[论文解读] The SP theory of intelligence: its distinctive features and advantages

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

Computability, Logic, AI Algorithms参考文献 44被引用 19

一句话总结

SP智能理论提出了一种基于模式匹配、统一和信息压缩的统一人工智能框架，实现了透明、可扩展的知识表示与处理。该理论在人工智能领域（包括深度学习、贝叶斯网络和自然语言系统）相较于其他方法具有优势，通过单一计算模型整合了多种认知功能，具备强大的理论与实际潜力。

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.

研究动机与目标

• 提出一个基于信息压缩和模式处理的统一智能理论。
• 解决现有人工智能方法（如深度学习、贝叶斯网络和符号AI）的局限性。
• 展示SP理论如何支持人工智能的理论基础与实际应用。
• 实现透明、可解释且可扩展的知识表示与推理。
• 为高性能、开源的SP机器奠定基础，以支持研究与开发。

提出的方法

• SP理论使用模式匹配和统一作为核心机制，用于压缩和整合信息。
• 通过最小长度编码识别数据与知识的最优、紧凑表示。
• 系统支持多种模式对齐，实现跨不同类型数据的结构化推理。
• 通过统一的计算架构建模认知功能，如感知、语言和推理。
• 该理论通过形式化的SP计算机模型实现，可扩展为高性能并行、开源的SP机器。
• 神经实现（SP-neural）将抽象概念映射到类似生物的神经结构，以增强认知合理性。

实验结果

研究问题

• RQ1 单一计算框架如何统一智能的多个方面，包括感知、语言和推理？
• RQ2 通过模式匹配与统一实现的信息压缩相较于深度学习和贝叶斯模型有何优势？
• RQ3 SP理论能否在复杂人工智能系统中同时支持透明的知识表示与高效处理？
• RQ4 SP系统如何在模拟认知过程的神经架构中实现？
• RQ5 SP系统在多大程度上能够解决大数据、自主机器人和自然语言理解方面的挑战？

主要发现

• SP理论提供了一个统一框架，将多种认知功能简化并整合于单一计算模型之下。
• 通过模式匹配与统一实现的信息压缩，能够发现数据中的‘自然’结构，支持高效的知识表示。
• 该系统支持精确与非精确推理，适用于现实世界中的不确定环境。
• SP模型能够解释人类感知与认知中的数学概念与现象，增强了其解释力。
• 该理论支持开发高性能并行、开源的SP机器，以供广泛研究与应用。
• SP系统在短期内具有实际应用优势，同时为长期人工智能发展奠定了坚实基础。