[논문 리뷰] Quantifying Natural and Artificial Intelligence in Robots and Natural Systems with an Algorithmic Behavioural Test

Héctor Zenil|arXiv (Cornell University)|2014. 12. 20.

Computability, Logic, AI Algorithms참고 문헌 17인용 수 4

한 줄 요약

이 논문은 알고리즘적 복잡도와 콜모고로프 복잡도를 사용하여 자연계 및 인공 시스템의 환경 자극에 대한 민감도를 측정함으로써 지능을 수량화하는 알고리즘적 행동 테스트를 제안한다. 이는 행동 출력의 압축 가능성에 기반하여 시스템을 평가하는 정량적이고 맥락에 민감한 프레임워크를 도입하여 프로그래밍 가능성과 적응 가능성에 대한 객관적이면서도 주관적인 평가를 가능하게 한다.

ABSTRACT

One of the most important aims of the fields of robotics, artificial intelligence and artificial life is the design and construction of systems and machines as versatile and as reliable as living organisms at performing high level human-like tasks. But how are we to evaluate artificial systems if we are not certain how to measure these capacities in living systems, let alone how to define life or intelligence? Here I survey a concrete metric towards measuring abstract properties of natural and artificial systems, such as the ability to react to the environment and to control one's own behaviour.

연구 동기 및 목표

• 인공 및 자연 시스템의 지능 평가를 위한 객관적이고 정량적인 측정 기준이 부족한 문제를 해결하기 위해.
• 전통적인 지능시험과 튜링 테스트의 한계를 극복하기 위해 맥락에 민감하고 알고리즘적인 접근을 도입하기 위해.
• 내부 메커니즘에 의해 지능을 정의하는 대신, 환경 자극에 대한 관측 가능한 행동적 반응성으로 지능을 정의하기 위해.
• 알고리즘적 정보 이론을 통한 객관성과 관찰자에 의존하는 기대치에 기반한 주관성을 균형 잡는 프레임워크를 제공하기 위해.
• 특히 로봇공학 및 인공 생명 분야에서 프로그래밍 가능성과 적응 가능성에 기반한 시스템 간 비교 평가를 가능하게 하기 위해.

제안 방법

• 알고리즘적 정보 이론(AIT)을 활용하고 콜모고로프 복잡도 $K$를 핵심 측정 기준으로 삼아 행동 출력의 알고리즘적 난수성을 수량화한다.
• 시스템 행동을 단계 공간 내 궤적(예: 3차원 공간에서의 로봇 암 움직임의 경우 6차원)으로 표현하여 시간에 따른 입력-출력 역학을 포착한다.
• 손실 없는 압축 가능성으로 행동 복잡도를 평가: 낮은 압축 가능성은 높은 알고리즘적 복잡도와 더 높은 적응 가능성과 관련된다.
• 시스템을 단순한(예: 돌) 것에서부터 고도로 프로그래밍 가능한(예: 생명체) 것으로 이르는 프로그래밍 가능성 스펙트럼에 따라 분류하기 위해 방법을 적용한다.
• 센서모터 반응을 맵핑하고 환경 입력과 연관지키기 위해 행동 투영(예: 3차원 단계 공간)을 사용한다.
• 행동 반응 민감도에 기반한 정량적이고 단계적인 지능 측정 기준을 제공함으로써 튜링 테스트를 확장한다.

실험 결과

연구 질문

• RQ1 주관적 또는 과제 중심의 벤치마크에 의존하지 않고 자연계 및 인공 시스템의 지능을 객관적으로 수량화할 수 있는 방법은 무엇인가?
• RQ2 특히 콜모고로프 복잡도를 통해 알고리즘적 정보 이론으로 행동 복잡도를 어느 정도 측정할 수 있는가?
• RQ3 시스템의 환경 자극에 대한 민감도는 행동 출력의 압축 가능성으로 측정할 수 있는가?
• RQ4 이러한 방법은 높은 적응 가능성(예: 피드백이 있는 로봇)을 보이는 시스템과 고정된 비반응적 행동을 보이는 시스템을 어떻게 구분하는가?
• RQ5 이 프레임워크는 기계 지능 평가에서 튜링 테스트를 어떻게 확장하거나 개선하는가?

주요 결과

• 낮은 알고리즘적 복잡도를 가진 시스템—예를 들어 100개의 1로 이루어진 문자열—는 짧은 프로그램으로 생성될 수 있으며, 이는 낮은 난수성과 높은 압축 가능성과 관련된다.
• 명백한 패턴이 없는 난수처럼 보이는 문자열은 패턴이 없기 때문에 높은 콜모고로프 복잡도를 가지며, 문자열 자체의 길이에 거의 도달하는 프로그램(예: print(s))이 필요하므로 알고리즘적 난수성을 나타낸다.
• 반복적인 작업을 수행하는 로봇 암은 낮은 압축 가능성으로 인해 높은 알고리즘적 복잡도와 적응 가능성을 나타내는 주기적인 단계 공간 패턴을 생성한다.
• 외부 자극에 반응하는 로봇 시스템은 입력과 출력 간 비트리비한 상관관계를 보이며, 비반응 시스템보다 행동 궤적이 더 압축되지 않는 결과를 낳는다.
• 이 방법은 난류나 브라운 운동 같은 제어 불가능한 현상에서부터 생명체나 지능형 로봇과 같은 프로그래밍 가능한 시스템에 이르는 프로그래밍 가능성 스펙트럼에 따라 시스템을 성공적으로 분류한다.
• 이 프레임워크는 행동 민감도와 압축 가능성에 기반한 정량적이고 단계적인 지능 측정 기준을 제공함으로써 튜링 테스트의 자연스러운 확장이다.