Answers:
“当前的人工智能研究”是一个相当广阔的领域。在我所坐的地方，在一个主要是CS领域，人们专注于可以在狭窄任务上进行与经济相关的工作的狭窄情报。（也就是说，预测组件何时会失效，预测用户将点击哪些广告，等等。）
对于这类工具，像AIXI这样的形式主义的普遍性是弱点，而不是强项。您不需要采用理论上可以计算任何东西的AI，然后就可以慢慢地训练它来专注于您想要的东西，而您只需直接塑造可以反映任务的工具即可。
我对AGI研究本身并不熟悉，但我的印象是AIXI在某种程度上是可行的最简单的想法-它承担了所有困难的部分并将其推入计算，因此，“这只是工程上的挑战。” （这是关于“找到AIXI的近似值”。）然后，问题就变成了，是从AIXI开始，然后尝试沿着一种或多或少富有成果的研究道路进行逼近，而不是从小型和功能化的事物开始，并尝试建立？
我的印象是后者要普遍得多，但是再次，我只看到了这个空间的一个小角落。
AIXI在人工智能一般研究中真的重要吗？
是的，这是对AGI 的巨大理论贡献。AFAIK，这是为AGI建立理论框架或基础的最严肃的尝试。Schmidhuber的GödelMachines和SOAR体系结构也类似。
AIXI是用于AGI 的抽象且非拟人化的框架，它建立在强化学习领域的基础上，没有一些通常的假设（例如，没有马尔可夫和遍历假设），这确保了代理可以轻松地从其犯下的任何错误中恢复过来。过去）。即使已经证明了AIXI的某些最优性，但它（图灵）是不可计算的（无法在计算机上运行），因此其实用性非常有限。尽管如此，在Hutter的书《通用人工智能：基于算法概率的顺序决策》中（2005年），其中严格证明了AIXI的几个属性，还描述了AIXI的可计算但难处理的版本AIXItl。此外，在Joel Veness等人的论文《蒙特卡洛AIXI逼近》（2009）中，介绍了AIXI 的可计算且易于处理的逼近。因此，已经进行了一些尝试以使AIXI切实有用。
文章什么是AIXI？—简·雷克（Jan Leike）撰写的《一般强化学习入门》（2015年），这是AIXI框架的发展和演变的贡献者之一，对AIXI代理进行了详尽的介绍。另请参阅斯坦福哲学百科全书中的AIXI体系结构，以更温和地介绍AIXI。
可以将其视为该领域的中心概念吗？
是的，AIXI的引入和相关研究为AGI领域的发展做出了贡献。在Hutter于2000年将其引入《基于算法复杂性的通用人工智能理论》之后，已经进行了许多讨论并发表了论文。
参见例如Roman V. Yampolskiy和Joshua Fox撰写的《人工通用情报和人类心理模型》（2012）的第7节“超智能示例” 。另请参见https://wiki.lesswrong.com/wiki/AIXI，其中包含与AIXI相关的一些问题的讨论，在未来的AGI框架中需要解决或避免这些问题。此外，还看到这个和这个文章。
如果是这样，为什么我们没有更多有关此主题的出版物（或者也许我们有，但我不知道这些出版物）？
已经有一些出版物，主要是Marcus Hutter和相关研究人员。您可以在以下网页上查看Marcus Hutter的出版物：http : //www.hutter1.net/official/publ.htm。
如果您有兴趣对这一理论做出贡献，可以通过多种方法。如果您受过良好的数学教育，则可以尝试解决此处描述的一些问题（上述Hutter的2005年书中也提到了这些问题）。此外，您还可以为AIXI代理的新近似值或现有近似值的改进做出贡献。最后，您可以通过避免与AIXI框架相关的问题来构建新的AGI框架。另请参阅由Hutter推动的项目。在尝试引入新框架（前提是您具备此能力）之前，还应考虑例如GödelMachines和相关工作。
我认为该理论可能尚未吸引更多的人，因为它具有很高的技术和数学水平（因此除非您在强化学习，概率论等方面具有扎实的背景，否则很难理解它）。我还认为，大多数人（在AI社区中）对理论不感兴趣，但主要是受到实际和有用结果的指导。
AIXI实际上是一个概念框架。实际压缩环境的所有艰苦工作仍然存在。
为了进一步讨论Matthew Graves回答中提出的问题：考虑到我们目前表示复杂环境的能力有限，在我看来，如果您以AIXI来定义AI的“顶部”并没有太大的实际区别。系统并开始工作（例如，通过所谓的通用压缩方法），或者从“底端”开始，并尝试通过特定于域的方法来解决单个域中的问题（您希望可以随后将其抽象化以提供跨域压缩）。