Från Wikipedia:
AIXI [”ai̯k͡siː] är en teoretisk matematisk formalism för artificiell allmän intelligens. Den kombinerar Solomonoff-induktion med sekventiell beslutsteori. AIXI föreslogs först av Marcus Hutter 2000 [1] och resultaten nedan bevisas i Hutter 2005: s bok Universal Artificial Intelligence. [2]
Även om det inte går att beräkna är det ungefärligt att göra approximationer, till exempel AIXItl . Att hitta approximationer till AIXI kan vara ett objektivt sätt att lösa AI.
Är AIXI verkligen en stor sak inom artificiell allmän intelligensforskning? Kan det ses som ett centralt begrepp för fältet? Om så är fallet, varför har vi inte fler publikationer om detta ämne (eller kanske har vi det och jag känner inte till dem)?
Svar
” Aktuell forskning om artificiell intelligens ”är ett ganska brett fält. Från det jag sitter, i en mestadels CS-sfär, är människor fokuserade på smal intelligens som kan göra ekonomiskt relevant arbete på smala uppgifter. (Det vill säga förutsäga när komponenter kommer att misslyckas, förutsäga vilka annonser en användare kommer att klicka på och så vidare.)
För sådana verktyg är generaliteten i en formalism som AIXI en svaghet istället för en styrka. Du behöver inte ta en AI som i teorin kan beräkna vad som helst och sedan långsamt träna den för att fokusera på vad du vill, när du bara kan forma ett verktyg som är spegeln för din uppgift.
Jag är inte lika bekant med själva AGI-forskningen, men mitt intryck är att AIXI till viss del är den enklaste idén som kan fungera – det tar hela den svåra delen och skjuter in den i beräkning, så det är bara en teknisk utmaning. ”(Det här handlar om att” hitta approximationer till AIXI. ”) Frågan blir då, börjar vid AIXI och försöker approximera en mer eller mindre givande forskningsväg än att börja med något litet och funktionellt och försöka att bygga upp?
Mitt intryck är att det senare är mycket vanligare, men igen ser jag bara ett litet hörn av detta utrymme.
Kommentarer
- Du ’ adresserar faktiskt inte frågorna i nuvarande inlägg . Den första frågan är är AIXI verkligen en stor sak i forskning om artificiell allmän intelligens ? ”. Frågan ställer strikt om vikten av AIXI i AGI forskning , den frågar inte om du tycker att andra specifika verktyg är bättre för motsvarande uppgifter istället för att begränsa approximationer av AGI modeller till samma specifika uppgifter. I inlägget är en annan fråga: ” varför inte ’ t har vi fler publikationer om detta ämne? ” Inget svar på denna fråga i ditt inlägg.
Svar
Är AIXI verkligen en stor sak inom artificiell allmän intelligensforskning?
Ja, det är en fantastisk teoretisk bidrag till AGI. AFAIK, det är det allvarligaste försöket att bygga en teoretisk ram eller grund för AGI. Liknande verk är Schmidhuber ”s Gödel Machines och SOAR-arkitektur .
AIXI är ett abstrakt och icke- antropomorfiskt ramverk för AGI som bygger på förstärkningsinlärningsfältet, utan några vanliga antaganden (t.ex. utan Markov och ergodicitet antaganden, vilket garanterar att agenten lätt kan återhämta sig från eventuella misstag den gjort tidigare. Även om vissa optimitetsegenskaper hos AIXI har bevisats är det (Turing) uncomputable (den kan inte köras på en dator), och det är därför av mycket begränsad praktisk användbarhet. I Hutter-boken Universal artificiell intelligens: sekventiella beslut baserade på algoritmisk sannolikhet (2005), där flera egenskaper hos AIXI är noggrant bevisade, en beräkningsbar men otrevlig version av AIXI, AIXItl, beskrivs också . I papperet A Monte Carlo AIXI Approximation (2009), av Joel Veness et al., En beräkningsbar och dragbar approximation av AIXI introduceras. Så det har gjorts några försök att göra AIXI praktiskt användbart.
