論文の概要: From Basic Affordances to Symbolic Thought: A Computational Phylogenesis of Biological Intelligence

• arxiv url: http://arxiv.org/abs/2508.15082v1
• Date: Wed, 20 Aug 2025 21:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.100094
• Title: From Basic Affordances to Symbolic Thought: A Computational Phylogenesis of Biological Intelligence
• Title（参考訳）: 基礎知識からシンボリック思考へ:生物知能の計算的系統形成
• Authors: John E. Hummel, Rachel F. Heaton,
• Abstract要約: 本稿では,2種類の階層的統合が基本的動的結合の上に最小限の要件であり,シンボリック思考を実現することを提案する。 我々はこの仮説を、17のシミュレーションの体系的なコレクションで検証し、多地点述語と構造マッピングの能力と能力を備えた認知アーキテクチャの能力について検討した。 結果は、人間の脳がどのように象徴的な思考をもたらすかを理解し、生物学的知性と機械学習に対する現代のアプローチの違いについて語る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: What is it about human brains that allows us to reason symbolically whereas most other animals cannot? There is evidence that dynamic binding, the ability to combine neurons into groups on the fly, is necessary for symbolic thought, but there is also evidence that it is not sufficient. We propose that two kinds of hierarchical integration (integration of multiple role-bindings into multiplace predicates, and integration of multiple correspondences into structure mappings) are minimal requirements, on top of basic dynamic binding, to realize symbolic thought. We tested this hypothesis in a systematic collection of 17 simulations that explored the ability of cognitive architectures with and without the capacity for multi-place predicates and structure mapping to perform various kinds of tasks. The simulations were as generic as possible, in that no task could be performed based on any diagnostic features, depending instead on the capacity for multi-place predicates and structure mapping. The results are consistent with the hypothesis that, along with dynamic binding, multi-place predicates and structure mapping are minimal requirements for basic symbolic thought. These results inform our understanding of how human brains give rise to symbolic thought and speak to the differences between biological intelligence, which tends to generalize broadly from very few training examples, and modern approaches to machine learning, which typically require millions or billions of training examples. The results we report also have important implications for bio-inspired artificial intelligence.
• Abstract（参考訳）: 他のほとんどの動物ではできないが、象徴的に推論できる人間の脳は何なのか? 動的結合(ニューロンをハエの群に結合する能力)がシンボリック思考に必要であることを示す証拠もあるが、それは十分ではないという証拠もある。 本稿では,2種類の階層的統合(複数役割結合の多元的述語への統合,構造写像への多重対応の統合)が,基本的な動的結合の上に最小限の要件であり,シンボリック思考を実現することを提案する。 我々はこの仮説を、17のシミュレーションの体系的なコレクションで検証し、様々なタスクを実行するための多地点述語と構造マッピングの能力と、それのない認知アーキテクチャの能力について検討した。 シミュレーションは可能な限り汎用的であり、マルチプレース述語と構造マッピングの能力に依存するため、いかなる診断機能にもとづくタスクは実行できない。 結果は、動的結合、マルチプレース述語、構造写像は基本的な記号的思考の最小限の要件であるという仮説と一致している。 これらの結果は、人間の脳がどのように象徴的な思考を生み出すかを理解し、生物の知性の違いについて説明する。これは、ごく少数のトレーニング例から広く一般化する傾向にあり、機械学習に対する現代的なアプローチは、通常数百万から数十億のトレーニング例を必要とする。 バイオインスパイアされた人工知能にも重要な影響がある。

関連論文リスト

• Thinking Beyond Tokens: From Brain-Inspired Intelligence to Cognitive Foundations for Artificial General Intelligence and its Societal Impact [27.722167796617114]
  本稿では,人工知能,認知神経科学,心理学,生成モデル,エージェントベースシステムの学際的合成について述べる。 我々は汎用知能のアーキテクチャと認知の基礎を分析し、モジュラー推論、永続記憶、マルチエージェント協調の役割を強調した。 我々は、人工知能への道の鍵となる科学的、技術的、倫理的課題を特定します。
  論文  参考訳（メタデータ） (2025-07-01T16:52:25Z)
• Nature's Insight: A Novel Framework and Comprehensive Analysis of Agentic Reasoning Through the Lens of Neuroscience [11.174550573411008]
  エージェント推論のための神経科学に着想を得た新しい枠組みを提案する。 我々は,既存のAI推論手法を体系的に分類し,分析するために,この枠組みを適用した。 本稿では,ニューラルインスパイアされた新しい推論手法を提案する。
  論文  参考訳（メタデータ） (2025-05-07T14:25:46Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• Meta-brain Models: biologically-inspired cognitive agents [0.0]
  メタ脳モデルと呼ぶ計算手法を提案する。 特殊なモデルを用いて構成したレイヤの組み合わせを提案する。 我々は、この柔軟でオープンソースなアプローチの開発における次のステップを提案して、結論付けます。
  論文  参考訳（メタデータ） (2021-08-31T05:20:53Z)
• Compositional Processing Emerges in Neural Networks Solving Math Problems [100.80518350845668]
  人工知能の最近の進歩は、大きなモデルが十分な言語データに基づいて訓練されると、文法構造が表現に現れることを示している。 我々は、この研究を数学的推論の領域にまで拡張し、どのように意味を構成するべきかについての正確な仮説を定式化することができる。 私たちの研究は、ニューラルネットワークがトレーニングデータに暗黙的に構造化された関係について何かを推測できるだけでなく、個々の意味の合成を合成全体へと導くために、この知識を展開できることを示している。
  論文  参考訳（メタデータ） (2021-05-19T07:24:42Z)

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。