論文の概要: From Intelligence to Autonomy: Foundations and Construction of Autonomous Agents for Future Intelligent Systems
- arxiv url: http://arxiv.org/abs/2610.33445v1
- Date: Sat, 24 Oct 2026 04:47:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.330441
- Title: From Intelligence to Autonomy: Foundations and Construction of Autonomous Agents for Future Intelligent Systems
- Title（参考訳）: 知性から自律へ:未来のインテリジェントシステムのための自律エージェントの基礎と構築
- Abstract要約: 自律エージェントをタスク目標と実行可能性条件の両方を維持するシステムとして定義する。
本研究では,タスク実行,自己維持,メタコントロール,支配的学習を統括する,操作,実行性,反射性,学習のループを1つの有界4ループで構成するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 15.808232035161105
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Artificial intelligence is moving from one-off perception and generation tasks toward long-term planning, tool use, and interaction with real environments. Greater task competence, however, does not automatically yield autonomy: an external actor may still have to set goals, sustain operating conditions, detect failures, and approve updates. We define an autonomous agent as a system that, within explicit identity and authority boundaries, maintains both task goals and viability conditions, acts continuously using models of the world and itself, and adjusts its control mechanisms and long-term capabilities through feedback. We trace the conceptual path from homeostasis and feedback control to autopoiesis and biological autonomy. We then distinguish six lines of operationalization: computational autopoiesis, behavior-based robotics, agent formalization, adaptive software, embodied adaptation, and robotic self-modeling. On this basis, we propose a one-boundary, four-loop framework in which Operational, Viability, Reflexive, and Learning loops organize task execution, self-maintenance, metacontrol, and governed learning. Five paired simulation experiments test permission constraints, road-closure response, health maintenance, capability re-estimation, and cross-task learning. Their results provide preliminary evidence for the feasibility of these mechanisms, while broader environments and physical systems remain to be tested.
- Abstract（参考訳）: 人工知能は、一対一の知覚と生成タスクから、長期的な計画、ツールの使用、および実際の環境との相互作用へと移行している。
外部アクターは、目標を設定し、運用条件を維持し、障害を検出し、更新を承認する必要があるかもしれない。
我々は、自律エージェントを、明示的なアイデンティティと権限の境界内で、タスク目標と実行可能性条件の両方を維持し、世界のモデルとそれ自身を継続的に使用し、フィードバックを通じてその制御機構と長期能力を調整するシステムとして定義する。
本研究は,ホメオスタシスとフィードバックコントロールから自撮り,生物学的自律に至るまでの概念的経路を辿る。
次に、計算オートポエシス、行動に基づくロボット工学、エージェントの形式化、適応ソフトウェア、具体化適応、ロボットの自己モデリングの6つの行を区別する。
そこで本研究では,タスク実行,自己維持,メタコントロール,支配的な学習を統括する,操作,実行性,反射性,学習のループを1つの有界4ループで構成するフレームワークを提案する。
5つのペアシミュレーション実験は、許可の制約、道路閉鎖応答、健康維持、能力の再見積、クロスタスク学習をテストする。
これらの結果は、これらのメカニズムの実現可能性に関する予備的な証拠を提供する一方で、より広い環境と物理的システムをテストする必要がある。
関連論文リスト
- Who Improves the Robot? Toward Physical Recursive Self-Improvement [99.14722431498994]
本研究では,物理再帰的自己改善(Physical RSI)について検討する。
物理的なRSIは、物理的な体験がロボットの能力と改善手順の両方に更新を導くものである。
メタレベルの更新とタスク内更新とタスク間のゲインを区別するL0-L5フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-13T17:57:04Z) - Proactive Physical AI through Continuous Observation and Timely Intervention [67.51229925917208]
ProAgentは2つのコンポーネントを中心に構築されたエンドツーエンドシステムである。
Jevスタイルのプロアクティブタイミングモデルは、介入が必要かどうかを判断する。
Response Modelは、人に対するレスポンスを生成したり、物理的実行のために利用可能なデバイス機能を呼び出す。
論文 参考訳（メタデータ） (2026-10-12T15:33:34Z) - Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement [48.47465597427111]
自己進化型ロボットは、自国の展開後体験からシステムを改善することを目的としている。
まず、ヒューマノイドの自己進化を定義し、生涯の目標を持つ緩やかな外ループを用いて展開するロボットを表現した。
次に、文献を4つの相補的な自己進化機構に整理し、自律性の向上を図った。
論文 参考訳（メタデータ） (2026-09-02T13:38:43Z) - Intelligence as Managed Autonomy: Failure, Escalation, and Governance for Agentic AI Systems [0.0]
本稿では,非有界自律のアーキテクチャ的脆弱性について考察する。
この理論をSMARtモデル(Stable、Meta-cognitive、Assisted、Regulationの4層フレームワーク)を用いてインスタンス化する。
自律ライフサイクルにおける障害管理の形式化は、信頼性と管理された人工知能の実現に向けた重要なステップである、と結論付けます。
論文 参考訳（メタデータ） (2026-05-26T19:49:23Z) - Self-adapting Robotic Agents through Online Continual Reinforcement Learning with World Model Feedback [2.165723322157105]
この作業は、デプロイ中の自動適応を可能にするオンライン連続強化学習のためのフレームワークを提供する。
提案手法は,世界モデル予測残差を利用して分布外事象を検出し,自動的に微調整をトリガーする。
このアプローチは、高忠実度シミュレーションにおける四足歩行ロボットを含む、様々な現代の連続制御問題に対して検証される。
論文 参考訳（メタデータ） (2026-03-04T13:07:42Z) - PEPA: a Persistently Autonomous Embodied Agent with Personalities [22.392863607092014]
生物は内部で生成された目標と自己持続的な行動組織を通して永続的な自律性を示す。
パーソナリティ特性は、永続的な自律性を達成するための本質的な組織原理を提供する。
PEPAは3つの相互作用システムを介して動作する3層認知アーキテクチャである。
論文 参考訳（メタデータ） (2026-02-21T12:53:28Z) - Bridging the Gap: Toward Cognitive Autonomy in Artificial Intelligence [1.3126858950459552]
本稿では,現代AIモデルを制約する7つのコア欠陥を特定し,解析する。
これらの構造的制限は、現在のアーキテクチャが堅牢な一般化、生涯の適応性、現実の自律性を達成するのを妨げている、と我々は主張する。
我々は,自己指向型適応,動的表現管理,意図的,目標志向的な行動が可能な認知基盤型AIへのパラダイムシフトを提唱して,結論付けた。
論文 参考訳（メタデータ） (2025-12-01T23:51:08Z) - From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。
静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。
本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
論文 参考訳（メタデータ） (2025-10-07T05:45:25Z) - A Quantitative Autonomy Quantification Framework for Fully Autonomous Robotic Systems [0.0]
本稿では,全自律モードに着目し,タスク要求に基づく定量的自律性評価フレームワークを提案する。
このフレームワークは、自律性を定量化するツールを提供するだけでなく、自律システム開発者とユーザのための規制インターフェースと共通言語も提供する。
論文 参考訳（メタデータ） (2023-11-03T14:26:53Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Autonomous Open-Ended Learning of Tasks with Non-Stationary
Interdependencies [64.0476282000118]
固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。
内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。
特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。
そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
論文 参考訳（メタデータ） (2022-05-16T10:43:01Z)
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。