[论文解读] 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 4

一句话总结

本文提出了一种算法行为测试，通过测量系统对环境刺激的敏感性，利用算法复杂性和柯尔莫哥洛夫复杂性来量化自然系统和人工系统中的智能。该方法引入了一套定量且上下文敏感的框架，根据行为输出的可压缩性对系统进行分级，从而实现对可编程性和适应性的客观但又具有主观性的评估。

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.

研究动机与目标

• 解决在人工系统和自然系统中缺乏客观、定量的智能评估方法的问题。
• 通过引入一种上下文敏感的算法方法，克服传统智商测试和图灵测试的局限性。
• 不将智能定义为内部机制，而是基于对环境刺激的可观测行为响应。
• 提供一个框架，平衡客观性（通过算法信息论）与主观性（观察者依赖的期望）。
• 基于可编程性和适应性，实现对系统的比较评估，特别是在机器人学和人工生命领域。

提出的方法

• 使用算法信息论（AIT）和柯尔莫哥洛夫复杂性 $K$ 作为核心度量，量化行为输出的算法随机性。
• 将系统行为表示为相空间中的轨迹（例如，3D空间中机械臂运动的6D相空间），捕捉随时间变化的输入-输出动态。
• 通过无损压缩性评估行为复杂性：压缩性越低，表示算法复杂性越高，适应性越强。
• 将该方法应用于对系统在可编程性谱系上的分类，从简单系统（如岩石）到高度可编程系统（如生物体）。
• 使用行为投影（例如，3D相空间）映射感官运动响应，并将其与环境输入相关联。
• 通过提供基于系统对刺激反应敏感性的分级、定量智能度量，扩展了图灵测试。

实验结果

研究问题

• RQ1 我们如何在不依赖主观或任务特定基准的情况下，客观地量化自然和人工系统的智能？
• RQ2 在多大程度上可以使用算法信息论，特别是柯尔莫哥洛夫复杂性，来衡量行为复杂性？
• RQ3 能否通过行为输出的可压缩性来量化系统对环境刺激的敏感性？
• RQ4 所提出的方法在多大程度上能区分高适应性系统（如具有反馈的机器人）与具有固定、非反应性行为的系统？
• RQ5 该框架在多大程度上扩展或改进了图灵测试在评估机器智能方面的应用？

主要发现

• 算法复杂性低的系统——例如一串100个1——可由简短程序生成，表明其随机性低且可高度压缩。
• 看似随机但无明显模式的字符串具有高柯尔莫哥洛夫复杂性，因为其程序长度几乎与字符串本身相当（例如，print(s)），表明具有算法随机性。
• 执行重复任务的机械臂会产生周期性的相空间模式，其压缩性较低，表明具有高算法复杂性和强适应性。
• 对外部刺激有反应的机器人系统，其输入与输出之间表现出非平凡的相关性，导致其行为轨迹比非反应系统更难压缩。
• 该方法成功地将系统沿可编程性谱系进行分类，从不可控现象（如天气、布朗运动）到可编程系统（如生物体、智能机器人）。
• 该框架自然扩展了图灵测试，引入了一种基于行为敏感性和可压缩性的定量、分级智能度量。