[论文解读] Universal Intelligence: A Definition of Machine Intelligence

Shane Legg, Marcus Hütter|ArXiv.org|Dec 20, 2007

Computability, Logic, AI Algorithms参考文献 21被引用 6

一句话总结

本文提出了一种基于在所有可计算环境中的通用性能的机器智能的数学形式化定义，采用源自类似AIXI的最优智能体的通用智能度量（Υ）。其主要贡献在于提出了一种通用、客观且形式化的智能度量方法，适用于任何智能体——人类、动物或机器——从而实现对不同类型系统间智能的直接比较。

ABSTRACT

A fundamental problem in artificial intelligence is that nobody really knows what intelligence is. The problem is especially acute when we need to consider artificial systems which are significantly different to humans. In this paper we approach this problem in the following way: We take a number of well known informal definitions of human intelligence that have been given by experts, and extract their essential features. These are then mathematically formalised to produce a general measure of intelligence for arbitrary machines. We believe that this equation formally captures the concept of machine intelligence in the broadest reasonable sense. We then show how this formal definition is related to the theory of universal optimal learning agents. Finally, we survey the many other tests and definitions of intelligence that have been proposed for machines.

研究动机与目标

• 为解决缺乏一种普遍接受的、适用于人类、动物和人工智能体等多样化系统的正式机器智能定义的问题。
• 将人类智能的非正式专家定义形式化为一种数学上精确的度量，以捕捉智能在一般意义上的本质。
• 开发一种通用智能度量（Υ），用于评估智能体在所有可能可计算环境中的表现，从而实现智能的客观比较。
• 为超越以人类为中心或基于模仿的基准测试（如图灵测试）的机器智能测试与度量提供理论基础。
• 建立一个框架，以支持对现实世界智能体的通用智能的实用、可计算的近似方法的发展。

提出的方法

• 从十位专家对人类智能的定义中提取核心特征，并将其泛化为一个通用框架。
• 定义一个正式的智能体-环境交互模型，其中智能通过智能体在所有可计算环境中的表现来衡量。
• 引入通用智能度量Υ，即智能体在所有可能环境中表现的期望值，按其算法复杂度（Solomonoff先验）加权。
• 使用AIXI框架作为理论上的最优智能体，以实例化通用智能度量，表明Υ能够捕捉最优学习与决策行为。
• 将该度量应用于各种智能体（如AIXI、人类、动物、简单程序）以证明其通用性与一致性。
• 主张理解、创造力或意识等属性仅在影响明确环境中的可测量表现时才具有相关性。

实验结果

研究问题

• RQ1 哪些人类智能的基本特征可以被抽象为适用于所有智能体的一般性、形式化定义？
• RQ2 能否构建一种通用智能度量，公平比较具有截然不同物理形态、传感器和环境的智能体？
• RQ3 所提出的通用智能度量Υ与现有最优学习与决策理论（如AIXI）之间有何关系？
• RQ4 该通用智能度量在多大程度上可被实际近似，以适用于现实世界智能体？
• RQ5 当应用于缺乏人类特征（如意识或语言）的系统时，通用智能度量Υ是否仍保持有效且有意义？

主要发现

• 所提出的通用智能度量Υ通过使用Solomonoff先验在所有可计算环境中评估表现，正式捕捉了机器智能的本质。
• 该度量在理论上是最优的，且与AIXI智能体一致，后者在所有环境中最大化期望奖励，因此代表了通用智能的理论上限。
• 该框架表明，理解、创造力或情感等属性仅在影响明确环境中可测量表现时才与智能相关。
• 本文主张No-Free-Lunch定理并不否定通用智能，因为该度量并未假设环境分布为均匀分布。
• 通用智能度量为开发可实际应用、可近似的智能测试提供了基础，可用于比较包括人类、动物和机器在内的多样化智能体。
• 该形式化定义使得对不同系统间智能的严格、客观且数学基础坚实的比较成为可能，从而超越主观或以人类为中心的基准。