論文の概要: When Reality Outpaces Cognition: A New Scaling Principle for Reliable Intelligence
- arxiv url: http://arxiv.org/abs/2610.20764v1
- Date: Wed, 14 Oct 2026 18:13:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.009616
- Title: When Reality Outpaces Cognition: A New Scaling Principle for Reliable Intelligence
- Title（参考訳）: 現実が認知を超えたとき - 信頼できる知性のための新しいスケーリング原則
- Abstract要約: この論文は、知的なシステムがもはや確実な認識、理性、行動ができなくなる前に、現実がどれほど早く変化できるかを問うものである。
我々は、この課題を、(S_Cmathrmeff)の効果的なコヒーレント認知速度(S_Cmathrmeff)を通して運用する。
概念実証として、強化学習エージェントをベースライン(S_R)で訓練し、(S_R)を最大(50時間)増加させながら計算資源を固定し、再訓練せずに評価する。
- 参考スコア（独自算出の注目度）: 1.5584040836686046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper challenges the understanding capabilities of existing AI paradigms and emerging world models by asking a fundamental question: How quickly can reality change before an intelligent system can no longer reliably perceive, reason, and act? We formulate this as a theory- and model-agnostic challenge in which systems must infer reliable actions for increasingly distant future states across a growing observation--reality gap. We operationalize this challenge through the effective Speed of Coherent Cognition (\(S_C^{\mathrm{eff}}\)), defined as the highest tested Speed of Reality (\(S_R\)) through which a system continuously satisfies a predefined behavioural reliability criterion from baseline. As a proof of concept, reinforcement-learning agents are trained at the baseline \(S_R\) and evaluated, without retraining, as \(S_R\) is increased by up to \(50\times\) while computational resources remain fixed. We compare Transformer and gated-MLP baselines with \(Co^4\), an architecture inspired by cellular mechanisms implicated in conscious processing and awake thought. Across the tested scenarios, \(Co^4\) achieves substantially higher \(S_C^{\mathrm{eff}}\) than the baselines, motivating \(S_C^{\mathrm{eff}}\) as a new benchmark and the scaling of coherent cognition as a principle for reliable AI.
- Abstract（参考訳）: この論文は、既存のAIパラダイムと新興世界のモデルの理解能力に、根本的な疑問を投げかけます。
我々はこれを理論とモデルに依存しない挑戦として定式化し、そこではシステムはますます遠い未来の状態に対する信頼性の高いアクションを、増大する観察-現実のギャップを越えて推論しなければならない。
我々は,この課題を,ベースラインから予め定義された行動信頼性基準を連続的に満たす,最も高いテスト現実性(S_R\)として定義される,効果的なコヒーレント認知速度(S_C^{\mathrm{eff}}\)を通じて運用する。
概念実証として、強化学習エージェントをベースライン \(S_R\) で訓練し、計算資源を固定しつつ、(S_R\) を \(S_R\) まで増加させながら再訓練することなく評価する。
我々はTransformerとgate-MLPのベースラインを,意識的処理と覚醒思考に関連する細胞機構にインスパイアされたアーキテクチャである \(Co^4\)と比較した。
テストシナリオ全体では、新しいベンチマークとして \(S_C^{\mathrm{eff}}\) を動機付け、信頼できるAIの原則としてのコヒーレント認知のスケーリングを実現している。
関連論文リスト
- Predictive Set Theory: A Generative Framework for Cognitive Architecture with Operationalized Core Mechanisms [1.3537117504260623]
本稿では、認知アーキテクチャを第一原理から再構築する形式的生成フレームワークである予測集合論(PST)を紹介する。
PSTは最小限の操作で認識をアンカーする - アイデンティティ関数、セット理論状態の更新、および3つの基本的な参照チェーンとして形式化されたセンサーである。
神経機構をモデル化するのではなく、PSTは不完全な情報と不可逆的なリスクの下で動作しながら内部の一貫性を維持する必要があるシステムの設計仕様を構成する。
論文 参考訳（メタデータ） (2026-08-03T15:28:32Z) - Constructed Reality, Contested Priors: Decoupling and the Architecture of Cognitive Relapse Under the Free Energy Principle [0.0]
自由エネルギー原理の下では、予測システムは直接現実を観察しない。
それは世界の生成モデルを維持し、そのモデルの最良の仮説を経験する。
合成環境は、予測システムの独自の推論機構がこのデフォルト仮説として採用するのに十分な整合性を持たせることができるのか?
論文 参考訳（メタデータ） (2026-07-12T07:08:49Z) - Self-Reference in Large Language Models: The Introspection Threshold for Recursive Self-Improvement [3.0793247270936077]
我々は、大規模言語モデルにおける持続的な自己改善には機能的な類似:イントロスペクションが必要であると主張している。
実証的なレビューでは、現在のLLMは準イントロスペクションを示すが、構造的ボトルネックのため真のイントロスペクションには達していないことが明らかになった。
この複雑性のしきい値を越えるためのアーキテクチャパスの概要と、関連する安全性への影響について議論することで、私たちは結論付けます。
論文 参考訳（メタデータ） (2026-07-05T12:40:52Z) - 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) - Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。
本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2026-03-16T17:20:38Z) - A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。
応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。
我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
論文 参考訳（メタデータ） (2026-03-11T07:40:53Z) - What Does Your Benchmark Really Measure? A Framework for Robust Inference of AI Capabilities [0.773472615056109]
ベンチマークデータに対する生成モデルの評価は今や至るところで行われている。
しかし、懐疑論の高まりはその信頼性を取り巻く。
報告された正確さがモデルの性能を真に反映しているとどうやってわかるのか?
このステップは、推論として評価するための原則的なフレームワークを提案することで明確化します。
論文 参考訳（メタデータ） (2025-09-23T21:29:04Z) - Understanding Transformers through the Lens of Pavlovian Conditioning [0.5076419064097734]
本稿では,注意のコア計算をパブロヴィアン条件付けとして再解釈する理論的枠組みを提案する。
注意点のクエリ,キー,値が,古典的条件付けの3つの要素にマッピング可能であることを示す。
我々の枠組みは、この線形化モデルに基づくいくつかの理論的洞察をもたらす。
論文 参考訳（メタデータ） (2025-08-05T05:00:00Z) - Visual Agents as Fast and Slow Thinkers [88.1404921693082]
本稿では、Fast and Slow Thinking機構を視覚エージェントに組み込んだFaSTを紹介する。
FaSTは、システム1/2モード間の動的選択にスイッチアダプタを使用する。
モデルの信頼性を調整し、新しいコンテキストデータを統合することで、不確実で目に見えないオブジェクトに取り組む。
論文 参考訳（メタデータ） (2024-08-16T17:44:02Z) - Understanding, Predicting and Better Resolving Q-Value Divergence in
Offline-RL [86.0987896274354]
まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。
そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。
われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
論文 参考訳（メタデータ） (2023-10-06T17:57:44Z)
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。