[論文レビュー] Universal Intelligence: A Definition of Machine Intelligence

Shane Legg, Marcus Hütter|ArXiv.org|Dec 20, 2007

Computability, Logic, AI Algorithms参考文献 21被引用数 6

ひとこと要約

本稿は、AIXIに類似した最適エージェントから導出された普遍的知能尺度（Υ）を用いて、すべての計算可能環境における普遍的なパフォーマンスに基づき、機械知能の数学的に形式化された定義を提案する。主な貢献は、人間、動物、機械を問わずあらゆるエージェントに適用可能な一般的で客観的かつ形式的な知能尺度の確立であり、多様なシステム間での知能の直接比較を可能にする。

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 equation formally captures the concept of machine intelligence in the broadest reasonable sense. We then show how this formal definition is related to the theory of universal optimal learning agents. Finally, we survey the many other tests and definitions of intelligence that have been proposed for machines.

研究の動機と目的

• 人間、動物、人工エージェントを含む多様なシステムに適用可能な、普遍的に受け入れられ、形式的な機械知能の定義が不足している問題に対処すること。
• 人間の知能に関する非形式的な専門家の定義を、一般化された意味で知能の本質を捉える数学的に正確な尺度に形式化すること。
• エージェントがすべての可能な計算可能環境においてどのようにパフォーマンスを示すかを評価する普遍的知能尺度（Υ）を開発すること。
• 人間中心的または模倣に基づくベンチマーク（例：チューリングテスト）にとらわれない、機械知能のテストと測定の理論的基盤を提供すること。
• 現実世界のエージェントに適した実用的で取り扱いやすい普遍的知能の近似法の開発を可能にする枠組みを確立すること。

提案手法

• 人間の知能に関する10件の専門家の定義から核となる特徴を抽出し、それを普遍的なフレームワークに一般化する。
• 知能がすべての計算可能環境におけるパフォーマンスによって測定されるエージェント-環境相互作用モデルを形式的に定義する。
• 普遍的知能尺度 Υ を導入し、環境のアルゴリズム的複雑さ（ソロモンフ・プライオリティ）に基づいて重み付けされた、エージェントのすべての環境における期待パフォーマンスとして定義する。
• AIXIフレームワークを理論的最適エージェントとして用い、普遍的知能尺度の実装を可能とし、Υ が最適な学習と意思決定を捉えていることを示す。
• さまざまなエージェント（例：AIXI、人間、動物、単純なプログラム）に尺度を適用し、その普遍性と一貫性を示す。
• 理解、創造性、意識といった性質は、明確に定義された環境における測定可能なパフォーマンスに影響を与える限り、知能に関連するものであると主張する。

実験結果

リサーチクエスチョン

• RQ1 人間の知能のどの根本的特徴を、人間、動物、機械を問わずあらゆるエージェントに適用可能な一般的で形式的な定義に抽象化できるか？
• RQ2 物理的形態、センサー、環境が著しく異なるエージェントを公平に比較できる普遍的知能尺度を構築できるか？
• RQ3 提案された普遍的知能尺度 Υ は、AIXI などの最適学習・意思決定理論とどのように関係しているか？
• RQ4 現実世界のエージェントに適用可能な普遍的知能尺度をどの程度実用的に近似できるか？
• RQ5 意識や言語といった人間らしい属性を欠くシステムに適用した場合、普遍的知能尺度 Υ は依然として有効で意味を持つのか？

主な発見

• 提案された普遍的知能尺度 Υ は、ソロモンフ・プライオリティを用いてすべての計算可能環境におけるパフォーマンスを評価することで、機械知能の本質を形式的に捉えている。
• この尺度は理論的に最適であり、AIXIエージェントと整合しており、すべての環境で期待報酬を最大化するため、普遍的知能の理論的上限を表している。
• このフレームワークは、理解、創造性、感情といった性質が、明確に定義された環境における測定可能なパフォーマンスに影響を与える限り、知能に関連するものであることを示している。
• 本稿は、No-Free-Lunch定理が普遍的知能を無効にしないと主張している。なぜなら、尺度は環境の均一分布を仮定していないからである。
• 普遍的知能尺度は、人間、動物、機械を含む多様なエージェントを比較可能な実用的で近似可能な知能テストの基盤を提供する。
• 形式的定義により、主観的または人間中心的なベンチマークにとらわれない、厳密で客観的かつ数学的に根拠のある、さまざまなシステム間での知能比較が可能になる。