{
  "id": "shane-legg",
  "title": "谢恩·莱格",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "谢恩·莱格是新西兰人工智能研究者、DeepMind联合创始人，也是机器智能形式化研究的贡献者。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "person",
  "aliases": [
    "肖恩·莱格"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/shane-legg/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/shane-legg/",
      "json": "https://aiwiki.page/en/shane-legg.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "谢恩·莱格是新西兰人工智能研究者，也是DeepMind的联合创始人。他的研究涉及智能的定义与度量、学习智能体以及通用人工智能（AGI）。他尤其以与马库斯·胡特共同提出的普适智能形式化定义而闻名。"
    },
    {
      "heading": "教育与早期研究",
      "text": "莱格曾就读于新西兰的怀卡托大学和奥克兰大学。随后，他在瑞士卢加诺大学师从胡特开展博士研究，并于2008年获得博士学位。他的博士论文《机器超级智能》（Machine Super Intelligence）探讨了研究通用机器智能的数学方法，以及智能体的评估问题。\n\n这项研究探讨了人工智能中的一个核心问题：如何不依赖下棋、图像识别或语言理解等特定任务来刻画智能。"
    },
    {
      "heading": "普适智能",
      "text": "在2007年的论文《普适智能：机器智能的一种定义》（Universal Intelligence: A Definition of Machine Intelligence）中，莱格和胡特根据智能体在广泛环境中实现目标的能力，提出了一种形式化度量。这一表述融合了强化学习、可计算性理论和柯尔莫哥洛夫复杂度中的思想。\n\n该框架通过智能体在可计算环境中的期望表现来评估它，并采用算法意义上的简单性概念，赋予描述较短的环境更高的权重。因此，智能被视为成功适应多种环境的能力，而非在单一基准测试中的熟练程度。\n\n这一方案是一种理论上的形式化表述，而不是可以直接计算结果的智能测试。其一般形式涉及无界的环境集合，以及无法精确计算的量。它还取决于如何以形式化方式表示环境和奖励。这些特征使其有别于用来比较机器学习系统的实用基准测试集。"
    },
    {
      "heading": "DeepMind",
      "text": "2010年，莱格与德米斯·哈萨比斯和穆斯塔法·苏莱曼在伦敦共同创立了DeepMind。该公司致力于研发通用学习系统，结合了人工神经网络和强化学习等方法。\n\n谷歌于2014年收购了DeepMind。2023年，DeepMind与谷歌大脑合并，组成Google DeepMind。莱格在该机构承担过研究领导职责，包括担任首席通用人工智能科学家。\n\nDeepMind开展的研究包括AlphaGo和AlphaFold等系统。这些都是协作项目；莱格作为创始人和研究领导者的角色，与各项目作者所获署名认可的具体技术贡献应加以区分。"
    },
    {
      "heading": "研究重点",
      "text": "莱格的研究反复强调一种区别：胜任某项特定任务的能力，不同于能够跨任务学习并完成不同任务的一般能力。他的理论研究探讨如何用数学表达这种区别，而他在DeepMind的工作则将这一问题置于学习系统的研发之中。\n\n普适智能框架并不能证明某个已经部署的系统具备通用人工智能。相反，它为通用智能可能意味着什么提供了一种形式化解释，并揭示了度量通用智能所涉及的一些困难。"
    }
  ],
  "links": [
    "artificial-intelligence",
    "deepmind",
    "artificial-general-intelligence",
    "reinforcement-learning",
    "computability-theory",
    "kolmogorov-complexity",
    "machine-learning",
    "artificial-neural-network",
    "google",
    "alphago",
    "alphafold"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}