본 논문은 인공 일반 지능(AGI)에 대한 개괄적인 설명을 제공한다. AGI의 정의에 대한 논의를 시작으로, 지능을 적응력의 관점에서 정의하고 AGI를 인공 과학자로 규정한다. Sutton의 "쓴 교훈"을 바탕으로 적응 시스템 구축에 사용되는 두 가지 기본 도구인 탐색과 근사화를 설명하고, o3, AlphaGo, AERA, NARS, Hyperon과 같은 다양한 아키텍처를 비교 분석한다. 또한, 시스템의 지능적인 행동을 향상시키는 메타 접근 방식을 자원 최대화(scale-maxing), 단순성 최대화(simp-maxing), 약한 제약 최대화(w-maxing)의 세 가지로 분류하여 논의하고, AIXI, 자유 에너지 원리, 언어 모델의 확장(Embiggening) 등의 예시를 제시한다. 결론적으로, 현재는 규모 확장 기반의 근사화가 주도적이지만, AGI는 다양한 도구와 메타 접근 방식의 융합을 통해 달성될 것이라고 주장한다. 하드웨어 개선으로 인해 언어 모델의 확장이 가능해졌지만, 현재의 병목 현상은 샘플 및 에너지 효율성임을 지적한다.
