論文の概要: Accelerating Returns and the Qualitative Engine for Science
- arxiv url: http://arxiv.org/abs/2606.26359v1
- Date: Wed, 24 Jun 2026 20:14:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.078474
- Title: Accelerating Returns and the Qualitative Engine for Science
- Title（参考訳）: 加速リターンと定性エンジン
- Abstract要約: レイ・クルズヴァイル(英語版)は、技術進歩について議論する上で最も影響力のある物語であるリターンを加速する理論を説明した。
本稿は、この主張を数学的に簡単に解釈し、もしそのような加速が現実であるとしても、科学的な発見の中心的な問題をそれ自体で解決するわけではないと論じる。
- 参考スコア（独自算出の注目度）: 0.609170287691728
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Ray Kurzweil described a thesis of accelerating returns, which is the most influential narratives in discussions of technological progress. Its central claim is that advances in multiple technological fields, especially compute, artificial intelligence, brain science, and biotechnology, interact in such a way that progress becomes self-amplifying and approximately exponential. This paper gives a simple mathematical interpretation of that claim and then argues that, even if such acceleration is real, it does not by itself resolve the central problem of scientific discovery. The reason is that accelerating returns apply most naturally to executional and infrastructural capability, whereas genuine discovery often depends on a different capacity: qualitative reasoning about when a current framework is structurally inadequate and what conceptual move is needed next. Recent ARC-AGI-3 results sharpen this distinction: humans solve the benchmark at ceiling, whereas frontier AI systems remain below 1%, indicating that the gap between current AI and human flexible reasoning is still very large. At the same time, Demis Hassabis has emphasized that humans must retain their sense of meaning and what they choose to focus their lives on, a reminder that the future of AI is not only a technical forecast but also a question of what forms of human understanding are worth preserving and transmitting. This paper positions the Qualitative Engine for Science (QES) [3] as a response to that missing capacity. In this view, the Kurzweil theory helps explain why quantitative capability may accelerate, while QES addresses the central problem in scientific discovery that acceleration alone does not solve. Its value does not depend on when AGI arrives, but on the fact that the processes of scientific discovery themselves constitute a form of human wisdom worth preserving, organizing, and making accessible.
- Abstract（参考訳）: レイ・クルズヴァイル(英語版)は、技術進歩について議論する上で最も影響力のある物語であるリターンを加速する理論を説明した。
その中心的な主張は、複数の技術分野、特に計算、人工知能、脳科学、バイオテクノロジーの進歩は、進歩が自己増幅され、ほぼ指数関数的になるような方法で相互作用するということである。
この論文は、この主張の単純な数学的解釈を与え、そのような加速が現実であるとしても、科学的な発見の中心的な問題をそれ自体で解決するわけではないと論じる。
その理由は、リターンの加速が実行能力とインフラ能力に最も自然に適用されるのに対して、真の発見は、しばしば異なる能力に依存します。
人間は天井でベンチマークを解くが、フロンティアAIシステムは1%以下であり、現在のAIと人間の柔軟な推論のギャップは依然として非常に大きいことを示している。
同時に、Demis Hassabis氏は、AIの未来は技術的な予測であるだけでなく、人間の理解のどの形態が保存および伝達に値するのかという疑問も浮き彫りにしている。
本稿では,その不足するキャパシティに対する応答として,定性エンジン(QES) [3] を位置づける。
この見解では、クルツヴァイル理論は、なぜ量的能力が加速するのかを説明するのに役立ち、QESは加速だけでは解決できないという科学的発見の中心的な問題に対処する。
その価値は、AGIがいつ到着するかではなく、科学的発見の過程自体が人間の知恵の形式を構成し、保存し、組織化し、アクセスしやすくするという事実に依存している。
関連論文リスト
- Quo Vadis? Scientific Discovery in the Age of Artificial Intelligence [0.0]
最初はAI能力の急速な上昇を調査し、その後、科学にまたがるAIの拡散の科学的証拠に目を向けた。
次に、専門的な科学AIから、科学的なAIアシスタントやエージェントから、計算と物理実験を組み合わせたハイブリッドな実験システムまで、研究で使用されるAIシステムのタイプロジーを提案する。
論文 参考訳（メタデータ） (2026-08-18T16:21:44Z) - From AGI to ASI [65.04985565452489]
人間のレベルの人工知能の構築は、遠方の憶測から、大規模なAI組織の多くにとって、具体的な次の10年ターゲットへと移行してきた。
報告では、AI自体が、マシンインテリジェンスの継続とともに、AGI後の世界でどのように発展し続けるのかを調査している。
論文 参考訳（メタデータ） (2026-06-10T21:14:10Z) - SciResearcher: Scaling Deep Research Agents for Frontier Scientific Reasoning [54.194672921128785]
我々は、フロンティア科学データ構築のための完全に自動化されたエージェントフレームワークであるSciResearcherを紹介する。
SciResearcherは、学術的証拠に基づく様々な概念的および計算的なタスクを合成する。
我々は,HLE-Bio/Chem-Goldベンチマークで19.46%を達成できるエージェント基盤モデルであるSciResearcher-8Bを開発した。
論文 参考訳（メタデータ） (2026-05-02T15:26:45Z) - What Understanding Means in AI-Laden Astronomy [0.20336617819227906]
人工知能は天文学の研究を急速に変えつつある。
この記事では、科学哲学がAIの天文学への統合をナビゲートするための重要なツールであると主張している。
我々は、AIを人間の認知を拡張するツールとして認識する統合のためのフレームワークとして「実用的理解」を提案する。
論文 参考訳（メタデータ） (2026-01-15T03:28:38Z) - AI Needs Physics More Than Physics Needs AI [0.0]
2024年のノーベル化学物理学賞はAIの可能性を認めているが、より広範な評価は、現在の影響が技術よりもしばしば促進されていることを示している。
私たちは、現在のAIは物理学に影響を与えるかもしれないが、物理学は、この世代のAIを提供するために、はるかに多くのものを提供していると論じている。
論文 参考訳（メタデータ） (2025-12-18T09:31:05Z) - A Definition of AGI [208.25193480759026]
人工知能の具体的な定義の欠如は、今日の専門的なAIと人間レベルの認知のギャップを曖昧にしている。
そこで本研究では,AGIを認知的多目的性と熟達度に適合するものとして,これに対応するための定量的枠組みを提案する。
論文 参考訳（メタデータ） (2025-10-21T01:28:35Z) - Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence [0.9065034043031668]
我々は、人類の科学的発見のための複雑な推論が、少なくとも人工知能の出現以前には重要な存在であると主張している。
意思決定に使用されるAIシステムの原則を知ることは、ドメインの専門家や科学者と接触するポイントになり得る。
我々は、この分野を、予測AIシステムの解釈可能性に基づいて、領域の専門家が科学的仮説と説明を定式化する、説明可能な科学用AIと定義する。
論文 参考訳（メタデータ） (2024-06-15T08:34:42Z) - AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。
AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文 参考訳（メタデータ） (2023-10-19T02:00:31Z) - Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
科学のためのAI(AI4Science)として知られる新しい研究領域
領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。
主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
論文 参考訳（メタデータ） (2023-07-17T12:14:14Z) - Recognition of All Categories of Entities by AI [20.220102335024706]
本稿では,オントロジ・セクテットを包括的技術地図として見るための新たな議論的選択肢を提案する。
近い将来、AIは人間と同じ程度に様々な実体を認識できるようになると予測しています。
論文 参考訳（メタデータ） (2022-08-13T08:00:42Z) - Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳（メタデータ） (2022-05-02T18:00:10Z)
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。