摘要：近年来，人工智能 (AI) 取得了令人瞩目的进步。语言模型能够生成文本，图像识别系统能够创建逼真的视觉效果，机器能够以惊人的速度掌握模式识别任务。然而，尽管取得了这些进步，人工智能仍未达到人类智能真正卓越的水平：持续的终身学习以及从经验中归纳总结的能力。这被称

近年来，人工智能 (AI) 取得了令人瞩目的进步。语言模型能够生成文本，图像识别系统能够创建逼真的视觉效果，机器能够以惊人的速度掌握模式识别任务。然而，尽管取得了这些进步，人工智能仍未达到人类智能真正卓越的水平：持续的终身学习以及从经验中归纳总结的能力。这被称为通用人工智能 (AGI)。

我的核心假设是，真正的通用人工智能 (AGI) 只有在人工智能能够持续学习、灵活地实时调整其理解，而非仅仅依赖于大规模的一次性训练时才能实现。人类天生就会持续学习，根据与周围环境的每一次新互动来更新知识和理解。而目前的人工智能系统通常不具备这种能力。

计算机科学家、神经科学家和工程师杰夫·霍金斯提出的“千脑”理论为实现这种持续学习提供了宝贵的见解。霍金斯认为，大脑是由众多小型、分散的单元（称为皮质柱）组成的网络。每个皮质柱通过进行预测、将其与实际感官输入进行比较并根据差异不断更新，独立地创建自己的“微型现实模型”。这种分散式结构允许进行稳健、适应性强且持续的学习，从而有效地避免了集中式神经网络方法中经常遇到的灾难性遗忘。

如今，大多数人工智能系统严重依赖于大量的初始训练（预训练），之后则保持稳定。与人类不同，这些系统无法持续适应新情况或实时吸收新信息。因此，人工智能系统通常难以将知识灵活地应用于不可预见的任务或情境。

我的观点是，AGI 的实现只有通过创造能够在整个运行生命周期内持续学习、调整和保留知识的 AI 才能实现。受“千脑理论”启发，实施一种去中心化的模块化方法或许有助于解决这些问题，因为它可以让 AI 动态地整合新的经验，同时保留先前学到的知识。

仅靠持续学习是不够的。它需要一个关键要素：能够整合感官输入的稳定参考框架。对人类而言，主要的参考框架是我们的身体。以识别咖啡杯为例：仅凭视觉识别是不够的。只有当我们亲手触摸它，感受它的形状和重量时，我们才能真正理解并形成连贯的内部表征。每一种感官输入——视觉、触觉和运动——都位于我们身体形态所提供的共享、稳定的环境中。

人工智能要想发展出同样复杂的认知能力，还必须运用清晰一致的参考框架。这些参考框架至关重要，因为它们使人工智能能够将不同的感官输入整合成连贯的心理表征，类似于人类通过身体解读感官数据的方式。这种方法与世界模型的概念密切相关，人工智能首先需要深入理解并内化各种对象和概念的特征和关系。只有创建了这种稳定、集成的模型，人工智能才能有效地应对全新的、前所未有的问题。

运动技能和触觉等复杂感官能够显著受益于真实的物理交互或高度逼真的虚拟模拟，它们能够提供纯虚拟输入无法完全复制的关键情境。因此，这意味着，如果我们想要在人工智能中实现真正类似人类的认知，就离不开机器人技术；通过机器人系统或高度先进的模拟技术，将实体化是迈向真正理解和通用智能的关键一步。

另一个悬而未决的问题是，单靠去中心化架构是否能够完全实现持续学习，或者将去中心化和中心化元素相结合的混合架构是否更有效。受“千脑理论”的启发，我们可以想象无数个人工智能模块，类似于大脑皮层柱，独立学习并建模其局部感官输入。同时，一个总体中央系统会将这些局部模型整合成一个统一的理解，在全球范围内协调响应和决策。

