Sự liên quan của AIXI trong nghiên cứu trí tuệ nhân tạo hiện nay là gì?

Từ Wikipedia:

AIXI ['ai̯k͡siː] là một hình thức toán học lý thuyết cho trí thông minh nhân tạo nói chung. Nó kết hợp cảm ứng Solomonoff với lý thuyết quyết định tuần tự. AIXI lần đầu tiên được đề xuất bởi Marcus Hutter vào năm 2000 [1] và kết quả dưới đây được chứng minh trong cuốn sách Trí tuệ nhân tạo phổ quát năm 2005 của Hutter. [2]

Mặc dù không tính toán được, các phép tính gần đúng là có thể, chẳng hạn như AIXItl . Tìm các xấp xỉ cho AIXI có thể là một cách khách quan để giải quyết AI.

Là AIXI thực sự là một vấn đề lớn trong nhân tạo nói chung nghiên cứu trí thông minh? Nó có thể được coi là một khái niệm trung tâm cho lĩnh vực này? Nếu vậy, tại sao chúng ta không có nhiều ấn phẩm về chủ đề này (hoặc có thể chúng ta có và tôi không biết về chúng)?

"Nghiên cứu trí tuệ nhân tạo hiện nay" là một lĩnh vực khá rộng. Từ nơi tôi ngồi, trong một lĩnh vực chủ yếu là CS, mọi người tập trung vào trí thông minh hẹp có thể làm công việc liên quan đến kinh tế trong các nhiệm vụ hẹp. (Nghĩa là, dự đoán khi nào các thành phần sẽ thất bại, dự đoán quảng cáo nào người dùng sẽ nhấp vào, v.v.)

Đối với những loại công cụ đó, tính tổng quát của một chủ nghĩa hình thức như AIXI là một điểm yếu thay vì một điểm mạnh. Về lý thuyết, bạn không cần phải có một AI có thể tính toán bất cứ thứ gì, và sau đó từ từ huấn luyện nó để tập trung vào những gì bạn muốn, khi bạn có thể trực tiếp định hình một công cụ là tấm gương cho nhiệm vụ của mình.

Tôi không quen thuộc với nghiên cứu AGI, nhưng ấn tượng của tôi là AIXI, ở một mức độ nào đó, là ý tưởng đơn giản nhất có thể hoạt động - nó chiếm hết phần khó khăn và đẩy nó vào tính toán, vì vậy đó chỉ là một thách thức kỹ thuật . ' (Đây là một chút về 'tìm các xấp xỉ với AIXI.') Câu hỏi sau đó trở thành, bắt đầu từ AIXI và cố gắng ước chừng một con đường nghiên cứu ít nhiều hiệu quả hơn là bắt đầu từ một thứ gì đó nhỏ và có chức năng, và cố gắng xây dựng?

Ấn tượng của tôi là cái sau phổ biến hơn nhiều, nhưng một lần nữa, tôi chỉ thấy một góc nhỏ của không gian này.

AIXI có thực sự là một vấn đề lớn trong nghiên cứu trí tuệ tổng hợp nhân tạo?

Vâng, đó là một đóng góp lý thuyết lớn cho AGI. AFAIK, đây là nỗ lực nghiêm túc nhất để xây dựng khung lý thuyết hoặc nền tảng cho AGI. Các công trình tương tự là Máy móc thiết bị và công trình kiến trúc SOAR của Schmidhuber .

AIXI là một khung trừu tượng và không nhân hóa cho AGI, được xây dựng dựa trên lĩnh vực học tập củng cố, không có một vài giả định thông thường (ví dụ, không có các giả định Markov và ergodility , đảm bảo rằng tác nhân có thể dễ dàng phục hồi từ bất kỳ sai lầm nào. quá khứ). Mặc dù một số đặc tính tối ưu của AIXI đã được chứng minh, đó là (Turing) uncomputable (nó không thể chạy trên một máy tính), và vì vậy nó là hữu dụng thực tế rất hạn chế. Tuy nhiên, trong cuốn sách của Hutter, Trí tuệ nhân tạo phổ quát: Các quyết định tuần tự dựa trên Xác suất thuật toán(2005), trong đó một số tính chất của AIXI được chứng minh nghiêm ngặt, một phiên bản tính toán nhưng có thể thu được của AIXI, AIXItl, cũng được mô tả. Hơn nữa, trong giấy Một Monte Carlo AIXI xấp xỉ (2009), bởi Joel Veness et al., Một tính toán và dể làm xấp xỉ của AIXI được giới thiệu. Vì vậy, đã có một số nỗ lực để làm cho AIXI thực sự hữu ích.

