AI Must Embrace Specialization via Superhuman Adaptable Intelligence

从人工智能企业高管、研究人员，到末日论者、政界人士及社会活动家，各界人士都在热议“通用人工智能”（AGI）。然而，他们往往对AGI的确切定义莫衷一是。一种广为流传的定义认为，AGI是指能够完成人类所能完成的一切任务的人工智能；但人类本身真的“通用”吗？本文探讨了我们对AGI这一概念的理解存在哪些根本性偏差，并指出：即便在最严谨、最自洽的表述下，AGI仍是一个有缺陷的概念，无法准确刻画人工智能未来的发展图景。我们审视了当前最受认可的若干AGI定义，考察其是否合理、是否具有实际指导价值、以及是否真正具备“通用性”。我们认为，人工智能的发展方向不应是追求面面俱到的“通用”，而应坚定走向“专业化”；并且，在专业化道路上，应以超越人类的卓越性能为目标。为此，我们提出“超人适应型智能”（Superhuman Adaptable Intelligence, SAI）这一新概念。SAI被定义为：一种能够通过学习，在人类所能胜任的任何重要任务上实现全面超越，并能填补人类能力所不及之技能空白的智能形态。随后，我们阐明SAI如何助力厘清当前因AGI定义泛化、负载过重而日益模糊的人工智能讨论；并进一步推演：若以SAI为指引来规划人工智能的未来发展，将带来哪些深远影响与实践启示。

论文质疑当前人工智能领域对'人工通用智能（AGI）'的主流定义——即'能做人类所能做的一切'——存在根本性概念缺陷：该定义隐含了对人类能力的错误假设（人类本身并非真正‘通用’），且将‘通用性’作为发展目标既不科学也不实用，导致研究方向模糊、资源错配和公共讨论失焦。这是一个尚未被系统批判但日益紧迫的概念基础问题。

提出‘超人可适智能（SAI）’替代AGI作为更严谨、更具指导意义的范式：SAI不追求人类水平的广泛覆盖，而聚焦于在‘重要任务’上持续学习并超越人类能力，并主动填补人类生理/认知固有盲区（如高频微观决策、跨光谱感知、毫秒级协同等）。其核心创新在于将目标从‘类人广度’转向‘超人深度+适应性补缺’，以性能边界和任务重要性为标尺，而非拟人化对标。

论文为纯概念性分析，无实验、数据集或代码；亮点在于对AGI隐含人类中心主义假设的哲学解构，首次明确提出SAI作为可操作的替代框架，并系统论证其对政策制定、技术路线选择和风险评估的澄清作用；值得深入的方向包括：SAI的能力评估基准设计、重要性权重的跨文化共识机制、以及SAI在特定高价值域（如材料发现、气候建模）的早期实现路径。

‘Rethinking AGI: Why Human-Level Generality Is a Misguided Goal’ (Bender & Koller, 2023); ‘The Illusion of AGI’ (Marcus, 2022); ‘On the Impossibility of Human-Level AI’ (Gary Marcus & Ernest Davis, 2019); ‘Scalable, Grounded, and Testable AGI’ (LeCun, 2024 Keynote); ‘Beyond the Turing Test: A Task-Oriented Evaluation Framework for AI’ (Henderson et al., ACL 2023)