我们在这个问题上得到的最清楚的结果是“没有免费的午餐”定理。基本上，为了让系统在特定任务上表现更好，你必须降低它在其他任务上的性能，因此需要在灵活性和效率之间进行权衡。

但是对于更广泛的问题，或者您的想法是否正确，我认为更仔细地研究一下您所说的“狭义智力”是什么是值得的。我们拥有的能够玩围棋和驾驶汽车的人工智能系统并没有出现能够做这些事情；他们通过大量的训练示例和精心挑选的反映问题领域的架构慢慢学会了如何。

也就是说，“神经网络”作为一种方法论似乎以一种有意义的方式“普遍”；可以想象，可以通过解决元学习问题（即学习最适合特定问题的架构，同时从训练数据中学习该问题的权重）来形成通用智能。

即使在这种情况下，仍然需要在灵活性和效率之间进行权衡；允许改变其架构的通用智能将能够解决许多不同的问题，但需要一些时间来发现它面临的问题。锁定在特定架构中的智能将在架构非常适合的问题上表现良好（比一般架构更好，因为它不需要发现），但在它不太适合的其他问题上表现不佳。

正如马修格雷夫斯在另一个答案中解释的那样，没有免费的午餐定理证实了灵活性 - 效率的权衡。然而，这个定理描述了你有一组完全独立的任务的情况。这通常不成立，因为许多不同的问题在它们的核心是相同的，或者至少有一些重叠。然后你可以做一些叫做“迁移学习”的事情，这意味着通过训练来解决一个任务，你也会学到一些关于解决另一个任务（或者可能是多个不同的任务）的知识。

例如在Rusu 等人的Policy Distillation中。他们设法将来自不同专家网络的知识“提炼”成一个通用网络，最终胜过每一位专家。专家接受特定任务的培训，而通才从这些“老师”那里学习最终政策。

看起来是这样。在数字计算机和模拟计算机之间的差异中可以看到一个示例，尽管与 AI 无关。我们今天所认为的“计算机”几乎都是具有冯诺依曼架构的数字计算机。那是因为这些东西是如此通用，以至于它们可以很容易地被编程来做任何事情。但是模拟计算机可以（或可以，早在 60 年代左右）比数字计算机更快地解决某些类型的问题。但正是由于缺乏灵活性，它们失宠了。没有人愿意用运算放大器和比较器手工连接电路来解决y。