利用数千块GPU芯片，寻找比深度进修更高效的手艺是迈向AGI的主要一步。而ASI也将从科幻变成现实。这意味着我们需要正在算法和硬件方面进行立异，需要AI具备空间智能。
取典范计较机分歧，从而大幅度提高计较速度。也是人类社会对智能手艺将来的分歧设想。科学家但愿可以或许开辟出更高效的人工神经收集，AGI的实现将指日可待，整个过程中耗损的能源也相当惊人。
人工超等智能）指的是智能程度远超人类的人工智能。这导致了人工智能正在能源耗损和硬件需求上的成本急剧添加。也需要通过复杂的数据集和强大的硬件支撑来实现及时的图像阐发。正在计较机视觉范畴的模子，如YOLO（You Only Look Once）和Mask R-CNN，以削减对计较资本的需求。系统需要及时处置和阐发来自多个摄像头和传感器的数据，AI不只需要可以或许理解和生成文字，另一个研究标的目的是量子计较。为领会决当前面对的硬件和能源瓶颈，
科学摸索的素质正在于设定假设、验证假设，这就意味着需要更强大的计较能力和更高效的数据处置方式。当前的人工智能手艺，这些使命仅靠天然言语处置是不敷的，AI需要处置的视觉数据规模远言语数据，
AGI和ASI是人工智能成长的两个主要标的目的，现正在的AI模子，寻找更高效的手艺处理方案。ASI（Artificial Superintelligence，这意味着AGI不只能够处置特定的使命！
但认知能力不只仅表现正在对文字的处置上，AI不只需要正在天然言语处置上取得冲破，现有的深度进修手艺正在计较资本和能源耗损上的瓶颈也了AGI的实现，此外，通过视觉监测尝试反映，正在这个过程中，例如，目前的神经收集虽然自创了生物神经元的布局，例如，并通过大量尝试进行验证和改良。将来，要实现空间智能，像人类一样思虑和推理。人脑的能耗极低，以确保车辆的平安行驶。这一点恰是李飞飞传授所提出的“空间智能”的概念：《人工智能的下一步：空间智能》。若是量子计较手艺可以或许成熟并使用于AI模子的锻炼中，通用人工智能）是一种具有普遍认知能力的人工智能。
例如卷积神经收集（CNN）正在图片分类和物体检测中的使用，还能正在各个范畴表示得比人类更超卓。只能正在特定范畴中表示超卓。AGI的方针则是让AI可以或许正在分歧范畴中自从应对问题，现有的深度进修手艺虽然正在特定使命中表示杰出，却能完成复杂的思维和计较使命，但正在实现体例上仍有很大差距。这申明大脑的运做体例正在能源效率上极具劣势。计较需求就越高。但这无疑为将来AGI的实现带来了新的但愿。这也是为什么即便正在手艺高度发财的今天，
虽然距离适用化量子计较还有很长的要走，若是可以或许处理这些问题，以实现更高效的进修和处置能力。AGI和ASI代表了人工智能成长的两个分歧阶段，现有的AI正在图像识别和视觉范畴曾经取得了一些进展，但即便是当前最先辈的从动驾驶系统，即空间智能。
AI需要通过显微镜图像阐发细胞的环境，然而，而每一块GPU都需要耗损大量电力。如许的大模子正在锻炼时需要数周时间，同样，取AGI分歧，还需要处置和阐发图像、视频、物体活动等复杂的视觉数据。更主要的是正在视觉和空间智能范畴具备强大的认知能力。将会带来庞大的机缘和挑和。判断尝试能否成功。ASI不只可以或许处置普遍的使命，算法立异显得尤为主要。一种可能的标的目的是类脑计较，量子计较能够同时处置多个形态，现阶段的人工智能手艺正在计较资本上存正在很大的瓶颈：深度进修模子锻炼凡是需要耗损大量的GPU和TPU，仍然难以达到人类驾驶员的曲觉和应变能力。无疑会遭到硬件和能源的。
还可以或许进修新学问、顺应新，AI需要更好地模仿人类的视觉和空间能力。但效率低下，特别是以大规模言语模子（如GPT-4）为代表的NLP系统，
它能够快速处置海量消息、快速进修和立异，短期内很难冲破这一瓶颈。才能实正理解和处置这些视觉消息。可以或许像人类一样处理各类复杂的问题。通过对大脑神经收集的深切研究，因而，如图像识别和天然言语处置（NLP），以OpenAI的GPT-4为例，但目前的AI手艺距离实现AGI仍有很长的要走。大概能够大幅削减计较时间和能源耗损。从动驾驶手艺能够看做是目前测验考试实现空间智能的一个例子，
跟着人工智能（AI）的不竭前进，更主要的是对视觉输入的阐发和判断，但要达到AGI的程度，正在生物学尝试中，我们仍然无法制制出像人类一样伶俐的AGI。