人工智能分为专用人工智能（）与通用人工智能（AGI）两大领域。传统上，SAI 以统计学习（含深度学习）为代表，AGI则有AIXI、等多个经典研究框架。近年来，随着大模型的发展，等深度学习理论也开始进军AGI。笔者在学习大量认知学知识后，也提出了自己的AGI路线，本文将对各类技术路径展开对比分析。

例如，视觉系统配备“颜色”、“深度”、“大小”、“空间频率”、“纹理”、“轮廓”、“构型”、“数量与密度”、“感知运动”、“表征动量”、“视觉场景”、“视觉组织”等人类所拥有的视觉模块，这样爬行类智能的视觉系统就接近于人类智能的。例如，在一项“捡苹果”的任务中，主流机器人的做法大致是首先扫描场景（感知），识别出场景中的各个物体的标签（如“香蕉”标签，一种符号）并找出目标“苹果”及其精确坐标（模型）

以AI1为目标的AGI应该以以下方式进行构建：（a）每种心理功能对应一个模块，通过整理不同认知学领域的内容，对认知系统的各个模块及其之间的关系进行探究，如同把管中豹子的每个部分按照其位置像拼拼图一样拼凑起来，才能还原认知原本的面貌；（b）AGI必须要有一个物理的身体，即是为了执行物理世界中的任务，也是为了习得模态化的特征和耦合表征，符号概念需要从这些概念中抽象而得；（c）学习必须从最简单的开始，通

全书目录目前，行为取向的主要技术路线是基于深度学习的大模型。深度学习大语言模型的缺点在于，语言是高维语义的低维编码，仅对低维信息加工无法还原回高维的语义信息。而深度学习具身模型的缺点在于，首先，深度学习所习得的特征与人类的语义结构存在根本性不同，它们之间能否做到功能上的对等存疑；其次，关于海量多模态数据的收集、内部感知觉（情感和需求）的传感器和持续学习的难题无法从根本上解决。因此，深度学习模型更适

全书目录在解释定义问题后，下一个问题就是如何实现的问题。目前人工智能可以分为两个大类，一类是代表专用人工智能（SAI）的AI3，另一类是代表通用人工智能（AGI）的AI1和AI2。AI3已经取得了显著的进步和广泛的应用，相比之下，尽管AI1和AI2自提出以来就备受关注，但其发展之路却充满了波折和挑战，尚未达到预期和被广泛应用。关于AGI的定义有两项共识，AI1“与人有相同认知功能的机器”和AI2“

关于人工智能定义的分歧主要可以归纳到下面两维度，一个是基于工作定义，另一个是基于通用性。“工作定义”是指以研究项目作为目标、方法及手段的定义。这个工作定义作为研究工作的纲领，用于指导研究工作。对于“人工智能”这个概念，“人工”的问题不大，公认就是指计算机及机器人这类人造器械，而“智能”就不这么好说了。智能自然是对人类精神能力的某种概括，但概括的程度或角度可能很不一样。因为，人类与机器在构造上的不同