論文の概要: Generalist Open-World Temporal Perception
- arxiv url: http://arxiv.org/abs/2609.06823v1
- Date: Sun, 06 Sep 2026 20:38:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:26:02.598781
- Title: Generalist Open-World Temporal Perception
- Title（参考訳）: Generalist Open-World Temporal Perception
- Abstract要約: 我々は、生物形態、自然の物理的構造、人工物、およびそれらの相互作用を表す一般のオープンワールド知覚システムを求める。
目的は、理解、予測、反実的推論、制御可能な合成をサポートする構造化された世界状態である。
本稿では,オープンワールド・オープン・ワールド・テンポラル・パーセプション・アーキテクチャにおいて,異なる条件として認識と合成を行う,代替的で補完的なパラダイムを述べる。
- 参考スコア（独自算出の注目度）: 20.686649420439412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The next generation of artificial intelligence systems will likely be natively temporal and multimodal in both inputs and outputs: able to converse, perceive, predict, reason, and synthesize through a shared world representation. Realizing this requires a temporal perceptual substrate integrating sensory streams, language, and structured outputs within a multimodal world model. We seek a generalist open-world perceptual system that represents biological forms, natural physical structures, and artifacts, and their interactions, as a coherent, temporally persistent process. The model should infer geometry, articulation, semantics, interaction structure, and uncertainty from raw multimodal streams; maintain identity through occlusion and viewpoint change; generalize across species, forms, mechanisms, and materials; and abstain or expand its ontology when encountering the unknown. The objective is a structured world state supporting understanding, prediction, counterfactual reasoning, and controllable synthesis. Recent work suggests that some cross-modal and reasoning-like capabilities can emerge from large-scale generative video pretraining, reminiscent of language-model scaling. Yet these capabilities are often accessed through language probes or expressed through photorealistic video, leaving explicit semantic, geometric, or temporal structure largely unexposed. This paper articulates an alternative and complementary paradigm: perception and synthesis as distinct conditionings within a shared Generalist Open-World Temporal Perception Architecture (GOWTPA). Recognition, structured prediction, and simulation arise as different conditionings of the same generative substrate, while reasoning and embodiment-specific policies build upon the resulting world state. This positions generalist temporal perception as a potential foundation layer for broader multimodal intelligence and physical AI.
- Abstract（参考訳）: 次世代の人工知能システムは、インプットとアウトプットの両方において、時間的およびマルチモーダルなものになる可能性が高い。
これを実現するには、知覚ストリーム、言語、構造化された出力をマルチモーダル世界モデルに統合する時間的知覚基板が必要である。
我々は、生物学的形態、自然の物理的構造、人工物、そしてそれらの相互作用を、一貫性のある、時間的に永続的なプロセスとして表現する一般のオープンワールド知覚システムを模索する。
このモデルは、幾何、調音、セマンティクス、相互作用構造、および生マルチモーダルストリームからの不確実性、隠蔽と視点変化によるアイデンティティの維持、種、形態、機構、材料をまたいだ一般化、未知の物質に遭遇する際のオントロジーの吸収または拡大を推し進めるべきである。
目的は、理解、予測、反実的推論、制御可能な合成をサポートする構造化された世界状態である。
最近の研究は、言語モデルスケーリングを思い起こさせる大規模な生成ビデオ事前学習から、クロスモーダルや推論のような能力が生まれることを示唆している。
しかし、これらの能力は言語プローブを通してアクセスしたり、フォトリアリスティックなビデオを通して表現されることが多く、明示的な意味論、幾何学的、時間的構造はほとんど公開されていない。
本稿では,GOWTPA(Common Generalist Open-World Temporal Perception Architecture)において,認識と合成を個別の条件付けとして,代替的で補完的なパラダイムを述べる。
