或者AGI甚至可以弥合各种狭窄的人工智能之间的差距(Wang和Goertzel 2007: 6;Goertzel 2014)。正如Goertzel所说，“AGI方法将通用智能’作为一种与任务或特定问题能力根本不同的属性，并直接关注于理解这种属性并创建显示[它]的系统”(Goertzel 2014:2). Wang和Goertzel指出，狭隘的人工智能和AGI研究领域都认为学习是智能的一个关键方面
大多数现有的“机器学习”工作都不属于AGI，因为它们孤立地定义了学习问题，而没有将其视为更大图景的一部分。他们并不关心创造一个拥有广泛智能的系统，其通用性至少与人类的思维/大脑大致相当;他们关心的是在更狭窄的背景下进行学习。(Wang和Goertzel 2007: 2)
同样，尼尔斯·j·尼尔森(Nils J.Nilsson)认为，通过“建立特殊用途系统”来达到HLAI的目标可能是错误的，相反，他提倡一种“可以学习和教授的通用可教育系统”，并且具有“最小的，尽管广泛的，内置功能”(2005:68)。这些能力包括感觉-运动系统、预测和计划、学习、推理和表征。实际上，尼尔森认为“儿童机器”应该以与人类相似的方式学习和发展。
然而，尽管对AGI的追求不同于狭义的人工智能，但从根本上来说并非如此。AGI研究人员可能会使用与泛化相关的机器学习方法(例如迁移学习和归纳偏差)，从而与创造通用智能的目标重叠，但“除了那些需要帮助人类中介的原则之外，还需要额外的架构和动态原则。”机器学习帮助创造了各种狭义的人工智能系统”(Goertzel2014:4)。然而，与此同时，“通用”计算机系统并不一定需要“单一因素”来负责其所有的跨领域智能。该系统有可能是几种技术的集成”(Wang和Goertzel 2007: 5)。也就是说，尽管Wang和Goertzel拒绝将各种狭窄的人工智能聚合为AGI的可能性——这将相当于加入许多不同的自动化混凝土劳动
128
inhuman power