論文の概要: Epistemology of Generative AI: The Geometry of Knowing

• arxiv url: http://arxiv.org/abs/2602.17116v1
• Date: Thu, 19 Feb 2026 06:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.791987
• Title: Epistemology of Generative AI: The Geometry of Knowing
• Title（参考訳）: 生成AIの認識論 : 認識の幾何学
• Authors: Ilya Levin,
• Abstract要約: 生成的AIは、知識とその生産に対する理解に前例のない課題を提示します。 本稿は,不足する説明は,まだ十分な哲学的関心を得られていないパラダイム的ブレークから始めなければならない,と論じる。
• 参考スコア（独自算出の注目度）: 0.7252027234425333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI presents an unprecedented challenge to our understanding of knowledge and its production. Unlike previous technological transformations, where engineering understanding preceded or accompanied deployment, generative AI operates through mechanisms whose epistemic character remains obscure, and without such understanding, its responsible integration into science, education, and institutional life cannot proceed on a principled basis. This paper argues that the missing account must begin with a paradigmatic break that has not yet received adequate philosophical attention. In the Turing-Shannon-von Neumann tradition, information enters the machine as encoded binary vectors, and semantics remains external to the process. Neural network architectures rupture this regime: symbolic input is instantly projected into a high-dimensional space where coordinates correspond to semantic parameters, transforming binary code into a position in a geometric space of meanings. It is this space that constitutes the active epistemic condition shaping generative production. Drawing on four structural properties of high-dimensional geometry concentration of measure, near-orthogonality, exponential directional capacity, and manifold regularity the paper develops an Indexical Epistemology of High-Dimensional Spaces. Building on Peirce semiotics and Papert constructionism, it reconceptualizes generative models as navigators of learned manifolds and proposes navigational knowledge as a third mode of knowledge production, distinct from both symbolic reasoning and statistical recombination.
• Abstract（参考訳）: 生成的AIは、知識とその生産に対する理解に前例のない課題を提示します。 工学的理解が先行または付随する以前の技術変革とは異なり、生成AIは、認識的性格があいまいなメカニズムを通して機能し、そのような理解がなければ、科学、教育、制度的生活への責任ある統合は原則的に進めることができない。 本稿は,不足する説明は,まだ十分な哲学的関心を得られていないパラダイム的ブレークから始めなければならない,と論じる。 チューリング=シャノン=ヴォン・ノイマンの伝統では、情報は符号化されたバイナリベクトルとして機械に入り、意味論はプロセスの外にある。 記号入力はすぐに高次元空間に投影され、座標は意味パラメータに対応し、バイナリコードを幾何学的な意味空間の位置に変換する。 活性な上皮状態を形成する遺伝子生産を構成するのは、この空間である。 高次元の幾何学的濃度、ほぼ直交性、指数方向の容量、多様体の正則性の4つの構造的特性に基づいて、この論文は高次元空間の指数的認識論を発展させている。 Peirce semiotics と Papert constructionism に基づいて構築され、学習多様体のナビゲータとして生成モデルを再認識し、記号的推論と統計的組み換えとは別個の知識生産の第3のモードとしてナビゲーション的知識を提案する。

関連論文リスト

• The Vibe-Automation of Automation: A Proactive Education Framework for Computer Science in the Age of Generative AI [0.7252027234425333]
  生成人工知能(GenAI)は、コンピュータ科学における質的な変化を表す。 GenAIは、事前に定義された客観的メトリクスを最適化するのではなく、コンテキスト、セマンティック、コヒーレンスをナビゲートすることで動作する。 本稿では,3つの分析レベルと3つの行動領域にまたがる概念的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-09T06:02:04Z)
• Toward a Physical Theory of Intelligence [0.016144088896423884]
  本稿では,保全法に制約されたシステムにおける不可逆的な情報処理に基づく知性理論を提案する。 インテリジェントシステムは、進化が情報を目標指向の作業に変換する結合エージェント環境プロセスとしてモデル化される。
  論文  参考訳（メタデータ） (2025-12-22T20:40:27Z)
• On the Emergence of Induction Heads for In-Context Learning [121.64612469118464]
  本研究では, 2層トランスにおいて以前に同定されたメカニズムである誘導ヘッドの出現について検討する。 最小限の ICL タスクの定式化と改良型トランスフォーマアーキテクチャを用いて,この構造の起源を説明する。
  論文  参考訳（メタデータ） (2025-11-02T18:12:06Z)
• A mathematical framework of intelligence and consciousness based on Riemannian Geometry [1.9580473532948397]
  知性を理解することは神経科学、認知科学、人工知能の中心的な研究である。 幾何解析の最近の進歩は、高次元情報表現と組織に対する新たな洞察を明らかにしている。 この写本は、知性と意識の構造とダイナミクスを記述する数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-02T04:17:56Z)
• Synthesizing Proteins on the Graphics Card. Protein Folding and the Limits of Critical AI Studies [0.8192907805418581]
  本稿では,タンパク質の折り畳みにおけるトランスアーキテクチャの適用について検討する。 インテリジェントマシンの検索は、インテリジェンスの場所ではなく、形から始めなければならない、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-05-16T03:24:05Z)
• 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)
• Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
  本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。 ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
  論文  参考訳（メタデータ） (2022-06-03T12:24:49Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。