[論文レビュー] A Formal Measure of Machine Intelligence

Shane Legg, Marcus Hütter|ArXiv.org|Apr 14, 2006

Computability, Logic, AI Algorithms参考文献 15被引用数 65

ひとこと要約

本稿では、アルゴリズム的複雑性と汎用的事前分布を用いて、あらゆる計算可能環境において問題を解く能力に基づき、機械知能の形式的で数学的に厳密な測定法を提案する。知能は、その環境のアルゴリズム的確率に重み付けされた、すべての計算可能環境における期待性能として形式化され、人間中心的または模倣に基づくテストを超えた、客観的で計算可能かつ普遍的に適用可能な機械知能評価基準を提供する。

ABSTRACT

A fundamental problem in artificial intelligence is that nobody really knows what intelligence is. The problem is especially acute when we need to consider artificial systems which are significantly different to humans. In this paper we approach this problem in the following way: We take a number of well known informal definitions of human intelligence that have been given by experts, and extract their essential features. These are then mathematically formalised to produce a general measure of intelligence for arbitrary machines. We believe that this measure formally captures the concept of machine intelligence in the broadest reasonable sense.

研究の動機と目的

• 人間中心的またはタスク特化的なテストを超えた、普遍的に適用可能な形式的定義が欠如している機械知能の問題を解決すること。
• 不確実で動的な環境における問題解決能力としての知能の本質を捉える測定法を開発すること。
• さまざまな人工システムの知能を比較するための、客観的で数学的に正確かつ計算可能である基準を構築すること。
• チューリングテスト や系列予測ベンチマークといった既存のテストの限界を克服し、知能をアルゴリズム的情報理論に根ざしたものにすること。
• ハードウェア、感覚モality、環境構造に依存しない、知能評価の基盤を提供すること。

提案手法

• フレームワークは、知能を、コルモゴロフ複雑性を用いて重み付けされたアルゴリズム的確率に基づく、すべての可能な計算可能環境におけるエージェントの期待性能としてモデル化する。
• 知能は、各環境でエージェントが達成する累積報酬を測定することで、すべての環境における平均性能として定義される。
• 環境分布はソロモンホフの汎用事前分布 2^(-K(μ)) から導出され、環境のアルゴリズム的複雑性に基づいて、単純な環境に高い確率を割り当てる。
• 測定は、汎用チューリングマシンと、エージェントの行動に動的に適応する汎用知能テストの概念を用いて形式化される。
• 選択した汎用マシンに依存しない性質を有し、定数倍の範囲で一様性を保つため、さまざまな計算モデルにわたって安定性が保証される。
• コルモゴロフ複雑性の非計算可能性に対処するため、レヴィンの Kt 複雑性やシュミートフーバーのスピード事前分布を用いた実用的近似が提案される。

実験結果

リサーチクエスチョン

• RQ1 ハードウェアや感覚モダリティに依存しない、あらゆる人工システムに普遍的に適用可能な、知能の形式的定義はどのように可能か？
• RQ2 学習、適応、問題解決といった人間知能の核心的特徴は、数学的に厳密な測定法でどのように捉えられるか？
• RQ3 チューリングテストのような主観的でバイアスを含むテストを避ける、一元的で客観的かつ計算可能な知能測定法を構築できるか？
• RQ4 コルモゴロフ複雑性の非計算可能性に対処しつつ、知能測定の理論的整合性を保つにはどうすればよいか？
• RQ5 提案された測定法は、適応性と一般問題解決能力としての直感的知能概念をどの程度反映しているか？

主な発見

• 提案された知能測定法 Υ は、すべての計算可能環境におけるエージェントの期待性能として、その環境のアルゴリズム的確率 2^(-K(μ)) に重み付けして正式に定義される。
• 測定法は、汎用チューリングマシンの選択に依存しない性質を有し、乗法的定数の範囲で一様性を保つため、理論的安定性が保証される。
• 測定法は静的で系列予測テストとは異なり、動的かつインタラクティブであるため、適応的で学習的行動をよりよく捉える。
• 測定法は客観的であり、人間の判断を必要とせず、チューリングテスト や他の模倣に基づく評価とは明確に区別される。
• 正確な測定法は、コルモゴロフ複雑性の決定不能性のため計算不能であるが、Kt やスピード事前分布を用いた実用的近似は実行可能で理論的にも妥当である。
• 形式的枠組みは、AIXIフレームワークにおける知能順序関係と同等であることが示され、well-establishedな汎用エージェント理論に根ざしている。