自1956年达特茅斯会议首次提出“人工智能”（AI）概念以来，这一领域已经走过了近七十年的发展历程。相较于AI，"人工通用智能"（AGI）的概念则相对较新，直到2007年才被正式提出（参考Goertzel和Pennachin的研究）。从本质上讲，早期AI与现代AGI的目标都旨在模拟人类的“通用”智能，即能够处理多种任务的能力。然而，AI技术的实际发展往往局限于“专用”领域，例如在特定任务（如下围棋）上的卓越表现，即便是备受赞誉的智能决策支持系统（IDSS）也不例外。进入21世纪，一些AI领域的专家对技术理想与现实之间的差距感到失望，因此重新提出了AGI的概念，并通过发表研究论文和组织会议，形成了以B. Goertzel为代表的AGI研究核心群体。尽管如此，在计算机和AI领域，AGI的支持者并不多，其并未获得广泛的认同，相反，对其的质疑声音相当强烈。
在探讨“通用人工智能”时，我们发现“人工”这一概念相对明确，而“通用”的含义则较为模糊。许多人质疑将AGI与ANI（专用人工智能）区分开来的做法是否合理。根据Goertzel的观点，两者之间存在根本性的差异，即所谓的“AGI核心假设”。如果否认这一点，AGI的概念将失去意义。Goertzel认为，AGI研究者已经就以下几点达成共识：
- 通用智能能够适应多样化的环境和背景，实现各种目标和任务。
- 通用智能系统应能处理与其设计者预期不同的问题和情况。
- 通用智能系统擅长归纳所学知识，并能将这些知识从一个领域迁移到另一个领域。
- 在现实资源的限制下，实现“随心所欲的通用智能”是不可能的。
- 真实世界的系统可能展现出不同程度的有限通用性，但在学习某些任务时效率更高。
- 人类展示的通用智能水平高于现有的AI数字生命和其他动物。
尽管如此，这些共识在字面上存在模糊之处，并不完全一致。从字面上看，ANI只能完成特定任务，而AGI则能处理通用任务，这似乎表明两者在功能上是“一与多”的关系。然而，两者在本质上的差异何在？首先，“通用”并不意味着“全能”。如果以完成所有任务为标准，那么即使是人类智能也不能算是通用的。因此，AGI的“通用”功能可能仅意味着多功能性。其次，“专用”也不等同于单一用途。例如，人工智能翻译系统已经能够同时执行语言翻译、对话教学和作业批改等多项功能。因此，关键在于如何界定两者的边界，即多功能性达到何种程度才能被视为通用？这显然不是一个简单的问题。
一方面，我们不能仅根据用途的“一与多”来严格区分AGI和ANI。另一方面，根据上述共识，智能的通用性并非人类独有，现有的AI数字生命和动物智能也展现出一定程度的通用性，只是人类智能的通用性水平更高。这实际上意味着AGI和ANI之间的差异在于通用性的“程度”而非“有无”，这与“AGI核心假设”相悖，也无法确定AGI通用性的阈值起点。
尽管存在这些争议，对通用性内涵的界定仍然为AGI的实现提供了方向，推动了研究工作的进展。然而，在AGI领域内部，由于专家们来自数学、计算机科学、心理学、生物学、脑科学、语言学和经济学等不同背景，他们对AGI实现方向的看法各不相同，出发点、基本定义和基础观念也不一致。总体而言，现有的通用性理解与以下关键词相关联：（1）迁移，即通用性意味着将一个领域的知识应用于新任务；（2）适应性，即智能体越智能，其适应的应用场景就越多，通用性也越高；（3）算力，即算力越强，智能体越智能，通用性也越高；（4）语言，即人类智能的通用性在于语言的使用，如果AI能够处理所有自然语言，那么它就实现了AGI；（5）经济价值，即AGI与ANI不同，后者需要人类重新编程来学习新任务，而AGI可以通过降低成本和提高效率在经济价值上超越人类。
然而，这些理解受到了科技界的质疑。首先，针对迁移学习能力，如果学习能力等同于AGI，那么所有能够进行机器学习的AI都是AGI，这显然过于简化。通用性不仅意味着学习，更重要的是能够“迁移”。但“迁移”是什么，以及如何实现迁移，这些问题并不容易回答，且不能简单地等同于归纳能力——人类的通用智能不能被简化为概括、演绎、阅读、推理、分析等认知能力。其次，针对“适应性”的质疑认为，如果适应性与通用性正相关，那么适应恶劣环境的阿米巴原虫可能比人类更通用，这显然是荒谬的。此外，适应性与具身性相关，而AGI缺乏不可分离的具身性，因此其适应性难以确定。再次，如果算力越高越通用，那么真正的AGI需要无穷的算力，这在现实中是不可能的。最后，如果将通用性限定为语言能力，那么由于数学原因，机器可能永远无法完全掌握人类的对话行为，因此图灵机不可能拥有AGI。至于以经济价值界定通用性的做法，实际上是回避了“何为AGI”或“何为通用性”的问题，转而关注“为何发展AGI”。
综上所述，技术专家们对AGI的定义不仅差异巨大，而且存在重要的缺陷——要么不清晰，要么自相矛盾。可以说，每位AGI专家都有自己的AGI理解，导致衡量标准迥异。现实中的AGI技术研发在没有明确“何为AGI”的情况下进行，存在具体的AGI项目，却没有关于AGI的一致定义——从某种意义上说，AGI技术话语陷入了“唯名论困境”。但必须指出，“唯名论困境”并未阻碍AGI的技术进步。作为AI研究的一种技术路线，各种AGI开发方案拓宽了机器智能的实现途径，推动了数字生命技术的进步，例如AGI的语言理解促进了大型语言模型（LLMs）的发展。