这种混合方法可以在局部灵活性和全局一致性之间提供必要的平衡，为人工智能提供持续学习所需的稳健性，而不会忘记过去的经验。

实现通用人工智能可能需要从根本上转向受人脑过程启发的去中心化、持续学习模型。稳定一致的参考框架，结合平衡去中心化局部学习和集中式全局协调的混合架构，为实现通用人工智能 (AGI) 提供了充满希望的途径。在这些原则的指导下，未来的发展或许最终能够弥合当前的差距，使人工智能能够真正像人类一样思考和学习。

如今，人工智能系统已经达到了成熟的水平，足以在组织内部广泛应用——这不仅可以提高效率，还可以扩展现有的商业模式，甚至创造前所未有的全新机遇，带来巨大的附加值。事实上，如果真正的通用人工智能（AGI）需要更长的时间才能出现，这对大多数公司来说可能是有利的，因为它可能会迅速颠覆现有的商业模式。

在此之前，我建议各组织积极利用当前的人工智能技术，尤其是基于代理的系统，来实现复杂工作流程的自动化，并确保竞争优势。理想情况下，他们应该以创新的方式优化和发展其商业模式，以至于即使有了通用人工智能 (AGI)，复制这些模式也会变得困难或缺乏经济吸引力。

福布斯技术委员会是一个仅限受邀者加入的社群，面向世界一流的首席信息官、首席技术官和技术高管。我有资格加入吗？

在Twitter或LinkedIn上关注我 。 访问 我的 网站。

Yusuf Sar, founder and CEO of Hardwarewartung 24. Pioneering in building sustainable data centers since 2001.

Artificial intelligence (AI) has made remarkable strides in recent years. Language models generate texts, image reCognition systems create photorealistic visuals, and machines master pattern recognition tasks at impressive speeds. However, despite these advancements, AI has yet to achieve what makes human intelligence truly remarkable: continuous, lifelong learning and the ability to generalize from experience. This is known as artificial general intelligence (AGI).

My central hypothesis is that true AGI can only be achieved when AI learns continuously, flexibly adapting its understanding in real time rather than relying solely on large-scale, one-time training sessions. Humans naturally engage in constant learning, updating their knowledge and understanding based on every new interaction with their surroundings. Current AI systems typically do not possess this capability.

The "Thousand Brains" Theory proposed by Jeff Hawkins—computer scientist, neuroscientist and engineer—provides valuable insights into achieving this kind of continuous learning. According to Hawkins, the brain operates as a network of numerous small, decentralized units called cortical columns. Each column independently creates its own "miniature model" of reality by making predictions, comparing them to actual sensory inputs and continually updating based on discrepancies. The decentralized structure allows robust, adaptable and continuous learning, effectively preventing the catastrophic forgetting frequently encountered by centralized neural network approaches.

Today, most AI systems rely heavily on extensive initial training (pre-training) and remain static afterward. Unlike humans, these systems do not adapt continuously to new situations or incorporate new information in real time. Consequently, AI systems often struggle to apply knowledge flexibly to unforeseen tasks or contexts.

My argument is that AGI can only be achieved by creating AI that can continuously learn, adjust and retain knowledge throughout its operational lifetime. Implementing a decentralized, modular approach inspired by the Thousand Brains Theory might help solve these issues by allowing AI to dynamically integrate new experiences while preserving previously learned knowledge.

Why Reference Frames Are Essential For True Cognition

Continuous learning alone is insufficient. It requires a crucial component: stable reference frames that integrate sensory inputs. For humans, the primary reference frame is our body. Consider recognizing a coffee cup: Visually identifying it alone is incomplete. Only when we physically touch it, feeling its shape and weight, can we truly understand and form a coherent internal representation. Each sensory input—visual, tactile and motor—is positioned within a shared, stable context provided by our physical form.

For AI to develop similarly sophisticated cognitive abilities, it must also employ clear and consistent reference frames. These reference frames are essential because they enable AI to integrate diverse sensory inputs into coherent mental representations, similar to how humans interpret sensory data through their bodies. This approach is closely linked to the concept of world models, where an AI first needs to deeply understand and internalize the characteristics and relationships of various objects and concepts. Only after creating such stable, integrated models can AI effectively tackle completely novel, previously unseen problems.

