ウィキペディアから：
AIXI ['ai̯k͡siː]は、人工一般知能の理論的な数学的形式です。これは、ソロモノフ帰納法と逐次決定理論を組み合わせたものです。AIXIは2000年にMarcus Hutterによって最初に提案されました[1]。以下の結果は、Hutterの2005年の本Universal Artificial Intelligenceで証明されています[2]。
計算不可能ではありますが、AIXItlのように近似が可能です。AIXIの近似を見つけることは、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。
あるAIXIは、人工では大したことは本当に一般的な知能研究は？それは、フィールド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ついてもっと多くの出版物を持っていないのですか（あるいは私たちが持っていて私はそれらを知らないのですか）？
回答:
「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、主にCSの領域では、人々は狭いタスクで経済的に関連する作業を行うことができる狭いインテリジェンスに集中しています。（つまり、コンポーネントがいつ失敗するかを予測したり、ユーザーがどの広告をクリックするかを予測したりします。）
この種のツールにとって、AIXIのような形式主義の一般性は、長所ではなく短所です。理論的には何かを計算できるAIを使用する必要はありません。タスクのミラーであるツールを直接形成するだけの場合は、ゆっくりとトレーニングして必要なものに集中できます。
私はAGI研究自体にはあまり詳しくありませんが、私の印象は、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ことです-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、それは単なるエンジニアリングの課題です」（これは、「AIXIの近似を見つけること」についてのビットです。）次に、問題は、AIXIから始めて、小さくて機能的なものから始めて、構築しようとするよりも、多かれ少なかれ実りある研究パスを概算しようとすることになります。
私の印象は後者がはるかに一般的ですが、繰り返しになりますが、このスペースの小さなコーナーしか表示されません。
AIXIは本当に人工知能の研究において重要なことなのでしょうか？
はい、それはAGIへの大きな理論的貢献です。AFAIK、それはAGIの理論的なフレームワーク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、強化学習フィールドの上に構築された、AGIの抽象的で非擬人的なフレームワークであり、いくつかの通常の仮定なし（たとえば、マルコフおよびエルゴード性の仮定なし）で、エージェントが犯した間違いから簡単に回復できることを保証します過去）。AIXIのいくつかの最適性特性は証明されていますが、それは（Turing）計算不可能であり（コンピューター上で実行することはできません）、そのため、実用性は非常に限られています。それにもかかわらず、Hutterの本のUniversal Artificial Intelligence：Algorithmic Probabilityに基づく逐次決定（2005）、AIXIのいくつかのプロパティが厳密に証明されている場合、計算可能だが扱いにくいバージョンのAIXI、AIXItlも説明されています。さらに、Joel Venessらによる論文A Monte Carlo AIXI Approximation（2009）では、AIXIの計算可能で扱いやすい近似が紹介されています。したがって、AIXIを実用的にするためのいくつかの試みがありました。
記事AIXIとは？— AIXIフレームワークの開発と進化への貢献者の1人であるJan LeikeによるGeneral Reinforcement Learning（2015）の紹介では、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アーキテクチャーも参照してください。
それは、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と関連研究の導入は、AGI分野の進化に貢献しています。Hutterによる2000年の論文A Theory of Universal Artificial Intelligence based on Algorithmic Complexityで紹介された後、いくつかの議論と発表された論文があります。
たとえば、Roman V. YampolskiyとJoshua Foxによる論文「Artificial General Intelligence and the Human Mental Model（2012）」のセクション7「Example of Superintelligences」を参照してください。将来のAGIフレームワークで解決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るhttps://wiki.lesswrong.com/wiki/AIXIも参照してください。さらに、これとこの記事も参照してください。
もしそうなら、なぜ私たちはこの主題についてもっと多くの出版物を持っていないのですか？
主にマーカス・ハッターおよび関連研究者によるいくつかの出版物があります。Marcus Hutterの出版物は、http：//www.hutter1.net/official/publ.htmにあります。
この理論への貢献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（上記のHutterの2005年の本にも記載されています）のいくつかを解決することができます。さらに、AIXIエージェントの新しい近似または既存の近似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。新しいフレームワークの導入を試みる前に、たとえばゲーデルマシンや関連する作業も考慮することをお勧めします（可能な場合）。
この理論は、非常に技術的で数学的なものであるためか、それほど多くの人々を魅了していないと思います（したがって、強化学習や確率論などの非常に確固たる背景がない限り、理解するのは簡単ではありません）。（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、彼らは主に実用的で有用な結果に導かれています。
AIXIは本当に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ハードワーク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：複雑な環境を表現する現在の限られたレベルの能力を考えると、AIXIを最初のシステムとダウンして（たとえば、おそらく一般化された圧縮方法を介して）、または「ボトム」から始めて、ドメイン固有の方法を介して単一ドメインの問題を解決しようとします。