論文の概要: The Cognitive Kardashev Scale: Quantifying the Material Envelope of Civilisational Computation
- arxiv url: http://arxiv.org/abs/2605.22840v1
- Date: Mon, 11 May 2026 02:43:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 02:55:42.93525
- Title: The Cognitive Kardashev Scale: Quantifying the Material Envelope of Civilisational Computation
- Title（参考訳）: 認知カルダシェフ尺度 : 文明計算の材料エンベロープの定量化
- Authors: Sachin Sharma,
- Abstract要約: カルダシェフの1964年のタイポロジーは、全力で文明を分類している: 惑星(タイプI、1016W)、恒星(タイプII、1026W)、銀河(タイプIII)
本稿では,認知カルダシェフ尺度(Cognitive Kardashev Scale)に類似したAIグレードの計算能力について述べる。
- 参考スコア（独自算出の注目度）: 0.19036571490366502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How much thinking can a civilisation do? Kardashev's (1964) typology ranks civilisations by total power: planetary (Type I, ~10^16 W), stellar (Type II, ~10^26 W), galactic (Type III). This paper builds an analogous Cognitive Kardashev Scale: how much sustained AI-grade computation each tier could support. Four ingredients enter the calculation: total power P (watts), the share f of it devoted to cognition, the efficiency $η$ at which energy becomes compute (operations per joule), and the brain's own processing rate $C_{\mathrm{brain}}$ as a reference unit. Anchoring on 2024-2026 hardware (El Capitan, NVIDIA Blackwell, Vera Rubin) gives $η_{2026} = 10^{12}$ FLOP/J. Contemporary humanity sits at $K \approx 0.73$, three-quarters of the way to Type I. At Type I and $f = 1\%$, available compute is, within an order of magnitude, one personal AI's worth of cognition per human inhabitant; at Type II it is essentially incomprehensible. Three trajectories for frontier compute through 2035 are reported as conditional projections, not predictions. Whether the long-run binding constraint is energy or efficiency depends on engineering choices not yet made; the political economy of who has access may matter more than either.
- Abstract（参考訳）: 文明はどこまで考えることができるのか?
カルダシェフの1964年のタイプは、惑星(タイプI, ~10^16 W)、恒星(タイプII, ~10^26 W)、銀河(タイプIII)である。
本稿では,認知カルダシェフ尺度(Cognitive Kardashev Scale)に類似したAIグレードの計算能力について述べる。
合計電力P(ワット)、認識に充てられるシェアf、エネルギーが計算される効率$η$(ジュール当たりの演算)、脳自身の処理速度$C_{\mathrm{brain}}$を基準単位とする。
2024-2026 ハードウェア (El Capitan, NVIDIA Blackwell, Vera Rubin) のアンカリングは$η_{2026} = 10^{12}$ FLOP/Jを与える。
現代の人間性は、タイプIへの道の4分の3にあたる$K \approx 0.73$にある。タイプIと$f = 1\%$では、利用可能な計算は、桁違いに、1人の個人AIの人間あたりの認知価値である。タイプIIでは、基本的に理解できない。
2035年までのフロンティア計算のための3つの軌道は、予測ではなく条件予測として報告される。
長期の拘束力がエネルギーか効率かは、まだ工学的な選択にかかっている。
関連論文リスト
- Scale-Sensitive Shattering: Learnability and Evaluability at Optimal Scale [54.65053906803857]
