論文の概要: Evolutionary Developmental Biology Can Serve as the Conceptual Foundation for a New Design Paradigm in Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2506.12891v1
• Date: Sun, 15 Jun 2025 15:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.089227
• Title: Evolutionary Developmental Biology Can Serve as the Conceptual Foundation for a New Design Paradigm in Artificial Intelligence
• Title（参考訳）: 進化的発達生物学は、人工知能の新しいデザインパラダイムのコンセプト基盤として生き残ることができる
• Authors: Zeki Doruk Erden, Boi Faltings,
• Abstract要約: 人工知能(AI)は複雑なタスクの解決に大きく貢献している。 現在のニューラルネットワークベースのパラダイムは、有効ではあるが、固有の制限によって厳しく制約されている。 進化的理解の最近のパラダイムシフトは、AI文学でほとんど見過ごされてきた。
• 参考スコア（独自算出の注目度）: 15.376349115976534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI), propelled by advancements in machine learning, has made significant strides in solving complex tasks. However, the current neural network-based paradigm, while effective, is heavily constrained by inherent limitations, primarily a lack of structural organization and a progression of learning that displays undesirable properties. As AI research progresses without a unifying framework, it either tries to patch weaknesses heuristically or draws loosely from biological mechanisms without strong theoretical foundations. Meanwhile, the recent paradigm shift in evolutionary understanding -- driven primarily by evolutionary developmental biology (EDB) -- has been largely overlooked in AI literature, despite a striking analogy between the Modern Synthesis and contemporary machine learning, evident in their shared assumptions, approaches, and limitations upon careful analysis. Consequently, the principles of adaptation from EDB that reshaped our understanding of the evolutionary process can also form the foundation of a unifying conceptual framework for the next design philosophy in AI, going beyond mere inspiration and grounded firmly in biology's first principles. This article provides a detailed overview of the analogy between the Modern Synthesis and modern machine learning, and outlines the core principles of a new AI design paradigm based on insights from EDB. To exemplify our analysis, we also present two learning system designs grounded in specific developmental principles -- regulatory connections, somatic variation and selection, and weak linkage -- that resolve multiple major limitations of contemporary machine learning in an organic manner, while also providing deeper insights into the role of these mechanisms in biological evolution.
• Abstract（参考訳）: 機械学習の進歩によって推進される人工知能(AI)は、複雑なタスクの解決に大きく貢献している。 しかし、現在のニューラルネットワークベースのパラダイムは効果はあるものの、本質的には構造的組織が欠如し、望ましくない性質を示す学習の進行という、固有の制限によって厳しく制約されている。 AI研究は統一された枠組みなしで進行するので、弱点をヒューリスティックにパッチしようとするか、あるいは強力な理論基盤のない生物学的メカニズムから緩やかに引き出すかのどちらかだ。 一方、進化的発達生物学(EDB)を主体とする最近の進化的理解のパラダイムシフトは、現代合成と現代の機械学習の顕著な類似性にもかかわらず、AI文学においてほとんど見過ごされている。 その結果、進化過程に対する私たちの理解を再構築したEDBからの適応の原則は、AIにおける次のデザイン哲学のための統一された概念的枠組みの基盤を形成することができ、単なるインスピレーションを超えて、生物学の第一原則をしっかりと基礎づけることができます。 この記事では、現代合成と現代の機械学習のアナロジーの詳細な概要を説明し、EDBの洞察に基づく新しいAI設計パラダイムの中核となる原則を概説する。 我々の分析を実証するために、我々はまた、生物学的進化におけるこれらのメカニズムの役割について深い洞察を提供しながら、現代機械学習の複数の主要な制限を有機的に解決する、特定の発達原理に基づく2つの学習システム設計(規制関係、ソマティックな変化と選択、弱い結合)を提示する。

関連論文リスト

• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• On the Parallels Between Evolutionary Theory and the State of AI [15.376349115976534]
  本稿では,現代AI手法の基本原理を批判的に考察し,その可能性を妨げる限界について考察する。 我々は、進化生物学における現代AIの風景と20世紀の現代合成の類似性を描き、現代合成を増進する進化論の進歩、特に進化的発達生物学の進歩が、AIの新しいデザインパラダイムに影響を及ぼす洞察を与える方法について強調する。
  論文  参考訳（メタデータ） (2025-05-13T22:43:02Z)
• A Mechanistic Explanatory Strategy for XAI [0.0]
  本稿では,ディープラーニングシステムの機能的構造を説明するためのメカニズム的戦略を概説する。 この結果は,機械的説明の追求が,従来の説明可能性技術が見落としている要素を明らかにすることを示唆している。
  論文  参考訳（メタデータ） (2024-11-02T18:30:32Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• 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)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。