抽离出来，去关注AI真正能创造价值的方向中去？

一个大大的疑问摆在面前！

一、我们追捧的AGI，可能是个伪目标

现在，AGI几乎成了AI的终极幻想，大家都希望未来AI可以像人一样，能说话、思考，用所谓多模态的去解决所有问题。

但在杨立昆的这篇论文里，他认为人们幻想的AGI可能压根就站不住脚。

首先是对AGI的定义很模糊。

学界对它的解读千差万别，有的人认为要达到人类所有能力，有的人觉得要在多数任务上超越人类，其实并没有一个严谨的标准。

而且我们也陷入了一个误区，我们把人类得智能当成了AGI的模板，却忽略了人类智能本身就是高度专业化的产物。

在论文中，杨立昆举了一个例子，人擅长社交、语言和物理操作，但在记忆容量和计算速度上远不如AI。

我们觉得很简单的走路，保持平衡，对机器人来说需要消耗很大的算力资源。

但我们觉得很难的国际象棋，简单的代码就能让计算机轻松获胜。

人类本真就不是万能的，我们只是经历了上千年的进化，适应了地球生存环境，那么凭什么要让AI去实现无所不能的通用能力？

同时，AGI的技术路线也存在严重误导，目前的AI还主要依赖于LLM（语言模型）。

大家一味地追求大参数、更多的数据，却忽略了AI最核心的能力——对物理世界的理解、对新任务的快速适应。

论文里还提了一组数据，训练一个万能AIG模型，需要的算力呈指数级增长，远超摩尔定律的速度，从经济和工程角度来说并不可持续。

追求通用的路线必然会牺牲专业领域内的深度，有可能将导致样样通，样样松。

二、杨立昆口中的SAI是什么？

前面我们已经提到杨立昆提出的SAI(超人类适应性智能)，在论文里也给SAI下了一个清晰的定义：

一种能够快速学习并超越人类在任何重要任务上表现的智能，同时能适应人类无法完成但具有实用价值的任务。

它的核心衡量标准不是完成任务的数量，而是学习新技能的速度和效率。

和AGI有本质的区别

AGI追求无所不能，但最终有可能一事无成。而SAI追求一事极致，万事可学，或许能更贴合实际的解决问题。

论文中提到SAI有四个核心特征

1.超人类适应性，学习新任务的速度远超人类；

2.专业且深度，在特定领域达到远超人类的水平；

3.跨领域迁移能力，能把一个领域的技能快速迁移到另一个领域；

4.破人类认知边界，解决人类做不到的任务，比如黑洞模拟、量子计算优化等。

举个简单例子：例如AlphaFold在蛋白质折叠领域，就是SAI的雏形。

它可以深耕蛋白质折叠这一专业领域，能力远超人类，同时还够快速的适配新的分子数据，不断提升预测精度。

这就是杨立昆眼中，AI该有的样子。

三、如何实现SAI？

这篇论文同时给出来实现SAI的基础路径

首先是构建预测性世界模型。

不能像现在的语言模型一样，只靠文字来生成内容，而是要让AI建立对物理世界的理解。

论文中还明确提到，可采用JEPA来实现目标。

简单查了一下这个架构，大致意思是说能让AI通过表层现象预测事务本质。

比如看到一张照片的一半，就能准确猜到另一半的核心内容，不去纠结像素、颜色等小细节。

能够提升计算效率的同时又能让AI真正理解世界。

第二个是采用分层多智能体编排。

先把SAI系统拆分成感知、预测、规划、执行等专业模块，每个模块负责自己的专业领域。

然后通过动态路由机制，根据任务需求，灵活组合这些模块。

实现专业能力+快 速适应的平衡。

第三个是目标驱动的强化学习。

让AI摆脱生成下一个Token的局限，转向优化目标函数，真正理解任务的核心意图，而不是机械地完成指令。

同时，引入成本模块，让AI学会权衡收益和代价，做出更高效、更安全的决策。

最后是持续学习与快速适应。

让AI克服遗忘，在学习新技能的同时，不忘记已掌握的专业知识。

同时，通过元学习机制，让AI学会如何学习，实现看一眼就会的少样本、零样本学习能力。

四、SAI可能离我们并不远。

这篇论文发布48小时内，下载量就突破了12万次，成为当月最热门的AI论文。

杨立昆也在3月宣布创立AMI Labs，专注于SAI研发，并获得10.3亿美元的融资。

其实，总体来说，SAI的提出对AI发展方向的回归

——人们可能明白了，AI的价值，或许不在于像人一样，而在于高效、更精准地解决问题。

杨立昆在论文结尾写道：真正的智能，不在于能做多少事，而在于能多快学会新事；AI的价值，不在于模仿人类，而在于超越人类，解决人类无法解决的问题。

我想AGI会一直是我们心中的终极梦想。

它就像一个我们内心构想的一座雕像，坚硬宏伟，一直在那里。

但着眼当下，SAI，或许才是AI走向实用、走向普及的必经之路。