我们如何实现通用人工智能
弗朗索瓦·肖莱（François Chollet）对当前AI方法的批判性审视，以及通往真正机器智能的路线图。
规模化的黄昏
2010年代，AI界普遍认为“规模就是一切”。但肖莱指出，仅靠扩大模型和数据无法通向AGI，这混淆了“记忆化技能”与真正的“流畅通用智能”。
模型规模 vs. ARC-1得分：脱节的增长
下图展示了从2019年到2025年，基础模型规模扩大了约50,000倍，但衡量流畅智能的ARC-1基准测试得分却几乎停滞不前。这有力地证明了规模化范式的局限性。
衡量真正的智能：ARC基准
为了衡量AI即时解决新问题的能力，肖莱开发了抽象推理语料库（ARC）。它不像传统基准那样可以被“刷题”，而是需要真正的推理能力。
揭示局限 (2019)
旨在挑战“记忆化”的深度学习模型。结果显示，即便模型规模暴增，也无法解决这些需要即时推理的任务。
挑战组合推理 (2025)
任务更复杂，侧重于组合泛化能力，旨在评估新兴的“测试时适应”（TTA）系统，并揭示其与人类的差距。
评估能动性 (2026)
将转向评估AI在未知环境中的探索、学习和自主实现目标的能力，是衡量AGI的下一个重要步骤。
ARC-2 性能对比：巨大的鸿沟
在更复杂的ARC-2上，当前最先进的AI系统与普通人类的表现依然相去甚远。这表明，即使引入了“测试时适应”，我们离人类水平的流畅智能仍有很大距离。
智能的本质：过程而非产物
肖莱认为，智能不是掌握了多少技能，而是获得和应用新技能的效率。这是一个根本性的区别，决定了我们应该追求什么样的AI。
❌ 技能 (产物)
静态的“道路网络”
拥有一个固定的网络，只能在预设的A点和B点之间移动。这代表了当前AI所展示的、通过大量数据记忆下来的特定任务能力。
✅ 智能 (过程)
动态的“修路公司”
拥有即时开辟新道路的能力，可以根据需要连接任何新的地点。这代表了AGI应具备的、适应未知、创造解决方案的能力。
智能的基石：两种抽象
根据“万花筒假说”，世界由少数可重用的“意义原子”构成。智能的核心是识别并重组这些原子，即“抽象”。肖莱将其分为两种类型。
类型一：价值中心抽象
连续、直觉、感知
通过连续的距离函数来比较事物，是模式识别和直觉的基础。现代深度学习模型（如Transformers）极其擅长此类抽象，能够处理感知和模式匹配任务。
- ▶ 核心: 连续空间插值
- ▶ 代表: 机器学习、模式识别
- ▶ 优势: 计算高效、处理模糊信息
- ▶ 局限: 数据需求大、难以实现严谨推理
类型二：程序中心抽象
离散、推理、规划
通过离散的程序和结构进行精确匹配，是逻辑推理和规划的基础。人类的严谨思维，如软件工程和数学，依赖于此。AI在此方面仍非常薄弱。
- ▶ 核心: 离散结构匹配
- ▶ 代表: 符号推理、程序合成
- ▶ 优势: 数据效率高、可实现组合泛化
- ▶ 局限: 易遇组合爆炸、计算成本高
未来之路：融合两种智能的元学习器
通往AGI的道路并非选择其一，而是将两种抽象能力深度融合。肖莱提出了一种“程序员式元学习器”的架构，它能像程序员一样，面对新问题时动态地编写和组合解决方案。
类型一：直觉引擎
🧠
基于深度学习，提供快速、近似的判断。它为搜索过程提供启发式指导，避免盲目地遍历整个程序空间。
作用: 引导搜索，评估程序片段的“前景”。
输出: "这个方向看起来有希望" 或 "这个模块可能有用"。
核心：离散程序搜索
⚙️
系统的核心推理引擎。它在符号空间中进行组合搜索，以构建解决当前任务的程序。这是实现发明和创造的关键。
作用: 组装、修改、创造程序。
输出: 一个可执行的、为任务量身定制的解决方案。
类型二：抽象库
📚
一个不断演进的、可重用的构建块（程序、模块、概念）的全局库。系统从中汲取灵感，并将新发现的抽象添加回去。
作用: 存储和检索可重用的解决方案片段。
输出: 现成的函数、类、算法，加速新程序的构建。
这个闭环系统通过融合直觉来指导严谨的搜索，并利用一个不断增长的知识库，从而实现高效、自适应和创造性的问题解决。这就是Ndea实验室正在构建的未来AI。
完整演讲视频
观看弗朗索瓦·肖莱在Y Combinator AI Startup School的完整演讲，深入了解他的AGI愿景。