論文の概要: Thermodynamic Measure of Intelligence

• arxiv url: http://arxiv.org/abs/2606.20231v1
• Date: Thu, 18 Jun 2026 13:41:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.885017
• Title: Thermodynamic Measure of Intelligence
• Title（参考訳）: インテリジェンスの熱力学計測
• Authors: Ishanu Chattopadhyay,
• Abstract要約: 我々は、知性は稀だが有効な未来を合法的に増幅するものとして測定できることを示した。 システムは受動力学では不可能な結果の確率を増大させるが、領域の制約の下では許容されない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Can intelligence be measured? We propose that intelligence can be defined as the lawful amplification of rare but valid futures: a system increases the probability of outcomes that would be unlikely under passive dynamics but remain admissible under the constraints of the domain. We start with the premise that an intelligent system must model the world and its own place within it. Because the system is part of the world it models, this leads naturally to recursive self-simulation: the system represents futures in which its own actions are part of the trajectory. Our central results give a necessity statement and a conditional near-sufficiency statement connecting this architecture to a precise thermodynamic measure of lawful amplification of rare-valid futures: high rare-valid lift is impossible unless the internal simulation identifies rare-valid futures with high fidelity; conversely, when rare-valid fidelity is high and the simulation contains an effective policy, the achievable lift approaches the actuation-limited optimum. Thus recursive self-simulation is not merely a plausible feature of intelligence but, under the stated assumptions, is necessary and nearly sufficient for high thermodynamic intelligence. The resulting framework makes intelligence measurable on a universal scale, from passive matter and feedback controllers, large language models, and humans as text generators to Maxwell-demon-like information engines.
• Abstract（参考訳）: インテリジェンスの測定は可能か? システムは受動力学ではあり得ないが、領域の制約の下では許容できない結果の確率を増大させる。 まずは、インテリジェントなシステムは世界とその内部にある自身の場所をモデル化しなければならない、という前提から始めます。 システムは、それがモデル化する世界の一部であるため、自然に再帰的な自己シミュレーションにつながる:システムは、自身の行動が軌道の一部である未来を表す。 本研究の中心的な成果は、このアーキテクチャと、希少未来を合法的に増幅する厳密な熱力学的指標とを接続する条件付き近接充足文である: 内部シミュレーションが希少未来を高い忠実度で識別しない限り、高い希少リフトは不可能である; 逆に、希少未来を高い忠実度で同定し、有効ポリシーを含む場合、達成可能なリフトはアクティベーション制限最適値に近づく。 したがって、再帰的な自己シミュレーションは知能のもっともらしい特徴であるだけでなく、その仮定の下では、高熱力学的知能に対して必要であり、ほぼ十分である。 結果として得られるフレームワークは、受動的物質やフィードバックコントローラ、大きな言語モデル、テキストジェネレータとしての人間からマックスウェルデーモンのような情報エンジンに至るまで、インテリジェンスを普遍的なスケールで測定可能にする。

関連論文リスト

• A Limit Theory of Foundation Models: A Mathematical Approach to Understanding Emergent Intelligence and Scaling Laws [69.11818285240689]
  本研究では,極限理論の観点から創発的知能を定式化する数学的アプローチの開発を試みる。 創発的知能は、極限振る舞いに対応する創発的能力を持つ、lim_N,P,K から infty mathcalE(N,P,K)$ の存在として再認識する。
  論文  参考訳（メタデータ） (2026-04-27T04:43:42Z)
• A Mathematical Theory of Agency and Intelligence [0.0]
  システムがデプロイする総情報のどれ程が、その観察、行動、結果の間で実際に共有されているかを示す。 この共有分数、つまり分岐予測可能性 P は、第一原理から導かれるあらゆる相互作用に固有のものであることを証明します。 我々は、Pをリアルタイムで監視し、適応的でレジリエントなAIの前提条件を確立するフィードバックアーキテクチャを実証する。
  論文  参考訳（メタデータ） (2026-02-26T01:26:21Z)
• Beyond Statistical Learning: Exact Learning Is Essential for General Intelligence [59.07578850674114]
  音の誘惑的推論は、一般知能の必然的に望ましい側面である。 もっとも先進的なフロンティアシステムでさえ、定期的かつ一貫して容易に解決可能な推論タスクに干渉していることは、よく文書化されている。 彼らの不健全な振る舞いは、彼らの発展を支えている統計的学習のアプローチの結果である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-30T14:37:50Z)
• P: A Universal Measure of Predictive Intelligence [0.0]
  AIシステムが持つとされる知性について、一般的に合意されている定義はない。 人間、動物、AIの知能を1つの比率で比較できるような実践的な尺度は、誰も開発していません。 本稿では,予測が知能の最も重要な構成要素であるという仮説に基づく,新たな普遍的な知能尺度を提案する。
  論文  参考訳（メタデータ） (2025-05-30T10:05:54Z)
• Computational Irreducibility as the Foundation of Agency: A Formal Model Connecting Undecidability to Autonomous Behavior in Complex Systems [0.0]
  我々は正確な数学的つながりを確立し 真に自律的なシステムに対して その将来の行動に関する疑問は 基本的に決定不可能であることを証明します この発見は、人工知能、生物学的モデリング、そして自由意志のような哲学的概念に重大な影響を及ぼす。
  論文  参考訳（メタデータ） (2025-05-05T21:24:50Z)
• Evaluating Intelligence via Trial and Error [59.80426744891971]
  本研究では,試行錯誤プロセスにおける失敗回数に基づいて知性を評価するためのフレームワークとして,Survival Gameを紹介した。 フェールカウントの期待と分散の両方が有限である場合、新しい課題に対するソリューションを一貫して見つける能力を示す。 我々の結果は、AIシステムは単純なタスクで自律レベルを達成するが、より複雑なタスクではまだまだ遠いことを示している。
  論文  参考訳（メタデータ） (2025-02-26T05:59:45Z)
• Order-theoretic models for decision-making: Learning, optimization, complexity and computation [0.0]
  インテリジェントシステムの研究は、経済合理性の観点から行動を説明する。 この論文の第一の目的は、インテリジェントシステムの研究におけるこれらの結果の適用性を明らかにすることである。
  論文  参考訳（メタデータ） (2024-06-15T20:20:43Z)
• The Nature of Intelligence [0.0]
  人間とAIの両方で一般的に表現される知性の本質は不明である。 インテリジェンスの性質は,システムエントロピーを最小限に抑える数学的に機能する一連のプロセスであることを示す。 このエッセイは、宇宙と私たちを人間としてより深く理解するための出発点となるべきです。
  論文  参考訳（メタデータ） (2023-07-20T23:11:59Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)

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。