進步的假象：模擬通用人工智能… · ELECTE

通用人工智能（AGI）——一種在所有領域的智能都能與人類相媲美甚至超越人類的系統——長期以來一直被視為科技界的聖杯。然而，到了2025年，一條替代路徑正變得愈發清晰：我們並非透過一個統一的系統來實現AGI，而是透過將多個專門化的窄域人工智能組合起來，所創造出的一種愈發令人信服的幻象。

人工智慧的馬賽克

今日的人工智能擅長於特定任務：大型語言模型 (LLM) 可處理文字，Midjourney 或 DALL-E 等模型可建立影像，AlphaFold 可分析蛋白質。這些狹隘的人工智慧雖然個別能力有限，但當整合成一個協調的生態系統時，就能創造出一般智慧的外觀，也就是 AGI 的「代理」。

根據史丹福大學的「2025 年人工智慧指數」報告，儘管已取得重大進展，但人工智慧在複雜推理領域仍面臨障礙。

較先進的模型可以解決高度結構化的問題，但在邏輯推理、順序規劃和抽象思考方面，則顯示出明顯的限制。

心智學會方法與多重代理系統

2025 年，人工智慧正從利基技術快速演進為科技與社會景觀的策略元素，並帶來深遠的文化與倫理影響。

這導致代理 AI 系統的出現，讓我們更接近一般人工智慧的地平線。

在多代理系統中，每個代理都是獨立運作，使用本機資料和自主決策過程，而不依賴中央控制器。

每個代理程式都有局部的觀點，但沒有一個代理程式擁有整個系統的全局觀點。這種分散性允許代理單獨處理任務，同時透過互動為整體目標做出貢獻。

2025 年，多代理系統 (multi-agent systems) - 多個人工智能代理合作達成複雜的目標 - 正變得越來越受歡迎。這些系統可以優化工作流程、產生洞察力並協助各領域的決策過程。

例如，在客戶服務方面，AI 代理可處理複雜的請求；在生產方面，AI 代理可即時監督生產線；在物流方面，AI 代理可動態協調供應鏈。

計算高原與物理障礙

儘管取得了令人印象深刻的進展，但我們在傳統計算發展上已開始達到一個高點。從 1959 年到 2012 年，依照摩爾定律，訓練 AI 模型所需的能量每兩年翻一番。然而，最新的資料顯示，2012 年之後，倍增的速度明顯變快，每 3.4 個月就會倍增一次，使得目前的速度是之前的七倍以上。

所需計算能力的大幅提升，突顯出要在人工智慧領域取得重大進展，在經濟上是多麼具有挑戰性。

量子運算的前景

量子計算或許能夠克服這一障礙，為更複雜模型所需的計算能力帶來範式級的躍升。到2025年，量子計算正成為應對這些挑戰的關鍵工具，與此同時，科技公司也紛紛採用替代能源，以應付人工智能日益增長的能源消耗。

根據IBM執行長Arvind Krishna的預測，得益於量子計算的快速進步，人工智能的能源與用水消耗在未來五年內有望減少高達99%。

這項技術有望釋放迄今無法想像的運算能力，並開拓科學研究的新領域。

2025年3月，D-Wave Quantum公布了一項重大進展，發表了一篇題為《量子模擬中的超經典計算》（Beyond-Classical Computation in Quantum Simulation）的同行評審論文，證明其量子退火計算機在解決複雜磁性材料模擬問題方面，超越了全球最強大的經典超級電腦之一。

2025年見證了量子計算的變革性進展，在硬體、糾錯、與人工智能的整合以及量子網絡方面均取得重大突破。這些進展正在重新定義量子計算在醫療、金融和物流等領域中所能發揮的作用。

然而，根據Forrester的研究，儘管2025年取得了進展，量子計算在大多數應用中仍未展現出優於經典電腦的實際優勢，依然處於實驗階段。

量子競賽：微軟 vs Google？

微軟表示，憑藉其於2025年初推出的Majorana 1晶片，該公司在量子計算領域取得了重大進展。這款處理器採用了全新的拓撲核心（Topological Core）架構，由八個拓撲量子位元構成，這些量子位元操控著馬約拉納粒子——一種被稱為「半個電子」的準粒子，以其對錯誤的強大抵抗力而聞名。

另一方面，Google 利用其革命性的量子晶片「Willow」開發出另一種方法，解決了錯誤率會隨著量子位元增加而增加的傳統問題 - 「Willow」實際上會隨著量子位元增加而變得更精確。

