这是一场AI领域关于“通用智能”（AGI）概念的公开辩论，双方主要观点差异如下：

网友评论称，像他们俩这样聪明的人，如果意见不一致互相辩论，对于行业来说，没准儿会有非常好的结果。

讨厌AGI概念的Lecun

近些年来，谷歌、OpenAI和Anthropic等人工智能赛道领跑者都在大谈他们对通用人工智能（AGI）的宏伟追求，虽然这个终极目标的定义有些模糊，但通常指的是在各种任务上都能像人类一样聪明的AI系统。

多数人工智能公司利用这种“AGI追求”的故事来吸引投资、吸引媒体关注，并赢得政策制定者的更多青睐。

人工智能先驱之一、图灵奖得主、即将卸任的Meta公司首席人工智能科学家Yann LeCun对整个概念提出了质疑，他认为，即使是人类也并非真正的通才。

人们擅长某些体力劳动，也非常擅长社交互动，但在国际象棋方面很容易被电脑击败，而且他们的数学运算速度和准确性也远不及计算器。“在某些任务上，许多其他动物都比我们人类做得更好。”LeCun在最近一期的Information Bottleneck网络直播节目中直言。

我们自认为具有普遍性，但这仅仅是一种错觉，因为我们能够理解的所有问题都是我们能够想到的——反之亦然。”LeCun表示。“所以，对于我们能够想象的所有问题，我们都是普遍的，但还有很多问题是我们无法想象的，有很多数学论证可以证明这一点。因此，所谓‘通用智能’的概念完全是胡扯。”

人工智能与神经科学界诸多学者不认同Yann LeCun的观点。他们反驳称，人类虽非在所有任务上都表现最佳，也存在许多无法想象的任务，但这并不代表人类不具备通用性——尤其是相较于计算器这类“专精型机器”，人类的通用能力优势十分明显。

Yann LeCun表示，如今基于Transformer架构的大型语言模型，已经具备足够的实用性，可在多个领域创造价值。但他同时认为，这类模型很难实现高价值工作所需的通用智能或人类级智能，而这类工作目前仍需人类来完成。

他指出，若想让人工智能像人类一样应对现实世界的复杂状况，其训练体系需要远超当前的带宽——不能仅依靠文本、图像和计算机代码，还需要全新的架构来整合所有数据。

各执一词的理论交锋

Demis Hassabis认为Yann LeCun此番言论纯属谬误——认为他混淆了通用智能与全域智能的概念。

Hassabis表示:人类大脑是我们目前所知的宇宙中最为精妙复杂的存在，而它事实上具备极强的通用性。

显然，“没有免费午餐定理”的约束无法规避。因此，在一个实际且有限的系统中，针对需要学习的目标分布，必然存在一定程度的专业化倾向。

但谈及“通用性”的核心要义在于：从理论层面、从图灵机的定义来看，只要给予充足的时间、内存和数据，这类通用系统的架构就有能力学习任何可计算的任务。而人类大脑与人工智能基础模型，都属于近似图灵机的存在。

最后，再说说Yann LeCun关于棋手的那番论调。人类不仅能创造出国际象棋这类复杂的智力游戏，更能构建起从科学体系到波音747客机等现代文明的方方面面，这本身就足以令人惊叹——更不用说还能涌现出马格努斯这般棋艺超凡的大师。

尽管从严格意义上讲，人类棋手的决策并非绝对最优（毕竟人类的记忆容量有限，思考决策的时间也存在局限），但要知道，人类大脑的进化初衷只是为了满足狩猎采集的生存需求，如今却能实现如此多的非凡成就，这已然是一件不可思议的事。

对于Hassabis的反驳，Yann LeCun回应称：

我认为这场分歧很大程度上源于术语定义的差异，我反对用“通用性”一词来界定“人类级智能”，因为人类的能力其实具有极强的专属性。

你或许不认同“人类大脑具有专属化特质”这一观点，但事实的确如此。这不仅关乎理论层面的运算能力，更涉及实际应用中的效率问题。显然，一个经过良好训练的人类大脑，若是配备无限量的纸和笔，从理论上来说具备图灵完备性。

但面对绝大多数计算问题时，人脑的运算效率会低得惊人——这就导致在资源受限的场景下（比如下象棋），人脑的表现远非最优。

我来举个类比：理论上，一个两层神经网络可以无限逼近任意函数。但在实际应用中，几乎所有有研究价值的函数，都需要隐藏层配备数量庞大到不具备实操性的神经元。正因如此，我们才会采用多层神经网络——这也正是深度学习技术诞生的根本原因。

再从另一个角度论证：人类的视神经包含100万条神经纤维。我们不妨做个简化假设——这些神经纤维传递的信号都是二进制的。那么，一项视觉任务就可以被定义为一个布尔函数，其输入为100万比特，输出为1比特。在所有可能存在的这类函数中，人脑能够实现的占比是多少？答案是：无穷小。

人类的能力不仅不具备通用性，甚至可以说是极度专属化的。世间可能存在的函数空间无比广阔，我们之所以意识不到这一点，是因为这些函数中的绝大多数都复杂到令人难以理解，看起来完全是随机无序的。

我很喜欢爱因斯坦的一句话：“宇宙中最不可理解的事，就是宇宙是可以被理解的。”在宇宙所有可能的混沌演化方式中，人类竟然能摸索出一套规律，去理解这其中的一小部分——这本身就足以令人惊叹。

而那些我们无法理解的部分，就被我们称为熵。宇宙的绝大多数信息都以熵的形式存在——这些内容超出了人类有限的认知能力，于是我们选择将其忽略。

对于AGI的更多反思

对于这次观点交锋，引起了多方关注，其中，马斯克发帖力挺Demis Hassabis，称其说的对：

而AI华人青年学者谢赛宁对此事评论称：

人类的智能固然令人印象深刻，但称之为“普遍”就显得不够客观了。在我看来，人类智能最好被视为受社会驱动的认知适应，而我们仍然对智能的广阔领域一无所知，目前的AI也远不足以重现它。

他认为，如果没有客观的智能衡量标准，把任何系统贴上“通用”的标签都显得有些武断。

也有网友表示，当你比较DeepMind和Meta如今在人工智能领域的进展时，就会清楚地看出谁才是真正的专家，Meta在人工智能领域落后太多，这在一定程度上影响了Yann LeCun的学术权威。

据《金融时报》报道，Yann LeCun正将自己的未来押注在一家名为“先进机器智能实验室”（AMI Labs）的新创公司上，该公司初步估值达30亿美元，拟募资5.85亿美元，其核心目标是打造“世界模型”——一种可从图像、视频和空间数据中学习的人工智能系统，而非局限于文本和大型语言模型的训练模式。

这场争论推动了行业对AGI的理性反思，中立观点认为，Yann LeCun在全知全能不存在这一点上是正确的；而Hassabis则精准阐释了AI智能的本质内涵。

没有任何一种智能能够通晓世间万物，但真正的智能总具备持续学习的能力——这成为通用智能讨论的核心要义。

Yann LeCun偏休谟哲学思想与神经网络技术的融合，而Hassabis的主张是康德哲学观点与计算科学的结晶，这不是非黑即白的对错，更像是两条互补的技术思维与工程路线，适合并行推进并在关键节点交叉验证。

所以，你怎么看待所谓的AGI呢？

-END-