論文の概要: A new solution and concrete implementation steps for Artificial General Intelligence

• arxiv url: http://arxiv.org/abs/2308.09721v1
• Date: Sat, 12 Aug 2023 13:31:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-27 05:16:55.813573
• Title: A new solution and concrete implementation steps for Artificial General Intelligence
• Title（参考訳）: 人工知能の新しい解法と具体的実装手順
• Authors: Yongcong Chen, Ting Zeng and Jun Zhang
• Abstract要約: 介護、家計、農業生産、自動車運転、試行錯誤など、実際の環境と対話する必要がある分野は高価である。 本稿では,大規模モデルの技術的経路の限界を解析し,これらの制限に対処し,解決策を提案する。
• 参考スコア（独自算出の注目度）: 4.320142895840622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: At present, the mainstream artificial intelligence generally adopts the technical path of "attention mechanism + deep learning" + "reinforcement learning". It has made great progress in the field of AIGC (Artificial Intelligence Generated Content), setting off the technical wave of big models[ 2][13 ]. But in areas that need to interact with the actual environment, such as elderly care, home nanny, agricultural production, and vehicle driving, trial and error are expensive and a reinforcement learning process that requires much trial and error is difficult to achieve. Therefore, in order to achieve Artificial General Intelligence(AGI) that can be applied to any field, we need to use both existing technologies and solve the defects of existing technologies, so as to further develop the technological wave of artificial intelligence. In this paper, we analyze the limitations of the technical route of large models, and by addressing these limitations, we propose solutions, thus solving the inherent defects of large models. In this paper, we will reveal how to achieve true AGI step by step.
• Abstract（参考訳）: 現在、主流の人工知能は一般に「注意機構+深層学習」+「強化学習」の技術的パスを採用している。 それはAIGC(Artificial Intelligence Generated Content)の分野で大きな進歩を遂げ、ビッグデータの技術的な波を発生させた[2][13 ]。 しかし、高齢者、家庭の乳母、農業生産、自動車の運転といった実際の環境と相互作用する必要がある地域では、試行錯誤は高価であり、多くの試行錯誤を必要とする強化学習プロセスは達成が困難である。 したがって、任意の分野に適用可能な人工知能(AGI)を実現するためには、既存の技術と既存の技術の欠陥を両立させ、人工知能の技術的波をさらに発展させる必要がある。 本稿では,大規模モデルの技術的経路の限界を解析し,これらの制限に対処することで,大規模モデルの固有の欠陥を解決する解を提案する。 本稿では,真のAGIを段階的に実現する方法を明らかにする。

関連論文リスト

• Artificial Intelligence for Quantum Computing [30.639337493477242]
  量子コンピューティングは、AIのデータ駆動学習機能の主要な候補である。 AIからQCにリードする技術を導入するには、おそらくコンピュータ科学の最も先進的で難解な領域の2つから専門知識を引き出す必要がある。 本稿では、最先端のAI技術が、有用なQCを開発するために必要なハードウェアとソフトウェアスタック間の課題をすでに進めている方法についてレビューする。
  論文  参考訳（メタデータ） (2024-11-14T02:11:16Z)
• Explainable Artificial Intelligence Techniques for Accurate Fault Detection and Diagnosis: A Review [0.0]
  この文脈でeXplainable AI(XAI)ツールとテクニックをレビューする。 私たちは、AI決定を透明にする彼らの役割、特に人間が関与する重要なシナリオに重点を置いています。 モデル性能と説明可能性のバランスをとることを目的とした,現在の限界と今後の研究について論じる。
  論文  参考訳（メタデータ） (2024-04-17T17:49:38Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Are machine learning technologies ready to be used for humanitarian work and development? [2.156882891331917]
  機械学習(ML)や人工知能(AI)といったデジタルデータソースやツールは、開発に関するデータに革命をもたらす可能性がある。 われわれは、新しいテクノロジーが望まれる目標に届かず、最悪の場合不平等を高め、差別を増幅し、人権を侵害するリスクがあると主張している。
  論文  参考訳（メタデータ） (2023-07-04T19:32:35Z)
• Latest Trends in Artificial Intelligence Technology: A Scoping Review [0.0]
  本研究では、PRISMAフレームワークに続く最先端の人工知能技術のスコーピングレビューを行う。 目標は、人工知能技術研究のさまざまな領域で使われている最も高度な技術を見つけることであった。
  論文  参考訳（メタデータ） (2023-05-08T08:06:16Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
  この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。 欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
  論文  参考訳（メタデータ） (2022-12-10T07:49:50Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)

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。