增强人工智能：一个概念框架

所有人工智能(AI)系统都会犯错。这些错误是出乎意料的，且常常不同于典型的人类错误（“非人类”错误）。AI错误应当在不损害已有技能的前提下得到纠正，并有望避免直接依赖人类专业知识。本文介绍了一个项目的初步总结报告，该项目采用新颖且系统的方法，通过AI群体提升个体AI的智力效能。我们将异构多智能体系统中的一些学习思想与用于遗留AI系统错误非迭代纠正的新颖原创数学方法相结合。文中给出了AI非破坏性纠正的数学基础，并证明了一系列新的随机分离定理。这些定理为在高维中开发、分析和评估机器学习方法与算法提供了新工具。它们表明，在高维下甚至对于指数级大的样本，经典Fisher形式的线性分类器也足够强大，能以高概率将错误与正确响应分离，并为非破坏性纠正器问题提供高效解。特别地，我们证明了在论文‘Stochastic Separation Theorems’(Neural Networks, 94, 255--259, 2017)中表述的一些假设，并回答了Donoho和Tanner于2009年发表的一个一般性问题。