Wikipedia에서 :
AIXI [ 'ai̯k͡siː]는 인공 일반 지능에 대한 이론적 수학적 형식주의입니다. 솔로몬 오프 (Solomonoff) 유도와 순차적 결정 이론을 결합합니다. AIXI는 2000 년 Marcus Hutter에 의해 처음 제안되었으며 [1] 아래의 결과는 Hutter의 2005 년 책인 Universal Artificial Intelligence에서 입증되었습니다. [2]
계산할 수는 없지만 AIXItl 과 같은 근사가 가능합니다 . AIXI에 대한 근사치를 찾는 것은 AI를 해결하기위한 객관적인 방법 일 수 있습니다.
가 AIXI은 인공에 큰 문제가 정말 일반 정보 조사? 현장의 중심 개념으로 생각할 수 있습니까? 그렇다면이 주제에 관한 출판물을 더 많이 가지고 있지 않은 이유는 무엇입니까?
답변:
"현재의 인공 지능 연구"는 꽤 광범위한 분야입니다. 내가 앉아있는 곳부터 대부분 CS 영역에서 사람들은 좁은 업무에 경제적으로 관련된 작업을 수행 할 수있는 좁은 지능에 집중하고 있습니다. 즉, 구성 요소의 실패시기를 예측하고 사용자가 클릭 할 광고 등을 예측하는 것입니다.
이러한 종류의 도구에서 AIXI와 같은 형식주의의 일반성은 장점이 아니라 약점입니다. 이론적으로는 아무것도 계산할 수있는 인공 지능을 필요로하지 않고 작업의 거울 인 도구를 직접 성형 할 수있을 때 원하는 것에 집중하도록 AI를 천천히 훈련시킬 필요가 없습니다.
저는 AGI 리서치 자체에 익숙하지는 않지만, AIXI는 어느 정도는 가장 간단한 아이디어라고 생각합니다. 모든 어려운 부분을 계산에 포함 시키므로 '엔지니어링 과제 일뿐입니다. . ' (이것은 'AIXI에 근사값을 찾는 것'에 관한 것입니다.) 그렇다면 문제는 AIXI에서 시작하여 작고 기능적인 무언가에서 시작하여 구축하는 것보다 다소 유익한 연구 경로를 근사하려고합니까?
내 인상은 후자가 훨씬 흔하지 만 다시이 공간의 작은 구석 만 보인다.
AIXI는 실제로 인공 일반 지능 연구에서 큰 문제입니까?
예, AGI에 큰 이론적 기여를합니다. AFAIK는 AGI의 이론적 프레임 워크 또는 기반을 구축하는 가장 심각한 시도입니다. Schmidhuber의 Gödel Machines 및 SOAR 아키텍처도 비슷한 작업 입니다.
AIXI는 AGI를위한 추상적이고 의인화되지 않은 프레임 워크로, 몇 가지 일반적인 가정없이 (예 : Markov 및 ergodicity 가정 없이) 강화 학습 분야를 기반으로 구축되어 에이전트가 실수로 인한 실수로부터 쉽게 복구 할 수 있도록합니다. 과거). AIXI의 일부 최적의 특성이 입증되었다하더라도, 그것은 (튜링)입니다 uncomputable (이 컴퓨터에서 실행할 수 없습니다), 그리고 그것은 매우 제한 실질적인 유용성 그래서. 그럼에도 불구하고 허터의 책에서 보편적 인공 지능 : 알고리즘 확률에 기반한 순차적 결정(2005), AIXI의 여러 속성이 엄격하게 입증 된 경우, 계산 가능하지만 다루기 어려운 AIXI 버전 인 AIXItl도 설명되어 있습니다. 또한 Joel Veness 등 의 논문 A Monte Carlo AIXI Approximation (2009)에는 AIXI 의 계산 가능하고 다루기 쉬운 근사가 소개되어 있습니다. 따라서 AIXI를 실제로 유용하게 만들려는 시도가있었습니다.
기사 AIXI 무엇입니까? — AIXI 프레임 워크의 개발 및 발전에 기여한 Jan Leike의 일반 강화 학습 소개 (2015)는 AIXI 에이전트에 대한 부드러운 소개를 제공합니다. AIXI에 대한보다 부드러운 소개는 Stanford Encyclopedia of Philosophy 의 AIXI Architecture 를 참조하십시오 .
현장의 중심 개념으로 생각할 수 있습니까?
그렇습니다. AIXI의 도입과 관련 연구는 AGI 분야의 발전에 기여했습니다. 허터 (Hutter)가 2000 년 알고리즘 복잡성에 기반한 보편적 인공 지능 이론 (A Aory of Universal Artificial Intelligence)에 소개 된 이후 몇 가지 토론과 논문이 발표되었다 .
Roman V. Yampolskiy와 Joshua Fox 의 논문 인공 일반 지능과 인간 정신 모델 (2012)의 섹션 7 "초 인공 지능 의 예"를 참조하십시오 . https://wiki.lesswrong.com/wiki/AIXI 를 참조하십시오. AIXI와 관련된 몇 가지 문제에 대한 토론이 포함되어 있으며 향후 AGI 프레임 워크에서 해결하거나 피해야 할 수도 있습니다. 또한, 또한 볼 이 와 이 기사를.
그렇다면이 주제에 관한 출판물을 더 많이 가지고 있지 않은 이유는 무엇입니까?
Marcus Hutter와 관련 연구자들에 의해 주로 여러 출판물이있었습니다. 다음과 같은 웹 페이지에 마커스 허터의 간행물을 볼 수 있습니다 http://www.hutter1.net/official/publ.htm .
이 이론에 관심이 있다면 몇 가지 방법이 있습니다. 수학적으로 잘 교육받은 경우 여기에 설명 된 문제 중 일부를 해결하려고 시도 할 수 있습니다 (이는 위에서 언급 한 Hutter의 2005 책에서도 언급 됨). 또한 AIXI 에이전트의 기존 근사치에 대한 새로운 근사치 또는 개선 사항에 기여할 수도 있습니다. 마지막으로, AIXI 프레임 워크와 관련된 문제점을 피함으로써 새로운 AGI 프레임 워크를 빌드 할 수 있습니다. Hutter가 홍보 한 프로젝트 도 참조하십시오 . 새로운 프레임 워크를 도입하기 전에 (예를 들어 Gödel Machines 및 관련 작업) 고려하는 것이 좋습니다.
나는이 이론이 기술적으로나 수학적이기 때문에 더 많은 사람들을 끌어 들이지 않았다고 생각합니다. (강화 학습, 확률 이론 등에 대한 탄탄한 배경이 없다면 이해하기가 쉽지 않습니다). 또한 AI 커뮤니티의 대부분의 사람들은 이론에 관심이 없지만 주로 실용적이고 유용한 결과에 의해 인도된다고 생각합니다.
AIXI는 실제로 개념적 프레임 워크입니다. 실제로 환경을 압축하는 모든 노력은 여전히 남아 있습니다.
Matthew Graves가 제기 한 질문에 대한 추가 논의를 위해 복잡한 환경을 표현할 수있는 현재의 제한된 수준의 능력을 고려할 때 AIXI로 시작하여 'top' 시스템 및 다운 워크 (예를 들어 일반 압축 방법을 통해) 또는 '하단'에서 시작하여 도메인 간 방법을 통해 단일 도메인에서 문제를 해결하여 도메인 간 압축을 제공합니다.