論文の概要: Machines that know they are aging: a framework for hardware-aware autonomous intelligence
- arxiv url: http://arxiv.org/abs/2607.28451v1
- Date: Thu, 30 Jul 2026 16:17:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.656554
- Title: Machines that know they are aging: a framework for hardware-aware autonomous intelligence
- Title（参考訳）: 高齢化を自覚するマシン - ハードウェアを意識した自律型知能のフレームワーク
- Abstract要約: 本稿では,ハードウェアの健全性を推論,計画,ミッション実行に直接統合するフレームワークであるAging-Aware Autonomous Intelligence(AAAI)を提案する。
AAAIはハードウェアの自己認識、自己適応推論、生存中心のインテリジェンスという3つの柱の上に構築されている。
このような統合は、アクセス不能または安全クリティカルな環境で稼働する自律システムにとって不可欠である、と我々は主張する。
- 参考スコア（独自算出の注目度）: 4.021733299734901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous systems inevitably age, yet their artificial intelligence typically assumes hardware remains in its original condition. Batteries degrade, sensors drift, processors accumulate timing errors, and memory reliability declines, creating a growing mismatch between assumed and actual capability. This can lead to agnostic collapse, where mission failure arises from accumulated hardware degradation rather than a single component fault. We propose Aging-Aware Autonomous Intelligence (AAAI), a framework that integrates hardware health directly into reasoning, planning, and mission execution. AAAI is built on three pillars: hardware self-awareness, which continuously estimates the health of power, sensing, memory, and computation subsystems using physics-of-failure models; self-adaptive reasoning, which adjusts inference complexity, planning horizon, and task priorities according to remaining hardware capability; and survival-centric intelligence, which allocates remaining operational life across mission objectives through performance optimization, resource conservation, and graceful degradation. Rather than introducing new hardware, AAAI unifies prognostics, lifecycle management, and hardware-aware computing into a closed-loop cognitive architecture. We argue that such integration is essential for autonomous systems operating in inaccessible or safety-critical environments, including space missions, marine robotics, and implantable medical devices. By enabling machines to recognize and respond to their own aging, AAAI improves resilience, extends operational lifetime, and supports safer, more graceful mission completion.
- Abstract（参考訳）: 自律システムは必然的に老朽化するが、その人工知能は通常、ハードウェアが元の状態のままであると仮定する。
電池が劣化し、センサーがドリフトし、プロセッサがタイミングエラーを蓄積し、メモリの信頼性が低下する。
ミッションの失敗は、単一のコンポーネントの障害ではなく、蓄積したハードウェアの劣化によって起こる。
本稿では,ハードウェアの健全性を推論,計画,ミッション実行に直接統合するフレームワークであるAging-Aware Autonomous Intelligence(AAAI)を提案する。
AAAIは3つの柱の上に構築されている: ハードウェアの自己認識(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)は、物理・オブ・フェイルモデル(英語版)を用いた電力、センシング、メモリ、計算サブシステムの健全性を継続的に推定する)、自己適応的推論(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)(英語版)(英語版) (推論複雑性、計画的地平線(英語版)、タスク優先順位(英語版)をハードウェア能力に応じて調整する)、そして、性能最適化(英語版)、資源保存(英語版)、優雅な劣化(英語版)を通じてミッションの目的にわたって残りの運用寿命を割り当てる生存中心の知性(英語版)。