Complex senses like motor skills and haptics significantly benefit from actual physical interaction or highly realistic virtual simulations, providing critical context that purely virtual inputs may not fully replicate. Consequently, this implies we cannot bypass robotics if we aim to achieve truly human-like cognition in AI; physical embodiment, through robotic systems or highly advanced simulations, is an essential step toward developing genuine understanding and general intelligence.

Another open question is whether decentralized architectures alone can fully realize continuous learning or if a hybrid structure, combining decentralized and centralized elements, might be more effective. Drawing inspiration from the Thousand Brains Theory, one can imagine numerous AI modules, analogous to cortical columns, independently learning and modeling their local sensory inputs. Simultaneously, an overarching central system would consolidate these localized models into a cohesive understanding, coordinating responses and decisions on a global scale.

This hybrid approach could offer the necessary balance between local flexibility and global coherence, providing AI with the robustness required to continuously learn without forgetting past experiences.

Realizing artificial general intelligence will likely demand a fundamental shift toward decentralized, continuous learning models inspired by human brain processes. Stable and coherent reference frames, combined with hybrid architectures balancing decentralized local learning and centralized global coordination, offer promising pathways toward AGI. Future developments guided by these principles might ultimately bridge the current gap, enabling AI to genuinely think and learn like a human.

Today's AI systems have already reached a maturity level sufficient for broad adoption within organizations—not just to increase efficiency but also to expand existing business models or even create entirely new opportunities that were previously unattainable, delivering tremendous added value. In fact, it could be beneficial for most companies if true AGI takes more time to emerge, as it might rapidly disrupt established business models.

Until then, I suggest organizations proactively leverage current AI technologies, particularly agent-based systems, to automate complex workflows and secure competitive advantages. Ideally, they should optimize and evolve their business models in such innovative ways that replicating them, even with AGI, becomes challenging or economically unattractive.

Forbes Technology Councilis an invitation-only community for world-class CIOs, CTOs and technology executives.Do I qualify?

Follow me on Twitter or LinkedIn. Check out my website.

阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”

