楼主: 时光永痕
773 0

[数据挖掘新闻] 衡量AGI的进度很难 [推广有奖]

  • 0关注
  • 14粉丝

svip3

学术权威

12%

(VIP/贵宾)八级

3%

威望
0
论坛币
26 个
通用积分
57.2238
学术水平
4 点
热心指数
4 点
信用等级
4 点
经验
34180 点
帖子
2732
精华
0
在线时间
321 小时
注册时间
2020-7-21
最后登录
2024-8-1

楼主
时光永痕 学生认证  发表于 2020-9-18 21:23:03 |AI写论文

+2 论坛币
k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群
赵安豆老师微信:zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

感谢您参与论坛问题回答

经管之家送您两个论坛币!

+2 论坛币
衡量AGI的进度很难
简介:   人工智能(AGI)在未来仍然遥遥无期,但令人惊讶的是,关于如何衡量我们是否接近的讨论很少。本文回顾了一项关于在动物AI奥运会中将现有AI与动物能力进行对比的建议。这是一件真实的事情,刚刚接受了参赛者。
人工智能(AGI)是许多AI研究人员的看法,但一致性却出乎意料地少。我们广泛认为,要达到人类级别的AGI,就需要一个具有以下所有功能的系统:
意识:具有主观经验和思想。
自我意识:要意识到自己是一个独立的个体,尤其是要意识到自己的思想和独特性。
感觉:主观感觉或情感的能力。
智慧:智慧的能力。
好的,这些就是科幻小说中描述的特征。如果可能,我们可能会认为我们已经接近:
从一个资源中学习,并将其应用到另一个完全不相关的领域。换句话说,概括。
就是说,一旦学会了一项任务,便再次将其应用于其他数据或其他环境。
小而快速。当今的系统非常耗能,阻碍了它们的小型化。
以一种真正无监督的方式学习。
关于何时实现AGI也有很多意见。大约一年前,这次我们报道了2017年多伦多大学机器学习会议的一个小组,主题是``AGI有多远''。与会者是由7位杰出的人工智能思想家和投资者组成的令人印象深刻的小组(包括Ben Goertzel和Steve Jurvetson)。他们的想法如下:
超人能力5年
7年
大概13年(到2025年,我们将知道到2030年是否可以拥有它)
23年(2040)
30年(2047)
30年
30至70年
有很大的分歧,但中位数为23年(2040年),其中一半人的思考时间更长。
我们如何衡量进度,而不仅仅是最终的成功
毋庸置疑,要实现这些列表中的任何一个都是一项艰巨的任务。在我们宣布胜利之前,并非所有研究人员都同意这些特征在什么程度上是必要和充分的。毕竟,我们正在努力实现AGI,但尚未真正看到目的地。
已经提出了一些最终成功的测试,其中大多数您可能已经听说过。
图灵测试:计算机能否使人相信它也是人。这个人已经69岁了。
就业测试:尼尔斯·尼尔森(Nils Nilson,2005年),一种机器人应使具有经济意义的工作自动化。
咖啡测试:来自苹果公司联合创始人史蒂夫·沃兹尼亚克(Steve Wozniak),2007年。当机器人可以进入一个陌生的房子并制作一杯像样的咖啡时。
机器人学院的学生:2012年本·格特策尔(Ben Goertzel)的作品。机器人可以使用与人类相同的资源和方法进入大学并获得学位。
奇怪的是,过去7年似乎没有增加任何新的关于最终成功的重大测试。事情解决了吗?
实际上,似乎无法解决的是如何衡量我们在实现这些目标方面的进展。像我们领域中的大多数进步一样,随着渐进式改进可以带来更好的性能,我们应该能够提前几年看到这些成功。但是,如何判断我们是50%还是75%?
动物AI奥运
去年2月,剑桥大学勒沃胡姆大学智能未来中心与位于布拉格的研究机构GoodAI之间的项目合作伙伴提出了一种有趣的方法。他们的想法是使用各种已经建立的动物认知任务,针对各种动物对各种AI的当前水平进行基准测试。因此,动物AI奥运会。
6月,他们宣布了这些测试的详细信息,现在正接受潜在竞争对手的提交。他们提出以下10个测试代表了动物和AI难度的不断提高,因此推理的复杂性也越来越高。
食物:单项正面奖励。在限制时间内获取尽可能多的食物。
偏好设置:修改食物测试以包括获取更多食物或更容易获得食物的偏好选择。
障碍:阻碍特工导航的一些不可移动的障碍要求特工探索环境以解决任务。
避免:引入“热区”和“死亡区”,要求代理商避免负面刺激。
空间推理:测试复杂的导航能力,并且需要一些简单的物理知识来操作环境。
泛化:包括环境的变化,这些变化看起来可能与代理表面上不同,即使问题的性质和解决方案保持不变。
内部模型:代理必须能够存储环境的内部模型。一段时间后,灯光可能会关闭,要求座席记住布局并在黑暗中导航。
物体的持久性:许多动物似乎都知道,当物体看不见时,它仍然存在。这是我们的世界和我们的环境的财产,但未必被许多AI系统所尊重。如果不了解对象的持久性,就不可能进行许多简单的交互。
高级首选项:测试座席做出更复杂决策的能力,以确保其获得尽可能高的报酬。期望测试会带来可实现的不同奖励。
因果推理:包括提前计划的能力,以便在采取行动之前先考虑其后果。某些非人类动物通过了该类别中的所有测试,其中包括来自整个动物界的一些更为惊人的智力示例。
这让我感到很有价值,但是在预测我们向AGI迈进的过程中并不是特别确定。它似乎也只专注于强化学习。我的猜测是,每10名AGI研究人员中就有8名可能会说强化学习是最可能的途径,但是我们不应该排除其他努力的突破,例如尖峰或神经形态芯片甚至字面上的生物湿件芯片。
我在想那些通用动力机器人在这个规模上至少达到第6位,甚至可能更高。不过,还是很高兴看到有人把桩子放在地上并对此进行射击。我渴望看到结果。

关注 CDA人工智能学院 ,回复“录播”获取更多人工智能精选直播视频!


二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

关键词:Steve 多伦多大学 我们的世界 人工智能 研究机构

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注cda
拉您进交流群
GMT+8, 2025-12-21 08:58