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

• arxiv url: http://arxiv.org/abs/2308.09721v2
• Date: Mon, 06 Jan 2025 14:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:02:45.664004
• 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
• Authors: Yongcong Chen, Ting Zeng, Xingyue Chen,
• Abstract要約: 本稿では,自己認識型汎用人工知能の構築に向けた新しいアプローチを提案する。 本稿では,真の汎用人工知能を段階的に構築する方法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, we propose a new approach to building a artificial general intelligence with self awareness, which includes: (1) a new method to implement attention mechanisms; (2) a way to give machines self-demands; (3) how to form a value evaluation system compatible with the network; (4) a way to create the world models; (5) how to realize a top-down, hierarchical thinking decision-making chain; (6) a way to achieve general decision-making and response capabilities; (7) a way for a machine to directly obtain human experience through language. In the paper, we first analyze some of the shortcomings of current LLMs (Large Language Model) and propose ideas for improvement. Then we analyze why our scheme can solve the above problems and provide detailed steps for implementing our scheme. In chapter 4, we have presented a step-by-step mplementation roadmap. And in chapter 5, we have presented a specific implementation demonstration. In chapter 6, we analyze the advantages and disadvantages of our scheme and propose further research directions. In this article, we have put forward how to create genuine artificial general intelligence step by step. It can handle data of all modalities in a unified form and can directly understand the experience that humans already possess through language, thus avoiding the problem that reinforcement learning is required for every decision-making process.
• Abstract（参考訳）: 本稿では,(1)注意機構を実装するための新しい手法,(2)機械に自己要求を与える方法,(3)ネットワークと互換性のある価値評価システムを構築する方法,(4)世界モデルを構築する方法,(5)トップダウンで階層的な思考決定チェーンを実現する方法,(6)一般的な意思決定と応答能力を実現する方法,(7)機械が言語を介して人的体験を直接取得する方法など,自己認識による人工知能構築のための新たなアプローチを提案する。 本稿では、まず現在のLLM(Large Language Model)の欠点を分析し、改善のためのアイデアを提案する。 そして,提案手法が上記の課題を解決できる理由を解析し,提案手法を実装するための詳細な手順を提供する。 第4章では、ステップバイステップの実装ロードマップを公開しました。 そして5章では、具体的実装のデモを紹介しました。 第6章では、我々の計画の利点と欠点を分析し、さらなる研究方向性を提案する。 本稿では,真の汎用人工知能を段階的に構築する方法について述べる。 統一された形式ですべてのモダリティのデータを扱うことができ、人間が既に言語を通して持っている経験を直接理解することができるため、意思決定プロセス毎に強化学習が必要であるという問題を回避することができる。

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。