智能演化的普遍定义

本文旨在提出一种普遍定义的人工智能，以实现对人类与人工智能（AI）之间智能进行公平且一致的比较。近年来，AI 技术迅猛发展，如何比较和评估人类与 AI 智力已成为重要的理论问题。然而，现有的智能定义均以人类中心主义为导向，不适用于经验性比较，导致该研究领域缺乏共识。本文首先引入四项评估智能定义的标准，基于 R. Carnap 的概念澄清方法：与被澄清对象相似性、精确性、结果导向性与简单性。随后，我们审查六种代表性定义：智商测试、复杂问题解决能力、奖励优化、环境适应、学习效率与预测能力，并阐明其理论优势与局限。结果表明，基于预测能力的定义具有高解释力与经验可行性，但存在无法充分解释预测与行为/收益关系的局限。本文提出扩展预测假设（EPH），将智能视为准确预测未来能力与从预测中获益能力的结合。进一步区分预测能力为自发预测与反应预测，并引入“获益性”概念，我们提出一种解释智能各方面（如创造力、学习与未来规划）的统一框架。总体而言，本文认为 EPH 是比较人类与 AI 智力最为满意且普遍的定义。