自监督学习 (SSL) 通过使系统能够从非结构化数据中学习，而无需依赖显式的人工标记示例，从而在推进通用人工智能 (AGI) 方面发挥着关键作用。与传统的监督学习不同，后者需要带有预定义标签的精选数据集，而 SSL 利用数据本身固有的结构来生成训练信号。 例如，在自然语言处理中，像 BERT 或 GPT 这样的模型经过训练，可以使用周围的上下文作为监督信号来预测句子中缺失的单词或序列中的下一个单词。 这种方法允许模型在没有手动注释的情况下构建对语言模式、语法和语义的基础理解。 通过减少对标记数据的依赖，SSL 可以更有效地扩展到大型、多样化的数据集，这对于必须跨不同领域运行并自主适应新任务的 AGI 系统至关重要。
SSL 对于 AGI 的一个关键优势是它能够促进泛化。 AGI 要求系统将知识从一个上下文转移到另一个上下文，而 SSL 通过专注于学习潜在表示来固有地促进这种能力。 例如，使用对比学习（例如，SimCLR）等 SSL 技术训练的视觉模型通过比较同一图像的增强版本来学习识别视觉特征。 此过程有助于模型区分基本特征（例如，对象形状）和无关变体（例如，光照变化），从而建立对视觉概念的稳健理解。 这种表示形式稍后可以使用最少的额外数据进行微调，以用于特定任务，如对象检测或图像分割。 对于 AGI 而言，这意味着单个模型理论上可以通过首先通过 SSL 学习通用表示，然后在需要时进行专门化来适应多种模式（文本、图像、音频）。 这种灵活性符合 AGI 在没有特定于任务的架构的情况下处理各种挑战的目标。
SSL 对 AGI 的另一项关键贡献是它有可能实现自主学习。 AGI 系统必须在没有持续的人工干预的情况下不断改进，而 SSL 为无人监督的适应提供了框架。 例如，探索环境的机器人可以通过分析传感器数据，使用 SSL 来预测其动作的结果（例如，推动物体如何影响其位置）。 随着时间的推移，系统会构建因果关系模型，从而形成规划和决策的基础。 同样，使用 SSL 训练的语言模型可以通过处理新的文本语料库来完善其理解，从而在不从头开始重新训练的情况下逐步扩展其知识。 虽然仅靠 SSL 不足以实现 AGI，但它解决了可扩展性、泛化和自主性等核心挑战——这些挑战是可以在跨领域学习和推理的系统的基石。 将 SSL 与其他技术（如强化学习或符号推理）集成，可以通过将灵活的表示学习与结构化的解决问题相结合，进一步弥合通往 AGI 的差距。