論文の概要: Noumenal Labs White Paper: How To Build A Brain

• arxiv url: http://arxiv.org/abs/2502.13161v1
• Date: Sun, 16 Feb 2025 18:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 13:59:19.243971
• Title: Noumenal Labs White Paper: How To Build A Brain
• Title（参考訳）: Noumenal Labsのホワイトペーパー:脳の作り方
• Authors: Maxwell J. D. Ramstead, Candice Pattisapu, Jason Fox, Jeff Beck,
• Abstract要約: このホワイトペーパーでは、Noumenal Labsの取り組みをガイドする人工知能やマシンインテリジェンスの設計原則について説明している。 この分野での研究と開発の最終目標は、私たちの世界に対する理解を高め、私たちを置き換えることなく、それで行動する能力を高めるマシンインテリジェンスを設計することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This white paper describes some of the design principles for artificial or machine intelligence that guide efforts at Noumenal Labs. These principles are drawn from both nature and from the means by which we come to represent and understand it. The end goal of research and development in this field should be to design machine intelligences that augment our understanding of the world and enhance our ability to act in it, without replacing us. In the first two sections, we examine the core motivation for our approach: resolving the grounding problem. We argue that the solution to the grounding problem rests in the design of models grounded in the world that we inhabit, not mere word models. A machine super intelligence that is capable of significantly enhancing our understanding of the human world must represent the world as we do and be capable of generating new knowledge, building on what we already know. In other words, it must be properly grounded and explicitly designed for rational, empirical inquiry, modeled after the scientific method. A primary implication of this design principle is that agents must be capable of engaging autonomously in causal physics discovery. We discuss the pragmatic implications of this approach, and in particular, the use cases in realistic 3D world modeling and multimodal, multidimensional time series analysis.
• Abstract（参考訳）: このホワイトペーパーでは、Noumenal Labsの取り組みをガイドする人工知能やマシンインテリジェンスの設計原則について説明している。 これらの原則は、自然と私たちがそれを表現し理解する手段の両方から引き出されます。 この分野での研究と開発の最終目標は、私たちの世界に対する理解を高め、私たちを置き換えることなく、それで行動する能力を高めるマシンインテリジェンスを設計することである。 最初の2つのセクションで、我々はアプローチのコアモチベーション、すなわち接地問題の解決について検討する。 グラウンドリング問題に対する解決策は、単にワードモデルではなく、私たちが居住する世界に根ざしたモデルの設計に委ねられている、と我々は主張する。 人間の世界に対する理解を著しく高めることができるマシンのスーパーインテリジェンスは、私たちがしている世界を表し、我々がすでに知っていることに基づいて、新しい知識を生み出す能力を持つ必要があります。 言い換えれば、科学的手法に倣ってモデル化された合理的で経験的な調査のために、適切に基礎付けられ、明示的に設計されなければならない。 この設計原則の主な意味は、エージェントが因果物理学の発見に自律的に関与できなければならないことである。 本稿では,本手法の実用的意味,特に現実的な3次元世界モデリングとマルチモーダル・多次元時系列解析における利用事例について論じる。

関連論文リスト

• Possible principles for aligned structure learning agents [0.0]
  スケーラブルなAIへの道のりは、人工知能が私たちの好みのよいモデルを含む世界の良いモデルを学習できるようにすることにあります。 本稿では,構造学習におけるコア知識,情報幾何学,モデル縮小の本質的役割について論じる。 アシモフの『ロボットの法則』は、エージェントが他のエージェントの悪影響を最小限に抑えるために慎重に行動するよう規定している。
  論文  参考訳（メタデータ） (2024-09-30T22:06:06Z)
• Brain in a Vat: On Missing Pieces Towards Artificial General Intelligence in Large Language Models [83.63242931107638]
  本稿では,知的エージェントの4つの特徴について述べる。 実世界の物体との活発な関わりは、概念的表現を形成するためのより堅牢な信号をもたらすと我々は主張する。 我々は、人工知能分野における将来的な研究の方向性を概説して結論付ける。
  論文  参考訳（メタデータ） (2023-07-07T13:58:16Z)
• A World-Self Model Towards Understanding Intelligence [0.0]
  我々は、人間と人工知能を比較し、人間の知性の特定の側面が認識と認知を結びつける鍵である、と提案する。 我々は、より広範な概念、新しいモデルのWSM(World-Self Model)の原理と数学的枠組み、そして最後にWSMに基づいた統合されたインテリジェンス・フレームワークを提示する。
  論文  参考訳（メタデータ） (2022-03-25T16:42:23Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• OPEn: An Open-ended Physics Environment for Learning Without a Task [132.6062618135179]
  オープンエンドな物理環境で学んだ世界のモデルが、特定のタスクを伴わずに、下流の物理推論タスクに再利用できるかどうかについて検討する。 我々は,OPEn(Open-ended Physics ENvironment)のベンチマークを構築し,この環境における学習表現をテストするためのいくつかのタスクを明示的に設計する。 その結果、教師なしのコントラスト学習を表現学習に用いたエージェントと、探索のためのインパクト駆動学習が最良の結果となった。
  論文  参考訳（メタデータ） (2021-10-13T17:48:23Z)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)
• Computational principles of intelligence: learning and reasoning with neural networks [0.0]
  本研究は3つの原則に基づく新しい知能の枠組みを提案する。 まず、学習された入力表現の生成的およびミラーリング的性質。 第二に、学習、問題解決、想像力のための基礎的、本質的で反復的なプロセス。 第三に、阻害規則を用いた因果的構成表現に対する推論メカニズムのアドホックチューニング。
  論文  参考訳（メタデータ） (2020-12-17T10:03:26Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense [142.53911271465344]
  我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。 我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
  論文  参考訳（メタデータ） (2020-04-20T04:07:28Z)

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。