本书由纽约大学计算机系副教授朱利安·托格利乌斯撰写，系统审视了通用人工智能这一热门议题。作者从人类智力理论（CHC模型、g因素）、动物认知（章鱼、乌鸦、蚂蚁）及数学原理（“没有免费的午餐定理”）出发，解构了“智能”这一概念的模糊性与多样性，进而梳理了符号人工智能、深度强化学习、进化计算等主流技术路径的局限与优势。 书中重点剖析了当前**潜力的两种通用人工智能方法：一是基于自监督学习的基础模型（如大语言模型GPT-4、扩散模型Stable Diffusion），展示了其通过文本预测“涌现”出的多样化能力，也指出其幻觉、不可靠等根本缺陷；二是在虚拟环境中进行的开放式学习，智能体通过与不断生成的新问题博弈，逐步进化出更通用的策略。此外，作者还讨论了人工智能与意识的关系、超级智能的“智能爆炸”论点是否存在，以及通用人工智能对就业、偏见、虚假信息和社会治理的现实影响。 本书观点冷静、理性，拒绝炒作，主张“人工智能并无神奇之处，只是一套有用的技术”。译文准确流畅，适合人工智能研究者、从业者、高校师生及对AGI有深度兴趣的大众读者阅读。

朱利安·托格利乌斯(Julian Togelius)是纽约大学计算机科学与工程系的副教授，也是游戏人工智能初创公司modl.ai的联合创始人。他的研究领域涵盖电子游戏人工智能、计算创造力、进化计算，以及人工智能在教育、生物识别等多个领域的应用。他最初攻读哲学与心理学，以期理解心智的奥秘，但后来发现通过构建思维来洞悉其本质或许是更富有成效的途径。

挪门柱效应：AI进化中的AGI迷思 自从2022年ChatGPT受到追捧后，AI世界的变化实在太快了。这本书的撰写过程中，在OpenAI、Anthropic、DeepSeek、GLM、豆包这些AI巨头内部，正在紧锣密鼓地进行第一轮以“强化学习”(RL)为主的后训练。也就是本书第7、8章提到的“在虚拟世界中的开放式学习”。这场强化学习的浪潮至少延续到了2026年初。 书中之所以没有把“强化学习”挂在嘴边，是因为，在2023年初，强化学习在训练中是一个配角，主要应用场合是让刚刚完成预训练的大语言模型学会如何合规合法地回答问题，知道如何得体地回复人类的提问。初代的强化学习前面还要额外加“人类反馈”的定语。说白了，就是给能力已经很好的大语言模型打上与人类规范对齐的补丁。但大约从2023年下半年开始，所有巨头都注意到了强化学习另外的用法，也就是先训练出一个规模比较小的奖励模型，然后让奖励模型对大语言模型成千上万的输出进行批量打分，这样做的好处是去掉了“人类反馈”的成本。你也许可以砸钱找几千位高素质的人，对几百万、上千万道选择题打分，但困难的是，由谁编写出多样性足够丰富，难度梯度适中的上千万道选择题呢？所以，全部依赖人类标记的数据去训练模型实际上是不可能的。摆脱人类反馈的强化学习让大语言模型从“善于闲聊”提升到了“善于解决常见问题”，以至于在极端优化后，甚至可以解决多个学科分类下人类最困难的学术问题，例如，今天一个难度较高的测试集“人类最后的测试”(Humanity's Last Exam)。2023年5月，让GPT-4o去做，正确率大约1%，而Sonnet 3.5做的正确率大约为...