[論文レビュー] The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence

Gary Marcus|arXiv (Cornell University)|Feb 14, 2020

Bayesian Modeling and Causal Inference参考文献 94被引用数 294

ひとこと要約

本論文は、知識主導で推論ベースのハイブリッドなAIアプローチを、認知モデルを中心に据え、膨大なデータと計算資源を超えたより堅牢なAIへの道筋として提案する。AIシステムの堅牢性を高める四つの段階を概説する。

ABSTRACT

Recent research in artificial intelligence and machine learning has largely emphasized general-purpose learning and ever-larger training sets and more and more compute. In contrast, I propose a hybrid, knowledge-driven, reasoning-based approach, centered around cognitive models, that could provide the substrate for a richer, more robust AI than is currently possible.

研究の動機と目的

• 純粋にデータ主導のAIから、知識・推論・認知モデルを組み合わせたハイブリッドアプローチへ転換を促す。
• より堅牢な人工知能を構築するための具体的な四つのステップを提案する。
• 現在の大規模・汎用的学習システムの限界を強調する。
• AIアーキテクチャへの構造化知識と認知原理の統合を提唱する。

提案手法

• 堅牢なAIの基盤として、ハイブリッドで知識主導のフレームワークを提唱する。
• 純粋に統計的な学習よりも推論ベースの構成要素を重視する。
• AI開発における認知モデルの中心的役割を主張する。

実験結果

リサーチクエスチョン

• RQ1 知識と推論を通じてAIの堅牢性を高めるために必要な主要なステップは何か。
• RQ2 認知モデルはより堅牢な人工知能システムにどのように寄与できるか。
• RQ3 大規模な学習データと計算資源だけに依存する現在の汎用的学習の限界は何か。
• RQ4 今後十年間のAIにおける四段階プログラムはどのようなものになるか。

主な発見

• 知識主導で推論ベースのハイブリッドアプローチは、より豊かで堅牢なAIの基盤を提供し得る。
• 現在のAI研究は、認知モデルと構造化知識の統合よりも、大規模な訓練データと計算資源を重視している。
• AIの堅牢性を高めるための四つのステップが提案されている（提供された要旨には列挙されていない）。
• 主張は、純粋にデータ駆動の方法を超え、認知的・記号的・知識ベースの要素を含めることに焦点を当てる。