タグ付けされた質問 「agi」

1950年代には、「人工知能」は人間とチェスを勝ち取るのにすぐに自覚的で賢いものになると広く信じられていました。さまざまな人々が、たとえば10年の時間枠を提案しました（オラザランの「パーセプトロン論争の公式歴史」または2001年の宇宙オデッセイを参照してください）。 チェスのようなゲームをマスターするプログラムを考案した結果、プログラムの対象となっているようなゲームにのみ適用されるソフトウェア設計が生まれることはいつ明らかになりましたか？人間のような一般的なインテリジェンスとドメイン固有のインテリジェンスの違いを最初に認識した人物は誰ですか？

10 comparison  agi  history  weak-ai 

1980年代半ばに、ロドニーブルックスは「新しいAI」の基礎を有名に作成しました。中心的な主張は、「Good Old Fashioned AI」（GOFAI）の象徴主義的アプローチが「認識を上からクリーム化」しようとすることで失敗し、具体化された認識が必要だった、つまり「能力の階層」の下から構築されたというものでした。 '（例：基本的な移動->さまよい->積極的に採餌）など。 ほとんどのAI研究者は、「具体化された認知」の見方が現在（少なくとも暗黙のうちに）主流としてGOFAIに取って代わったことに同意すると思います。 私の質問は思考実験の形をとり、「AGIに不可欠な何かを失う前に、「具体化された」のどの側面（ある場合）を緩和/省略できるか？を尋ねます。

10 agi  gofai  embodied-cognition 

アナロジーはコミュニケーションにおいて非常に強力です。既知のドメインにマッピングするだけで、ドメインの知識がない人々に複雑な概念を説明できます。ホフスタッターはそれらが重要であると言い、ダイクストラは彼らが危険だと言います。とにかく、アナロジーは人間のコミュニケーションの概念を伝達するための強力な方法と見なすことができます（伝達学習と言っていいでしょうか？）。 私はCase-Based Reasoningなどのレガシーな作業を知っていますが、AIのアナロジーメカニズムに関する最近の作業はありません。 AGIに類推が必要かどうか、およびそれらがどれほど重要かについてコンセンサスはありますか？ 具体的な作品や出版物で回答を裏付けることを検討してください。

9 ai-design  philosophy  agi 

「一般的な知能」は多くの異なることを学ぶことができるかもしれませんが、能力を持つことは実際にそれを持っていることとは異なります。「AGI」は学習する必要があります...そしてその学習プロセスには時間がかかる場合があります。AGIで車を運転したりGoをプレイしたりするには、何らかの方法でAGIを「教える」必要があります。AGIを構築したことがないため、トレーニングプロセスの期間はわかりませんが、悲観的な見積もりを想定しても安全です。 それを「狭い知性」と対比してください。狭いAIは、車の運転や囲碁のプレイ方法をすでに知っています。ある特定のタスクで非常に優れているようにプログラムされています。マシンは事前にトレーニングされているため、マシンのトレーニングについて心配する必要はありません。 「一般的な知能」は「狭い知能」よりも柔軟性があるようです。AGIを購入して、車を運転してGo をプレイすることができます。さらに多くのトレーニングをしたい場合は、新しいトリックを教えることもできます：ケーキを焼く方法。予期しないタスクが発生することを心配する必要はありません。十分なトレーニング時間が与えられれば、AGIは最終的にその方法を理解するからです。でも長い間待たなければならなかった。 「ナローインテリジェンス」は、そのタスク専用にプログラムされているため、割り当てられたタスクでより効率的です。それは何をすべきかを正確に知っており、「学習」に時間を費やす必要はありません（ここのAGIバディとは異なります）。さまざまなタスクをうまく処理するために1つのAGIを購入する代わりに、専門のナローAIを購入したいと思います。狭いAI＃1が車を運転し、狭いAI＃2がGoを再生し、狭いAI＃3がケーキを焼くなど。それを処理します。私はそのリスクを受け入れても構わないと思っています。 私の「思考」は正しいですか？上記のように、柔軟性（AGI）と効率（狭いAI）の間にトレードオフはありますか？または、AGIを柔軟かつ効率的にすることは理論的に可能ですか？

8 ai-design  strong-ai  agi  weak-ai