実数値関数クラスが一様収束と学習可能性を示す最適尺度について検討する。
本研究の主な成果は,PAC学習の基本定理のスケール敏感な一般化である。
また、定量的サンプルの複雑さと評価可能性に関するオープンな質問をいくつか取り上げる。
論文 参考訳（メタデータ） (2026-05-13T15:41:30Z) - Quantifying how AI Panels improve precision [0.0]
AIのバイアスは、仕事の選択プロセスに焼き込まれるかもしれないが、その欠如にもかかわらず、単一のAIへの依存は問題である。
このような領域における意思決定を支援するために、さまざまなAIパネルを使用することのメリットに関する議論は、単一のAIシステムへの危険な依存から遠ざかることになる。
論文 参考訳（メタデータ） (2026-04-06T14:10:22Z) - Photons = Tokens: The Physics of AI and the Economics of Knowledge [0.0]
本稿では,MacKay(2009)の方法論をAI計算の経済に適用する。
我々は,大規模言語モデルの入力および出力の基本単位であるトークンを,測定可能な熱力学コストの物理量として定義する。
ランダウアーの原理,シャノンのチャネル容量,現在のインフラデータを用いて,グローバルトークン生産のための需給バランスシートを構築した。
論文 参考訳（メタデータ） (2026-02-23T15:58:47Z) - AICD Bench: A Challenging Benchmark for AI-Generated Code Detection [91.21422299346199]
AICD Benchは、AI生成コード検出の最も包括的なベンチマークである。
これは$emph2Mサンプル$、$emph77モデル$、$emph11ファミリー$、$emph9プログラミング言語$で、最近の推論モデルを含む。
論文 参考訳（メタデータ） (2026-02-02T13:24:14Z) - Towards identifying possible fault-tolerant advantage of quantum linear system algorithms in terms of space, time and energy [4.809611965725093]
耐故障性超伝導デバイスにおける空間,時間,エネルギー資源の詳細な評価を行う。
我々の研究は、フォールトトレラントな量子コンピュータが現実世界にまつわる問題に対して、可能で重要な利益を達成するためにどれだけ進歩すべきかを定量的に決定する。
論文 参考訳（メタデータ） (2025-02-16T19:12:32Z) - SSIP: automated surgery with quantum LDPC codes [55.2480439325792]
クビットCSSコード間の手術を自動化するための,オープンソースの軽量PythonパッケージであるSSIP(Identifying Pushouts)による安全手術について述べる。
ボンネットの下では、鎖複体の圏における普遍構成によって支配される$mathbbF$上の線型代数を実行する。
高い符号距離を犠牲にすることなく,手術によって様々な論理的測定を安価に行うことができることを示す。
論文 参考訳（メタデータ） (2024-07-12T16:50:01Z) - Provably Efficient Reinforcement Learning with Multinomial Logit Function Approximation [67.8414514524356]
本稿では,MNL関数近似を用いたMDPの新たなクラスについて検討し,状態空間上の確率分布の正当性を保証する。
その大きな利点にもかかわらず、非線形関数を組み込むことは、統計的および計算効率の両方において重大な課題を提起する。
我々は,$widetildemathcalO(dH2sqrtK + kappa-1d2H2)$を後悔するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-27T11:31:54Z) - Vcc: Scaling Transformers to 128K Tokens or More by Prioritizing
Important Tokens [65.4435926060951]
本稿では,超長周期の変換器の効率を,各層でより小さな表現に圧縮することで向上することを提案する。
我々のアルゴリズムは効率的であるだけでなく(4Kと16Kのベースラインに比べて3倍以上の効率向上を達成する)、多数のタスクで競合/ベターパフォーマンスを提供する。
論文 参考訳（メタデータ） (2023-05-07T10:32:18Z) - AI and extreme scale computing to learn and infer the physics of higher
order gravitational wave modes of quasi-circular, spinning, non-precessing
binary black hole mergers [1.7056768055368385]
準円、回転、不要な二元ブラックホール融合の高次重力波モードの物理学を学習し、推理する。
我々は、代理モデルNRHybSur3dq8で生成された1400万の波形を用いてAIモデルを訓練する。
数値相対性波形の質量比, 個々のスピン, 有効スピン, 傾斜角の決定論的および確率的推定値を得る。
論文 参考訳（メタデータ） (2021-12-13T19:00:00Z)
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。