通用归纳和智能中的开放问题
本文提供了 Universal Artificial Intelligence (UAI) 理论的非正式概述,讨论了智能的特征,一些社会问题和 UAI 的过去和未来,并介绍了代理人 AIXI 和其近似算法的发展和实验研究。
Feb, 2012
本文旨在通过数学公式将各种形式的人工智能定义转化为机器学习中的智能度量,并将之与通用最优学习智能体的理论联系起来,最后综述了已经为机器学习提出的智能度量和测试方法。
Dec, 2007
本文讨论了关于人工智能算法的两种基础框架:归纳与达尔文进化,在此基础上,提出一种新的理解 AI 系统的方法,即全局达尔文主义,认为此方法更能解释 AI 系统的发展过程。
Oct, 2021
讨论了算法信息论中普适图灵机的选择对于 AIXI 的影响,研究结果表明,没有普遍不变定理。各种不幸或者对抗性的选择 UTM 的情况都会极大地干扰 AIXI 的行为,这意味着 AIXI 是一种相对论,完全取决于 UTM 的选择。
Oct, 2015
当前人工智能的最新技术在语言方面非常出色,但在数学推理方面则相对不足。本文以数学家的思维方式为参考,建立在当前深度学习在直觉和习惯性行为等方面取得成功的基础上,指出其在推理和稳健性不确定性估计等方面仍存在重要缺陷。文中以信息论的观点探讨了什么样的数学陈述是有趣的,这可能为塑造高级数学家人工智能的未来工作提供指导。重点不是证明给定的定理,而是发现新奇的猜想。核心假设是,一个有用的定理组应更好地总结所有可证陈述的集合,例如通过具有较小的描述长度,同时在推导步骤的数量上接近许多可证陈述。
Mar, 2024
本文描述和统一引导开发通用人工智能的原则,这些原则围绕着智能是搜索问题通用解决方案的工具这一理念展开,同时提供建议以研究、测量和测试人类水平智能机器所需的各种技能和能力。
Nov, 2016
本论文提出了一种理解人工通用智能的新理论方法,将其视为智能代理自组织的形成过程,并且阐述了开放式智能的三个方面:个体化、意义的建立和通用认知代理的个体化。
May, 2015
本文基于 Hutter 和 Solomonoff 的理论,研究了建立基于 UIM 的实用性能度量所涉及的实际问题,并开发了一种基于原型实现的度量方法,用于评估不同人工智能代理的性能。
Sep, 2011
本文讨论了当前人工智能技术在解决结合基本知识和常识推理的词问题方面的能力和局限性。我们回顾了三种方法,并讨论了现有技术在解决这些问题方面的限制。我们认为,这些限制可能对数学应用和人类书写的数学内容的理解有重要影响。
Jan, 2023