一句话总结

纽约大学和Meta AI的研究人员挑战了当前关于通用人工智能的主流观念，主张AI应优先追求专业化和超人类表现，并提出超人类可适应智能（SAI）这一框架，该框架下的智能能够学会在关键任务上超越人类并填补人类技能缺口，从而指导未来的AI发展。

核心贡献

• 提出超人类可适应智能（SAI），其定义为快速适应人类领域内外重要任务、学会超越人类表现并填补人类无法胜任的技能缺口的能力，以此取代以人为中心的AGI概念。
• 将进展衡量重新聚焦于现实资源约束下技能习得的速度与效率，将评估从静态的人类基准转向可量化的适应动态过程。
• 表明采用SAI理念可通过促进架构多样性和专业化来对抗自回归模型的同质化趋势，并指出自监督学习、预测世界模型和模块化组合是实现快速、可靠能力的有前景的路径。

引言

作者论证称，广泛使用的通用人工智能（AGI）概念存在深刻的模糊性，其相互矛盾的定义加剧了极化争论，并将通用性与以人为中心的技能集合混为一谈。这种模糊性将人类智能视为通用基准，从而误导了研究方向，尽管人类认知本身是受进化约束塑造的一系列专门化适应能力的集合。因此，进展往往以静态的、人类水平的任务清单来衡量，而非评估agent在现实资源限制下快速获取新能力的能力。为解决这一问题，作者提出了超人类可适应智能（SAI）这一指导性概念，将焦点从定义不清的“通用性”转向对人类领域内外任务可量化的适应速度和效率，并明确拥抱专业化、自监督学习、世界模型和架构多样性。

实验

评估部分考察了现有AGI定义为何在可行性、内部一致性和可评估性这三个核心标准上存在不足。声称具有真正通用性的定义因“没有免费午餐”定理而违反可行性；以类人通用性为中心的定义则因人类智能仅是可能智能的一个狭窄子集而缺乏内部一致性。以性能为导向的定义进一步缺少明确的进展衡量标准，而以学习或适应为导向的定义则能通过适应速度自然地提供可量化的评估。总体而言，分析论证认为，围绕“通用性”的不精确语义有可能将该领域引向过于狭窄的目标，并模糊实现目标的实际路径。