論文の概要: AI Pangaea: Unifying Intelligence Islands for Adapting Myriad Tasks

• arxiv url: http://arxiv.org/abs/2509.17460v1
• Date: Mon, 22 Sep 2025 07:54:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.27822
• Title: AI Pangaea: Unifying Intelligence Islands for Adapting Myriad Tasks
• Title（参考訳）: AI Pangaea:無数のタスクに適応するためのインテリジェンス諸島の統合
• Authors: Jianlong Chang, Haixin Wang, Zhiyuan Dang, Li Huang, Zhiyu Wang, Ruoqi Cao, Shihao Piao, Dongzhe Li, Dianyu Gao, Dongsheng Wang, Yin Li, Jinan Sun, Lu Fang, Zhouchen Lin,
• Abstract要約: 我々は、地質学的パンガエアに類する最初のAI超大陸パンガエアを提案する。 Pangoaは任意のデータを統一されたフォーマットにエンコードし、さまざまなモダリティにわたる296データセットの事前トレーニングを通じて普遍的な知識を蓄積する。 45の一般的なタスクと15の科学的タスクにまたがって、幅広い科学的課題を包含する顕著な一般化を示す。
• 参考スコア（独自算出の注目度）: 54.87658438618431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The pursuit of artificial general intelligence continuously demands generalization in one model across myriad tasks, even those not seen before. However, current AI models are isolated from each other for being limited to specific tasks, now first defined as Intelligence Islands. To unify Intelligence Islands into one, we propose Pangaea, the first AI supercontinent akin to the geological Pangaea. Pangaea encodes any data into a unified format and accumulates universal knowledge through pre-training on 296 datasets across diverse modalities. Eventually, it demonstrates remarkable generalization across 45 general tasks and 15 scientific tasks encompassing a wide range of scientific subjects. By investigating Pangaea deeper, the scaling effect of modality is revealed, quantifying the universal knowledge accumulation across modalities as the cumulative distribution function of a geometric distribution. On the whole, Pangaea shows strong potential to handle myriad tasks, indicating a new direction toward artificial general intelligence.
• Abstract（参考訳）: 人工知能の追求は、これまで見たことのないものでさえも、無数のタスクにまたがる1つのモデルの一般化を継続的に要求する。 しかし、現在のAIモデルは特定のタスクに限定されており、現在はインテリジェンス諸島として定義されている。 我々は、インテリジェンス諸島を一つにまとめるために、地質学的パンゲアに類する最初のAI超大陸であるパンゲアを提案する。 Pangaeaは任意のデータを統一されたフォーマットにエンコードし、さまざまなモダリティにわたる296データセットの事前トレーニングを通じて普遍的な知識を蓄積する。 最終的には、45の一般的なタスクと15の科学的タスクにまたがる顕著な一般化を実証する。 パンゲアを深く調べることで、モジュラリティのスケーリング効果が明らかになり、幾何分布の累積分布関数としてモジュラリティにまたがる普遍的な知識の蓄積が定量化される。 全体として、Pangaeaは無数のタスクを扱う強力な可能性を示しており、人工知能への新たな方向性を示している。

関連論文リスト

• Tobler's First Law in GeoAI: A Spatially Explicit Deep Learning Model for Terrain Feature Detection Under Weak Supervision [2.083046809527675]
  本稿では,物体検出を弱教師付きで行う深層学習モデルの開発について報告する。 このモデルは、地球や他の惑星の表面の自然と人造の両方の特徴に一般化される。
  論文  参考訳（メタデータ） (2025-08-01T21:47:50Z)
• PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
  地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。 その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。 このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
  論文  参考訳（メタデータ） (2025-01-10T18:59:42Z)
• GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
  エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。 GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
  論文  参考訳（メタデータ） (2024-06-04T02:59:36Z)
• Intelligent Go-Explore: Standing on the Shoulders of Giant Foundation Models [5.404186221463082]
  Go-Exploreは、ハード探索問題を解決するために設計されたアルゴリズムの強力なファミリーである。 本稿では,従来の Go-Explore の範囲を大きく広げる Intelligent Go-Explore (IGE) を提案する。 IGEには人間のような能力があり、新しい状態がいかに面白く、あるいは有望であるかを直感的に識別する能力がある。
  論文  参考訳（メタデータ） (2024-05-24T01:45:27Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• From Isolated Islands to Pangea: Unifying Semantic Space for Human Action Understanding [50.412121156940294]
  アクション理解は、物理空間から意味空間へのマッピングとして形成することができる。 そこで本研究では,Pangeaを完全に活用するために,物理空間から意味空間への新たなモデルマッピングを提案する。
  論文  参考訳（メタデータ） (2023-04-02T15:04:43Z)
• Beyond Tracking: Using Deep Learning to Discover Novel Interactions in Biological Swarms [3.441021278275805]
  本稿では,システムレベルの状態を全体像から直接予測するディープ・ネットワーク・モデルを提案する。 結果の予測モデルは、人間の理解した予測モデルに基づいていないため、説明モジュールを使用する。 これは、行動生態学における人工知能の例である。
  論文  参考訳（メタデータ） (2021-08-20T22:50:41Z)

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。