[论文解读] Why Artificial Intelligence Needs a Task Theory --- And What It Might Look Like

Kristinn R. Þórisson, Jordi Bieger+3 more|arXiv (Cornell University)|Apr 15, 2016

AI-based Problem Solving and Planning参考文献 8被引用 4

一句话总结

本文主张人工智能亟需一种形式化的任务理论，以实现对智能系统的系统性评估、比较与设计。该文提出一种基于物理的框架，通过时间、能量、目标和环境动力学等参数建模物理任务，展示了此类理论如何标准化评估过程，并支持在多样化任务间的泛化能力。

ABSTRACT

The concept of "task" is at the core of artificial intelligence (AI): Tasks are used for training and evaluating AI systems, which are built in order to perform and automatize tasks we deem useful. In other fields of engineering theoretical foundations allow thorough evaluation of designs by methodical manipulation of well understood parameters with a known role and importance; this allows an aeronautics engineer, for instance, to systematically assess the effects of wind speed on an airplane's performance and stability. No framework exists in AI that allows this kind of methodical manipulation: Performance results on the few tasks in current use (cf. board games, question-answering) cannot be easily compared, however similar or different. The issue is even more acute with respect to artificial *general* intelligence systems, which must handle unanticipated tasks whose specifics cannot be known beforehand. A *task theory* would enable addressing tasks at the *class* level, bypassing their specifics, providing the appropriate formalization and classification of tasks, environments, and their parameters, resulting in more rigorous ways of measuring, comparing, and evaluating intelligent behavior. Even modest improvements in this direction would surpass the current ad-hoc nature of machine learning and AI evaluation. Here we discuss the main elements of the argument for a task theory and present an outline of what it might look like for physical tasks.

研究动机与目标

• 解决当前缺乏系统性理论基础以定义、比较和评估人工智能任务的问题。
• 通过形式化任务-环境参数，实现对人工智能系统性能的严谨、系统化分析。
• 通过提供处理意外出现、多样化任务的框架，支持通用人工智能（AGI）的发展。
• 建立一种形式化体系，支持大规模任务的分解、抽象与比较。
• 通过将任务建立在物理定律和可测量参数的基础上，弥合临时性评估方法与复杂现实世界人工智能系统需求之间的差距。

提出的方法

• 将任务定义为包含目标、环境和智能体本体的三元组，引入时间、能量、位置、速度和功率等正式参数。
• 使用牛顿力学建模任务动力学，采用离散时间步长和状态转移（例如，通过速度与时间增量更新位置）。
• 将智能体本体表示为可观测与可控变量对（例如位置与功率），并设定有界定义域（如功率 ∈ [0, 10]）。
• 将目标形式化为状态约束集合（例如位置 > 10，时间 < 5，能量 > 0），包含截止时间与资源预算。
• 通过改变初始状态、环境参数（如摩擦力、风速）、传感器/执行器分辨率以及目标子句，实现任务的可变性。
• 利用该框架分析任务族（如驾驶任务），并推导出复杂性、可观测性与资源效率等涌现特性。

实验结果

研究问题

• RQ1 形式化任务理论如何实现对多样化任务中人工智能系统进行系统性比较与评估？
• RQ2 哪些核心参数与形式化结构是建模物理任务所必需的，以支持泛化与抽象？
• RQ3 任务理论如何支持必须应对未预见任务的通用人工智能（AGI）系统的设计与评估？
• RQ4 任务动力学与环境参数应如何被形式化操控，以评估系统性能与鲁棒性？
• RQ5 如何通过共享的结构与动态特性来定义和关联任务族？

主要发现

• 基于物理定律的任务理论可精确、形式化地建模任务，使用时间、能量、位置、速度与功率作为可测量的状态变量。
• 所提出的框架可在不改变底层模型结构的前提下，系统性地改变任务参数（如初始状态、能量预算、摩擦力）。
• 同一任务模型可用于分析不同性能权衡，例如最小化时间（使用最大功率时为2.863秒）与最小化能耗（以0.15 J/s速率运行，剩余8.52焦耳能量）。
• 通过增加新目标子句（如要求结束时速度为零）或多维约束，可扩展任务，体现其可扩展性。
• 该理论可通过共享结构特征实现任务的抽象与分类，支持对差异显著的任务（如网球与足球）进行比较。
• 该框架通过隔离并操控环境与任务参数，实现系统化评估，类似于航空工程中的工程实践。