AIXI与当前的人工智能研究有什么关系?


14

从维基百科:

AIXI ['ai̯k͡siː]是用于人工智能的理论数学形式主义。它结合了Solomonoff归纳法和顺序决策理论。AIXI由Marcus Hutter于2000年首次提出[1],下面的结果在Hutter的2005年出版的《通用人工智能》中得到了证明。[2]

尽管不可计算,但近似值是可能的,例如AIXItl。找到AIXI的近似值可能是解决AI的客观方法。

艾希真正的大问题在人工一般智力的研究?可以认为它是该领域的中心概念吗?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)?

Answers:


8

“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。


您实际上不是在解决当前帖子中的问题。第一个问题是“ AIXI在人工智能研究中真的重要吗?”。该问题严格询问AIXI在AGI 研究中的重要性,而不是询问您是否认为其他特定工具更适合于相应任务,而不是将AGI模型的近似范围缩小到相同特定任务。在帖子中,另一个问题是:“为什么我们没有更多有关此主题的出版物?” 您的帖子中没有答案。
nbro

5

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GödelMachinesSOAR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。


4

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)。


第二段是您唯一意见的结果。您给出零理由/解释为什么会这样想。对我来说,“鉴于我们目前代表复杂环境的能力有限,”这绝对不是充分的解释或论据。
nbro

@nbro引用一位著名的AI研究人员的话:“我们甚至还没有在计算机上代表一个单一的概念 ”,当然还没有人类具有的可延展性。因此,在实践中,很难确定AIXI的用途,因为我们对需要操纵的表示形式以及如何有效地操纵它们没有很强的了解。
NietzscheanAI
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.