論文の概要: Artificial Adaptive Intelligence: The Missing Stage Between Narrow and General Intelligence

• arxiv url: http://arxiv.org/abs/2605.16844v1
• Date: Sat, 16 May 2026 07:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.199518
• Title: Artificial Adaptive Intelligence: The Missing Stage Between Narrow and General Intelligence
• Title（参考訳）: 人工適応インテリジェンス - ナローとジェネラルインテリジェンスの間の失敗ステージ
• Authors: Boris Kriuk,
• Abstract要約: メタラーニング、ニューラルアーキテクチャサーチ、オートML、継続学習、進化計算、物理インフォームドモデリングが静かに収束した場所である。 我々はこの体制をAAI(Artificial Adaptive Intelligence)と命名し、運用的に定義する。 我々は、その安定性、収束性、ガバナンスの影響を分析し、航空宇宙設計、金融体制検出、乱流モデリング、生態力学、視覚言語システムといったケーススタディを通してそれらを説明します。
• 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: Between the narrow systems we deploy and the general intelligence we speculate about lies an entire regime of machine behavior that has never received its own name. This monograph argues that this regime is not empty: it is where meta-learning, neural architecture search, AutoML, continual learning, evolutionary computation, and physics-informed modeling have quietly converged on a common principle, namely the steady removal of the human from the loop of parameter specification. We name this regime Artificial Adaptive Intelligence (AAI) and define it operationally: a system exhibits AAI to the extent that it requires no human-specified tunable hyperparameters while maintaining competitive performance across a diverse distribution of tasks. To make the definition quantitative, we introduce an adaptivity index that measures progress along an axis orthogonal to scale, combining the fraction of hyperparameters absorbed by the system with the performance ratio against a task-specialized baseline. We develop the principle of parametric minimality and ground it in the minimum description length framework, showing that the appropriate hyperparameter count is data-determined rather than designer-determined. We then organize the field around three pathways to minimality: data- and task-aware configuration, structural and evolutionary morphing, and in-training self-adaptation. We analyze their stability, convergence, and governance implications, and illustrate them through case studies spanning aerospace design, financial regime detection, turbulence modeling, ecological dynamics, and vision-language systems. The thesis is that the path from ANI to AGI passes through AAI, and that naming this stage changes what we measure, what we build, and what we call a success.
• Abstract（参考訳）: 私たちが展開する狭いシステムと、我々が推測する一般的な知性の間には、マシンの振る舞いの全体構造があり、その名前は一度も受け継がれていない。 メタラーニング、ニューラルアーキテクチャサーチ、オートML、継続学習、進化的計算、物理インフォームドモデリングが、パラメータ仕様のループから人間の安定した除去という共通の原則に静かに収束している場所である。 我々はこの体制をAAI(Artificial Adaptive Intelligence)と命名し、運用的に定義する: システムは、タスクの多様な分布にまたがる競争性能を維持しながら、人間の指定可能なチューニング可能なハイパーパラメータを必要としない程度にAIを示す。 この定義を定量的にするために,システムによって吸収されるハイパーパラメータの分数とタスク特化ベースラインに対する性能比を組み合わせ,軸方向に沿って進行を測定する適応度指数を導入する。 パラメトリック最小化の原理を開発し、最小記述長の枠組みを基礎として、適切なハイパーパラメータカウントがデザイナ決定ではなくデータ決定であることを示す。 次に、最小化のための3つの経路、すなわち、データとタスクを意識した構成、構造的および進化的モーフィング、トレーニング中の自己適応に関するフィールドを整理する。 我々は、その安定性、収束性、ガバナンスの影響を分析し、航空宇宙設計、金融体制検出、乱流モデリング、生態力学、視覚言語システムといったケーススタディを通してそれらを説明します。 ANIからAGIへのパスはAAIを通過し、このステージの命名は、計測するもの、構築するもの、成功と呼ぶものを変えます。

関連論文リスト

• Position: Weight Space Should Be a First-Class Generative AI Modality [67.10702320971893]
  本稿では、モデルチェックポイントを第一級データモダリティとして扱うべきであると論じる。 重み空間における生成的モデリングは、コア機械学習プリミティブとして標準化されるべきである、と論じている。 私たちのゴールは、コミュニティの既定の考え方を、タスクごとのモデルの最適化から、学習した重量分布からモデルのサンプリングにシフトさせることです。
  論文  参考訳（メタデータ） (2026-05-18T16:38:26Z)
• daVinci-LLM:Towards the Science of Pretraining [58.6458452580545]
  daVinci-LLMは、産業規模の資源と完全な研究自由を組み合わせて、事前訓練の科学を前進させる。 完全なデータ処理パイプライン、完全なトレーニングプロセス、体系的な調査結果をリリースしています。
  論文  参考訳（メタデータ） (2026-03-28T07:00:49Z)
• IRAM-Omega-Q: A Computational Architecture for Uncertainty Regulation in Artificial Agents [0.0]
  IRAM-Omega-Qは内部制御を量子的状態表現上の閉ループ制御としてモデル化する計算アーキテクチャである。 その結果、人工エージェントの具体的な設計原則として不確実性規制が支持された。
  論文  参考訳（メタデータ） (2026-03-16T23:58:11Z)
• Teleodynamic Learning a new Paradigm For Interpretable AI [0.0]
  我々は、学習が固定目的ではない機械学習の新しいパラダイムであるTeleodynamic Learningを紹介した。 この枠組みは生物系に触発され、知能を3つの量の複合進化として扱う。 本研究では,スペンサー・ブラウンの形式法則を基礎とした遠隔力学学習システムであるDistinction Engine (DE11) のフレームワークをインスタンス化する。
  論文  参考訳（メタデータ） (2026-03-11T22:43:10Z)
• Hierarchical Inference and Closure Learning via Adaptive Surrogates for ODEs and PDEs [15.38864225184245]
  逆問題は、データに合うようにモデルを校正するタスクである。 我々は、異なるが関連する物理システムのコレクションからのデータを活用するための原則的方法論を開発する。 我々は、MLベースのクロージャモデルという形で、共有未知のダイナミクスを学習する。
  論文  参考訳（メタデータ） (2026-03-04T10:30:08Z)
• EmbodiedBrain: Expanding Performance Boundaries of Task Planning for Embodied Intelligence [17.644658293987955]
  身体的AIエージェントは、物理的環境における堅牢な空間認識、効果的なタスク計画、適応実行を行うことができる。 現在の大規模言語モデル (LLMs) とマルチモーダルLLM (MLLMs) の具体化タスクは、重要な制約に悩まされている。 EmbodiedBrain は 7B と 32B のパラメータサイズで利用できる新しい視覚言語基盤モデルである。
  論文  参考訳（メタデータ） (2025-10-23T14:05:55Z)
• Flexible Swarm Learning May Outpace Foundation Models in Essential Tasks [0.0]
  ファウンデーションモデルはAIを急速に進歩させ、彼らの決定が現実世界のドメインにおける人間の戦略を上回るかどうかという疑問を提起している。 一般的な課題は、複雑なシステムを動的環境に適応させることである。 モノリシックな基盤モデルは、それを克服する上で概念的な限界に直面している、と私たちは主張する。 対話型小型エージェントネットワーク(SAN)の分散アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:10:31Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)

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。