論文の概要: Meat Meets Machine! Multiscale Competency Enables Causal Learning
- arxiv url: http://arxiv.org/abs/2405.02325v1
- Date: Tue, 23 Apr 2024 00:13:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-12 15:50:33.718477
- Title: Meat Meets Machine! Multiscale Competency Enables Causal Learning
- Title（参考訳）: マルチスケールコンピテンシーが因果学習を可能にするMeat Meets Machine!
- Authors: Michael Timothy Bennett,
- Abstract要約: 生物知能は「マルチスケール・コンピテンシー・アーキテクチャ(MCA)」を用いる
あらゆるスケールで適応的で目標指向の行動を示す。
マシンインテリジェンスは適応的であり、高いレベルでの目標である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biological intelligence uses a "multiscale competency architecture" (MCA). It exhibits adaptive, goal directed behaviour at all scales, from cells to organs to organisms. In contrast, machine intelligence is only adaptive and goal directed at a high level. Learned policies are passively interpreted using abstractions (e.g. arithmetic) embodied in static interpreters (e.g. x86). Biological intelligence excels at causal learning. Machine intelligence does not. Previous work showed causal learning follows from weak policy optimisation, which is hindered by presupposed abstractions in silico. Here we formalise MCAs as nested "agentic abstraction layers", to understand how they might learn causes. We show that weak policy optimisation at low levels enables weak policy optimisation at high. This facilitates what we call "multiscale causal learning" and high level goal directed behaviour. We argue that by engineering human abstractions in silico we disconnect high level goal directed behaviour from the low level goal directed behaviour that gave rise to it. This inhibits causal learning, and we speculate this is one reason why human recall would be accompanied by feeling, and in silico recall not.
- Abstract（参考訳）: 生物知能は"multiscale competency architecture"(MCA)を使用する。
細胞から臓器、生物に至るまで、あらゆる規模の適応的で目標指向の行動を示す。
対照的に、マシンインテリジェンスは適応的であり、高いレベルでの目標である。
学習されたポリシーは静的インタプリタ(例えばx86)で具現化された抽象(例えば算術)を使って受動的に解釈される。
生物学的知性は因果学習に優れている。
マシンインテリジェンスはそうではない。
これまでの研究は、シリコの事前の抽象化によって妨げられる弱い政策最適化から因果学習が続くことを示した。
ここでは、MCAをネストした"エージェント抽象層"として形式化し、原因をどう学習するかを理解します。
低レベルでの弱い政策最適化は、高いレベルでの弱い政策最適化を可能にすることを示す。
これは“マルチスケール因果学習”と高レベルの目標指向の行動を促進するものです。
私たちは、サイリコにおける人間の抽象化をエンジニアリングすることによって、ハイレベルな目標指向の振る舞いを、それを引き起こした低レベルな目標指向の振る舞いから切り離すことを論じます。
これは因果学習を阻害するものであり、人間のリコールに感覚が伴う理由の一つであり、シリコリコールではそうではないと推測する。
関連論文リスト
- Bio-inspired AI: Integrating Biological Complexity into Artificial Intelligence [0.0]
人工知能を作ることの追求は、私たち自身の知性を理解することへの長年の関心を反映している。
最近のAIの進歩は約束を守るが、特異なアプローチはしばしば知性の本質を捉えるのに不足する。
本稿では,生物計算の基本原理が真にインテリジェントなシステムの設計をいかに導くかを検討する。
論文 参考訳（メタデータ） (2024-11-22T02:55:39Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。
AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文 参考訳（メタデータ） (2023-10-19T02:00:31Z) - There's Plenty of Room Right Here: Biological Systems as Evolved,
Overloaded, Multi-scale Machines [0.0]
我々は、カテゴリ間のハードバウンダリを放棄し、オブザーバに依存した実践的な視点を採用することによって、有用な道が先延ばしされることを論じる。
バイオメディカルまたはバイオエンジニアリングの目的のために生体システムを再形成するためには、複数のスケールでそれらの機能の予測と制御が必要である。
我々は,メソスケールイベントの理解を改善するために,進化・設計されたシステムによって実行される計算のためのオブザーバ中心のフレームワークを論じる。
論文 参考訳（メタデータ） (2022-12-20T22:26:40Z) - Neuromorphic Computing and Sensing in Space [69.34740063574921]
神経型コンピュータチップは、生物学的脳の構造を模倣するように設計されている。
ニューロモルフィックデバイスの低消費電力とエネルギー効率に重点を置くことは、宇宙応用には最適である。
論文 参考訳（メタデータ） (2022-12-10T07:46:29Z) - Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。
我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。
環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
論文 参考訳（メタデータ） (2022-07-27T15:30:50Z) - From Biological Synapses to Intelligent Robots [0.0]
ヘビアンシナプス学習は、機械学習とインテリジェンスのための機能的関連モデルとして議論されている。
適応的な学習と制御の可能性を、監督なしで先導する。
ここで収集された洞察は、インテリジェントなロボティクスとセンサーシステムの選択ソリューションとして、Hebbianモデルに向けられている。
論文 参考訳（メタデータ） (2022-02-25T12:39:22Z) - On the Philosophical, Cognitive and Mathematical Foundations of
Symbiotic Autonomous Systems (SAS) [87.3520234553785]
共生自律システム(SAS)は、自律的な集団知能を示す高度なインテリジェントおよび認知システムです。
この研究は、知性、認知、コンピュータ、システム科学の最新の進歩に根ざしたSASの理論的枠組みを示す。
論文 参考訳（メタデータ） (2021-02-11T05:44:25Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳（メタデータ） (2020-11-30T18:29:25Z) - Synergetic Learning Systems: Concept, Architecture, and Algorithms [4.623783824925363]
総合学習システム(Synergetic Learning Systems)」という人工知能システムについて述べる。
本システムは,協調的・競争的な相乗学習を通じて,与えられた環境におけるインテリジェントな情報処理と意思決定を実現する。
設計基準の下では,提案システムは長期的にの共進化を通じて,最終的には汎用的な人工知能を実現することが期待されている。
論文 参考訳（メタデータ） (2020-05-31T06:23:03Z)
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。