現在通用人工智慧界有哪些大牛？ 如Marcus Hutter等
RT
好吧，開始填坑，前段時間個人對AI的一些東西有了疑惑，而且也發現了一些之前還沒學習到的東西。為了不誤導沒填坑，現在開始慢慢填吧...
先聲明，這些都是個人看法！！！先聲明，這些都是個人看法！！！先聲明，這些都是個人看法！！！在這裡介紹AGI的主要技術、主要研究方向、目前較為著名的人物。估計需要多次才能更完，先這樣吧...
一般來說AGI主要指通用人工智慧（artificial general intelligence/universal artificial intelligence）基本也相當於強AI，這東西一直就是AI乃至計算機界的聖杯。雖然因為當初牛皮吹的太大而遇冷了幾次，不過現在似乎終於有一點實現的可能性。AGI發展到現在各種理論五花八門的太多了，這裡面有的只是一個觀點，有的是個理論框架，還有的是已經有一些實踐效果的工程。這裡主要介紹後兩種project，畢竟純腦洞沒啥意義。從技術上來說，目前AGI用到的技術和一般AI領域的區別主要是理論範圍更深廣一些，存在少數一般AI不常用的知識：計算機（ANN、Brain simulation、分散式計算、常用演算法、各種編程技術）、生物（進化論、生物神經原理、進化計算、基本生物素養） 、各種邏輯（數理邏輯四論、一階邏輯、描述邏輯、其他的邏輯能懂更好）、數學（主要是概率、分析、代數、組合數學、圖論、計算複雜性理論、最優化、測度論、其他數學越多越好）、物理（控制論、資訊理論、基本物理素養，如果想搞量子人工智慧的需要了解量子計算）、心理學、哲學（分析哲學、科學哲學、結構主義、解構主義、心靈哲學、現象學）。這麼多的信息也只是AGI研究中的相對主要部分，自然實際中的研究者只能在其中的一塊或幾塊領域進行研究。其實理論上來說所有的人類知識都可以說對AGI或多或少有用...這裡介紹下相對比較有名的project，這些project大部分都可以在wiki找得到：·
Symbolic AGI Approaches符號邏輯派
1.
ACT-R（2003）：ACT-R（Adaptive Control of Thought—Rational）是一種認知架構，用以模擬並理解人的認知的理論。ACT-R試圖理解人類如何組織知識和產生智能行為，最終的目標是使系統能夠執行人類的各種認知任務，如人的感知、思想和行為。ACT-R 目前被用來研究人類性能的不同的方面包括感知和注意力、學習和記憶、問題解決和做決定、語言處理、智能代理、智能輔導系統、人類－計算機交互等方面。
評價：ACT-R是個比較老的系統思想，總體是希望用劃分模塊的方法來模擬人的生物及心智結構，算是那個年代的代表之一吧。
2.
Cyc（1989）： Cyc項目始於1984年，由當時的微電子與計算機技術公司開發。該項目最開始的目標是將上百萬條知識編碼成機器可用的形式，用以表示人類常識。CycL是Cyc項目專有的知識表示語言，這種知識表示語言是基於一階關係的。1986年Douglas Lenat預測如果想要完成Cyc這樣龐大的常識知識系統，這將涉及25萬條規則，並將要花費350個人年才能完成。1994年，Cyc項目從該公司獨立出去，並以此為基礎成立了Cycorp公司。 Cyc知識庫中表示的知識一般形如「每棵樹都是植物」、「植物最終都會死亡」。當提出「樹是否會死亡」的問題時，推理引擎可以得到正確的結論，並回答該問題。該知識庫中包含了320萬條人類定義的斷言，涉及30萬個概念，15000個謂詞。這些資源都採取CycL語言來進行描述，該語言採取謂詞代數描述，語法上與Lisp程序設計語言類似。 目前Cyc項目大部分的工作仍然是以知識工程為基礎的。大部分的事實是通過手工添加到知識庫中，並在這些知識基礎上進行高效推理的。最近Cycorp正致力於使Cyc系統能夠和最終用戶用自然語言進行交流，並通過具機器學習來輔助形成知識的工作。
評價：這玩意是當初知識工程唯一經歷寒冬活到現在的通用型知識庫商業公司，就憑這一點就要給個贊！！據說養活了不少邏輯學家，積累到目前總算開始有些用處了， FBI這些有時都會去拜訪下。
3.
