[論文レビュー] Quantifying Natural and Artificial Intelligence in Robots and Natural Systems with an Algorithmic Behavioural Test

Héctor Zenil|arXiv (Cornell University)|Dec 20, 2014

Computability, Logic, AI Algorithms参考文献 17被引用数 4

ひとこと要約

本稿では、アルゴリズム的複雑性およびコルモゴロフ複雑性を用いて、自然および人工システムの環境刺激への感受性を測定することにより、知能を定量化するアルゴリズム的行動テストを提案する。この研究は、行動出力の圧縮可能性に基づいてシステムを評価する定量的で文脈に敏感なフレームワークを導入し、プログラマビリティおよび適応性について、客観的ではあるが主観的でもある評価を可能にする。

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.

研究の動機と目的

• 自然および人工システムにおける知能を評価するための客観的かつ定量的な指標が不足しているという問題に対処すること。
• 従来のIQテストやチューリングテストの限界を克服し、文脈に敏感なアルゴリズム的アプローチを導入すること。
• 知能を内部メカニズムではなく、環境刺激への観察可能な行動的反応として定義すること。
• アルゴリズム情報理論による客観性（＝アルゴリズム的情報理論）と、観測者に依存する期待値による主観性の両方をバランスさせるフレームワークを提供すること。
• 特にロボティクスおよび人工生命分野において、プログラマビリティおよび適応性に基づいてシステムを比較評価できるようにすること。

提案手法

• アルゴリズム的情報理論（AIT）を用い、行動出力のアルゴリズム的ランダムネスを測定する核心的指標としてコルモゴロフ複雑性 $K$ を使用する。
• システムの行動を位相空間内（例えば、3次元空間内でのロボットアームの動きでは6次元）の軌道として表現し、時間経過に伴う入出力ダイナミクスを捉える。
• 損失なし圧縮可能性を用いて行動の複雑さを評価する：圧縮が難しいほど、アルゴリズム的複雑性が高く、適応性が大きいとされる。
• この手法を用いて、単純なもの（例：岩）から高度にプログラマブルなもの（例：生物）まで、プログラマビリティのスケールに沿ってシステムを分類する。
• センサモータ制御応答をマップするための行動プロジェクション（例：3次元位相空間）を用い、環境入力と相関づける。
• チューリングテストを拡張し、環境刺激への反応の感受性に基づいて、段階的で定量的な知能の測定値を提供する。

実験結果

リサーチクエスチョン

• RQ1 主観的またはタスク固有のベンチマークに依存せずに、自然および人工システムの知能をどのように客観的に定量化できるか。
• RQ2 アルゴリズム的情報理論、特にコルモゴロフ複雑性を用いて、行動の複雑さをどの程度測定できるか。
• RQ3 行動出力の圧縮可能性を通じて、システムの環境刺激への感受性をどのように定量化できるか。
• RQ4 本手法は、フィードバックを持つロボットのような高い適応性を持つシステムと、固定的かつ反応のない行動を示すシステムをどのように区別するか。
• RQ5 本フレームワークは、機械の知能を評価するうえで、チューリングテストをどのように拡張または改善するか。

主な発見

• 低アルゴリズム的複雑性を持つシステム—例えば100個の1からなる文字列—は短いプログラムで生成可能であり、ランダムネスが低く、圧縮性が高いことを示す。
• 明確なパターンのないランダムに見える文字列は、コルモゴロフ複雑性が高く、文字列自体とほぼ同じ長さのプログラム（例：print(s)）が必要になるため、アルゴリズム的ランダムネスを示す。
• 繰り返し作業を行うロボットアームは、圧縮が難しい周期的な位相空間パターンを生成し、高アルゴリズム的複雑性と高い適応性を示す。
• 外部刺激に反応するロボットシステムでは、入力と出力の間に非自明な相関関係が生じ、非反応系と比較して行動軌道が圧縮されにくくなる。
• 本手法は、制御不能な現象（例：気象、ブラウン運動）からプログラマブルなシステム（例：生物、知能を持つロボット）まで、プログラマビリティのスケールに沿ってシステムを的確に分類できた。
• フレームワークは、行動感受性と圧縮可能性に基づいた定量的で段階的な知能測定値を提供するため、チューリングテストの自然な拡張である。