論文の概要: Seven Sources of Physical AI Capability Formation

• arxiv url: http://arxiv.org/abs/2609.09627v1
• Date: Wed, 09 Sep 2026 02:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.874236
• Title: Seven Sources of Physical AI Capability Formation
• Title（参考訳）: 物理AI能力形成の7つの源
• Abstract要約: 物理AIに関連する能力は、構造、アーキテクチャ、学習アルゴリズム、タスク、ドメインによって構成されているが、機能に何をもたらすかを直接答えることはできない。 我々は,機能形成の要因として能力形成源を定義する。
• 参考スコア（独自算出の注目度）: 5.0914177483483405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capabilities relevant to Physical AI can arise from materially different formation histories, yet existing taxonomies organized by morphology, architecture, learning algorithm, task, or domain do not directly answer what gives rise to a capability. We define a capability-formation source as a factor materially contributing to capability formation, distinct from components or construction steps. We identify seven non-exclusive sources: Recorded-Experience (RE), Predictive-Modeling (PM), Evaluative-Interaction (EI), Surrogate-Environment (SE), Mechanism-Grounded (MG), Embodied-Coupling (EC), and Evolution-Driven (ED) Formation. Using reconstructive induction with theoretical saturation, we traced a research matrix to primary studies, deduplicated the literature, set coding rules, and conducted three rounds of maximum-difference and negative-case sampling. Challenges included curriculum and self-supervised learning, active inference, open-ended and developmental learning, planning and search, neuro-symbolic architectures, digital twins, generative physical world models, and morphology-control co-design. Within the scope and criteria fixed as of September 4, 2026, all 49 evidence records were explainable by the seven sources individually or in combination. No R1-R3 challenge produced an irreducible eighth source, and R3 required no new core definition or substantive boundary rule. We therefore claim theoretical saturation within the stated scope, not logical completeness or exhaustive future coverage. The framework distinguishes similarity in observed capability from similarity in how it was formed, supporting analysis of explanation, transfer, replication, dependencies, governance evidence, and geoeconomic foundations.
• Abstract（参考訳）: 物理AIに関連する能力は、実質的に異なる構成履歴から生じることがあるが、形態学、アーキテクチャ、学習アルゴリズム、タスク、ドメインによって組織された既存の分類学は、その能力に何をもたらすかに直接答えない。 我々は,機能形成の要因として能力形成源を定義する。 我々は、記録-経験(RE)、予測-モデリング(PM)、評価-相互作用(EI)、サロゲート-環境(SE)、メカニズム-グラウンドド(MG)、エンボダイド-カップリング(EC)、進化-駆動(ED)の7つの非排他的情報源を特定した。 理論飽和を伴う再構成誘導を用いて,研究マトリックスを一次研究にトレースし,文献の重複を解消し,コーディングルールを設定し,最大差分法と負ケースサンプリングを3ラウンド実施した。 課題には、カリキュラムと自己指導型学習、アクティブ推論、オープンエンドおよび開発学習、計画と探索、ニューロシンボリックアーキテクチャ、デジタル双生児、生成物理世界モデル、形態学と制御の共同設計などが含まれていた。 2026年9月4日時点で定められた範囲と基準の中で、49件の証拠記録は、それぞれまたは組み合わせて7つの情報源によって説明可能であった。 R1-R3の挑戦は、既約8番目の情報源を生み出しておらず、R3は新たなコア定義や実体境界ルールを必要としない。 したがって、我々は、論理的完全性や徹底的な将来のカバレッジではなく、記述された範囲内で理論的な飽和を主張する。 このフレームワークは、観測能力の類似性と、その形成方法の類似性を区別し、説明、転送、レプリケーション、依存関係、ガバナンスエビデンス、および地球経済基盤の分析をサポートする。

関連論文リスト

• An Introduction to Causal Reinforcement Learning [58.680653905480284]
  因果推論と強化学習は、同じビルディングブロックの異なる側面、すなわち反実的関係で機能する。 私たちは、オンライン、オフ政治、因果計算学習など、さまざまな学習方法の統一的な治療を受けました。 具体的には、政策学習を一般化した因果レンズを用いて、介入すべき場所、模倣学習、反事実学習を紹介し、議論する。
  論文  参考訳（メタデータ） (2026-06-23T05:28:33Z)
• MatMind: A Structure-Activity Knowledge-Driven Generative Foundation Model for Materials Science [25.041404632689545]
  MatMindはこのパラダイムの下で結晶材料科学のために作られた生成基礎モデルである。 プログレッシブトレーニングフレームワーク内で、構造活性知識の協調的活性化と物理インフォームドフィードバックによって開発される。
  論文  参考訳（メタデータ） (2026-06-05T14:11:43Z)
• Knowledge Graph Re-engineering Along the Ontological Continuum (extended version) [0.5461938536945722]
  我々は,概念的枠組みが意味論と実用学,プロパティと手頃さの2つの区別で定義される理論的構造を定義することを目的とする。 我々はオープンな研究課題を明確にし、共同研究課題として存在論的連続体を開発するようコミュニティに呼びかける。
  論文  参考訳（メタデータ） (2026-05-21T07:33:36Z)
• Revising Bloom's Taxonomy for Dual-Mode Cognition in Human-AI Systems: The Augmented Cognition Framework [0.0]
  認知行動は、個々に、生物学的リソースのみを使用して、または人間-AIシステムに分散する2つの異なるモードでますます発生します。 ブルームの分類学の既存の改訂では、AIは、この二重モード構造のドライバとしてではなく、人間の認知に対してマップされる外部能力として扱われている。 本稿では,3つの原則に基づいて構築された分類体系であるAugmented Cognition Framework (ACF)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T12:45:43Z)
• Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark [69.8473923357969]
  統一マルチモーダルモデルは、視覚的理解と生成を共同で行うことを目的としているが、現在のベンチマークでは、その真の統合を検査することはめったにない。 提案するUni-MMMUは、8つの推論中心領域にまたがる生成と理解の双方向の相乗効果を拡大する総合的なベンチマークである。
  論文  参考訳（メタデータ） (2025-10-15T17:10:35Z)
• MindGYM: What Matters in Question Synthesis for Thinking-Centric Fine-Tuning? [51.85759493254735]
  MindGYMは、質問合成のための構造化されスケーラブルなフレームワークである。 モデル合成の振る舞いを形作るために、高レベルの推論目的を注入する。 より深い推論のために、QAシードに基づいてより複雑なマルチホップ質問を構成する。
  論文  参考訳（メタデータ） (2025-03-12T16:03:03Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)

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。