Artikeln Vad är AIXI? – En introduktion till allmän förstärkningslärande (2015), av Jan Leike, som är en av bidragsgivarna till utvecklingen och utvecklingen av AIXI-ramverket, ger en mild introduktion till AIXI-agenten.Se även AIXI-arkitekturen vid Stanford Encyclopedia of Philosophy för en möjligen mildare introduktion till AIXI.
Kan det ses som ett centralt begrepp för fältet?
Ja, introduktionen av AIXI och relaterad forskning har bidragit till utvecklingen av AGI-fältet. Det har skett flera diskussioner och publicerade artiklar, efter dess introduktion 2000 av Hutter i tidningen A Theory of Universal Artificial Intelligence based on Algorithmic Complexity .
Se t.ex. avsnitt 7, ”Exempel på superintelligences”, av tidningen Artificial General Intelligence and the Human Mental Model (2012), av Roman V. Yampolskiy och Joshua Fox. Se även https://wiki.lesswrong.com/wiki/AIXI som innehåller en diskussion om några problem relaterade till AIXI, som måste lösas eller eventuellt undvikas i framtida AGI-ramar. Se även detta och denna artiklar.
Om så är fallet, varför har vi inte fler publikationer om detta ämne (eller kanske har vi det och jag känner inte till dem)?
Det har varit flera publikationer, främst av Marcus Hutter och tillhörande forskare. Du kan se Marcus Hutter publikationer på följande webbplats: http://www.hutter1.net/official/publ.htm .
Om du är intresserad av att bidra till denna teori finns det flera sätt. Om du är matematiskt välutbildad kan du försöka lösa några av de problem som beskrivs här ( som också nämns i Hutter 2005-boken som nämns ovan). Dessutom kan du också bidra till nya approximationer eller förbättringar av befintliga approximationer av AIXI-agenten. Slutligen kan du bygga ditt nya AGI-ramverk genom att undvika problemen i samband med AIXI-ramverket. Se även projekt som marknadsförs av Hutter . Det kan vara en bra idé att också ta hänsyn till t.ex. Gödel Machines och relaterat arbete innan vi försöker införa ett nytt ramverk (förutsatt att du kan det).
Jag tror att denna teori inte har lockat fler människor förmodligen för att den är mycket teknisk och matematisk (så det är inte så lätt att förstå om du inte har en mycket gedigen bakgrund inom förstärkningslärande, sannolikhetsteori, etc.). Jag tror också att de flesta människor (inom AI-samhället) inte är intresserade av teorier, men de styrs främst av praktiska och användbara resultat.
Svar
AIXI är verkligen en konceptuell ram. Allt det hårda arbetet med att faktiskt komprimera miljön kvarstår.
För att ytterligare diskutera frågan som tas upp i Matthew Graves svar: med tanke på vår nuvarande begränsade nivå av förmåga att representera komplexa miljöer, verkar det som om jag inte ” t göra mycket praktisk skillnad om du börjar med AIXI som att definiera ”toppen” av systemet och arbeta ner (t.ex. via förment generaliserade komprimeringsmetoder) eller börja längst ner ”och försöka lösa problem i en enda domän via domän- specifika metoder som (du hoppas) därefter kan abstraheras för att tillhandahålla komprimering över flera domäner.
Kommentarer
- Andra stycket är resultatet av din enda åsikt. Du ger noll argumentationer / förklaringar varför du tänker så. För mig ” med tanke på vår nuvarande begränsade förmåga att representera komplexa miljöer ” är definitivt inte en tillräcklig förklaring eller argumentation.
- @nbro Att citera en känd AI-forskare: ” Vi har ännu inte representerat ens ett enda koncept på en dator ”, verkligen inte med den typ av smidighet som kommer naturligt för människor. Således i praktiken är det svårt att bestämma nyttan med AIXI eftersom vi inte ’ t har en stark uppfattning om vilka typer av representationer den behöver manipulera, eller hur den på ett användbart sätt kan manipulera dem.