超越符号：从脑启发智能到人工通用智能的认知基础及其社会影响

机器能否真正像人类一样思考、推理并在各个领域中行动？这一持久的问题继续塑造着对通用人工智能（AGI）的追求。尽管像GPT-4.5、DeepSeek、Claude 3.5 Sonnet、Phi-4和Grok 3这样的模型展示了多模态流畅性和部分推理能力，但这些系统在本质上仍然受到基于符号预测的限制，并且缺乏实际的代理能力。本文提供了一个跨学科的综合视角，涵盖了人工智能、认知神经科学、心理学、生成模型和基于代理的系统，分析了通用智能的架构和认知基础，特别强调了模块化推理、持久记忆和多代理协调的作用。特别是，我们重点讨论了集检索、规划和动态工具使用于一体的代理RAG框架（Agentic RAG frameworks），这些框架能够实现更加适应性的行为。我们还探讨了泛化策略，包括信息压缩、测试时适应和无训练方法，认为它们是实现灵活且领域无关智能的关键路径。视觉-语言模型（VLMs）不仅被视为感知模块，还被重新审视为具身理解和协作任务完成的进化接口。我们进一步论证，真正的智能不仅仅源于规模本身，而是记忆和推理的整合：一个由模块化、互动性和自我改进组件组成的协调系统，在其中信息压缩促进了适应性行为的发展。借鉴神经符号系统、强化学习和认知支架方面的最新进展，我们探讨了近期架构如何开始弥合统计学习与目标导向认知之间的差距。最后，我们指出了通往AGI道路上的关键科学、技术和伦理挑战。