[논문 리뷰] The SP theory of intelligence: its distinctive features and advantages

J. Gerard Wolff|arXiv (Cornell University)|2015. 08. 17.

Computability, Logic, AI Algorithms참고 문헌 44인용 수 19

한 줄 요약

SP 이론은 패턴 매칭, 통합, 정보 압축을 바탕으로 한 인공지능을 위한 통합적 프레임워크를 제안하며, 투명하고 확장 가능한 지식 표현 및 처리를 가능하게 한다. 이는 딥 러닝, 베이지안 네트워크, 자연어 처리 시스템과 같은 기존 대안들에 비해 다양한 인지 기능을 단일 계산 모델 아래 통합함으로써 이론적이고 실용적인 잠재력을 지닌다.

ABSTRACT

This paper aims to highlight distinctive features of the theory of and its apparent advantages compared with some AI-related alternatives. The theory is outlined in an appendix. The distinctive features and advantages are summarised: simplification and integration of observations and concepts, and of structures and processes in computing systems; the SP theory is itself a theory of computing; a central role for information compression via the matching and unification of patterns, and for multiple alignment; transparency in the representation and processing of knowledge; the discovery of 'natural' structures via information compression (DONSVIC); interpretation of aspects of mathematics; interpretation of phenomena in human perception and cognition; realisation of abstract concepts in terms of neurons and their inter-connections (SP-neural). Distinctive features and advantages of the SP system compared with alternatives in: minimum length encoding and related concepts; deep learning in neural networks; universal search; Bayesian networks and other models for AI; analysis and production of natural language; learning natural language; exact and inexact reasoning; representation and processing of diverse forms of knowledge; IBM's Watson; problems associated with big data, and in the development of intelligence in autonomous robots. In conclusion, a major strength of SP system is that it can provide a firm foundation for the long-term development of AI and, at the same time, it may deliver some benefits and applications on relatively short timescales. It is envisaged that a high-parallel, open-source version of the SP machine will be created, hosted on an existing high-performance computer and derived from the existing SP computer model. This will be a means for researchers everywhere to explore what can be done with the system, and to create new versions of it.

연구 동기 및 목표

• 정보 압축과 패턴 처리를 바탕으로 한 통합 지능 이론을 제시하기 위해.
• 딥 러닝, 베이지안 네트워크, 상징적 AI와 같은 기존 AI 접근 방식의 한계를 해결하기 위해.
• SP 이론이 AI의 이론적 기초와 실용적 응용을 둘 다 지원할 수 있음을 보여주기 위해.
• 투명하고 해석 가능하며 확장 가능한 지식 표현 및 추론을 가능하게 하기 위해.
• 연구 및 개발을 위한 고성능, 오픈소스 SP 머신을 위한 기초를 마련하기 위해.

제안 방법

• SP 이론은 정보 압축과 통합을 위한 핵심 메커니즘으로 패턴 매칭과 통합을 사용한다.
• 최소 길이 인코딩을 적용하여 데이터 및 지식의 최적이고 압축된 표현을 식별한다.
• 다양한 데이터 유형 간의 구조적 추론을 가능하게 하기 위해 패턴의 다중 정렬을 지원한다.
• 통합된 계산 아키텍처를 통해 인지 기능인 인지, 언어, 추론을 모델링한다.
• 공식적인 SP 컴퓨터 모델을 통해 이론을 구현하며, 고병렬, 오픈소스 SP 머신으로 확장 가능하다.
• 신경 기반 실현(SP-neural)은 추상적 개념을 생물학적 유사 신경 구조로 매핑하여 인지 타당성을 확보한다.

실험 결과

연구 질문

• RQ1 단일 계산 프레임워크가 어떻게 인지, 언어, 추론과 같은 지능의 다양한 측면을 통합할 수 있는가?
• RQ2 패턴 매칭과 통합을 통한 정보 압축이 딥 러닝과 베이지안 모델에 비해 어떤 이점을 제공하는가?
• RQ3 SP 이론이 복잡한 AI 시스템에서 투명한 지식 표현과 효율적인 처리를 모두 지원할 수 있는가?
• RQ4 SP 시스템은 인지 과정을 반영하는 신경 아키텍처로 어떻게 실현될 수 있는가?
• RQ5 SP 시스템은 대용량 데이터, 자율 로봇, 자연어 이해와 같은 과제를 어느 정도 해결할 수 있는가?

주요 결과

• SP 이론은 다양한 인지 기능을 단일 계산 모델 아래에서 단순화하고 통합하는 통합적 프레임워크를 제공한다.
• 패턴 매칭과 통합을 통한 정보 압축은 데이터 내부의 '자연스러운' 구조를 발견함으로써 효율적인 지식 표현을 지원한다.
• 시스템은 정확한 추론과 비정확한 추론을 모두 지원하여 현실 세계의 불확실한 환경에 적합하다.
• SP 모델은 인간의 인지 및 지각에서 수학적 개념과 현상을 해석할 수 있어 그 설명력을 높인다.
• 이론은 광범위한 연구 및 응용을 위해 고병렬, 오픈소스 SP 머신 개발을 지원한다.
• SP 시스템은 단기적으로 실용적 이점을 제공할 뿐만 아니라 장기적인 AI 개발을 위한 견고한 기반을 제공한다.