新しいハードウェアを導入するのではなく、AAAIは予後、ライフサイクル管理、ハードウェア対応コンピューティングをクローズドループ認知アーキテクチャに統合する。
このような統合は、宇宙ミッション、海洋ロボティクス、インプラント可能な医療機器など、アクセス不能または安全上重要な環境で稼働する自律システムにとって不可欠である、と我々は主張する。
AAAIは機械が自身の老朽化を認識し、応答できるようにすることで、レジリエンスを改善し、運用寿命を延長し、より安全で優雅なミッション完了をサポートする。
関連論文リスト
- ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI [110.18670135256235]
Embodied AIは、独立した知覚やアクションモジュールから、目標を理解し、計画し、進捗を監視し、経験から改善する物理的なエージェントへと移行している。
ACE-Brain-0.5は,ロボットの知性を5つの結合関数にまとめる統一的な基礎モデルである。
単一の8Bバックボーンは、最初の4つの機能をインスタンス化する: オブジェクトとアベイランスを接地し、3Dとエゴセントリックな空間関係を推論し、命令をサブゴールに分解し、ナビゲーションと操作アクションを生成し、検証と回復の進捗を推定する。
論文 参考訳（メタデータ） (2026-07-05T17:43:06Z) - Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy [79.09714980186278]
非構造化環境で永続的なエンボディエージェントを構築するには、異種ツールの統一的なオーケストレーションが必要である。
我々は,多モーダルなセマンティックプランナを統合したフレームワークであるOmniActを紹介した。
すべての複雑性レベルにわたって、エンドツーエンドの成功において一貫した改善が達成されます。
論文 参考訳（メタデータ） (2026-06-25T16:36:35Z) - Toward a Modular Architecture for Embedded AI Agent Systems at the Edge [0.0]
本稿では,組み込みエージェントシステムのためのモジュール型参照アーキテクチャを提案する。
On-Device AgentsとCloud-Augmented Agentsを分離するタイレッドデザインを導入する。
重要な貢献は、横断的なガバナンス層の統合である。
論文 参考訳（メタデータ） (2026-06-01T20:24:18Z) - A Deployable Embodied Vision-Language Navigation System with Hierarchical Cognition and Context-Aware Exploration [29.871705369272124]
視覚言語ナビゲーション(VLN)では、既存のアプローチはしばしば、強力な推論能力と現実世界のプラットフォームへの効率的なデプロイのトレードオフに直面します。
本稿では,実世界のロボットプラットフォーム上での高効率かつ堅牢な高レベル推論を実現する,デプロイ可能な組込みVLNシステムを提案する。
論文 参考訳（メタデータ） (2026-04-23T07:27:00Z) - Rethinking AI Hardware: A Three-Layer Cognitive Architecture for Autonomous Agents [8.951500258016974]
Tri-Spiritは、知性を計画、推論、実行に分解する認知フレームワークである。
平均タスク遅延を75.6%削減し、エネルギー消費を71.1%削減する。
結果は、AIハードウェアにおいて、モデルスケーリング単独ではなく、認知的分解がシステムレベルの効率の第一の要因であることを示唆している。
論文 参考訳（メタデータ） (2026-04-15T11:43:01Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - AI+HW 2035: Shaping the Next Decade [135.53570243498987]
人工知能(AI)とハードウェア(HW)は前例のない速度で進歩している。
このビジョンペーパーは、AI+HWの共同設計と共同開発のための10年間のロードマップをレイアウトし、アルゴリズム、アーキテクチャ、システム、持続可能性にまたがる。
主要な課題と機会を特定し、潜在的な障害や落とし穴を効果的に評価し、統合されたソリューションを提案する。
論文 参考訳（メタデータ） (2026-03-05T14:36:33Z) - The Path Ahead for Agentic AI: Challenges and Opportunities [4.52683540940001]
この章では、複雑な環境で自律的に動作するエージェントAIシステムの出現について考察する。
我々は、統計モデルからトランスフォーマーベースのシステムへのアーキテクチャの進歩を辿り、エージェントの振る舞いを可能にする能力を識別する。
既存の調査とは異なり、私たちは、言語理解から自律的な行動へのアーキテクチャの移行に注目し、デプロイ前に解決しなければならない技術的ギャップを強調します。
論文 参考訳（メタデータ） (2026-01-06T06:31:42Z) - Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [68.36528819227641]
本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのロバスト性を体系的に評価する。
本研究では,ロボット行動の不安定化に空間的基盤を活用する2つの未目標攻撃目標と,ロボット軌道を操作する目標攻撃目標を導入する。
我々は、カメラの視野に小さなカラフルなパッチを配置し、デジタルと物理の両方の環境で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
論文 参考訳（メタデータ） (2024-11-18T01:52:20Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z)
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。