[论文解读] A Theory of Intelligences

Michael Hochberg|arXiv (Cornell University)|Aug 23, 2023

Emotional Intelligence and Performance被引用 4

一句话总结

本文提出了一种基于第一性原理的智能理论（TIS），将智能定义为为实现目标而消除不确定性的过程，并将其划分为路径效率（求解）和目标准确性（理解）。该理论引入了可量化的宏观尺度指标——难度、惊讶度和目标解析准确性——并预测：智能路径不仅能够实现目标，还能拓展未来目标空间的可达性，从而解释艺术、政治等非达尔文式行为。

ABSTRACT

Intelligence is a human construct to represent the ability to achieve goals. Given this wide berth, intelligence has been defined countless times, studied in a variety of ways and represented using numerous measures. Understanding intelligence ultimately requires theory and quantification, both of which have proved elusive. I develop a framework -- the Theory of Intelligences (TIS) -- that applies across all systems from physics, to biology, humans and AI. TIS likens intelligence to a calculus, differentiating, correlating and integrating information. Intelligence operates at many levels and scales and TIS distils these into a parsimonious macroscopic framework centered on solving, planning and their optimization to accomplish goals. Notably, intelligence can be expressed in informational units or in units relative to goal difficulty, the latter defined as complexity relative to system (individual or benchmarked) ability. I present general equations for intelligence and its components, and a simple expression for the evolution of intelligence traits. The measures developed here could serve to gauge different facets of intelligence for any step-wise transformation of information. I argue that proxies such as environment, technology, society and collectives are essential to a general theory of intelligence and to possible evolutionary transitions in intelligence, particularly in humans. I conclude with testable predictions of TIS and offer several speculations.

研究动机与目标

• 开发一个适用于生物、人工及物理系统的统一、基于第一性原理的智能理论。
• 通过识别难度、惊讶度和目标准确性等核心特征，弥补智能领域缺乏连贯的理论与定量框架的不足。
• 通过将智能划分为不确定性降低（求解）与目标准确性（理解）来解决智能概念上的模糊性。
• 通过路径探索与未来目标空间扩展的预测能力，解释非达尔文式智能行为（如艺术、政治与休闲）。
• 建立一个能够涵盖时间动态、环境影响与演化轨迹的智能理论基础。

提出的方法

• 基于三个可量化的系统特征（难度、惊讶度、目标解析准确性）提出一种宏观尺度的智能框架。
• 将智能划分为两个组成部分：路径智能（不确定性降低的效率）与理解（目标实现的准确性）。
• 为惊讶度与难度引入简洁的数学表达形式，支持智能动态的理论建模。
• 利用时间空间模型，对过去源头、当前代理、环境以及未来演化（包括演化适应度与衰老）中的智能进行建模。
• 通过目标实现与路径效率的比较分析，将该理论应用于从个体认知到人工智能及非设计的物理/化学系统等多样化系统。
• 采用根植于信息论、第一性原理与系统动力学的概念框架，将智能建模为一种主动的目标解析过程。

实验结果

研究问题

• RQ1 理解智能的宏观模式是否必须依赖微观过程？
• RQ2 我们能否识别出一组核心表型特征，以解释智能的主要效应与变异？
• RQ3 在目标解析路径上，是否存在层级影响、熵变与准确性变化的典型模式？
• RQ4 智能与目标复杂性在个体一生中及种群间如何共同演化？
• RQ5 流体智能随年龄下降是否与随年龄变化的选择压力一致？若不一致，原因是什么？

主要发现

• 该理论将智能划分为两个独立组成部分：不确定性降低（求解）与目标准确性（理解），其中前者可拓展未来目标空间的可达性。
• 智能路径不仅高效实现目标，还作为探索机制，提升实现先前不可达目标的可能性。
• 该框架通过揭示路径探索可扩展未来目标潜力，解释了非达尔文式智能行为（如艺术、政治与休闲）的产生。
• 该理论预测智能特征会影响繁殖适应度，并受选型交配影响，且流体智能随年龄下降，与演化理论一致。
• TIS为惊讶度与难度提供了简洁的数学表达形式，使该理论能够对包括生命、群体与人工智能在内的多样化系统进行智能建模。
• 该理论具有可证伪性：它预测在难度低且惊讶度低的情况下，主动智能（由公式8定义）是不必要的，这与经验预期一致。