随着人工智能最新技术的发展，AI正在摆脱狭义的专业定向的人工智能（AI）的局限，而进入暮光区，即专业AI与通用AI之间的模糊区域。
迄今为止，所有机器学习和AI功能都属于狭义上专业AI。从保险评级到欺诈检测到制造质量控制和空中混战，甚至协助核裂变研究，每种AI算法只能满足一个目的。
这意味着两件事：
- 设计用于做一件事情（例如，识别对象）的算法不能用于其他任何事情（例如玩电子游戏）
- 一种算法“学习”的任何事情都不能有效地使用转移到另一个旨在满足不同特定目的的算法。例如，在围棋游戏中跑赢人类世界冠军的算法AlphaGO无法玩其他游戏，尽管这些游戏要简单得多。
专业AI
如今，许多领先的AI示例都使用通过人工神经网络实现的深度学习模型。通过仿真连接的大脑神经元，这些网络可在图形处理单元（GPU）上运行-图形处理器非常先进，可并行运行数百或数千个计算操作，每秒可运行数百万次。神经网络中的多层是为了模拟人的大脑神经突触，反映了AI算法必须评估的参数数量。当今的大型神经网络可能有100亿个参数模型函数模拟大脑，在网络的每一层级联信息（每一层评估另一个参数）以优化算法输出。例如，在图像处理中，较低的层可以标识边缘，而较高的层可以标识与人有关的概念，例如数字或面部。
虽然可以进一步加速这些计算并在神经网络中添加更多层以适应更复杂的任务，但是在计算能力和能耗方面存在快速逼近的约束，这些约束限制了当前范例可以运行的范围。这些限制可能会导致另一个“ AI冬季 ”，这在AI的历史上已经发生过两次（在1980年代和1990年代），并且每次都要花费很多年才能克服，等待技术或计算能力的发展。
避免再次出现AI冬季将可能需要额外的计算能力，这可能是由于专门针对AI功能的处理器而开发的，这些处理器正在开发中，有望比当前的GPU更有效，更高效，同时降低能耗。数十家公司正在研究新的处理器设计，旨在加速AI所需的算法，同时最大限度地减少或消除支持其他用途的电路。
避免AI寒冬的另一种方法要求范式转变，超越当前的深度学习/神经网络模型，更高的计算能力或范式转换可能导致从狭义的专业AI转向“通用AI”（也称为人工智能）。
通用AI
与狭窄的AI算法不同，通用AI所获得的知识可以在系统组件之间共享和保留。在通用AI模型中，可以让Alpha Go能够学习国际象棋或任何其他游戏。尽管以最快的计算机系统的速度运行，AGI被认为是一种通用的智能系统，可以像人类一样行动和思考。
迄今为止，还没有AGI系统的示例，并且大多数人认为，达到此阈值还有很长的路要走。今年早些时候，多伦多大学教授、深度学习的先驱Geoffrey Hinton 指出：“大脑一立方厘米内有1万亿个突触。如果有一般的AI之类的东西，那么（系统）可能需要一万亿个突触。”
尽管如此，仍有一些专家认为该行业正处于一个转折点，已从专业AI转向AGI。当然，也有人声称我们已经在最近宣布的GPT-3自然语言处理（NLP）神经网络中看到了AGI系统的早期示例。虽然NLP系统通常是在大量文本上进行训练的（这是一种监督式学习方法，需要对每条数据进行标记），但向AGI迈进将需要改进的无监督式学习，在这种情况下，AI会暴露于许多未标记的数据中，因此必须弄清楚其他一切。这就是GPT-3的工作；它可以从任何文本中学习。
GPT-3根据从互联网收集的数据中发现的模式进行“学习”，从Reddit帖子到Wikipedia到粉丝小说和其他来源。基于此学习，GPT-3 无需额外培训即可完成许多不同的任务，能够生成引人注目的叙述，生成计算机代码，自动完成图像，在语言之间进行翻译以及执行数学计算等多项壮举，包括其创建者所做的没有计划。这种明显的多功能能力听起来不像狭窄的AI的定义。确实，它的功能更为通用。
该模型具有1,750亿个参数，远远超过了最先进的神经网络中的100 亿个参数，远远超过了其前身GPT-2的15亿个参数。仅仅一年多的时间，模型复杂性就增加了10倍以上。可以说，这是迄今为止创建的最大的神经网络，并且大大接近Hinton为AGI建议的万亿级水平。GPT-3证明，智能传递可能是计算复杂度的函数，它是基于突触的数量而产生的。正如Hinton所暗示的，当AI系统的大小可以与人脑相比时，它们可能会变得像人一样聪明。
介于两者之间
那么GPT-3是AGI系统的第一个例子吗？这值得商榷 ,，但大家的共识是：它并不是AGI。尽管如此，它表明，将更多的数据以及更多的计算时间和能力投入到深度学习范例中可能会导致惊人的结果。GPT-3甚至已经让人怀疑“这是AGI吗？”这一事实。它预示着AI发展的一步变化。
令人震惊的是，由于对AI专家的几次调查得出的共识表明，AGI仍遥遥无期。GPT-3告诉我们，在狭义的AI和普通的AI之间有一个中间立场。我认为GPT-3并不完全符合狭义AI或通用AI的定义。相反，它表明我们已经进入了暮光区。因此，GPT-3是我所说的“过渡性AI”的一个示例。
这种过渡可能仅持续数年，也可能持续数十年。如果新的AI芯片设计的进步迅速发展并且智能确实源自复杂性，则前者是可能的。即便如此，无人驾驶卡车和自动战斗机的更多突破也证明了AI的发展正在迅速发展。
关于实现通用人工智能是否是一件好事，仍然存在着很多争论。与每项先进技术一样，人工智能可用于解决问题或用于邪恶目的。AGI可能导致更乌托邦式的世界或导致更大的反乌托邦。两者都是有可能的，而且它似乎比预期的要早得多。