論文の概要: The Role of Rigor in Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2607.03634v1
- Date: Tue, 19 May 2026 20:30:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.981192
- Title: The Role of Rigor in Artificial Intelligence
- Title（参考訳）: 人工知能におけるリゴールの役割
- Abstract要約: 我々は、AIの独特の軌道は、厳格な形態がパラダイム間でどのように相互作用するかから生じると論じる。
この観点は、AIの急速な進歩とその持続的な不確実性の両方を説明するのに役立つ。
- 参考スコア（独自算出の注目度）: 7.352346944501551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) has achieved extraordinary capabilities despite lacking many of the conceptual and scientific foundations associated with mature disciplines. Unlike traditional sciences, where reliable technology typically emerges from theoretical understanding, modern AI has progressed largely through performance-driven iteration and "alchemical" experimentation. This tension motivates a systematic analysis of AI through the lens of rigor. We introduce a three-part framework consisting of conceptual rigor (clarifying foundational concepts), epistemic rigor (establishing scientific understanding), and operational rigor (ensuring reliable performance and deployment). Using this framework, we analyze competing conceptions of intelligence and understanding, the strengths and limitations of the empirical approach to deep learning, the power and pitfalls of benchmarks, and the obstacles to theory development posed by modern AI systems. We argue that the distinctive trajectory of AI arises from how forms of rigor interact across paradigms, resulting in the primacy of operational rigor in modern deep learning. This perspective helps explain both AI's rapid advances and its persistent uncertainties, while clarifying the challenges involved in transforming AI into a mature science and reliable technology.
- Abstract（参考訳）: 人工知能(AI)は、成熟した規律に関連する概念的および科学的基盤の多くを欠いているにもかかわらず、驚くべき能力を達成した。
信頼性のある技術が理論的な理解から生まれる従来の科学とは異なり、現代のAIはパフォーマンス駆動の反復と「アルケミカル」な実験によって大きく進歩している。
この緊張は、厳密なレンズを通してAIの体系的な分析を動機付けている。
本稿では,概念的厳密性(基礎概念の明確化),認識的厳密性(科学的理解の確立),操作的厳密性(信頼性の高い性能と展開の確保)からなる三部構成の枠組みを紹介する。
このフレームワークを用いて、競合するインテリジェンスと理解の概念、ディープラーニングに対する経験的アプローチの強みと限界、ベンチマークのパワーと落とし穴、そして現代のAIシステムによって引き起こされる理論開発への障害を分析する。
我々は、AIの独特な軌道は、リガーの形式がパラダイムをまたいでどのように相互作用するかから生じ、現代のディープラーニングにおける運用リガーの優位性をもたらすと論じている。
この観点は、AIの急速な進歩と永続的な不確実性の両方を説明するのに役立ち、AIを成熟した科学と信頼性のある技術に変換する上での課題を明確にする。
関連論文リスト
- Aligning Perception, Reasoning, Modeling and Interaction: A Survey on Physical AI [57.44526951497041]
我々は、物理的原則と具体的推論プロセスの両方において、学習の基礎となるインテリジェントなシステムを提唱する。
我々は、物理現象を説明でき、将来の状態を予測できる次世代の世界モデルを構想する。
論文 参考訳（メタデータ） (2025-10-06T16:16:03Z) - Bridging Minds and Machines: Toward an Integration of AI and Cognitive Science [48.38628297686686]
認知科学は人工知能(AI)、哲学、心理学、神経科学、言語学、文化などの分野を深く形成している。
AIの多くのブレークスルーは、そのルーツを認知理論にさかのぼる一方で、AI自体が認知研究を進めるのに欠かせないツールになっている。
我々は、認知科学におけるAIの未来は、性能の向上だけでなく、人間の心の理解を深めるシステムの構築にも関係していると主張している。
論文 参考訳（メタデータ） (2025-08-28T11:26:17Z) - A Comprehensive Review of AI Agents: Transforming Possibilities in Technology and Beyond [3.96715377510494]
Reviewは、次世代のAIエージェントシステムを、より堅牢で適応性があり、信頼できる自律的知性へと導くことを目指している。
認知科学に触発されたモデル、階層的強化学習フレームワーク、および大規模言語モデルに基づく推論から洞察を合成する。
我々は、これらのエージェントを現実世界のシナリオに展開する際の倫理的、安全性、解釈可能性に関する懸念について論じる。
論文 参考訳（メタデータ） (2025-08-16T07:38:45Z) - 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) - Position: Intelligent Science Laboratory Requires the Integration of Cognitive and Embodied AI [98.19195693735487]
知的科学研究所(ISL)のパラダイムを提案する。
ISLは、認知と具体的知性を深く統合した多層クローズドループフレームワークである。
このようなシステムは、現在の科学的発見の限界を克服するために不可欠である、と我々は主張する。
論文 参考訳（メタデータ） (2025-06-24T13:31:44Z) - Rigor in AI: Doing Rigorous AI Work Requires a Broader, Responsible AI-Informed Conception of Rigor [83.99510317617694]
我々は、厳格なAI研究と実践が持つべきものに対するより広範な概念が必要とされると論じている。
我々は,AIコミュニティの作業に関する対話に有用な言語とフレームワークを提供することを目標としている。
論文 参考訳（メタデータ） (2025-06-17T15:44:41Z) - Towards Strong AI: Transformational Beliefs and Scientific Creativity [0.0]
強力な人工知能(AI)は、人間の知能に匹敵する一般的な認知能力と科学的創造性を持つことが想定されている。
弱い信念の単純な理論的・統計的枠組みを導入し,その枠組みを変換的信念(TB)と呼ぶ。
TBフレームワークが創造性を理解し、分析し、育成するための有望な基盤となる可能性を実証する。
論文 参考訳（メタデータ） (2024-12-27T22:02:36Z) - Imagining and building wise machines: The centrality of AI metacognition [78.76893632793497]
我々は人間の知恵について知られているものを調べ、そのAIのビジョンをスケッチする。
AIシステムは特にメタ認知に苦しむ。
スマートAIのベンチマーク、トレーニング、実装について論じる。
論文 参考訳（メタデータ） (2024-11-04T18:10:10Z) - Responsible AI: Portraits with Intelligent Bibliometrics [30.51687434548628]
この研究は、責任あるAIを定義し、そのコア原則を特定した。
この研究は、2015年からAIコミュニティが寄稿した17,799の論文を実証的に調査した。
複数の分野から380の記事からなるコアコホートの分析は、責任あるAIの最新の進歩を捉えている。
論文 参考訳（メタデータ） (2024-05-05T08:40:22Z) - A call for embodied AI [1.7544885995294304]
我々は、人工知能の次の基本ステップとして、エンボディードAIを提案する。
Embodied AIの範囲を広げることで、認知アーキテクチャに基づく理論的枠組みを導入する。
このフレームワークはFristonのアクティブな推論原則と一致しており、EAI開発に対する包括的なアプローチを提供する。
論文 参考訳（メタデータ） (2024-02-06T09:11:20Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳（メタデータ） (2020-03-09T15:04:07Z)
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。