[论文解读] Foundations of Intelligence in Natural and Artificial Systems: A Workshop Report

Tyler Millhouse, Melanie E. Moses+1 more|arXiv (Cornell University)|May 5, 2021

Computability, Logic, AI Algorithms参考文献 28被引用 15

一句话总结

本研讨会报告综合认知科学、人工智能、生物学和哲学的跨学科洞见，为自然与人工系统中的智能构建基础性分类体系。通过识别具身性、集体认知、进化约束以及启发式方法等核心主题，本文提出一个统一框架，以超越狭义人工智能的视角理解智能，强调跨学科合作对于解决人工智能发展中持续存在的不对称性问题的必要性。

ABSTRACT

In March of 2021, the Santa Fe Institute hosted a workshop as part of its Foundations of Intelligence in Natural and Artificial Systems project. This project seeks to advance the field of artificial intelligence by promoting interdisciplinary research on the nature of intelligence. During the workshop, speakers from diverse disciplines gathered to develop a taxonomy of intelligence, articulating their own understanding of intelligence and how their research has furthered that understanding. In this report, we summarize the insights offered by each speaker and identify the themes that emerged during the talks and subsequent discussions.

研究动机与目标

• 为解决人工智能发展中持续存在的不对称性问题——即机器在复杂推理方面表现出色，但在基本感知与移动能力方面表现不佳——通过重新审视智能的基础概念来应对。
• 开发一个全面的、跨学科的智能分类体系，涵盖人类、动物、集体及人工形式的智能，整合来自不同领域的洞见。
• 识别智能的核心原则，如具身性、启发式方法、集体计算与进化适应，以指导未来的人工智能研究。
• 挑战狭义人工智能进展可直接转化为通用智能的假设，突出专门能力与通用认知能力之间的根本性断层。
• 通过连接人工智能、认知科学、神经科学、进化生物学与社会学等领域的研究人员，促进跨学科合作，共同构建智能的共享概念框架。

提出的方法

• 在圣塔菲研究所举办了一场多学科研讨会，汇聚了人工智能、认知科学、神经科学、哲学与进化生物学等领域的顶尖专家。
• 收集并综合了各场专题报告与讨论内容，探讨各领域对智能的特定理解，重点关注启发式方法、具身性与集体计算等核心机制。
• 识别出跨学科的重复主题，如生态约束、进化过程以及高阶认知在塑造智能行为中的作用。
• 通过对比分析人类、动物、集体与人工系统中的智能，推导出一个多维的智能分类体系。
• 强调应将智能建模为非单一特质，而是源于交互网络的分布式、适应性与情境敏感性现象。
• 提出应通过与环境适应性及约束条件下问题解决能力相关的功能标准来评估智能，而非抽象的认知基准。

实验结果

研究问题

• RQ1 狭义人工智能与通用智能之间存在哪些根本性差异？为何一个领域的进展并不必然意味着另一领域的进展？
• RQ2 我们如何定义一种适用于自然系统（如人类、蚂蚁、大脑）与人工系统（如神经网络、智能体）的智能？
• RQ3 具身性、生态约束与进化过程在智能行为的出现中起到多大程度的作用？
• RQ4 启发式方法、心智建模与高阶认知在区分人类智能与其他形式智能中发挥何种作用？
• RQ5 生物或人工集体系统在何种程度上能够实现超越个体智能代理能力的智能？

主要发现

• 研讨会揭示了人工智能发展中持续存在的不对称性：机器在高级推理任务（如游戏对弈）中表现优异，但在人类与动物看来微不足道的低级感知与运动任务上表现不佳。
• 智能并非单一特质，而是源于多种机制的涌现，包括启发式方法、具身性、集体计算与进化适应。
• 许多研究人员拒绝接受狭义人工智能与通用人工智能之间存在直接连续性的观点，主张两者在底层认知架构上存在显著的质性差异。
• 具身性与生态智能——即受环境约束塑造的智能——被确认为理解现实世界智能行为（尤其是生物系统）的关键因素。
• 集体智能被一致强调为扩展认知能力的强大机制，蚁群与神经网络是其中的关键模型。
• 普遍共识认为，进化是唯一已知能够生成稳健通用智能的过程，提示人工智能发展应更系统地融入进化原理。