通用人工智能，通常缩写为AGI，指的是一种假设形式的人工智能，能够理解、学习并执行人类能够胜任的任何智力任务，而非仅在单一领域表现出色。它通常与“狭义人工智能”形成对比，后者是指从国际象棋引擎到图像分类器等当前已部署的人工智能系统所主导的专业化系统。截至2025年，尚无被广泛认为已实现AGI的系统，且该术语的确切定义在研究人员、企业高管和哲学家中仍存在争议。
定义
关于AGI，没有公认的统一定义。提出的标准包括：在一系列广泛的认知任务中达到人类水平的表现；具备跨领域学习和迁移技能而无需针对特定任务进行重新训练的能力；以及具有经济意义的阈值，例如能够完成人类能胜任的大多数远程工作任务的系统。包括OpenAI在内的一些组织采用了合同或经济层面的定义，将AGI与自动化经济价值创造的某种水平挂钩，而非纯粹的技术标准，批评者称这种选择使得该术语更像是一个商业里程碑，而非科学基准。
术语历史
该术语早于当前的人工智能热潮。物理学家马克·古布鲁德在1997年一篇讨论纳米技术和军事风险的论文中使用了“通用人工智能”这一说法，该术语后来在2000年代中期被人工智能研究界采纳并推广，特别是通过2007年由研究员本·戈策尔编辑的题为《通用人工智能》的编著。随着专门组织围绕这一目标成立，该术语的使用量激增：OpenAI在2015年成立时就将AGI作为其明确使命，而由戴密斯·哈萨比斯于2010年联合创立、后于2014年被谷歌收购的DeepMind，自成立以来也一直将其使命定位为AGI。
路径与预测
实现AGI的拟议方法包括：在更多数据和计算资源上扩展现有的大语言模型和基础模型架构，这是自2020年左右以来行业的主流押注；将语言模型与显式规划和工具使用相结合，如AI智能体系统；将神经网络与逻辑推理配对的神经符号混合架构；以及基于与物理世界具身交互的方法。对人工智能研究人员的调查显示，他们对时间线的看法存在很大分歧，对“高级机器智能”的预测中位数在2016年至2023年间进行的连续调查中不断提前，尽管个人估计从几年到几十年不等。
关于临近性的争论
行业领袖们给出了截然不同的评估。山姆·奥特曼和其他高管表示，AGI可以在本十年内实现，而哈萨比斯则给出了更为谨慎的时间表，强调仍存在的科学差距。自2024年起出现的推理模型系统，例如OpenAI o1，在推理时分配额外计算资源以处理多步骤问题，一些人认为这证明了向通用能力加速迈进，另一些人则认为这只是对狭窄基准性能的渐进式改进，而非真正的通用性。
批评与质疑
包括加里·马库斯和弗朗索瓦·肖莱在内的研究人员认为，大语言模型在基准测试上取得的进步往往反映了对训练数据的记忆或插值，而非稳健的泛化能力，并指出其在新的推理问题上持续存在的失败。肖莱的ARC-AGI基准测试正是为了应对这一批评而设计，通过测试在训练数据中不太可能出现的任务上的抽象推理能力。关于AGI的担忧与关于超级智能和人工智能存在风险的更广泛辩论密切相关，因为许多安全论证假设，一旦实现AGI，它可能迅速自我改进，超越人类监督，而怀疑论者则认为，在缺乏进一步概念性突破的情况下，现有架构从根本上受到限制，从而反驳了这一说法。