未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问进入。

牛津未来研究院 《将人工智能安全视为全球公共产品的影响、挑战与研究重点》

麦肯锡：超级智能机构：赋能人们释放人工智能的全部潜力

AAAI 2025 关于人工智能研究未来研究报告

斯坦福：2025 斯坦福新兴技术评论：十项关键技术及其政策影响分析报告（191 页）

壳牌：2025 能源安全远景报告：能源与人工智能（57 页）

盖洛普 & 牛津幸福研究中心：2025 年世界幸福报告（260 页）

Schwab ：2025 未来共生：以集体社会创新破解重大社会挑战研究报告（36 页）

IMD：2024 年全球数字竞争力排名报告：跨越数字鸿沟人才培养与数字法治是关键（214 页）

DS 系列专题：DeepSeek 技术溯源及前沿探索，50 页 ppt

联合国人居署：2024 全球城市负责任人工智能评估报告：利用 AI 构建以人为本的智慧城市（86 页）

TechUK：2025 全球复杂多变背景下的英国科技产业：战略韧性与增长路径研究报告（52 页）

NAVEX Global：2024 年十大风险与合规趋势报告（42 页）

《具身物理交互在机器人 - 机器人及机器人 - 人协作中的应用》122 页

2025 - 2035 年人形机器人发展趋势报告 53 页

Evaluate Pharma：2024 年全球生物制药行业展望报告：增长驱动力分析（29 页）

【AAAI2025 教程】基础模型与具身智能体的交汇，350 页 ppt

Tracxn：2025 全球飞行汽车行业市场研究报告（45 页）

谷歌：2024 人工智能短跑选手（AI Sprinters）：捕捉新兴市场 AI 经济机遇报告（39 页）

【斯坦福博士论文】构建类人化具身智能体：从人类行为中学习

《基于传感器的机器学习车辆分类》最新 170 页

美国安全与新兴技术中心：2025 CSET 对美国人工智能行动计划的建议（18 页）

罗兰贝格：2024 人形机器人的崛起：从科幻到现实：如何参与潜在变革研究报告（11 页）

兰德公司：2025 从研究到现实：NHS 的研究和创新是实现十年计划的关键报告（209 页）

康桥汇世（Cambridge Associates）：2025 年全球经济展望报告（44 页）

国际能源署：2025 迈向核能新时代

麦肯锡：人工智能现状，组织如何重塑自身以获取价值

威立（Wiley）：2025 全球科研人员人工智能研究报告（38 页）

牛津经济研究院：2025 TikTok 对美国就业的量化影响研究报告：470 万岗位（14 页）

国际能源署（IEA）：能效 2024 研究报告（127 页）

Workday ：2025 发挥人类潜能：人工智能（AI）技能革命研究报告（20 页）

CertiK：Hack3D：2024 年 Web3.0 安全报告（28 页）

世界经济论坛：工业制造中的前沿技术：人工智能代理的崛起》报告

迈向推理时代：大型语言模型的长链推理研究综述

波士顿咨询：2025 亚太地区生成式 AI 的崛起研究报告：从技术追赶者到全球领导者的跨越（15 页）

安联（Allianz）：2025 新势力崛起：全球芯片战争与半导体产业格局重构研究报告（33 页）

IMT：2025 具身智能（Embodied AI）概念、核心要素及未来进展：趋势与挑战研究报告（25 页）

IEEE：2025 具身智能（Embodied AI）综述：从模拟器到研究任务的调查分析报告（15 页）

CCAV：2025 当 AI 接管方向盘：自动驾驶场景下的人机交互认知重构、变革及对策研究报告（124 页）

《强化学习自我博弈方法在兵棋推演分析与开发中的应用》最新 132 页

《面向科学发现的智能体人工智能：进展、挑战与未来方向综述》

全国机器人标准化技术委员会：人形机器人标准化白皮书（2024 版）（96 页）

美国国家科学委员会（NSB）：2024 年研究与发展 - 美国趋势及国际比较（51 页）

艾昆纬（IQVIA）：2025 骨科手术机器人技术的崛起白皮书：创新及未来方向（17 页）

NPL&Beauhurst：2025 英国量子产业洞察报告：私人和公共投资的作用（25 页）

IEA PVPS：2024 光伏系统经济与技术关键绩效指标（KPI）使用最佳实践指南（65 页）

AGI 智能时代：2025 让 DeepSeek 更有趣更有深度的思考研究分析报告（24 页）

2025 军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37 页）

华为：2025 鸿蒙生态应用开发白皮书（133 页

《超级智能战略研究报告》

中美技术差距分析报告 2025

欧洲量子产业联盟（QuIC）：2024 年全球量子技术专利态势分析白皮书（34 页）

美国能源部：2021 超级高铁技术（Hyperloop）对电网和交通能源的影响研究报告（60 页）

