ウィキペディアから：
AIXI [“ai̯k͡siː]は理論的な数学的形式です人工知能用。ソロモノフ誘導と逐次決定理論を組み合わせたものです。AIXIは2000年にマーカスハッターによって最初に提案され[1]、以下の結果はハマーの2005年の本Universal ArtificialIntelligenceで証明されています。[2]
計算不可能ですが、 AIXItl などの近似が可能です。 AIXIの近似値を見つけることは、AIを解決するための客観的な方法である可能性があります。
AIXI は、人工知能の研究において本当に重要ですか？ それはこの分野の中心的な概念と考えることができますか？もしそうなら、なぜ私たちはこの主題に関するより多くの出版物を持っていないのですか（または多分私たちは持っていて私はそれらに気づいていません）？
答え
「現在の人工知能研究」はかなり広い分野です。私が座っているところから、ほとんどがCSの領域で、人々は狭いタスクで経済的に適切な作業を行うことができる狭いインテリジェンスに焦点を合わせています。 （つまり、コンポーネントがいつ失敗するかを予測したり、ユーザーがクリックする広告を予測したりします。）
この種のツールの場合、AIXIのような形式主義の一般性は弱点です。力。理論的には何かを計算できるAIを採用し、タスクのミラーであるツールを直接形作ることができれば、必要なものに焦点を合わせるようにゆっくりとトレーニングする必要はありません。
私はAGIの研究自体にはあまり詳しくありませんが、AIXIはある程度、機能する最も単純なアイデアであるという印象があります。それは、すべての難しい部分を取り、それを計算にプッシュするので、エンジニアリング上の課題です。」（これは「AIXIの近似値を見つける」に関するビットです。）次に、問題は、AIXIから開始し、小さくて機能的なものから開始して試行するよりも、多かれ少なかれ実り多い研究パスを概算しようとすることです。構築するには？
後者の方がはるかに一般的であるという印象がありますが、繰り返しになりますが、このスペースの小さな隅しか見えません。
コメント
- あなた'は実際には現在の投稿の質問に対応していません。最初の質問は AIXIは人工知能研究で本当に重要ですか？"。この質問は、 AGI 研究におけるAIXIの重要性について厳密に尋ねていますが、AGIの近似値を狭めるのではなく、対応するタスクに他の特定のツールが適していると思うかどうかについては尋ねていません。同じ特定のタスクへのモデル。投稿では、別の質問があります："なぜ'このテーマに関する出版物がもっとあるのですか？"投稿にこの質問への回答はありません。
回答
AIXIは、人工知能研究において本当に重要ですか？
はい、それは素晴らしい理論的 em> AGIへの貢献。 AFAIK、それはAGIの理論的枠組みまたは基盤を構築するための最も深刻な試みです。同様の作品は、シュミットフーバーのゲーデルマシンと SOARアーキテクチャです。
AIXIは、AGIの抽象的で非人型フレームワークであり、強化学習フィールドの上に構築されます。通常の仮定はいくつかありません（たとえば、マルコフとエルゴード性の仮定。これにより、エージェントは過去に犯した間違いから簡単に回復できます。AIXIのいくつかの最適性の特性は証明されていますが、 （Turing）計算不能（コンピューターでは実行できません）であるため、実用性は非常に限られています。それでも、Hutterの本ユニバーサル人工知能：アルゴリズム確率に基づく順次決定（2005）では、AIXIのいくつかのプロパティが厳密に証明されており、計算可能であるが扱いにくいバージョンのAIXIであるAIXItlについても説明されています。 。さらに、Joel Veness etal。による論文 A Monte Carlo AIXI Approximation （2009）で、計算可能で tractable 近似が導入されました。そのため、AIXIを実用的に役立つようにするためのいくつかの試みがありました。
記事 AIXIとは何ですか？ —AIXIフレームワークの開発と進化の貢献者の1人であるJanLeikeによる一般的な強化学習の概要（2015）は、AIXIエージェントを穏やかに紹介しています。おそらくより穏やかなAIXIの紹介については、スタンフォード哲学百科事典の AIXIアーキテクチャも参照してください。
フィールドの中心的な概念と考えることができますか？
はい、AIXIの導入と関連する研究は、AGI分野の進化に貢献しています。 2000年にHutterが論文 A Theory of Universal Artificial Intelligence based on Algorithmic Complexity で紹介した後、いくつかの議論と発表された論文がありました。
例を参照ローマン・V・ヤンポルスキーとジョシュア・フォックスによる論文人工知能と人間のメンタルモデル（2012）のセクション7「超知能の例」。 https://wiki.lesswrong.com/wiki/AIXI も参照してください。これには、解決する必要がある、または回避する必要がある、AIXIに関連するいくつかの問題に関する説明が含まれています。将来のAGIフレームワークで。さらに、 this および this の記事も参照してください。
もしそうなら、なぜこのテーマに関する出版物をもっと持っていないのですか（あるいは、持っていて、私はそれらに気づいていません）？
主にマーカス・ハッターと関連する研究者によるいくつかの出版物があります。マーカスハッターの出版物は、次のWebページで確認できます： http://www.hutter1.net/official/publ.htm 。
この理論に貢献することに興味がある場合は、いくつかの方法があります。数学的に十分な教育を受けている場合は、ここで説明されている問題のいくつかを解決することができます（これは、上記のHutterの2005年の本にも記載されています）。さらに、AIXIエージェントの新しい概算または既存の概算の改善に貢献することもできます。最後に、AIXIフレームワークに関連する問題を回避することにより、新しいAGIフレームワークを構築できます。 Hutterが推進するプロジェクトもご覧ください。たとえば、次のことも考慮に入れることをお勧めします。 GödelMachinesと関連する作業、新しいフレームワークの導入を試みる前（可能であれば）。
この理論は、高度に技術的で数学的なためか、それほど多くの人を引き付けていないと思います（したがって、強化学習、確率論などの非常に確かなバックグラウンドがない限り、理解するのは簡単ではありません。また、（AIコミュニティの）ほとんどの人は理論に興味がないと思いますが、理論は主に実用的で有用な結果に基づいています。
回答
AIXIは実際には概念的なフレームワークです。実際に環境を圧縮するという大変な作業はすべて残っています。
マシューグレイブスの回答で提起された質問についてさらに議論するには、複雑な環境を表現する能力の現在の限られたレベルを考えると、そうではないようです。」システムの「トップ」を定義してダウンすることとしてAIXIから始めるか（たとえば、一般化された圧縮方法を介して）、「ボトム」から始めて、ドメインを介して単一ドメインの問題を解決しようとするかどうかにかかわらず、多くの実用的な違いがあります。クロスドメイン圧縮を提供するために後で抽象化できる特定のメソッド（希望する）。
コメント
- 2番目の段落は、あなただけの結果です。意見。あなたはそのように考える理由について議論や説明をしません。私にとって、"複雑な環境を表現する能力の現在の限られたレベルを考えると、"は間違いなく十分な説明や議論ではありません。
- @nbro引用するには有名なAI研究者："コンピューターで単一の概念を表現することはまだできていません"、確かにそうではありません人間に自然に来るような可鍛性を備えています。したがって、実際には、AIXIの有用性を判断するのは困難です。なぜなら、'は、操作する必要のある表現の種類や、それらをどのように有効に操作できるかについて強い概念を持っていないためです。