論文の概要: Toward Enactive Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2605.24238v1
- Date: Fri, 22 May 2026 21:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:17.768266
- Title: Toward Enactive Artificial Intelligence
- Title（参考訳）: 能動的人工知能を目指して
- Authors: Banafsheh Rafiee, Richard Sutton,
- Abstract要約: 我々は、人工知能(AI)に認識と認知への積極的なアプローチを取り入れることを提唱する。
積極的なアプローチは、エージェントが行動によって知覚し、彼らの行動がどのように彼らの経験を形作るかを理解することによって、世界との活発で熟練した関わりとして知覚する。
私たちは、経験、行動知覚の分離性、自律性、そして実施という、AIに最も関係のある4つの重要な活動的概念を特定し、開発します。
- 参考スコア（独自算出の注目度）: 1.2891210250935148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we advocate for incorporating enactive approaches to perception and cognition into artificial intelligence (AI). Enactive approaches view perception as an active, skillful engagement with the world, where agents perceive by acting and by understanding how their actions shape their experience. This contrasts with classical views that treat perception as a passive internal process in which the brain receives sensory input, processes it, and issues commands for action. Enactive views emphasize the dynamic, embodied, and interactive character of perception, grounded in the lived experience of agents embedded in their environments. We identify and develop four key enactive concepts that we find most relevant to AI: experience, action perception inseparability, autonomy, and embodiment. Much of mainstream AI, from classical rule based systems to large language models, has largely neglected these insights, treating cognition as internal processing detached from embodied interaction and intrinsic normativity. Reinforcement learning (RL), however, exhibits structural resonance with enactive principles through its emphasis on action, agent environment interaction, feedback driven adaptation, and agent centered evaluation. However, this resonance should not be taken as theoretical equivalence, as RL approximates some enactive insights, but key elements remain absent or weakly developed. Building on this analysis, we suggest a broader incorporation of enactive ideas into both mainstream AI and RL.
- Abstract（参考訳）: 本稿では,人工知能(AI)に認識と認知への積極的なアプローチを取り入れることを提唱する。
積極的なアプローチは、エージェントが行動によって知覚し、彼らの行動がどのように彼らの経験を形作るかを理解することによって、世界との活発で熟練した関わりとして知覚する。
これは、知覚を感覚入力を受け取り、それを処理し、行動命令を発する受動的内部過程として扱う古典的な見解とは対照的である。
活発な視点は、彼らの環境に埋め込まれたエージェントの生きた経験に基づいて、動的で具体的で対話的な知覚の性格を強調する。
私たちは、経験、行動知覚の分離性、自律性、そして実施という、AIに最も関係のある4つの重要な活動的概念を特定し、開発します。
古典的なルールベースのシステムから大きな言語モデルに至るまで、主流のAIの多くはこれらの洞察を無視しており、認知は内在的な相互作用と本質的な規範から切り離された内部処理として扱われている。
しかし、強化学習(RL)は、行動、エージェント環境相互作用、フィードバック駆動適応、エージェント中心評価に重点を置いて、活動原理と構造的共鳴を示す。
しかし、RLはいくつかの活動的な洞察を近似するので、この共鳴は理論上の等価性とはみなすべきではないが、重要な要素はいまだに欠如しているか、弱い発展である。
この分析に基づいて、メインストリームのAIとRLの両方に、より広範な活動的なアイデアを組み込むことを提案する。
関連論文リスト
- Cognition-Inspired Dual-Stream Semantic Enhancement for Vision-Based Dynamic Emotion Modeling [27.96408159377496]
認知にインスパイアされたデュアルストリームセマンティックエンハンスメント(DuSE)を提案する。
我々のモデルは、デュアルストリーム認知アーキテクチャをインスタンス化する。
挑戦的なインザワイルドベンチマークの実験は、認識中心のアプローチを検証する。
論文 参考訳（メタデータ） (2026-04-14T14:16:18Z) - A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。
応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。
我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
論文 参考訳（メタデータ） (2026-03-11T07:40:53Z) - Act, Sense, Act: Learning Non-Markovian Active Perception Strategies from Large-Scale Egocentric Human Data [30.493131697188627]
我々は、情報ゲインと意思決定分岐によって駆動される非マルコフ過程として能動的知覚を定式化する。
本稿では,認知と記憶を意識した視覚言語アクションフレームワークCoMe-VLAを紹介する。
本フレームワークは,自律的なサブタスク遷移のための認知補助ヘッドと,一貫した自己および環境意識を維持するためのデュアルトラックメモリシステムを統合する。
論文 参考訳（メタデータ） (2026-02-04T14:28:14Z) - Human Simulation Computation: A Human-Inspired Framework for Adaptive AI Systems [0.11844977816228043]
HSC(Human Computation Simulation)は、思考、行動、学習、リフレクション、活動スケジューリングを含む、継続的な閉ループプロセスとしてインテリジェンスをモデル化する。
HSCは、内部推論プロセスのすべての段階にわたって一般的に使用される人間の思考戦略を取り入れている。
理論的分析を通じて、人間のシミュレーション戦略は言語資料だけでは学べないと主張している。
論文 参考訳（メタデータ） (2026-01-20T12:00:04Z) - Intention-Guided Cognitive Reasoning for Egocentric Long-Term Action Anticipation [52.6091162517921]
INSIGHTは、エゴセントリックなアクション予測のための2段階のフレームワークである。
最初の段階では、INSIGHTは手動オブジェクトの相互作用領域から意味的にリッチな特徴を抽出することに焦点を当てている。
第2段階では、明示的な認知的推論をシミュレートする強化学習ベースのモジュールを導入する。
論文 参考訳（メタデータ） (2025-08-03T12:52:27Z) - Emergent Active Perception and Dexterity of Simulated Humanoids from Visual Reinforcement Learning [69.71072181304066]
本稿では,擬似ヒューマノイドを用いた視覚駆動全身制御フレームワークであるPerceptive Dexterous Control (PDC)を紹介する。
PDCは、タスク仕様のためのエゴセントリックなビジョンのみを運用し、ビジュアルキューによるオブジェクト検索、ターゲット配置、スキル選択を可能にする。
強化学習によるスクラッチからのトレーニングは,能動探索などの創発的な行動を引き起こす可能性があることを示す。
論文 参考訳（メタデータ） (2025-05-18T07:33:31Z) - PolicyEvol-Agent: Evolving Policy via Environment Perception and Self-Awareness with Theory of Mind [9.587070290189507]
PolicyEvol-Agentは、他者の意図を体系的に獲得するのが特徴の包括的なフレームワークである。
PolicyEvol-Agentは、さまざまな認知操作を、内的および外的視点とともに、心の理論と統合する。
論文 参考訳（メタデータ） (2025-04-20T06:43:23Z) - Agent AI: Surveying the Horizons of Multimodal Interaction [83.18367129924997]
エージェントAI(Agent AI)とは、視覚刺激や言語入力、その他の環境データを知覚できる対話型システムである。
我々は,バーチャルリアリティやシミュレートされたシーンを容易に作成し,仮想環境内に具体化されたエージェントと対話できる未来を構想する。
論文 参考訳（メタデータ） (2024-01-07T19:11:18Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z)
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。