SNePS（2007）: SNePS是基於邏輯的框架知識庫-關係系統，使用知識斷言模型，SNePS知識庫（KB）由關於各種實體的一組斷言（命題）組成。由一些代理人構想的實體，以及它所相信的命題來組成一個精神實體。
評價：艱難研究中，現在是統計和ANN的時代。
4.
SOAR（2012）：艾倫·紐厄爾（Allen
Newell，1927年3月19日－1992年7月19日）是計算機科學和認知信息學領域的科學家，曾在蘭德公司，卡內基梅隆大學的計算機學院、泰珀商學院和心理學系任職和教研。他是信息處理語言（IPL）發明者之一，並寫了該語言最早的兩個AI程序，合作開發了邏輯理論家（Logic Theorist 1956年）和通用問題求解器General Problem Solver。1975年他和赫伯特·西蒙一起因人工智慧方面的基礎貢獻而被授予圖靈獎。紐厄爾生前的最後一個重大研究開發項目是和曾經是他的學生的萊爾德(J.Laird)和羅森勃洛姆（P.Rosenbloom）一起完成的更靈巧的AI軟體SOAR（State,Operator,andResult）。SOAR是一個通用的問題求解程序，具有從經驗中學習的功能，即能夠記住自己是如何解決問題的，並把這種經驗和知識用於以後的問題求解過程之中，所以和人類的智能更加接近。SOAR已被前述CMU的EDRC用於檢索設計中的學習行為和靈活搜索行為。
評價：艱難研究中，中國的史忠植曾經走過這條路，不過成果有限，現在是統計和ANN的 時代。
5.
NARS（2006）：你這是什麼邏輯?
評價：王培是王培是美國天普大學（Temple University）計算機與信息科學系副教授。他是國際期刊《Artificial General Intelligence》的主編，《哥德爾、艾舍爾、巴赫：集異璧之大成》的中譯者之一，也是侯世達的徒弟。他算是現在AGI界最積極的華人了吧，前幾年經常來國內宣傳AGI，可以上網看看他的專欄「王培AI專欄」，裡面有些觀點還是不錯的。這個系統他堅持做了30+年，雖然這個系統其實有點簡單...
6.
waston（2011）：waston論文翻譯
評價：waston和siri都是當初語義網的獲益者，waston直接得益於freebase和dbpedia，
·
Emergentist AGI Approaches湧現智能派
1.
Hierarchical
Temporal Memory (HTM)（2007）：
HTM是一種新型的神經網路，它的神經元模型（細胞cell）是按列、按層並按區域分布的有等級的結構。它的記憶是分等級的，並且需要大量具有時間性的數據訓練。HTM網路中，區域是它的主要記憶和預測單元，每個區域代表層級中的一個等級。層級隨著等級的上升不斷聚合，下級多個子元素被聚合到一個上級元素中。這樣，下層的區域可以分別處理多個數據源和感受器提供的數據，如一個區域處理視覺、一個處理觸覺，而在高層聚合，共同或分別得到同樣的識別結果。《人工智慧的未來》(On Intelligence)一書作者Jeff Hawkins創建的Numenta公司目前在進行HTM演算法的實現。
評價：被deep learing衝擊了，本身想法還是不錯的，現在公司開源了平台NuPIC ，有興趣可以看看這個課程：NuPIC與HTM腦皮質學習演算法
2.
neutral turing machine/DNC（2016）: 這塊太多了，就不說了
評價：目前deep mind很明顯是想把ANN和表示學習結合起來，不過目前來看路還很長遠，目前展現的更多是從時間序列/空間序列中提pattern的能力。
·
Neuroscience類生物神經系統派
1.
