通用人工智能的时代已经来临( 三 ) 本文旨在向读者指出通用性A

三是系统实现。非知之艰，行之惟艰。打造具有通用能力的系统实属不易，我们只是在漫漫前行路上迈出了一小步。王培提出的非公理逻辑推理系统NARS（Non-AxiomaticReasoningSystem）[9]便是其中重要一例。 NARS项目历经30余年，在实时学习、推理和目标满足等关键领域成效斐然。系统能通过自身感知对环境进行建模，适应环境，通过推理来决定下一步行动，从而实现自我目标。近期的研究亮点是，将深度神经网络（YOLOv4 ，参考文献[1][6]）的视觉感知与NARS实时学习和推理能力（OpenNARSforApplications ，参考文献[4][13]）进行整合，很好地完成机器人瓶子收集的任务（如视频所示）。

文章图片
机器人寻找瓶子、机器人抓住瓶子

文章图片
机器人举起瓶子、机器人运送瓶子
图2：体现NARS实时推理与学习能力的瓶子收集任务
图注：此例虽小，但意义重大。首先，再次印证同一个通用人工智能系统能够完成不同的专用任务，而无需再次开发或修改源码重新编译；其次，明确说明通用人工智能系统的多种感知与运动功能能够在“大脑”的指挥下被妥善协调，而对算力仅有“微弱”的要求；最后，尽管单项能力非其所长，但对开放世界里又“找”又“避”又“抓”又“举”的“多强全能”冠军而言，通用人工智能系统必定是最有力的竞争者，没有之一。
视频演示：[瓶子收集任务][抓、举动作更替] ，可前往“返朴”观看。
在这一任务中，机器人不仅需要协调视觉搜索和机械操作等多种感知运动功能，同时还要学习探索如何避障。这让NARS实时学习和实用推理相得益彰，二者融合一目了然——既能够充分体现实时学习的能力（常被视为强化学习的优势），又不失目标规划及利用背景知识的认知灵活性。而且，通过集成最新的深度学习模型来处理其所擅长的目标检测任务，可将机器学习的离线优化特点与AGI系统的实时学习和推理优势相互结合，此为SAI与AGI系统的共生之道。我们的AGI方案有望实现智能系统自主性的极大提升，并用于：
救援机器人
探险机器人
基于智能手机或PC的个人助手

文章图片
无论是某种新型自主代理还是其他项目， AGI的应用不拘形迹——“一切皆有可能” 。一言以蔽之，实时学习乃AGI关键之法，离线优化的人工智能技术可以成为服务AGI“大脑”的其他延展“器官” ，从而令多模态学习及跨域迁移的交结变为现实。这样的系统具备真正意义上的智能，能迅速适应多变的现实环境。
最后，总结本文要点如下：
AGI与SAI根本目标各异——通用VS专用
AGI与SAI评价方式完全不同
实时适应性是智能系统的必然要求
NARS所依据的通用推理系统是实现真正智能的一种方法
AGI时代的大幕正徐徐升起。 2021 ，你好牛年，你好牛·年！
参考文献
[1]Bochkovskiy,A.,Wang,C.Y.,&Liao,H.Y.M.(2020).YOLOv4:OptimalSpeedandAccuracyofObjectDetection.arXivpreprintarXiv:2004.10934.
[2]Bratman,M.E.(1987).Intention,Plans,andPracticalReason.CSLIPublications.ISBN1-57586-192-5.
[3]Georgeff,M.,Pell,B.,Pollack,M.,Tambe,M.,&Wooldridge,M.(1998,July).Thebelief-desire-intentionmodelofagency.InInternationalworkshoponagenttheories,architectures,andlanguages(pp.1-10).Springer,Berlin,Heidelberg.
[4]Hammer,P.,&Lofthouse,T.(2020,September).‘OpenNARSforApplications’:ArchitectureandControl.InInternationalConferenceonArtificialGeneralIntelligence(pp.193-204).Springer,Cham.