認識、構造化予測、シミュレーションは、同じ生成基質の異なる条件付けとして発生し、推論と具体化固有のポリシーは、結果として生じる世界状態の上に構築される。
これは、汎用的な時間的認識を、より広範なマルチモーダルインテリジェンスと物理的なAIの基礎層として位置づけている。
関連論文リスト
- Governing Reflective Human-AI Collaboration: A Framework for Epistemic Scaffolding and Traceable Reasoning [0.0]
本稿では,人間とモデルの間に分散した関係過程として推論を扱うための補完的アプローチを提案する。
エンジニアリング推論をモデル内でのみ行うのではなく、既存のシステムを使って構造化、測定、管理できる認知プロトコルとして捉えています。
論文 参考訳（メタデータ） (2026-04-16T11:42:36Z) - The Latent Space: Foundation, Evolution, Mechanism, Ability, and Outlook [157.2023962273514]
言語ベースモデルのネイティブベースとして,潜伏空間が急速に出現している。
この調査は、言語ベースのモデルにおける潜在空間の統一的で最新の展望を提供することを目的としている。
論文 参考訳（メタデータ） (2026-04-02T13:36:37Z) - Spontaneous Functional Differentiation in Large Language Models: A Brain-Like Intelligence Economy [15.03232023785853]
大規模言語モデルは、情報統合が人間の脳と著しく類似した個々の部分を超えるような、シナジスティックなコアを自然に発達させることが示される。
統合情報分解(Integrated Information Decomposition)を複数のアーキテクチャにわたって使用すると、中間層が相乗的な処理を示し、初期層と後期層が冗長性に依存していることがわかった。
論文 参考訳（メタデータ） (2026-03-31T13:36:08Z) - Multimodal Latent Reasoning via Hierarchical Visual Cues Injection [16.779425236020433]
この研究は、頑健な推論は潜在空間内で進化し、シームレスにマルチモーダル信号を統合することを示唆している。
表面的な文章の合理性に依存することなく、意図的な「スロー思考」を具現化する新しい枠組みを提案する。
視覚知識を取り入れたテストタイムスケーリングは有効であり,階層的な情報の統合は複雑な場面に対するモデルの理解を著しく向上させることを示す。
論文 参考訳（メタデータ） (2026-02-05T06:31:12Z) - Visual Generation Unlocks Human-Like Reasoning through Multimodal World Models [60.543714835980325]
人間は、これらのモデル内の概念を操作することによって、内的世界モデルと理性を構築する。
近年のAIの進歩は、世界モデルが大きな言語モデルに埋め込まれていると信じられている人間の認知能力に近似している。
本稿では,視覚生成が推論にどのような効果をもたらすかについて,最初の原理的考察を行った。
論文 参考訳（メタデータ） (2026-01-27T17:40:07Z) - Testing the Machine Consciousness Hypothesis [0.6426115997581661]
機械意識仮説(英: Machine Consciousness hypothesis)は、意識は計算システムの基質のない機能特性である。
分散学習システムから集合的自己モデルがどのように出現するかを研究することで,このアイデアをシリコで研究する研究プログラムを提案する。
論文 参考訳（メタデータ） (2025-11-30T21:05:48Z) - PAN: A World Model for General, Interactable, and Long-Horizon World Simulation [49.805071498152536]
PANは、汎用的で対話性があり、長い水平世界モデルである。
歴史と自然言語のアクションを前提とした高品質なビデオシミュレーションにより、将来の世界の状態を予測します。
実験により, PANは行動条件付き世界シミュレーション, 長期予測, シミュレーション推論において高い性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-12T07:20:35Z) - Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective [2.61072980439312]
内部世界モデルを開発するためのフォーマリズムの開発は、人工知能と機械学習の分野における重要な研究課題である。
この論文は、状態空間モデルを内部世界モデルとして広く用いられることによるいくつかの制限を識別する。
形式主義におけるモデルの構造は、信念の伝播を用いた正確な確率的推論を促進するとともに、時間を通してのバックプロパゲーションによるエンドツーエンドの学習を促進する。
これらの形式主義は、世界の状態における不確実性の概念を統合し、現実世界の性質をエミュレートし、その予測の信頼性を定量化する能力を向上させる。
論文 参考訳（メタデータ） (2024-04-24T12:41:04Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳（メタデータ） (2023-10-12T02:17:59Z) - From Word Models to World Models: Translating from Natural Language to
the Probabilistic Language of Thought [124.40905824051079]
言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。
我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。
LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。
認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2023-06-22T05:14:00Z) - WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。
そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-27T12:25:21Z)
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。