全章最后一部分，讲这门学科的长期目标。
先讲通用人工智能是什么，从四个视角给出定义。再讲它应该具备哪八项能力。最后讲三条可能的技术路径。
前面六部分讲的都是眼下正在发生的事，这一部分讲的是还没发生、可能也不会那么快发生的事。
什么算通用人工智能、现在离它有多远、大模型算不算，这几个问题学界都没有共识。看的时候不必追求一个确定答案，把不同视角的分歧看清楚更有价值。
你觉得机器有可能像人一样思考吗？
让机器具备跨领域的学习与认知能力。
当前主流AI仍属于狭义人工智能范畴，主要依赖大规模数据驱动，在特定任务中表现优异，但缺乏跨场景迁移与自主学习能力。通用人工智能旨在突破这一限制，使机器从任务导向系统迈向具备通用认知机制的智能体。
第一级只会做一件事，但做得比人好。第二级什么都会做，达到人的水平。第三级什么都会做，而且都超过人。目前我们还在第一级。
一个下棋赢了世界冠军的程序，算聪明吗？
能够跨任务迁移并在多领域达到或超越人类水平。
AI 不应局限于单一任务，应具备在不同领域间迁移知识与能力的泛化性。图上那句 ONE MODEL, MANY TASKS 就是这个意思，一个模型应对很多任务。
一个人学会了骑自行车，学骑摩托车会快得多。现在的模型做不到这一点，在围棋上练得再好，换成象棋还得从头学。
大语言模型确实能同时做翻译、写作、编程、答题。争议在于它是真的迁移了能力，还是只是训练数据里恰好都见过。第 87 页会讲这个争论。
学会骑自行车对学骑摩托车有帮助，模型有这种本事吗？
应具备持续学习与自适应能力，而非依赖一次性静态训练。
系统应能够学习如何学习，在新任务和新环境中不断更新与优化自身能力。与当前依赖固定数据训练的AI不同，通用人工智能需要具备终身学习机制。
训练完就定型了，之后不再变化。要让它学新东西，得重新训练一遍。人不是这样，人是边用边学的。
第 6 章第 39 页讲的 MAML，目标就是学会怎么快速学会新任务。那是这个视角的一个具体技术尝试。
一个训练完就不再改变的模型，和人的学习方式差在哪？
应具备世界模型、记忆与规划能力。
智能不仅是输出答案，而是能够构建内部世界模型并进行因果推理与决策规划。图上那个大脑示意里，世界模型负责预测行动会带来什么后果，配置器负责调度，短期记忆负责记住当前状态。
你伸手推一个杯子之前，脑子里已经知道它会倒、水会洒。这个不用真的试就能预判后果的能力，就是世界模型。第 6 章第 29 页讲规划时提过这个词。
页面写着部分学者认为当前大语言模型仍缺乏这一核心认知机制。也就是说模型能说出杯子会倒，不代表它真的理解为什么会倒。
说得出会发生什么，和真的理解为什么，是一回事吗？
学界对这个问题仍存在明显分歧。
粉色是当前大语言模型，青色是理论上的通用人工智能。语言流利度上两者接近，但在抽象推理、常识、自我认知、适应性和学习效率上差距明显。
语言流利度那一项快满格了，说明模型很会说话。但适应性和学习效率两项低得多，说明它换个环境就不行，学新东西也慢。会说话不等于会思考。
尽管大语言模型在语言生成与跨任务能力上表现突出，但主流观点认为其仍停留在统计表征层面，缺乏真正的理解能力。这个判断目前还有争议，值得持续关注。
一个说话很流利的模型，凭什么说它不理解自己在说什么？