論文の概要: Towards general embodied intelligence: integrating large language models, knowledge bases, and reasoning capabilities to build the next generation of AI agents

• arxiv url: http://arxiv.org/abs/2608.19794v1
• Date: Thu, 20 Aug 2026 08:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.5126
• Title: Towards general embodied intelligence: integrating large language models, knowledge bases, and reasoning capabilities to build the next generation of AI agents
• Title（参考訳）: 汎用的なインテリジェンスを目指して - 次世代AIエージェントを構築するために、大きな言語モデル、知識ベース、推論能力を統合する
• Abstract要約: 大規模言語モデル(LLM)、構造化知識ベース(KB)、推論能力(RA)の収束は、汎用エンボディドインテリジェンス(GEI)に対する有望な軌道を示す。 本稿では、LLM中心の知的システムの進化を概観し、知識表現、論理的推論、身体的具体化との融合を強調した。 LLMの効率的な展開、クローズドループ知識の統合、ハイブリッドシンボリック・ニューラル推論、知覚行動基盤、継続学習の5つの課題を特定した。
• 参考スコア（独自算出の注目度）: 12.989366354089489
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The convergence of large language models (LLMs), structured knowledge bases (KBs), and reasoning ability (RA) presents a promising trajectory toward general embodied intelligence (GEI). This paper reviews the evolution of LLM-centered intelligent systems, emphasising their integration with knowledge representation, logical reasoning, and physical embodiment. We analyse LLM architectures, pre-training methods, and inference mechanisms, along with their interaction with external knowledge sources and structured reasoning frameworks. Furthermore, we examine embodied intelligence (EI) paradigms wherein agents learn and act in physical environments. To synthesise these dimensions, we present a conceptual framework that illustrates the synergy among LLMs, KBs, RA, and embodiment, serving as a guiding model for perception, reasoning, and action rather than an implemented engineering architecture. To advance toward GEI, we identify five key challenges: efficient LLM deployment, closed-loop knowledge integration, hybrid symbolic-neural reasoning, perception-action grounding, and continual learning. This survey provides a comprehensive roadmap for developing adaptive, multimodal agents capable of operating in complex, dynamic settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)、構造化知識ベース(KB)、推論能力(RA)の収束は、汎用エンボディドインテリジェンス(GEI)に対する有望な軌道を示す。 本稿では、LLM中心の知的システムの進化を概観し、知識表現、論理的推論、身体的具体化との融合を強調した。 我々は、外部知識源や構造化推論フレームワークとの相互作用とともに、LCMアーキテクチャ、事前学習方法、推論メカニズムを解析する。 さらに,エージェントが物理的環境下で学習し,行動するエボディード・インテリジェンス(EI)パラダイムについて検討する。 これらの次元を合成するために, LLM, KB, RA, エンボディメントの相乗関係を記述した概念的枠組みを提案し, 実装された工学的アーキテクチャではなく, 知覚, 推論, 行動の指針モデルとして機能する。 GEIに向けて、効率的なLLMデプロイメント、クローズドループ知識統合、ハイブリッドシンボリック・ニューラル推論、知覚行動基盤、継続学習の5つの主要な課題を特定した。 この調査は、複雑な動的設定で操作可能な適応型マルチモーダルエージェントを開発するための包括的なロードマップを提供する。

関連論文リスト

• Multi-Agent Learning Path Planning via LLMs [10.288666777827578]
  本研究では,大規模言語モデル(LLM)を利用した新しいマルチエージェント学習経路計画フレームワークを提案する。 このフレームワークは、学習者分析エージェント、経路計画エージェント、反射エージェントの3つのタスク固有エージェントを含む。 7つのLCMを用いてMOOCXデータセット上で行った実験により、MALPPはパス品質、知識シーケンスの整合性、認知負荷の整合性において、ベースラインモデルよりも著しく優れていた。
  論文  参考訳（メタデータ） (2026-01-24T07:13:08Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• LLM-empowered knowledge graph construction: A survey [0.0]
  知識グラフは長い間、構造化知識表現と推論の基盤として機能してきた。 LLM(Large Language Models)の出現により、KGsの構築は、ルールベースおよび統計パイプラインから言語駆動および生成フレームワークへの、新たなパラダイムシフトに入った。
  論文  参考訳（メタデータ） (2025-10-23T08:43:28Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• From Standalone LLMs to Integrated Intelligence: A Survey of Compound Al Systems [6.284317913684068]
  複合アルシステム(CAIS)は、大規模な言語モデル(LLM)をレトリバー、エージェント、ツール、オーケストレータといった外部コンポーネントと統合する新興パラダイムである。 学術と産業の両方で採用が増加しているにもかかわらず、CAISの景観は断片化され、分析、分類、評価のための統一された枠組みが欠如している。 本調査は,次世代のシステムレベルの人工知能を理解し,開発し,推進するための総合的な基盤を研究者や実践者に提供することを目的とする。
  論文  参考訳（メタデータ） (2025-06-05T02:34:43Z)
• Advances and Challenges in Foundation Agents: From Brain-Inspired Intelligence to Evolutionary, Collaborative, and Safe Systems [132.77459963706437]
  この本は、モジュール化された脳に触発されたアーキテクチャの中で、インテリジェントなエージェントをフレーミングする、包括的な概要を提供する。 自己向上と適応的な進化のメカニズムを探求し、エージェントが自律的に能力を洗練する方法を探求する。 また、エージェントの相互作用、協力、社会構造から生じる集合的知性についても調べる。
  論文  参考訳（メタデータ） (2025-03-31T18:00:29Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• A Comprehensive Survey on Integrating Large Language Models with Knowledge-Based Methods [4.686190098233778]
  大規模言語モデル(LLM)は構造化知識ベースシステムと統合することができる。 本稿では, LLMと知識基盤の関係を調査し, 実際に適用できる方法について検討し, 技術的, 運用的, 倫理的課題について考察する。 これは、データコンテキスト化、モデル精度、知識リソースの利用に関する構造化知識ベースシステムに生成AIを組み込むことの利点を示す。
  論文  参考訳（メタデータ） (2025-01-19T23:25:21Z)
• GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
  Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。 GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
  論文  参考訳（メタデータ） (2024-10-11T03:05:06Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Synergistic Integration of Large Language Models and Cognitive Architectures for Robust AI: An Exploratory Analysis [12.9222727028798]
  本稿では、知的行動を示す人工知能エージェントの開発に使用される2つのAIサブセクタの統合について考察する:大規模言語モデル(LLM)と認知アーキテクチャ(CA)である。 我々は3つの統合的アプローチを提案し、それぞれ理論モデルに基づいて、予備的な経験的証拠によって支持される。 これらのアプローチは、LSMとCAの長所を活用すると同時に、弱点を軽減し、より堅牢なAIシステムの開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-08-18T21:42:47Z)

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。