[論文レビュー] A Framework for Searching for General Artificial Intelligence

M. Khairul Amri Rosa, Jan Feyereisl+1 more|arXiv (Cornell University)|Nov 2, 2016

Machine Learning and Algorithms参考文献 60被引用数 12

ひとこと要約

本論文は、学習の段階的進行に重きを置いた一般人工知能（AGI）の開発フレームワークを提案する。知能とは、問題解決の探索を狭め、多様化させ、有望な分野へと導くスキルを習得する能力として定義される。このフレームワークは、『段階的学習』などのインプリシットでハードコードされたスキルと、一般化可能な能力を構築するための構造的カリキュラムを強調しており、研究の統合を図り、人間水準のAGI実現への進捗を加速することを目的としている。

ABSTRACT

There is a significant lack of unified approaches to building generally intelligent machines. The majority of current artificial intelligence research operates within a very narrow field of focus, frequently without considering the importance of the 'big picture'. In this document, we seek to describe and unify principles that guide the basis of our development of general artificial intelligence. These principles revolve around the idea that intelligence is a tool for searching for general solutions to problems. We define intelligence as the ability to acquire skills that narrow this search, diversify it and help steer it to more promising areas. We also provide suggestions for studying, measuring, and testing the various skills and abilities that a human-level intelligent machine needs to acquire. The document aims to be both implementation agnostic, and to provide an analytic, systematic, and scalable way to generate hypotheses that we believe are needed to meet the necessary conditions in the search for general artificial intelligence. We believe that such a framework is an important stepping stone for bringing together definitions, highlighting open problems, connecting researchers willing to collaborate, and for unifying the arguably most significant search of this century.

研究の動機と目的

• 異なるAGI研究アプローチを統合するため、原則とスキルの共通基盤を定義すること。
• 一般知能を構築するための体系的でスケーラブルかつ実装に依存しない方法の欠如に応えること。
• エージェントが段階的にスキルを習得し、分野を越えて一般化できるようにする、構造的カリキュラムの学習タスクを提供すること。
• AGIコミュニティの研究者・開発者・機関間での協力を促進する共通の言語とプラットフォームを提供すること。
• AGI開発における主要な未解決問題を特定し、次なる重要なステップを優先順位付けすることで、長期的な研究を導くこと。

提案手法

• 知能を、問題解決の探索を狭め、多様化させ、有望な分野へと導くスキルを習得する能力として定義するフレームワークを提唱する。
• 『インプリシット特性』と呼ばれる、『段階的学習』などのハードコードされた基盤的スキルを導入し、エージェントが事前の知識なしに学習を開始できるようにする。
• 学習タスクが互いに積み重なるように順序付けられたカリキュラムベースの訓練システムを提示する。意味的な一般化を保証し、悪用を回避するためのチェック機構を備える。
• 『スクール』コンponentを備えたモジュラー・アーキテクチャを採用。異なる環境（例：2D/3D ToyWorld、Space Engineers）において、タスクの進行管理、フィードバック、評価を統合的に管理する。
• 不連続、連続的な2D/3D、およびフォトリアルな環境を複数用い、複雑さと現実性が増す条件下でエージェントのテストと訓練を実施する。
• 各タスクが上位レベルの能力を支えるスキルの蓄積に寄与する階層的学習プロセスを定義する。

実験結果

リサーチクエスチョン

• RQ1 知能を、スキル習得を通じて問題解決探索を改善する能力として形式的に定義することは可能か？
• RQ2 段階的で累積的な学習を可能にするために、人工エージェントに不可欠なインプリシットでハードコードされたスキルは何か？
• RQ3 学習タスクのカリキュラムをどのように構築すれば、悪用を避けて追加的かつ一般化可能なスキル発展を保証できるか？
• RQ4 複雑さの異なる環境が、AGI能力の検証とスケーリングに果たす役割は何か？
• RQ5 統一されたフレームワークが、研究活動を統合し、AGI開発の探索空間を縮小するにはどうすればよいか？

主な発見

• このフレームワークは、知能を、問題の一般解への探索を狭め、多様化させ、そして有望な分野へと導くスキルを習得する能力として定義する。
• 『段階的学習』などのインプリシット特性は、基盤的であり、段階的なスキル習得を可能にするためにハードコードされる必要がある。
• 手動および自動のチェックを備えた学習タスクのカリキュラムにより、エージェントが追加的に学習し、意味的に一般化できるよう保証される。
• このフレームワークは実装に依存せず、長期的なAGI開発に向けたスケーラブルで分析的かつ体系的な設計である。
• 目標、リソース、時間、環境を分離することで、モジュラーな協働が可能となり、多様な研究グループが貢献できる。
• このフレームワークは、将来の数学的定式化と具体例の追加を想定した、進化し続ける文書として設計されている。