发育网络二及其最优性与涌现图灵机
人工智能
2022-08-15 v1 神经与进化计算
摘要
强人工智能要求学习引擎不针对特定任务，并能自动构建内部特征的动态层级。所谓层级，例如短道路边缘与短灌木边缘构成地标的中间特征；但树影产生的中间特征属于干扰项，必须被高层地标概念忽略。所谓动态，是指自动选择特征并忽略干扰项并非静态，而是基于动态统计（例如由于地标语境中阴影的不稳定性）。所谓内部特征，是指它们不仅是感觉的，也是运动的，从而使来自运动（状态）的语境与感觉输入整合，成为基于语境的逻辑机器。我们阐述为何对于任何在真实世界中可靠工作的实用人工智能系统，强人工智能都是必要的。随后我们提出新一代发育网络2（DN-2）。相比DN-1具有诸多新特性，DN-2最重要的新特性在于每个内部神经元的抑制区是神经元特异且动态的。这使得DN-2能够自动构建流动的层级内部表征，其区域数量不像DN-1那样固定。为最优利用有限可用资源，我们证明在有限学习经验与有限资源的条件下，DN-2在最大似然意义下是最优的。我们还展示DN-2如何学习涌现的通用图灵机（UTM）。结合最优性，我们给出了最优UTM。基于DN-2开展了真实世界视觉导航、迷宫规划与听觉实验，成功表明DN-2可通用地处理自然与合成输入。其自动构建的内部表征聚焦于重要特征，同时对干扰项及其他无关语境概念保持不变性。
引用
@article{arxiv.2208.06279,
title = {Developmental Network Two, Its Optimality, and Emergent Turing Machines},
author = {Juyang Weng and Zejia Zheng and Xiang Wu},
journal= {arXiv preprint arXiv:2208.06279},
year = {2022}
}
备注
US patent application document 81 pages, 17 figures, patent approval pending