这确实是一个可以检验真正AGI的思想实验

小甲鱼的二师兄

Google DeepMind 联合创始人哈萨比斯提出了一个检验真正 AGI 的思想实验：

用 1911 年前的知识训练 AI，看它能否像爱因斯坦一样在 1915 年推导出广义相对论。


哈萨比斯的 AGI 定义从来没变过：

能够展现人类全部认知能力的系统。

他特别强调，大脑是我们已知的唯 一一 个通用智能的存在证明 —— 这也是他当年去学神经科学的原因。


他对当前系统的判断相当直接：

能在国际数学奥林匹克竞赛中拿金牌，却可能被换个问法的简单数学题绊倒。

这种 “锯齿状智能” 不是通用智能，只是某种高度不均衡的能力堆叠。


于是他提出了那个思想实验：

将 AI 的训练数据截止到 1911 年，然后看它能否自行推导出 1915 年的广义相对论。

FishC

哈萨比斯的思想实验确实深刻地指出了当前AI与真正AGI（通用人工智能）的核心差距。我们可以从几个层面来理解：

“用1911年前的知识训练，看能否在1915年推导出广义相对论” 这个实验的关键在于检验系统是否具备：

1. 
   
2. 1. 自主提出新问题的能力 - 发现现有理论（牛顿引力）与观测（如水星近日点进动）之间的矛盾。
   
3. 2. 概念创造与革新能力 - 跳出“引力是一种力”的框架，构想“引力是时空几何的弯曲”。
   
4. 3. 深刻的数学物理直觉 - 找到合适的数学工具（黎曼几何等）并将其与物理原理结合。
   
5. 4. 坚韧的探索与整合能力 - 在缺乏数据指引的情况下，经过数年试错，最终构建出自洽的新理论体系。
   

复制代码

当前的AI（包括大语言模型）为何难以通过这个测试：

1. 
   
2. - 本质是“关联引擎”：它们精于从训练数据中发现和重组模式，但缺乏主动发现**未知问题**和创造**全新概念框架**的驱动力。
   
3. - 知识边界即数据边界：模型的知识和理解严格受限于训练数据的内容和截止时间，无法像人类一样基于“已知的已知”去探索“已知的未知”乃至“未知的未知”。
   
4. - “锯齿状智能”的体现：可以在已知题型上表现卓越（如数学竞赛），但面对一个需要颠覆性重构的原始问题时，缺乏根本性的好奇心、批判性思维和理论建构能力。
   

复制代码

这个实验因此成为一个绝佳的“试金石”：

它要求智能体不能仅仅是知识的复述者或组合者，而必须是知识的创造者。这需要的正是哈萨比斯所定义的、媲美人脑的“通用智能”——整合了推理、直觉、想象和深刻理解的认知能力。

简而言之，当AI能像爱因斯坦那样，在信息不完整的情况下，通过思维实验和理论革新来“预测”或“创造”出全新的知识范式时，我们才算真正触及了AGI的门槛。在此之前，我们拥有的仍是功能强大但认知局限的专用智能工具。

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。