AGI 研究的现状是追求我们能够从巨大的研究问题中分离出来的少数问题。这些是可以更彻底地研究的术语。

几个主要的焦点是：

• One Shot learning - 你知道一个人有时是如何通过看到一个例子来学习做某事的吗？总的来说，当前的学习方法无法做到这一点，以至于我们很容易认为这是理所当然的。正在努力寻找方法来实现这一学习壮举，并且它正在变得更有影响力。

• 迁移学习——如果你曾经玩过像马里奥这样的横向卷轴游戏，然后我给了你一个稍微不同的游戏，比如索尼克，那么你学习玩索尼克的速度可能会比学习玩马里奥的速度更快。这是因为通过将您的马里奥知识转移到新的 Sonic 领域来学习“储蓄”。这是一个比一次性研究更受欢迎的研究分支，可能是因为它更容易思考，但也因为在一组数据上预训练网络并将其集中在另一项任务上已经取得了可喜的结果。

• 创造力/好奇心——尽管有人可以说 GAN 确实改变了人类更具创造力的方式，但很难量化好奇心和创造力这篇论文给出了一个不错的概述。此外，允许代理人抓住机会并犯一些错误，因为这是创造力的本质，这让许多专注于人工智能安全的人感到担忧。

• 理解概念 - 这是微妙但非常重要的。当前的 AI 方法很难让 AI 具有概念的能力。就概念而言，我并不是说“看起来倒数第二层的这个神经元对轮胎很敏感”。我的意思是了解轮胎的外观只是了解轮胎是什么、它的用途、它可以让人们做什么等的一小部分。这个研究方向还处于起步阶段，但随着越来越多，它的影响力会更大。提出了理论和想法。

尽管在这些领域和人工智能的许多其他领域取得了进展，但在我们最终拥有 s̶k̶y̶n̶e̶t̶ Wall-E 之前，仍有许多工作要做和理解。

在论文《通用人工智能：概念、技术现状和未来展望》（2014 年）中，Ben Goertzel 概述了 AGI 领域及其进展。他描述了主要的方法

• 象征性的（例如认知架构，如 SOAR）
• 紧急/亚符号（神经网络）
• 混合型（象征主义和涌现主义的结合）
• 普遍主义者（AIXI 和 Godel Machines）

到 AGI 和指标来评估人类水平的智能和部分进展。

还有一本由 Cassio Pennachin 和 Ben Goertzel 合着的旧书，名为《通用人工智能》（ Artificial General Intelligence，2007 年）。本书的一章“通用人工智能的当代方法”简要介绍了 AGI 领域的历史。