MIT眼中的AGI之路：从认知架构到通用智能

MIT认知科学传统如何看待AGI？在这场演讲中，Nate Derbinsky系统讲述了“认知架构”这一被低估的路径：它不追逐单点能力，而是试图复刻人类解决多任务的心智结构。

为什么AGI不能只靠单一模型

这一部分的核心问题是：什么才算真正的AGI。Derbinsky一开始就澄清，他心中的通用人工智能并不是在某个任务上做到极致，而是“build a system that either predicts or acts on different tasks”。这句话点出了关键：AGI关注的是跨任务的通用能力，而不是某个benchmark的胜负。

他指出，当前很多研究路径，其实是在不断堆叠针对特定问题的技巧，而不是回答“系统如何像人一样学习和迁移”。在他看来，AGI研究者最终绕不开一个问题：人类是如何在完全不同的情境中，复用同一套认知机制的？正因如此，他强调，AGI研究的参照物“it's just humans right”。

这一判断的重要性在于，它直接否定了那种“只要算力和数据足够，通用性自然涌现”的乐观假设，而是把注意力重新拉回到心智结构本身。

下棋这个例子，揭示了人类认知的秘密

为了说明什么是“通用的认知机制”，Derbinsky选择了一个经典问题：人类是如何下棋的。他并没有从算法优劣谈起，而是反问：“or how do humans play chess”。这个转折非常关键。

在他看来，人类下棋并不是靠穷举搜索，而是依赖记忆、模式识别、目标管理和策略选择等多种机制的协作。这些机制并不是为下棋“专门定制”的，它们同样被用于做饭、写论文或驾驶汽车。

这个例子之所以重要，是因为它解释了认知架构研究的动机：与其为每个任务设计一个模型，不如构建一个包含多种通用认知模块的系统，让任务只是这些模块的不同组合方式。下棋只是一个窗口，真正的研究对象是隐藏在背后的通用心智结构。

从Newell到Simon：认知架构的历史根源

认知架构并不是一个新概念。Derbinsky在演讲中专门提到了一张幻灯片，上面是Alan Newell——他是这一领域的奠基人物之一。Newell主张，用统一的架构解释所有认知行为，而不是为每种行为单独建模。

紧接着出现的，是Herb Simon领奖的照片。这位认知科学家和经济学家因“有限理性”获得诺贝尔奖，也深度参与了早期符号主义认知系统的构建。Derbinsky借此强调，这一传统始终在思考一个问题：系统是否能在符号推理之外，“benefit from non symbolic representation”。

这个历史回顾的意义在于提醒听众：今天的AGI讨论，并不是从零开始。很多被重新包装的问题，几十年前就已经被系统性地思考过。

Soar、ACT-R、Sigma：走向可执行的心智模型

在演讲后半段，Derbinsky快速梳理了几种代表性的认知架构，并把重点放在Soar和Sigma上。他指出，这些系统在结构上“looks quite a bit like the prototypical architecture”，包含记忆、决策、学习等核心模块。

更重要的是，这些架构并没有停留在理论层面。例如Soar已经被移植到移动机器人平台上，结合感知和“robotic actuation”，让系统真正参与到现实环境中。这种实践让研究者得以观察：当一个统一架构面对多种任务时，学习和控制是如何相互影响的。

Derbinsky反复强调，认知架构的价值不在于某一次演示，而在于它提供了一种“below the task level”的研究视角——研究的是机制，而不是任务本身。

总结

这场演讲传递的核心信息很清晰：如果AGI意味着通用性，那么研究重点就不应只是更大的模型，而是更统一的认知结构。认知架构提供了一条缓慢却扎实的路径，它试图回答“人为什么能做这么多不同的事”。对今天的研究者而言，这不仅是技术选择，更是一种研究立场：你是在解决问题，还是在理解智能本身？

关键词： 通用人工智能， 认知架构， Soar， ACT-R， Sigma

事实核查备注： 视频来源：Lex Fridman频道；演讲者：Nate Derbinsky（Northeastern University教授）；涉及认知架构：Soar、ACT-R、Sigma；历史人物：Alan Newell、Herb Simon（诺贝尔奖获得者）；引用原话包括“build a system that either predicts or acts on different tasks”“it's just humans right”“or how do humans play chess”。