Markram』s IBM 「Blue
Brain Project」（2006）： "
藍腦"工程，是在IBM擁有的超級計算機—藍色基因的構思基礎上，企圖應用超級計算機的高速度，來虛擬人類大腦的多種功能，比如認知、感覺、記憶等。可以說，這台計算機所作的就是一個翻譯工作，只不過想要翻譯的，是未知的、神秘的人類大腦。瑞士洛桑大腦與思維學院主任亨瑞·馬克蘭實驗小組花了十多年的時間已經逐步建立起了神經中樞結構資料庫，所以現在他們擁有著世界上最大的單神經細胞資料庫。而在這個資料庫的基礎上，藍腦在第一階段中將建立新皮層單元在整個大腦中的電子結構模型。而下一階段的研究是要繪出大腦的反應迴路和動態模型，這要求藍色基因超級計算機至少具備每秒高達 22.8萬億次的浮點計算的運算能力。如果此項工作能完成的話，就可以模擬出新皮層單元的活動，從而再向模擬整個大腦進軍。初步預計整個計劃至少要十年以上。
評價：IBM的項目一向如此，雖然不一定最時髦，但一定是能耐得住寂寞的。
2.
Boahen』s 「Neurogrid
Project」（2007）:
斯坦福大學生物工程副教授波爾漢 開發Neurogrid電路板，它由16個按樣定製的「Neurocore」晶元組成，這16個晶元可以模擬100萬個神經元和數十億個突觸。考慮到其功率損耗，他們的團隊在設計這些晶元時，使某些特定的突觸能夠與硬體電路共享，這樣便誕生了Neurogrid，其大小僅僅相當於一台iPad，但是與其他大腦模擬器相比，相同的功耗下它可以模擬更多的神經元和突觸。
評價：不了解，待看
·
Hybrid AGI Architectures集成系統派
1. CogPrime（2011）：CogPrime設計了一個具體的AGI體系結構，包括核心體系結構和演算法，基本的概念方式等。一旦一個完整的CogPrime系統經歷了適當的經驗和訓練，能夠產生類似人類的智力（目前在某些方面與人類有差異，在未來具有超越此水平的發展潛力）。cogprime是一個通用的集成平台，能夠集成多個不同的學習演算法，然後在一個知識權重超圖上表示出基於概率的語義，從而協調不同的AI演算法功能。
評價：這是大佬通用人工智慧學會主席Ben Goertzel的項目，知乎上也有他的團隊廣告， 就是這個問題下@雷森的答案。據說已經用在金融方面了，效果還行。後面有詳細人物 介紹。
2.
DUAL（2004）：DUAL是一個根據「集體智慧」理論構建的系統，用來研究多個agent的相互協作與決策以及自組織等行為，例如群體感知、共同記憶等。agent可以是符號邏輯系統也可以是其他的智能演算法系統。
評價：這屬於群體智慧方面的研究，個人比較看好這一塊在未來的發展，而且這方面的 研究也很實用。
3.
LIDA（2012）： 1988年，心靈哲學家巴爾斯首次提出「全局工作空間（global workspace theory）」意識模型，運用語境論解釋意識運行的基本規則。該模型假設：意識與一個全局「廣播系統」相聯繫，該系統在整個大腦中發布信息。全局工作空間模型包括三個部分：專門處理器、全局工作空間和語境。專門處理器是無意識的，它們可能是一個單一的神經元，也可能是整個神經元網路。這些無意識專門處理器在特定的任務域中非常有效，因為獨立分散的行為無需意識的介入，不需要在全局工作空間中顯示它們。當遇到無法解決的新問題時，這些專門處理器可以根據情況對信息進行分解、重組，對全局的信息進行綜合整理，形成意識經驗，獲得對問題的處理方案。
全局工作空間類似於大型專家會議的演示台。為了實現交流，每個專家必須與其他專家競爭，得到專家聯盟（專門處理器集合體）的支持後就可以到演示台作報告，發布信息，使其成為全局性的信息。不同語境形成專家處理器的聯盟。在功能上它們限制意識內容而沒有意識到自己存在的結構。這就像劇作家為演員寫劇本而自己不出現在舞台上一樣。它喚起、形成並指導全局信息而自己卻不進入全局工作空間。
巴爾斯認為，「全局工作空間」僅是作為一種記憶存在，在這個記憶里不同的系統可以執行它們的任務，「全局」意味著記憶中的符號通過眾多的處理器被分配、傳遞開來。他把「全局工作空間」比喻為一個專家會議，與會者被召集起來解決一系列問題。每個專家可能就問題的不同方面產生一致或分歧意見，解決辦法就是在會堂前面的大黑板上公開這個信息，使每一位與會專家都能讀到並作出回應。在任何時候都會有一些專家試圖傳播全局性信息，但這個黑板並不能同時容納所有的信息，這樣，專家之間會形成競爭或通過合作達到傳播全局性信息的目的，專家的聯合體由此建立起來。
LIDA即是根據這個模型所建立的程序，它的核心之處在於表達了「全局工作空間」的 認知循環過程，目前LIDA模型無論應用在符號邏輯系統還是神經網路系統上都有一定 的效果，不過對於推理、語言這些較為複雜的過程依然無法解決。
評價：有一定前途，作為集成模型還是很不錯了。
4.
