進步的假象：模擬一般人工智慧卻無法實現

通用人工智能 (AGI) - 在所有領域都具有與人類相媲美或更優越的智慧的系統 - 繼續被視為科技的聖杯。然而，在 2025 年，另一條路徑正更清楚地浮現：我們並非以統一系統的方式實現 AGI，而是透過結合多種專門的狹義 AI 所製造出來的日益令人信服的假象。

‍

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

量子運算可以克服這個障礙，為更複雜的模型所需的運算能力提供範式轉移。在 2025 年，量子運算將逐漸成為解決這些挑戰的重要工具，因為科技公司會採用替代能源，以跟上人工智慧日益增加的能源消耗。

根據 IBM 執行長 Arvind Krishna 的預測，由於量子運算的快速進展，未來五年內人工智慧的能源與用水量將可減少達 99%。 在未來五年內減少 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。

‍

D-Wave Quantum 於 2025 年 3 月宣布了一項重大突破，發表了一篇經同行評審的論文，題為「量子模擬中的超越經典計算」，證明他們的退火量子電腦在以下方面的表現超越了世界上最強大的經典超級電腦之一 解決磁性材料的複雜模擬問題.

‍

2025 年，量子運算取得了轉變性的進展，在硬體、錯誤修正、與人工智慧 (AI) 整合以及量子網路方面都有重大進展。這些進展重新定義了量子計算在 量子計算在醫療保健、金融和物流等領域可能發揮的作用。.

‍

不過，根據 Forrester 的看法，量子運算儘管在 2025 年有所進展，但仍屬於實驗階段，而且在大多數應用上，量子運算尚未展現出超越傳統電腦的實用優勢。

‍

量子競賽：微軟 vs Google？

微軟宣稱其於 2025 年初推出的 Majorana 1 晶片已在量子運算領域取得重大進展。這款處理器採用全新的拓樸核心架構，內建八個拓樸量子位元，可操纵馬約拉納粒子（Majorana particles），這種類似「半電子」的粒子以強大的抗錯能力著稱。

‍

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：系統將變數相互關聯，但無法隔離真正的因果關係。AI 已在許多領域取得重大進展，但仍面臨著限制在理解和回應人類情緒、危機情況下的決策，以及評估倫理和道德考量方面。

‍

持續學習：神經網路在不同的任務上連續受訓時，會失去精確度，顯示出一種「災難性失憶」。

‍

元認知：AI 缺乏對自己認知的內部模型，限制了真正的自我提升。

‍

‍

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，我們更有可能在未來看到「前端 AGI」的出現，也就是看起來擁有一般智慧的系統：

‍

人工智慧微服務的協調：透過共同的抽象層級協調數個專門的人工智慧。
統一的會話介面：隱藏多個底層系統複雜性的單一介面。
有限的橫向學習：特定領域之間選擇性的知識分享。

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靈哲學家，例如 Daniel Dennett，提出我們所謂的「意識」本身可能是一種 後設敘述 - 大腦為了讓自己的運作更有意義而建構的詮釋。.

‍

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 AGI 與人類智慧之間的差異視為程度上的差異，而非本質上的差異。我們在進階語言模型中看到的理解假象，可能與我們自己體驗到的理解假象沒有太大的差異 - 兩者都來自複雜的流程網路，儘管組織方式根本不同。

‍

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。

‍

‍

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。

‍

來源

‍