論文の概要: Are Biological Systems More Intelligent Than Artificial Intelligence?
- arxiv url: http://arxiv.org/abs/2405.02325v3
- Date: Sat, 21 Dec 2024 05:48:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 22:39:30.091979
- Title: Are Biological Systems More Intelligent Than Artificial Intelligence?
- Title（参考訳）: 生物システムは人工知能よりも知性が高いか?
- Authors: Michael Timothy Bennett,
- Abstract要約: 細胞は誘導バイアスに適応し、静的インタプリタは適応しないため、生物学はよりインテリジェントであることを示す。
フォーマリズムの文脈では、がんのような障害状態は、システムがそれらの存在する抽象層によって厳格に拘束されているときに起こる。
これは、優雅な劣化を保証するために、コントロールを分散(トップダウンではなくボトムアップ)する必要があることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Is a biological self-organising system more `intelligent' than an artificial intelligence? If so, why? We frame intelligence as adaptability, and explore this question using a mathematical formalism of enactive causal learning. We extend it to formalise the multilayer, multiscale, bottom-up distributed computational architecture of biological self-organisation. We then show that this architecture allows for more efficient adaptation than the static top-down interpreters typically used in computers. To put it provocatively, biology is more intelligent because cells adapt to provide a helpful inductive bias, and static interpreters do not. We call this multilayer-causal-learning. However it inherits a flaw of biological self-organisation. Cells become cancerous when isolated from the collective informational structure, reverting to primitive transcriptional behaviour. We show that, in the context of our formalism, failure states like cancer occur when systems are too tightly constrained by the abstraction layer in which they exist. This suggests control should be distributed (bottom-up rather than top-down) to ensure graceful degradation. We speculate about what this implies for systems in general, from machine learning hardware to human organisational and economic systems. Our result shows how we can design more robust systems and, though theoretical in nature, it lays a foundation for future empirical research.
- Abstract（参考訳）: 生物学的自己組織化システムは人工知能よりも「知性」か?
もしそうなら、なぜ?
我々はインテリジェンスを適応性(adaptability)とみなし、この疑問を円滑な因果学習の数学的フォーマリズムを用いて探求する。
生体自己組織化の多層・マルチスケール・ボトムアップ分散計算アーキテクチャを定式化するために拡張する。
そして、このアーキテクチャにより、コンピュータで一般的に使用される静的トップダウンインタプリタよりも、より効率的な適応が可能になることを示す。
これは、細胞が誘導バイアスに適応し、静的なインタプリタが適応しないためである。
これを多層因果学習(multilayer-causal-learning)と呼ぶ。
しかし、それは生物学的自己組織化の欠陥を継承する。
細胞は集団的な情報構造から単離され、原始的な転写行動に戻ると癌になる。
フォーマリズムの文脈では、がんのような障害状態は、システムがそれらの存在する抽象層によって厳格に拘束されているときに起こる。
これは、優雅な劣化を保証するために、コントロールを分散(トップダウンではなくボトムアップ)する必要があることを示唆している。
機械学習のハードウェアから、人間の組織や経済システムまで、システム全般にどのような意味があるのかを推測する。
我々の結果は、より堅牢なシステムをいかに設計できるかを示し、理論上は、将来の実証研究の基礎を築き上げている。
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。