論文の概要: Systematic AI Approach for AGI: Addressing Alignment, Energy, and AGI
Grand Challenges
- arxiv url: http://arxiv.org/abs/2310.15274v1
- Date: Mon, 23 Oct 2023 18:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 22:11:01.653009
- Title: Systematic AI Approach for AGI: Addressing Alignment, Energy, and AGI
Grand Challenges
- Title(参考訳): AGIのためのシステムAIアプローチ:アライメント、エネルギー、AGIグランドチャレンジへの取り組み
- Authors: Eren Kurshan
- Abstract要約: AIは、エナジーウォール、アライメント問題、ナローAIからAGIへの移行という三大課題に直面している。
3つの大きな課題をすべて克服する上で,システム設計は極めて重要である,と私たちは主張する。
- 参考スコア(独自算出の注目度): 3.5897534810405403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI faces a trifecta of grand challenges the Energy Wall, the Alignment
Problem and the Leap from Narrow AI to AGI. Contemporary AI solutions consume
unsustainable amounts of energy during model training and daily
operations.Making things worse, the amount of computation required to train
each new AI model has been doubling every 2 months since 2020, directly
translating to increases in energy consumption.The leap from AI to AGI requires
multiple functional subsystems operating in a balanced manner, which requires a
system architecture. However, the current approach to artificial intelligence
lacks system design; even though system characteristics play a key role in the
human brain from the way it processes information to how it makes decisions.
Similarly, current alignment and AI ethics approaches largely ignore system
design, yet studies show that the brains system architecture plays a critical
role in healthy moral decisions.In this paper, we argue that system design is
critically important in overcoming all three grand challenges. We posit that
system design is the missing piece in overcoming the grand challenges.We
present a Systematic AI Approach for AGI that utilizes system design principles
for AGI, while providing ways to overcome the energy wall and the alignment
challenges.
- Abstract(参考訳): AIは、エナジーウォール、アライメント問題、ナローAIからAGIへの移行という三大課題に直面している。
現代のAIソリューションは、モデルトレーニングと日々の運用の間、持続不可能な量のエネルギーを消費する。さらに悪いことに、2020年以降、新しいAIモデルをトレーニングするために必要な計算量は、エネルギー消費の増加に直接変換して2ヶ月毎に倍増している。AIからAGIへの飛躍は、バランスの取れた方法で運用される複数の機能サブシステムを必要としており、システムアーキテクチャを必要とする。
しかし、現在の人工知能のアプローチはシステム設計に欠けており、システム特性は情報を処理する方法から意思決定方法に至るまで、人間の脳において重要な役割を果たす。
同様に、現在のアライメントとAI倫理のアプローチはシステム設計をほとんど無視しているが、研究では、脳のシステムアーキテクチャが健全な道徳的決定において重要な役割を果たすことが示されている。
我々は,AGIのシステム設計原則を活用したAGIのためのシステムAIアプローチを提案し,エネルギーの壁とアライメントの課題を克服する方法を提供する。
関連論文リスト
- Artificial intelligence and the transformation of higher education
institutions [0.0]
本稿では、典型的なHEIにおけるAI変換の因果フィードバック機構をマッピングするための因果ループ図(CLD)を開発する。
私たちのモデルは、AI変革を駆動する力と、典型的なHEIにおける価値創造に対するAI変革の結果について説明します。
この記事では、学生の学習、研究、管理を改善するために、HEIがAIに投資する方法について、いくつかの強化とバランスの取れたフィードバックループを特定し、分析する。
論文 参考訳(メタデータ) (2024-02-13T00:36:10Z) - Ten Hard Problems in Artificial Intelligence We Must Get Right [72.99597122935903]
AIの約束を阻止し、AIのリスクを引き起こすAI2050の「ハード問題」について検討する。
それぞれの問題について、その領域を概説し、最近の重要な作業を特定し、今後の方向性を提案する。
論文 参考訳(メタデータ) (2024-02-06T23:16:41Z) - Green Edge AI: A Contemporary Survey [49.47249665895926]
グリーンエッジAIに関する現代の調査を紹介する。
その可能性にもかかわらず、エッジAIは重大な課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、ディープラーニング(DL)のリソース集約性との間の二分である。
我々は、エッジAIシステムにおける3つの重要なタスクに対して、トレーニングデータ取得、エッジトレーニング、エッジ推論を含むエネルギー効率の高い設計手法について検討する。
論文 参考訳(メタデータ) (2023-12-01T04:04:37Z) - Why We Don't Have AGI Yet [0.0]
元々のAIのビジョンは、2002年に"Artificial General Intelligence" (AGI) という用語で再認識された。
このビジョンは、人間と同じように学習し、推論し、問題を解決することができるコンピュータシステムである「シンキングマシン」を構築することである。
いくつかの大規模取り組みが名目上AGIに取り組んできたが、純粋に焦点を絞ったAGI開発分野は、十分な資金提供や推進がなされていない。
論文 参考訳(メタデータ) (2023-08-07T13:59:31Z) - When Brain-inspired AI Meets AGI [40.96159978312796]
我々は、人工知能の観点から、脳にインスパイアされたAIの包括的概要を提供する。
私たちは、脳にインスパイアされたAIの現在の進歩と、AGIとの広範な関係から始まります。
次に、人間の知性とAIの両面での重要な特徴について述べる。
論文 参考訳(メタデータ) (2023-03-28T12:46:38Z) - 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) - Towards a Roadmap on Software Engineering for Responsible AI [17.46300715928443]
本稿では,責任あるAIのためのソフトウェア工学のロードマップを作成することを目的とする。
ロードマップは、(i)責任AIシステムのためのマルチレベルガバナンスの確立、(ii)責任AIシステムのためのプロセス指向のプラクティスを取り入れた開発プロセスのセットアップ、(iii)システムレベルのアーキテクチャスタイル、パターン、テクニックを通じて責任AIをAIシステムにバイデザインする構築に焦点を当てている。
論文 参考訳(メタデータ) (2022-03-09T07:01:32Z) - Responsible-AI-by-Design: a Pattern Collection for Designing Responsible
AI Systems [12.825892132103236]
責任あるAIのための多くの倫理規定、原則、ガイドラインが最近発行されている。
本稿では、システムレベルのガイダンスとして、責任あるAIシステムのアーキテクチャをどのように設計するかという、欠落した要素を1つ挙げる。
本稿では、AIシステムに組み込んだデザインパターンを製品として紹介し、責任あるAI設計に貢献する。
論文 参考訳(メタデータ) (2022-03-02T07:30:03Z) - The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。
Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。
これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
論文 参考訳(メタデータ) (2021-07-05T12:18:17Z) - Building Bridges: Generative Artworks to Explore AI Ethics [56.058588908294446]
近年,人工知能(AI)技術が社会に与える影響の理解と緩和に重点が置かれている。
倫理的AIシステムの設計における重要な課題は、AIパイプラインには複数の利害関係者があり、それぞれがそれぞれ独自の制約と関心を持っていることだ。
このポジションペーパーは、生成的アートワークが、アクセス可能で強力な教育ツールとして機能することで、この役割を果たすことができる可能性のいくつかを概説する。
論文 参考訳(メタデータ) (2021-06-25T22:31:55Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳(メタデータ) (2020-03-18T08:45:10Z)
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。