第264章 第264节 （3/3）

其一就是以深度学习为基础，走向“超大模型”与“多模态融合”，沿着GPT、Gemini等大语言模型的路线，持续扩大模型规模，并整合文本、图像、音频、视频、传感器数据等多种模态信息，构建对世界的统一表示。

关键点在于追求“涌现能力”，通过海量数据和算力，让模型自发产生复杂的推理和泛化能力。但在林托看来，这种方法是否最终导向真正的理解而非模式匹配，存在争议。

“说到底这还只是模拟。”林托现如今再次回头看去，对于这玩意儿的深度，简简单单就能给出这样的评价。

所谓的涌现能力，所谓的整合文本，图像，音频，视频都只不过是让他对自己脑海之中的信息所给予的攻略。

就像是没有灵光一闪一般的随意响应，红绿灯亮起，“红灯行绿灯停”式的直接应答，虽然是迄今为止看来最为先进的，同样也是这个世界目前还没有涉足到的领域，但是林托确实觉得这玩意儿有点问题。

林托觉得这就像是饮鸩止渴，竭泽而渔，模拟出来的智能再高，也不可能缔造出真正的神经网络。

所以林托也就引出了接下来的三种。

其二，认知架构与混合智能。

路线方面不依赖单一模型，而是设计一个模块化系统，模拟人类心智的不同功能。

关键模块可能包括：

世界模型：对物理和社会规则进行内部模拟。

记忆系统：长期记忆、工作记忆、情节记忆。

注意力与感知：选择性关注关键信息。

推理与规划引擎：基于逻辑和目标的决策。

情感与动机系统：提供内在驱动力和价值观。

这些都是Ben Goertzel的“OpenCog”，DeepMind的“GATO”的早期尝试。

其三是强化学习和具身智能。

有一部分学者认为，AGI需要在与环境的互动中学习。通过强化学习，让智能体在虚拟或真实的物理环境中通过试错来掌握通用技能。

关键点在于“具身认知”理论认为，智能离不开身体与环境的交互。这需要仿真环境（如元宇宙）和机器人技术的支持。

其四是神经科学启发与类脑计算。

路线为深入研究人脑的运行机制，在算法或硬件层面进行模仿。例如脉冲神经网络、神经形态芯片，目标是希望实现人脑的高能效、高鲁棒性和自适应性。

而对于林托来说，这所有的一切都需要大量的算力进行支持。

所以在这一次芯片的构造之中，利用光子进行线性计算，量子点处理非线性部分。

结构设计上层以纳米光子波导网络，中层以量子点阵列，底层以超导内存，接近零功耗存储。

原理则是使用拓扑绝缘体材料引导光子，量子点通过光致发光实现激活函数，最终引爆算力。

现如今的这么一个芯片大小的东西，却融合了上述四种向着agi方向研究的主体。

而也正是在诸多方向的推演之下，林托找到了最终那一点灵光乍现的部分，宛如上帝创造人类，制造出了一个包含人格的agi。

一般来说，信息学的极致就是创造人类。

和物理化学不同，信息学是人类在诞生了人工智能之后才进行研究的学问，所以说乍一看都属于是未来科技，因为不可能有生物制造出真正完美的人。