這兩種不同的策略代表了量子運算根本不同的方法，微軟專注於拓樸學，而 Google 則專注於誤差最佳化。

持續存在的認知障礙

除了硬體限制之外，複合式人工智慧還面臨其他基本障礙：

因果理解：這些系統能夠關聯變量，卻無法辨識真正的因果關係。人工智能在許多領域已取得顯著進展，但在理解與回應人類情感、危機情境下的決策，以及倫理與道德考量的評估方面，仍存在局限性。

持續學習：神經網絡在依序訓練不同任務時會失去準確性，表現出一種所謂的「災難性遺忘」。

元認知：人工智能缺乏對自身認知的內部模型，這限制了真正意義上的自我提升。

認知與情感：人工智慧在計算推理方面表現優異，但在情感理解與倫理考量方面仍遭遇極大的限制。人工智慧與人類智慧的分界，可能就在於邏輯與情感之間的平衡。

邁向「每個代理」的 AGI

科學界對於實現通用人工智慧 (AGI) 目標所需的技術和時間表似乎有相當大的分歧，但這場辯論正引發有趣的新建議，這些建議已在新人工智慧系統的研究中找到實際應用。

2025 年可能是第一批代理系統在公司投入生產的年份。

AGI 代表了最宏大的目標 - 具備與人類相媲美或更優越的認知能力，能夠以跨領域的方式理解、學習和應用知識的系統。

與其等待單一的AGI出現，更有可能的未來將是我們可稱之為「表面AGI」的系統崛起——這類系統透過以下方式呈現出擁有通用智能的假象：

AI微服務編排：多個專門的AI通過共同的抽象層進行協調。
統一的對話介面：單一介面隱藏了多個底層系統的複雜性。
有限的跨域學習：在特定領域之間進行選擇性的知識共享。

意識：現實還是共通的幻覺？

在 AGI 辯論中，我們傾向於想當然地認為人類擁有機器無法複製的「意識」。但我們或許應該問自己一個更激進的問題：人類意識本身是真實的，還是也是一種幻覺？

一些神經科學家和心智哲學家，例如Daniel Dennett，提出我們所稱的「意識」本身可能是一種事後敘事——大腦為理解自身運作而建構的一種詮釋。

如果我們不將意識視為一種神秘、單一的屬性，而是將它視為一組相互聯繫的神經過程，產生令人信服的統一「自我」錯覺，那麼人類與機器之間的界線就變得不那麼清楚了。

從這個角度來看，我們可以將新興的AGI與人類智能之間的差異視為程度上的差異，而非本質上的差異。我們在先進語言模型中看到的理解假象，可能與我們自身所體驗到的理解假象並無太大不同——兩者都源於複雜的過程網絡，儘管其組織方式從根本上有所不同。

這個觀點帶出了一個挑戰性的問題：如果人類意識本身就是由多個相互連結的認知過程所產生的模擬，那麼我們正在建構的「代理」AGI - 一個由專門系統組成的馬賽克，共同模擬出一般的理解 - 可能與我們自己的心智架構非常相似。

我們不是在試圖複製一種神奇、不可言喻的特質，而是在重建我們自己體驗到的意識所帶來的令人信服的幻覺。

這種反思並不會削弱人類經驗的深度，反而會讓我們重新思考當我們談到「意識」時的真正含意，以及這個概念是否真的是人工智慧無法克服的障礙，或只是我們有一天可能能夠模擬的另一個過程。

通往 AGI 的多條路徑：多機器人系統、量子運算或專業 AI 的協調？真正的通用智慧可能來自所有這些路徑的結合。

結論：重新思考終點線

也許我們應該重新徹底考慮 AGI 的定義。如果人類意識本身可能是一種突發的幻覺 - 大腦為了讓自己的運作更有意義而建構的敘述 - 那麼人類與人工智慧之間的鮮明區別就變得不那麼明確了。

專家預測 2027 年將是人工智能的關鍵時刻。按照目前的速度，模型可以在幾年內達到認知通用性，也就是處理任何人類任務的能力。

這種情況不應被簡單地視為人類智慧的複製，而應被視為一種新型智慧的出現 - 既非完全的人類智慧，也非完全的人工智慧，而是一種與眾不同且具有潛在互補性的智慧。

這種方法讓我們不再試圖複製我們可能無法完全理解的東西--人類意識，而是讓我們專注於人工智能在其自身條件下能做什麼。因此，將會出現的 AGI 將不會是一個「假裝」為人類的單一系統，而是一個整合的技術生態系統，具有其自身的突發特性 - 分佈式智慧，矛盾的是，它可能比我們最初想像的更能反映我們自身認知的分散性和互聯性。

在這個意義上，AGI 的研究與其說是試圖模仿人類，不如說是探索智慧與意識本質的旅程，包括人類與人工智能。

進步的假象：模擬一般人工智慧卻無法實現

用 AI 摘要這篇文章