解决跨领域和多模态的复杂AI任务是实现通用人工智能的关键一步。虽然已有众多针对不同领域和模态的AI模型，但它们无法自主处理复杂AI任务。鉴于大语言模型(LLM)在语言理解、生成、交互和推理方面展现出卓越能力，我们提出可以让大语言模型作为控制器来管理现有AI模型，并以语言作为通用接口来实现这一目标。基于这一理念，我们推出了HuggingGPT——一个由大语言模型(如ChatGPT)驱动的AI智能体，通过连接机器学习社区(如Hugging Face)中的各类AI模型来解决AI任务。具体而言，当收到用户请求时，我们使用ChatGPT进行任务规划，根据Hugging Face上提供的功能描述选择相应模型，用选定模型执行每个子任务，并根据执行结果汇总响应。通过结合ChatGPT强大的语言能力和Hugging Face丰富的AI模型库，HuggingGPT能够处理涵盖不同模态和领域的复杂AI任务，在语言、视觉、语音等挑战性任务中取得显著成果，这为实现通用人工智能开辟了新途径。

基础模型展现出远超传统方法的通用人类水平智能潜力。随着该技术持续吸引AI社区关注，越来越多的基础模型逐步开放使用。然而这些模型普遍存在专业领域和特定任务性能不足的缺陷，需要针对领域和任务进行微调才能构建有效的科学语言模型。随着可用基础模型和专项任务数量持续增长，科学语言模型的训练工作变得异常复杂。本文针对该问题提出了解决方案——我们推出可扩展的轻量级工具包LMFlow，旨在简化通用基础模型的领域与任务感知微调流程。该工具包提供完整的基础模型微调工作流，支持在有限算力下进行专业化训练，同时涵盖持续预训练、指令微调、参数高效微调、对齐调优、推理加速、长上下文泛化、模型定制乃至多模态微调等功能模块，并配备精心设计且可扩展的API接口。该工具包已通过全面测试，开源地址为https://github.com/OptimalScale/LMFlow.1

为了在开发更智能、更类人的人工系统方面取得有意识的进展，我们需要遵循适当的反馈信号：必须能够以支持系统间比较及人机对比的方式定义和评估智能。过去百年间，心理学和AI领域涌现了大量定义与测量智能的尝试。我们系统梳理并批判性评估了这些定义与测评方法，同时揭示了两种隐含其中的历史性智能概念。我们注意到，当代AI社区在实践中仍倾向于通过比较AI与人类在棋盘游戏、电子游戏等特定任务中展现的技能来基准化智能水平。我们认为仅测量任务技能不足以评估智能，因为技能表现高度依赖于先验知识和经验：无限先验或无限训练数据能让实验者通过"购买"方式为系统赋予任意技能水平，从而掩盖系统自身的泛化能力。基于算法信息论，我们提出新的智能形式化定义，将智能描述为技能获取效率，并强调范围、泛化难度、先验知识和经验等核心要素在智能系统表征中的关键作用。据此定义，我们提出通用AI基准应满足的系列准则。最后，我们介绍严格遵循这些准则的新基准——抽象推理语料库(ARC)，其构建基于明确设计的先验集合，这些先验尽可能接近人类先天认知模式。我们论证ARC可用于测量类人的通用流体智力，并支持AI系统与人类之间公平的通用智能比较。

为了朝着更智能、更类人的人工系统方向取得有意识的进展，我们需要遵循适当的反馈信号：必须以能够比较两个系统以及与人类进行比较的方式定义和评估智能。过去一百年间，心理学和AI领域涌现了大量定义与测量智能的尝试。我们总结并批判性评估了这些定义和评估方法，同时揭示了隐含指导它们的两种历史性智能概念。我们注意到，在实践中，当代AI社区仍倾向于通过比较AI与人类在特定任务（如棋盘游戏和电子游戏）中展现的技能来基准测试智能。我们认为仅测量任何给定任务的技能不足以衡量智能，因为技能高度受先验知识和经验调节：无限的先验或训练数据允许实验者以掩盖系统自身泛化能力的方式为系统"购买"任意水平的技能。接着，我们基于算法信息论提出了一个新的智能形式化定义，将智能描述为技能获取效率，并强调范围、泛化难度、先验和经验等概念是表征智能系统的关键要素。基于此定义，我们提出了一套通用AI基准应遵循的准则。最后，我们介绍了一个紧密遵循这些准则的新基准——抽象与推理语料库(ARC)，它建立在显式先验集合之上，这些先验被设计为尽可能接近人类与生俱来的先验。我们认为ARC可用于测量类人的通用流体智能，并实现AI系统与人类之间公平的通用智能比较。

人工智能快速发展，重塑全球经济，提升效率，催生新产业。医疗、金融、交通等行业受益，但隐私保护、算法公平性、就业影响等伦理法律问题浮现。AI起源于20世纪50年代，深度学习推动其在视觉和语言处理上突破。各国政府和企业重视AI，寻求技术与社会责任的平衡。AI推动经济增长，催生新职业，如医疗诊断、金融决策和数据分析。挑战包括规模化应用、数据安全、算法偏见和社会适应性。未来机遇在于经济增长、新职位增加以及全球范围内合作与政策制定。

随着深度学习进步，AIGC能理解语义、模拟人类思维，创作新闻、社交媒体内容甚至艺术作品。机器学习模型通过大量文本学习，高效生成定制内容。然而，这也带来版权、原创性及就业挑战。我们需要在推进技术的同时，关注伦理和法律问题，确保人与AI和谐共存。AIGC潜力巨大，将持续塑造我们的信息世界。关注其发展，平衡利用，保持人类价值核心地位。

本文从理论计算机科学（TCS）的角度来研究意识，这是一门数学分支，致力于理解计算和复杂性的基本原理，包括资源限制的含义和令人惊讶的后果。我们提出了一个正式的TCS模型，即感知定制机（CTM）。