論文の概要: Why machines will still not rule the world
- arxiv url: http://arxiv.org/abs/2610.11424v1
- Date: Thu, 08 Oct 2026 07:51:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.874278
- Title: Why machines will still not rule the world
- Title（参考訳）: なぜ機械は世界を支配しないのか
- Abstract要約: 教会・テューリング=ドイッチュの原理に基づく物理主義的反論の真剣な問題を示す。
本稿では, トレーニングデータ汚染, 欠陥のあるテスト構築, ストラテジック最適化によって, 顕著なベンチマークが損なわれるという最近の証拠をレビューする。
- 参考スコア（独自算出の注目度）: 0.41292255339309664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In our book Why machines will never rule the world [13, 14] we argue that arti- ficial general intelligence is mathematically impossible. This is because the human beings and the processes which exhibit intelligence are complex systems whose be- haviour cannot be captured by the kinds of models that we can generate with or without computers. Proponents of contemporary machine intelligence respond with two lines of argument: a theoretical one, grounded in the universal approximation theorems for neural networks and the Church-Turing-Deutsch principle; and an em- pirical one, grounded in rapidly rising scores on standardized benchmarks. In this communication we examine and reject both responses. First, we show serious issues in the physicalist counter-argument based on the Church-Turing-Deutsch principle. Second, we review recent evidence to the effect that prominent benchmarks are compromised by training-data contamination, flawed test construction, and strate- gic optimization. Our central argument remains: That models required to perform cognitive behaviour in open-ended, thermodynamically complex and non-ergodic environments are not and will not become achievable.
- Abstract（参考訳）: 私たちの著書“Why Machine will never rule the world”[13, 14]では、アーティファクトの汎用知性は数学的には不可能である、と論じています。
これは、人間と知性を示すプロセスが複雑なシステムであり、be-haviourは、コンピュータの有無に関わらず生成できる種類のモデルによってキャプチャできないためである。
現代のマシンインテリジェンスの支持者は、ニューラルネットワークの普遍近似定理とチャーチ・チューリング・ドイッチュの原理に基づく理論的理論的理論と、標準化されたベンチマークのスコアが急速に上昇する経験的な理論的理論の2つの主張に反応する。
このコミュニケーションでは、両方の応答を調べ、拒否する。
まず,チャーチ・チューリング=ドイッチュの原理に基づく物理主義的反論の真剣な問題を示す。
第2に、トレーニングデータ汚染、欠陥のあるテスト構成、ストレート-ギーク最適化によって、顕著なベンチマークが損なわれるという最近の証拠をレビューする。
オープンエンド、熱力学的に複雑で非エルゴード環境で認知行動を実行するために必要なモデルは、達成不可能なものではない。
関連論文リスト
- Why Pure Reasoning is Not Enough: Nature as the Source of Mathematical Innovation [0.6445605125467574]
我々は、人間の数学的推論は純粋推論以外の領域からのパターンマッチングに依存しているという仮説を推し進める。
「そのようなパターンの最も多産な貯水池は自然界であり、その物理法則や生物系は何十億年もの事前計算を経てきた。」
これらの障壁は、物理にインスパイアされたパターンマッチングを、過去の事故だけでなく、認知的必需品にしている、と我々は主張する。
論文 参考訳（メタデータ） (2026-07-05T21:16:31Z) - Thermodynamic Measure of Intelligence [0.0]
我々は、知性は稀だが有効な未来を合法的に増幅するものとして測定できることを示した。
システムは受動力学では不可能な結果の確率を増大させるが、領域の制約の下では許容されない。
論文 参考訳（メタデータ） (2026-06-18T13:41:35Z) - Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - An Algorithmic Information-Theoretic Perspective on the Symbol Grounding Problem [0.65268245109828]
意味の基底は情報理論の限界によって制約される過程であることを示す。
シンボルシステムを汎用チューリングマシンとしてモデル化し,情報圧縮の行為としてグラウンド化を定義する。
論文 参考訳（メタデータ） (2025-10-02T17:22:47Z) - 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) - Atomic Reasoning for Scientific Table Claim Verification [83.14588611859826]
非専門家は、その高い情報密度と認識される信頼性のために、科学的表に基づく主張を誤解させるおそれがある。
既存のテーブルクレーム検証モデル、例えば最先端の大規模言語モデル(LLM)は、しばしば精密なきめ細かい推論に苦しむ。
認知負荷理論に触発されて、表に基づく主張を解釈するモデルの能力を高めるには、認知負荷を減らす必要がある。
論文 参考訳（メタデータ） (2025-06-08T02:46:22Z) - Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic
Systems [67.01132165581667]
本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。
本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
論文 参考訳（メタデータ） (2023-11-13T21:20:17Z) - On the Principles of Parsimony and Self-Consistency for the Emergence of
Intelligence [10.951424145477633]
本稿では,インテリジェンスの全体像における深層ネットワークの理解に光を当てる理論的枠組みを提案する。
パシモニーと自己整合性の2つの基本原則を導入し、知性の出現の基盤となると信じている。
論文 参考訳（メタデータ） (2022-07-11T05:06:08Z) - Deep Distilling: automated code generation using explainable deep
learning [0.0]
説明可能な深層学習を用いてデータからパターンを学習する機械学習手法である深層蒸留を導入する。
深層蒸留では, 分布外分布を一般化した簡潔なコードを生成する。
我々のアプローチは、非支援のマシンインテリジェンスが汎用的で直感的なルールを構築することを実証している。
論文 参考訳（メタデータ） (2021-11-16T07:45:41Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳（メタデータ） (2020-11-30T18:29:25Z) - Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである
本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文 参考訳（メタデータ） (2020-06-15T13:59:47Z)
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。