MicroPsi: 根據德國心理學家迪特里希?德爾納提出的心智模型所開發的集成系統，他提出大腦的主要特點之一是，有意識的信息加工比無意識的信息處理慢很多。另一個主要特點是，記憶存儲的容量非常大，但存儲速度相對較慢。還有一個特點，那就是基本不考慮「不存在」的問題。我們有一種只看重當下的心理傾向，其注意力始終集中在眼前的事物上，卻往往忽略在這些事物的表面之下。針對這些大腦的這些特點及其改進可能，設計了MicroPsi。類似於LIDA，也是簡單問題表現可以，複雜了不行。
評價：類似LIDA，不過個人認為沒有LIDA適用性廣。
·
The Universalist Approach to AGI通用演算法理論派
1. AIXI：AIXI的簡介可以看看另外一個答案：到目前為止（2015），人工智慧領域有哪些面向強智能（完整的，通用的智能）的模型？ - 機器人 - 知乎
2. Godel machine：同上，不過godel machine這塊是我們目前唯一真正覺得有戲的道路，以後可能會做一些比較大的實驗，有興趣且有條件長期堅持的可以留名，呵呵
3.
因果熵：這個想法感覺挺好，可以看看這篇專欄:知乎專欄。另外廣告下，他的其他專欄都還是不錯的。不過這個研究自從這一篇論文之後就沒有下文了。
·
evolutionary computation進化計算派
1. Tierra：Tierra是生態學家托馬斯·S.雷在20世紀90年代早期的編寫的計算機模擬程序，生成的程序互相競爭，爭奪CPU時間和訪問主內存，可以自我複製並且有一定幾率在複製過程中發生變異，並有一個殺手程序負責淘汰那些失敗的變異。在這種環境下，生成的程序可進化，並可以發生變異，自我複製和再結合。
評價：tierra程序中生成和很多有意思的程序生命，甚至為了生存它們發展出了一些很高級的策略，有興趣的可以了解下。
2. 元胞自動機：細胞自動機最早由美籍數學家馮·諾依曼（John von Neumann）在1950年代為模擬生物細胞的自我複製而提出的。但是並未受到學術界重視。英國學者史蒂芬·沃爾夫勒姆（Stephen Wolfram）對初等元胞機256種規則所產生的模型進行了深入研究，並用熵來描述其演化行為，將細胞自動機分為平穩型、周期型、混沌型和複雜型。具體可以看看這個細胞自動機 - Cellular Automata〔生命遊戲〕
評價：人工生命方向的來源之一，馮老祖發起的，目前研究雖然比較冷，仍然比較重要。
3.
