人工智能距离人类水平智能有多近？

OpenAI的o1大型语言模型展示了先进的智能水平，尤其是在结合链式思维（CoT）提示后，在数学问题解决等方面表现出色。然而，研究指出，尽管LLMs在规模和复杂度上有所提升，但它们距离实现通用人工智能（AGI）仍有距离。

LLMs的进步与局限
o1通过学习CoT提示，在复杂任务中表现优于GPT-4（如数学奥林匹克83%正确率 vs 13%）。但研究显示，LLMs在长程规划（如20-40步任务）和抽象推理（如视觉谜题）中表现迅速下降，且其内部世界模型可能存在缺陷——例如训练预测曼哈顿出租车路线的模型构建了与现实不符的内部地图，导致无法处理新情况。

AGI的潜在路径与障碍

1. 架构与数据限制：Transformer架构虽能处理多种数据类型，但训练数据枯竭（预计2026-2032年耗尽）限制了进一步进步。此外，模型规模增长放缓，可能因新奇元素减少或架构本身局限。
2. 世界模型与反馈机制：AGI的关键要素之一是构建可靠的世界模型，但当前LLMs的反馈机制仅限于附加方式，缺乏双向信息流动（如人类大脑中的感知-规划闭环）。
3. 自主性与验证：LLMs依赖外部模块（如验证器）辅助任务，但需定制化设计，而AGI需能自主构建验证器。研究建议赋予模型选择采样数据的自主性，以减少对外部数据的依赖。

研究结论
尽管无理论障碍阻止AGI实现，但关键挑战在于突破数据依赖、构建可靠世界模型及集成反馈机制。现有LLMs的局限性表明，AGI的到来可能需要更多时间，且需突破架构和认知模拟的瓶颈。部分研究提出生成流网络等新架构，但实际进展仍处于早期阶段。