罗马大学：2025 超级高铁（Hyperloop）：第五种新型交通方式 - 技术研发进展、优势及局限性研究报告（72 页）

兰德公司：2025 灾难性网络风险保险研究报告：市场趋势与政策选择（93 页）

GTI：2024 先进感知技术白皮书（36 页）

AAAI：2025 人工智能研究的未来报告：17 大关键议题（88 页）

安联 Allianz2025 新势力崛起全球芯片战争与半导体产业格局重构研究报告

威达信：2025 全球洪水风险研究报告：现状、趋势及应对措施（22 页）

兰德公司：迈向人工智能治理研究报告：2024EqualAI 峰会洞察及建议（19 页）

哈佛商业评论：2025 人工智能时代下的现代软件开发实践报告（12 页）

德安华：全球航空航天、国防及政府服务研究报告：2024 年回顾及 2025 年展望（27 页）

奥雅纳：2024 塑造超级高铁（Hyperloop）的未来：监管如何推动发展与创新研究报告（28 页）

HSOAC：2025 美国新兴技术与风险评估报告：太空领域和关键基础设施（24 页）

Dealroom：2025 欧洲经济与科技创新发展态势、挑战及策略研究报告（76 页）

《无人机辅助的天空地一体化网络：学习算法技术综述》

谷歌云（Google Cloud）：2025 年 AI 商业趋势白皮书（49 页）

《新兴技术与风险分析：太空领域与关键基础设施》最新报告

150 页！《DeepSeek 大模型生态报告》

军事人工智能行业研究报告：技术奇点驱动应用加速智能化重塑现代战争形态 - 250309（40 页）

真格基金：2024 美国独角兽观察报告（56 页）

璞跃（Plug and Play）：2025 未来商业研究报告：六大趋势分析（67 页）

国际电工委员会（IEC）：2025 智能水电技术与市场展望报告（90 页）

RWS：2025 智驭 AI 冲击波：人机协作的未来研究报告（39 页）

未来今日研究所 2025 年科技趋势报告第 18 版 1000 页

模拟真实世界：多模态生成模型的统一综述

中国信息协会低空经济分会：低空经济发展报告（2024 - 2025）（117 页）

浙江大学：2025 语言解码双生花：人类经验与 AI 算法的镜像之旅（42 页）

人形机器人行业：由 “外” 到 “内” 智能革命 - 250306（51 页）

大成：2025 年全球人工智能趋势报告：关键法律问题（28 页）

北京大学：2025 年 DeepSeek 原理和落地应用报告（57 页）

欧盟委员会 人工智能与未来工作研究报告

加州大学伯克利分校：面向科学发现的多模态基础模型：在化学、材料和生物学中的应用

电子行业：从柔性传感到人形机器人触觉革命 - 250226（35 页）

RT 轨道交通：2024 年中国城市轨道交通市场数据报告（188 页）

FastMoss：2024 年度 TikTok 生态发展白皮书（122 页）

Check Point：2025 年网络安全报告 - 主要威胁、新兴趋势和 CISO 建议（57 页）

【AAAI2025 教程】评估大型语言模型：挑战与方法，199 页 ppt

《21 世纪美国的主导地位：核聚变》最新报告

沃尔特基金会（Volta Foundation）：2024 年全球电池行业年度报告（518 页）

国际科学理事会：2025 为人工智能做好国家研究生态系统的准备 - 2025 年战略与进展报告（英文版）（118 页）

光子盒：2025 全球量子计算产业发展展望报告（184 页）

奥纬论坛：2025 塑造未来的城市研究报告：全球 1500 个城市的商业吸引力指数排名（124 页）

Future Matters：2024 新兴技术与经济韧性：日本未来发展路径前瞻报告（17 页）

《人类与人工智能协作的科学与艺术》284 页博士论文

《论多智能体决策的复杂性：从博弈学习到部分监控》115 页

《2025 年技术展望》56 页 slides

大语言模型在多智能体自动驾驶系统中的应用：近期进展综述

【牛津大学博士论文】不确定性量化与因果考量在非策略决策制定中的应用

皮尤研究中心：2024 美国民众对气候变化及应对政策的态度调研报告：气候政策对美国经济影响的多元观点审视（28 页）

空间计算行业深度：发展趋势、关键技术、行业应用及相关公司深度梳理 - 250224（33 页）

Gartner：2025 网络安全中的 AI：明确战略方向研究报告（16 页）

北京大学：2025 年 DeepSeek 系列报告 - 提示词工程和落地场景（86 页）

北京大学：2025 年 DeepSeek 系列报告 - DeepSeek 与 AIGC 应用（99 页）

CIC 工信安全：2024 全球人工智能立法的主要模式、各国实践及发展趋势研究报告（42 页）

中科闻歌：2025 年人工智能技术发展与应用探索报告（61 页）

AGI 智能时代：2025 年 Grok - 3 大模型：技术突破与未来展望报告（28 页）

上下滑动查看更多

来源：人工智能学家