蟻群優化：蟻群演算法(ant colony optimization, ACO)，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法具有如下一些優點：①通用性較強，能夠解決很多可以轉換為連通圖結構的路徑優化問題；②同時具有正負反饋的特點，通過正反饋特點利用局部解構造全局解，通過負反饋特點也就是信息素的揮發來避免演算法陷入局部最優；③有間接通訊和自組織的特點，螞蟻之間並沒有直接聯繫，而是通過路徑上的信息素來進行間接的信息傳遞，自組織性使得群體的力量能夠解決問題。但是，基本蟻群演算法也存在一些缺點：①從蟻群演算法的複雜度來看，該演算法與其他演算法相比，所需要的搜索時間較長；②該演算法在搜索進行到一定程度以後，容易出現所有螞蟻所發現的解完全一致這種「停滯現象」，使得搜索空間受到限制。
評價：人工生命方向的應用之一，在優化上用的很多，類似的還有人工蜂群、粒子群等演算法。
---------------------------------------------------------------------------------------------------------
比較著名的AGI界活躍人士介紹：
本?格策爾（Ben Goertzel）：本·格策爾博士是香港金融預測公司Aidyia控股公司首席經濟學家；人工智慧軟體公司Novamente有限責任公司董事長；生物信息公司Biomind有限責任公司董事長；通用人工智慧學會和OpenCog基金會主席；非營利組織Humanity+副董事長；生物製藥公司Genescient公司科學顧問；奇點大學和奇點研究所顧問；廈門大學福建省仿腦智能系統重點實驗室客座教授；以及美國通用人工智慧會議主席。他的研究領域包括通用人工智慧、自然語言處理、認知科學、數據挖掘、機器學習、計算金融、生物信息學、虛擬世界與遊戲等，目前已出版和發表12本科學著作、100多篇專業論文和大量的報刊文章。在進入軟體行業之前，他曾在美國、澳大利亞和紐西蘭等國的大學擔任數學、計算機科學和認知科學教師。
王培（wang Pei）：王培是美國天普大學（Temple University）計算機與信息科學系副教授。他是國際期刊《Artificial General Intelligence》的主編，《哥德爾、艾舍爾、巴赫：集異璧之大成》的中譯者之一，也是侯世達的徒弟。
未完待續
然後，wiki上已經有不少資料了：Artificial General Intelligence，真要能把上面的資料讀完也了解一部分了，不過主要是關於AIXI和NARS的相關資料，其他提供的很少。
再附一篇比較詳盡介紹AGI的綜述：degruyter.com 的頁面，上面的內容也參考了其中的部分。Research Institute的方式了解一下。
- Ben Goertzel 博士是世界上頂尖的生物學人工智慧專家，強人工智慧協會主席，在該領域有20多年的經驗。 Dr. Goertzel 發布了141篇科學文章和12部科學書籍，為眾多非盈利機構，企業，政府部門服務過。
- 是以下公司的創始人或者首席科學家：Biomind, LLC ，Novamentel LLC , Humanity+ (Humanity Plus) ，Genescient Corp. Aidyia Limited
-
- 和 NIH 和 CDC 一起合作對帕金森疾病，慢性疲勞綜合征，等其他疾病的藥物發現做出重要貢獻，
- 在和 Genescient.的合作中，運用人工智慧去分析長壽的水果蠅的基因組，去理解跨物種的長壽基因。
- 運用高級的人工智慧工具去定位相關的基因序列，比如：年齡，肥胖，炎症，老年痴呆，六種主要癌症，和阿滋海默症。
- 篩選出上千自然化合物和藥物可以控制一些特定基因序列查明了一系列複合化合物會影響到特定的一系列基因序列
- Dr. Goertzel 強人工智慧研究會議發起者，也是openCog 開源人工智慧軟體的開發者（2008年），
- Open Cog 是一個著名的開源強人工智慧框架，用於構建人工智慧系統，被大量美國政府機構使用。
- 智能機器人公司 hanson robotics，的首席科學家： 一家屢獲殊榮的機器人公司，詳情點擊
- Aidyia金融預測公司的首席科學家, 一個利用人工智慧進行量化交易的金融公司。詳情點擊
純個人觀點，這個領域沒有真正意義上的大牛，只有吹牛的大牛 -- 因為基本的理論建設尚未完成。我們要學習的，正是如何在無法成為大牛的時候吹牛，也就是在工作的領域發展尚未完善、個人智商有局限性時使個人成就、利益最大化。這是這個領域目前能夠給程序員/計算機科學工作者最大的啟示。
通用人工智慧領域有Hutter，但他過於自信，模型也過於理想。Ben Goertzel算一個，Pei Wang算另一個。別的小魚小蝦不少，但還沒長大。和大熱的AI相比，AGI短期內還是一個冷門。
推薦閱讀：