論文の概要: Intilligence Foundation Model: A New Perspective to Approach Artificial General Intelligence

• arxiv url: http://arxiv.org/abs/2511.10119v1
• Date: Fri, 14 Nov 2025 01:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.703079
• Title: Intilligence Foundation Model: A New Perspective to Approach Artificial General Intelligence
• Title（参考訳）: Intilligence Foundation Model: 人工知能への新たなアプローチ
• Authors: Borui Cai, Yao Zhao,
• Abstract要約: 我々は,人工知能基盤モデル(IFM)による人工知能(AGI)への新たな視点を提案する。 IFMは、多様な知的行動から直接学習することで、インテリジェンスの基礎となるメカニズムを取得することを目的としている。
• 参考スコア（独自算出の注目度）: 55.07411490538404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a new perspective for approaching artificial general intelligence (AGI) through an intelligence foundation model (IFM). Unlike existing foundation models (FMs), which specialize in pattern learning within specific domains such as language, vision, or time series, IFM aims to acquire the underlying mechanisms of intelligence by learning directly from diverse intelligent behaviors. Vision, language, and other cognitive abilities are manifestations of intelligent behavior; learning from this broad range of behaviors enables the system to internalize the general principles of intelligence. Based on the fact that intelligent behaviors emerge from the collective dynamics of biological neural systems, IFM consists of two core components: a novel network architecture, termed the state neural network, which captures neuron-like dynamic processes, and a new learning objective, neuron output prediction, which trains the system to predict neuronal outputs from collective dynamics. The state neural network emulates the temporal dynamics of biological neurons, allowing the system to store, integrate, and process information over time, while the neuron output prediction objective provides a unified computational principle for learning these structural dynamics from intelligent behaviors. Together, these innovations establish a biologically grounded and computationally scalable foundation for building systems capable of generalization, reasoning, and adaptive learning across domains, representing a step toward truly AGI.
• Abstract（参考訳）: 我々は,人工知能基盤モデル(IFM)を通じて,人工知能(AGI)にアプローチするための新たな視点を提案する。 IFMは、言語、視覚、時系列などの特定の領域におけるパターン学習を専門とする既存の基礎モデルとは異なり、多様な知的行動から直接学習することで、知性の基盤となるメカニズムを習得することを目的としている。 視覚、言語、その他の認知能力は知的行動の顕在化であり、この幅広い行動から学習することで、システムは知性の一般的な原則を内在化することができる。 IFMは、生物学的神経系の集合力学からインテリジェントな振る舞いが現れるという事実に基づいて、2つのコアコンポーネントで構成されている。新しいネットワークアーキテクチャは、ニューロンのような動的プロセスをキャプチャする状態ニューラルネットワークと呼ばれ、新しい学習目標であるニューロン出力予測は、集合力学から神経出力を予測するようにシステムを訓練する。 状態ニューラルネットワークは生物学的ニューロンの時間的ダイナミクスをエミュレートし、システムは時間とともに情報を保存し、統合し、処理することができる。 これらのイノベーションは共に、ドメイン間の一般化、推論、適応学習が可能なシステム構築のための生物学的基盤と計算にスケーラブルな基盤を確立し、真のAGIへの一歩を表している。

関連論文リスト

• Shifting Attention to You: Personalized Brain-Inspired AI Models [3.0128071072792366]
  人間の行動洞察とミリ秒スケールのニューラルネットワークを微調整CLIPベースモデルに統合することで、修正されていないCLIPベースラインと比較して、行動性能が2倍になることを示す。 我々の研究は、適応型AIシステムを設計するための、新しい解釈可能なフレームワークを確立し、神経科学、パーソナライズドメディカル、人間とコンピュータの相互作用に幅広い意味を持つ。
  論文  参考訳（メタデータ） (2025-02-07T04:55:31Z)
• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• 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)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)

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。