为了获得对人工智能的真正理解，研究人员应该将注意力转向开发一种基本的和潜在的AGI技术，这种技术可以复制人类对环境的理解。
谷歌、微软和脸书等行业巨头，埃隆马斯克(Elon Musk)的OpenAI等研究实验室，甚至SingularityNET等平台都在押注通用人工智能(AGI)——智能代理理解或学习人类无法完成的任何智力任务的能力。这代表了人工智能技术的未来。
然而，有点令人惊讶的是，这些公司都没有专注于开发一种基本的底层AGI技术来复制人类背景理解。这可能解释了为什么这些公司正在进行的研究完全依赖于具有不同程度特异性的智能模型，并依赖于今天的人工智能算法。
不幸的是，这种依赖性意味着AI最多只能表现出智能。无论他们的能力多么令人印象深刻，他们仍然遵循着一个有许多变量的预定脚本。所以，即使是像or Watson这样的大型且高度复杂的程序，也只能表现出理解能力。其实他们不明白，文字和图像代表的是在物质宇宙中存在并相互作用的物理事物。时间的概念或原因有影响的观念对他们来说是完全陌生的。
这并不是要剥夺今天人工智能的能力。例如，谷歌能够以令人难以置信的速度搜索大量信息，以提供用户想要的结果(至少在大多数时候)。Siri等个人助理可以预订餐厅，查找和阅读电子邮件，并实时发出指令。这个列表还在扩展和改进中。
然而，无论这些程序有多复杂，它们仍然在寻找输入，并做出完全依赖于其核心数据集的特定输出响应。如果你不相信我，请向客服机器人提出一个“计划外”的问题，它可能会产生一个无意义的响应或者根本没有响应。
简而言之，谷歌、Siri或任何其他当前的AI例子都缺乏真实和常识性的理解，这最终将阻止它们发展为人工通用智能。究其原因，可以追溯到过去50年大部分人工智能发展的主要假设，即如果难题能解决，简单的智能问题也就解决了。这个假设可以用Moravec悖论来描述，mora vec悖论认为，计算机在智力测试中表现成人水平相对容易，但在感知和移动性方面，它们很难拥有一岁婴儿的技能。
AI研究者的假设也是错误的。他们相信，如果构建了足够多的狭义AI应用，它们最终会一起成长为通用智能。与儿童可以轻松整合视觉、语言和其他感官的方式不同，狭义的AI应用程序无法以通用的方式存储信息，从而允许信息被共享，然后被其他AI应用程序使用。
最后，研究人员错误地认为，如果能够建立足够大的机器学习系统和足够的计算机能力，它就会自发地表现出普遍智能。这也被证明是错误的。正如试图获取特定领域知识的专家系统无法创建足够多的案例和样本数据来克服潜在的理解不足一样，人工智能系统也无法处理“计划外”的请求，无论这些请求有多大。
通用人工智能基础知识
为了获得对人工智能的真正理解，研究人员应该将注意力转向开发一种基本的和潜在的AGI技术，以复制人类对上下文的理解。例如，考虑一个3岁的孩子在玩积木时的情境意识和理解能力。3岁的孩子明白，积木是存在于三维世界中的，它们有重量、形状、颜色等物理特征，叠得太高就会掉下来。孩子们也明白因果关系和时间流逝的概念，因为积木在被先叠好之前是不能被推倒的。
3岁也可以变成4岁，然后5岁，最后10岁，以此类推。简而言之，3岁的孩子生来就有能力，包括成长为功能齐全、普遍聪明的成年人的能力。对于今天的人工智能来说，这样的增长是不可能的。不管它有多复杂，今天的人工智能仍然完全意识不到它在其环境中的存在。它不知道现在采取的行动会影响未来的行动。
虽然认为一个除了自己的训练数据之外从未经历过任何事情的人工智能系统能够理解真实世界的概念是不现实的，但在人工智能中添加一个移动的感觉舱可以让人工实体从真实环境中学习，并显示出他们对现实中物理对象、因果关系和时间流逝的基本理解。就像那个3岁的孩子一样，这个配备了感觉舱的人造实体可以直接学习如何叠积木，移动物体，随着时间的推移执行一系列动作，并从这些动作的后果中学习。
通过视觉、听觉、触觉、操纵器等。，人工实体可以通过纯文本或纯图像系统根本不可能的方式学习理解。如前所述，无论他们的数据集有多大，多变化，这样的系统根本无法理解和学习。一旦实体获得了这种理解和学习的能力，它甚至有可能移除感觉舱。
虽然在这一点上，我们无法量化需要多少数据来表达真正的理解，但我们可以推测，大脑中一定有一个合理的比例与理解有关。毕竟人类是在自己经历和学习过的一切的背景下解释一切的。作为成年人，我们用我们在生命最初几年学到的东西来解释一切。考虑到这一点，似乎只有当AI社区认识到这一事实并采取必要的步骤建立基本的理解基础时，真正的人工通用智能才能完全出现。