[論文レビュー] Why Artificial Intelligence Needs a Task Theory --- And What It Might Look Like

Kristinn R. Þórisson, Jordi Bieger+3 more|arXiv (Cornell University)|Apr 15, 2016

AI-based Problem Solving and Planning参考文献 8被引用数 4

ひとこと要約

この論文は、知能システムの体系的評価、比較、設計を可能にするために、人工知能（AI）が形式的タスク理論を直ちに必要としていると主張している。物理的パラメータ（時間、エネルギー、目的、環境のダイナミクスなど）を用いて物理的タスクをモデル化する、物理学に基づくフレームワークを提案し、こうした理論が評価の標準化と多様なタスクにわたる一般化を支援することを示している。

ABSTRACT

The concept of "task" is at the core of artificial intelligence (AI): Tasks are used for training and evaluating AI systems, which are built in order to perform and automatize tasks we deem useful. In other fields of engineering theoretical foundations allow thorough evaluation of designs by methodical manipulation of well understood parameters with a known role and importance; this allows an aeronautics engineer, for instance, to systematically assess the effects of wind speed on an airplane's performance and stability. No framework exists in AI that allows this kind of methodical manipulation: Performance results on the few tasks in current use (cf. board games, question-answering) cannot be easily compared, however similar or different. The issue is even more acute with respect to artificial *general* intelligence systems, which must handle unanticipated tasks whose specifics cannot be known beforehand. A *task theory* would enable addressing tasks at the *class* level, bypassing their specifics, providing the appropriate formalization and classification of tasks, environments, and their parameters, resulting in more rigorous ways of measuring, comparing, and evaluating intelligent behavior. Even modest improvements in this direction would surpass the current ad-hoc nature of machine learning and AI evaluation. Here we discuss the main elements of the argument for a task theory and present an outline of what it might look like for physical tasks.

研究の動機と目的

• AIタスクの定義、比較、評価のための体系的理論的基盤の欠如に応えること。
• タスクと環境のパラメータを形式化することで、AIシステムの性能に対する厳密で体系的な分析を可能にすること。
• 予期しない多様なタスクを処理できるようにするため、人工汎用知能（AGI）の開発を支援するフレームワークを提供すること。
• タスクの分解、抽象化、スケールでの比較を可能にする形式的記述を確立すること。
• タスクを物理法則と測定可能なパラメータに基づいて定義することで、恣意的な評価手法と複雑な現実世界のAIシステムのニーズの間の溝を埋めること。

提案手法

• 目的、環境、エージェントボディのタプルとしてタスクを定義し、時間、エネルギー、位置、速度、出力などの形式的パラメータを含む。
• ニュートン力学を用いてタスクのダイナミクスをモデル化し、離散的な時間ステップと状態遷移（例：速度と時間の差分による位置の更新）を採用する。
• エージェントボディを観測可能かつ制御可能な変数のペア（例：位置と出力）として指定し、その定義域を制限する（例：出力 ∈ [0, 10]）。
• 目的を状態制約の集合（例：位置 > 10、時間 < 5、エネルギー > 0）として形式化し、締切やリソース予算を含む。
• 初期状態、環境パラメータ（例：摩擦、風）、センサ/アクチュエータの分解能、目的節の変更によってタスクの変異を可能にする。
• タスクファミリー（例：ドライブタスク）の分析にフレームワークを適用し、複雑さ、観測可能性、リソース効率といった発生的性質を導出する。

実験結果

リサーチクエスチョン

• RQ1 形式的タスク理論は、多様なタスクにわたるAIシステムの体系的比較と評価をどのように可能にするか？
• RQ2 一般化と抽象化を支援する形で、物理的タスクをモデル化するための核心的パラメータと形式的構造は何か？
• RQ3 タスク理論は、予期しないタスクを処理しなければならない人工汎用知能（AGI）システムの設計と評価をどのように支援するか？
• RQ4 タスクのダイナミクスと環境パラメータをどのように形式的に操作することで、システムの性能と耐性を評価できるか？
• RQ5 共通する構造的および動的性質をもつタスクファミリーは、どのように定義され、相互に関連づけられるか？

主な発見

• 物理法則に基づくタスク理論により、時間、エネルギー、位置、速度、出力といった測定可能な状態変数を用いて、タスクの正確で形式的なモデル化が可能になる。
• 提示されたフレームワークにより、モデル構造を変更せずに、初期状態、エネルギー予算、摩擦などのタスクパラメータを体系的に変更できる。
• 同じタスクモデルを用いて、時間最小化（最大出力時：2.863秒）とエネルギー消費最小化（0.15 J/sで8.52ジュール残存）といった異なる性能トレードオフの分析が可能になる。
• 新しい目的節（例：終了時に速度をゼロにすること）や多次元制約の追加によってタスクを拡張でき、スケーラビリティが示された。
• 共通する構造的特徴に基づいてタスクの抽象化と分類が可能となり、テニスとサッカーといった異なるタスク間の比較が可能になる。
• 物理的および環境的パラメータを隔離・操作できるため、航空工学における実践的手法に類似した体系的な評価がフレームワークによって可能になる。