搜尋意圖： 如果你在找「通用人工智慧 是什麼」或「通用人工智慧 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 通用人工智慧（AGI）是指具備與人類同等或超越人類的智慧，能夠理解、學習、適應並在任何智力任務中表現出色的AI系統。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
如果 AI 能換一個新工作、新題目、新工具都自己學會，你會怎麼判斷它是不是 AGI？ 你可以把通用人工智慧想成跨任務的智慧體，不只會背答案，還能自己學新技能。 它關心的是泛化能力、學習速度與適應力，而不是某一題做到多強。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
AGI vs 人工智慧？ AGI：能在多種任務間遷移能力的系統 人工智慧：任何模擬智慧行為的系統都算 最關鍵的區別：AI 是大傘，AGI 是那種接近人類通用能力的目標
AGI vs 窄域 AI？ AGI：能學新任務且不必每次重訓 窄域 AI：只在單一任務表現很好 最關鍵的區別：窄域 AI 很強不等於 AGI，通用性才是關鍵
AGI vs 背誦式模型？ AGI：重視理解與推理 背誦式模型：主要靠記住大量模式 最關鍵的區別：AGI 需要把知識組合成新能力，不只是套模板
記住這句就好
會做一題不夠，能換題目還會學才像 AGI
實際案例
研究助理 今天做文獻整理，明天做程式除錯，後天做簡報，還能自己切換工具與方法，這才接近通用能力
家用機器人 不只是會倒垃圾，而是看到新房型、新物品也能重新學會如何操作，才更像 AGI 的方向
深入了解
重點 你要看什麼 為什麼重要 泛化 新任務表現 能不能把舊知識用到沒見過的題目 學習 少量樣本適應 是不是能很快學會新技能 推理 多步驟決策 是不是能把零碎資訊組成可行方案
情境判斷
Q1：一個模型在中文客服很強，但換到醫療摘要就完全不行，這算 AGI 嗎？ → 不算，因為它沒有跨任務泛化能力
Q2：如果模型在 20 個任務都表現不錯，但每次都要重新大量微調，這接近 AGI 嗎？ → 比較接近但仍不完整，因為 AGI 期待更少訓練就能快速適應新任務
常見問題
AGI 什麼時候會出現？
沒有人能準確預測。這是研究與產業都還沒有共識的問題。
AGI 和超級智慧是一樣的嗎？
不一樣。AGI 強調通用人類級能力，超級智慧是超越人類很多的更高階概念。
現在的大模型算 AGI 嗎？
通常不算。它們在某些任務很強，但離穩定的跨域通用能力還有差距。