Bài viết AIXI là gì? - Giới thiệu về Học tập Củng cố chung (2015), của Jan Leike, một trong những người đóng góp cho sự phát triển và tiến hóa của khung AIXI, giới thiệu nhẹ nhàng về tác nhân AIXI. Xem thêm Kiến trúc AIXI tại Từ điển bách khoa toàn thư Stanford để có phần giới thiệu nhẹ nhàng hơn về AIXI.

Nó có thể được coi là một khái niệm trung tâm cho lĩnh vực này?

Vâng, sự ra đời của AIXI và nghiên cứu liên quan đã góp phần vào sự phát triển của lĩnh vực AGI. Đã có một số cuộc thảo luận và xuất bản, sau khi được giới thiệu vào năm 2000 bởi Hutter trong bài báo Lý thuyết về trí tuệ nhân tạo phổ quát dựa trên độ phức tạp của thuật toán .

Xem ví dụ, phần 7, "Ví dụ về siêu trí tuệ ", của bài viết Trí thông minh nhân tạo chung và Mô hình tâm thần con người (2012), của Roman V. Yampolskiy và Joshua Fox. Xem thêm https://wiki.lesswrong.com/wiki/AIXI trong đó có một cuộc thảo luận về một số vấn đề liên quan đến AIXI, cần được giải quyết hoặc có thể tránh trong các khuôn khổ AGI trong tương lai. Hơn nữa, xem thêm điều này và bài viết này .

Nếu vậy, tại sao chúng ta không có nhiều ấn phẩm về chủ đề này (hoặc có thể chúng ta có và tôi không biết về chúng)?

Đã có một số ấn phẩm, chủ yếu bởi Marcus Hutter và các nhà nghiên cứu liên quan. Bạn có thể xem các ấn phẩm của Marcus Hutter trên trang web sau: http://www.hutter1.net/official/publ.htm .

Nếu bạn quan tâm đến việc đóng góp cho lý thuyết này, có một số cách. Nếu bạn được giáo dục tốt về mặt toán học, bạn có thể cố gắng giải quyết một số vấn đề được mô tả ở đây (cũng được đề cập trong cuốn sách năm 2005 của Hutter đã đề cập ở trên). Hơn nữa, bạn cũng có thể đóng góp vào các xấp xỉ hoặc cải tiến mới của các xấp xỉ hiện có của tác nhân AIXI. Cuối cùng, bạn có thể xây dựng khung AGI mới của mình bằng cách tránh các vấn đề liên quan đến khung AIXI. Xem thêm các dự án được thúc đẩy bởi Hutter . Cũng có thể là một ý tưởng tốt để xem xét, ví dụ như Máy móc của Godel và các công việc liên quan, trước khi cố gắng giới thiệu một khung mới (miễn là bạn có khả năng về nó).

Tôi nghĩ rằng lý thuyết này đã không thu hút được nhiều người hơn bởi vì nó có tính kỹ thuật và toán học cao (vì vậy nó không dễ hiểu trừ khi bạn có một nền tảng rất vững chắc trong học tập củng cố, lý thuyết xác suất, v.v.). Tôi cũng nghĩ rằng hầu hết mọi người (trong cộng đồng AI) không quan tâm đến các lý thuyết, nhưng họ chủ yếu được hướng dẫn bởi các kết quả thực tế và hữu ích.

AIXI thực sự là một khung khái niệm. Tất cả công việc khó khăn của việc thực sự nén môi trường vẫn còn.

Để thảo luận thêm về câu hỏi được đưa ra trong câu trả lời của Matthew Graves: với mức độ hạn chế hiện tại của chúng tôi về khả năng đại diện cho các môi trường phức tạp, đối với tôi, nó dường như không tạo ra nhiều khác biệt thực tế cho dù bạn bắt đầu với AIXI như xác định 'đỉnh' của hệ thống và hoạt động (ví dụ: thông qua các phương pháp nén được cho là tổng quát) hoặc bắt đầu ở 'đáy' và thử giải quyết các vấn đề trong một miền thông qua các phương thức dành riêng cho miền mà sau đó (bạn hy vọng) có thể được trừu tượng hóa để cung cấp nén giữa các miền.