論文の概要: On Realization of Intelligent Decision-Making in the Real World: A
Foundation Decision Model Perspective
- arxiv url: http://arxiv.org/abs/2212.12669v1
- Date: Sat, 24 Dec 2022 06:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:50:24.753586
- Title: On Realization of Intelligent Decision-Making in the Real World: A
Foundation Decision Model Perspective
- Title(参考訳): 実世界における知的意思決定の実現について:基礎決定モデルの観点から
- Authors: Ying Wen, Ziyu Wan, Ming Zhou, Shufang Hou, Zhe Cao, Chenyang Le,
Jingxiao Chen, Zheng Tian, Weinan Zhang, Jun Wang
- Abstract要約: 様々な意思決定タスクをシーケンスデコードタスクとして定式化することにより、基礎決定モデル(FDM)を確立することができる。
我々は、FDM、DigitalBrain(DB1)を120億のパラメータで実現し、453のタスクで人間レベルのパフォーマンスを実現することを実証する。
- 参考スコア(独自算出の注目度): 54.38373782121503
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Our situated environment is full of uncertainty and highly dynamic, thus
hindering the widespread adoption of machine-led Intelligent Decision-Making
(IDM) in real world scenarios. This means IDM should have the capability of
continuously learning new skills and efficiently generalizing across wider
applications. IDM benefits from any new approaches and theoretical
breakthroughs that exhibit Artificial General Intelligence (AGI) breaking the
barriers between tasks and applications. Recent research has well-examined
neural architecture, Transformer, as a backbone foundation model and its
generalization to various tasks, including computer vision, natural language
processing, and reinforcement learning. We therefore argue that a foundation
decision model (FDM) can be established by formulating various decision-making
tasks as a sequence decoding task using the Transformer architecture; this
would be a promising solution to advance the applications of IDM in more
complex real world tasks. In this paper, we elaborate on how a foundation
decision model improves the efficiency and generalization of IDM. We also
discuss potential applications of a FDM in multi-agent game AI, production
scheduling, and robotics tasks. Finally, through a case study, we demonstrate
our realization of the FDM, DigitalBrain (DB1) with 1.2 billion parameters,
which achieves human-level performance over 453 tasks, including text
generation, images caption, video games playing, robotic control, and traveling
salesman problems. As a foundation decision model, DB1 would be a baby step
towards more autonomous and efficient real world IDM applications.
- Abstract(参考訳): 我々の位置環境は不確実性に満ちており、非常にダイナミックであるため、実世界のシナリオにおいて、マシン主導のインテリジェント意思決定(IDM)の普及を妨げている。
つまり、IMMは新しいスキルを継続的に学び、より広いアプリケーションにわたって効率的に一般化する能力を持つべきである。
IDMは、タスクとアプリケーションの間の障壁を破る人工知能(AGI)を示す新しいアプローチと理論的ブレークスルーの恩恵を受ける。
最近の研究では、バックボーンの基礎モデルとしてのニューラルネットワーク、およびコンピュータビジョン、自然言語処理、強化学習を含む様々なタスクへの一般化が検討されている。
そこで我々は,トランスフォーマーアーキテクチャを用いたシーケンスデコーディングタスクとして,様々な意思決定タスクを定式化することにより,基礎決定モデル(FDM)を確立することができると主張している。
本稿では, 基礎決定モデルがIMMの効率性と一般化をどのように改善するかを詳述する。
また、マルチエージェントゲームAI、生産スケジューリング、ロボット工学タスクにおけるFDMの潜在的な応用についても論じる。
最後に,本研究では,テキスト生成,画像キャプション,ビデオゲームプレイ,ロボット制御,トラベルセールスマン問題などの453タスクにおける人間レベルのパフォーマンスを実現する,12億のパラメータを持つfdm,digitalbrain(db1)の実現を事例として実証する。
基礎決定モデルとして、DB1はより自律的で効率的な実世界のIMMアプリケーションに向けた第一歩となるでしょう。
関連論文リスト
- Position Paper: Agent AI Towards a Holistic Intelligence [53.35971598180146]
エージェントAI - 大きな基盤モデルをエージェントアクションに統合する具体的システム。
本稿では,エージェント・ファウンデーション・モデル(エージェント・ファウンデーション・モデル)を提案する。
論文 参考訳(メタデータ) (2024-02-28T16:09:56Z) - An Interactive Agent Foundation Model [50.50659114031731]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳(メタデータ) (2024-02-08T18:58:02Z) - Solution-oriented Agent-based Models Generation with Verifier-assisted
Iterative In-context Learning [10.67134969207797]
エージェントベースのモデル(ABM)は、仮説的な解決策やポリシーの提案と検証に不可欠なパラダイムである。
大きな言語モデル(LLM)は、ドメイン間の知識とプログラミング能力をカプセル化することで、このプロセスの難しさを軽減できる可能性がある。
SAGEは、ターゲット問題に対する自動モデリングおよびソリューション生成のために設計された、汎用的なソリューション指向のABM生成フレームワークである。
論文 参考訳(メタデータ) (2024-02-04T07:59:06Z) - A Survey on Robotics with Foundation Models: toward Embodied AI [30.999414445286757]
近年のコンピュータビジョン,自然言語処理,マルチモーダリティ学習の進歩は,基礎モデルが特定のタスクに対して超人的能力を持つことを示している。
この調査は、ロボット工学の基礎モデルの包括的で最新の概要を提供し、自律的な操作に焦点を当て、高レベルの計画と低レベルの制御を包含することを目的としている。
論文 参考訳(メタデータ) (2024-02-04T07:55:01Z) - Forging Vision Foundation Models for Autonomous Driving: Challenges,
Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。
総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。
本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文 参考訳(メタデータ) (2024-01-16T01:57:24Z) - Pave the Way to Grasp Anything: Transferring Foundation Models for
Universal Pick-Place Robots [50.73735524550534]
そこで本稿では,最先端基礎モデルによって生成された言語基底セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。
マスクから伝達される正確なセマンティクスとジオメトリを多視点ポリシーモデルに統合することにより、正確なオブジェクトのポーズを認識し、サンプル効率のよい学習を可能にする。
論文 参考訳(メタデータ) (2023-06-09T07:22:12Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳(メタデータ) (2022-03-03T20:52:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。