Synergistic Integration of Large Language Models and Cognitive Architectures for Robust AI: An Exploratory Analysis

要約

この論文では、インテリジェントな動作を示す人工エージェントの開発に採用される 2 つの AI 下位分野、大規模言語モデル (LLM) と認知アーキテクチャ (CA) の統合について検討します。
それぞれ理論モデルに基づいており、予備的な経験的証拠によってサポートされている 3 つの統合アプローチを紹介します。
統合の度合いが異なる 4 つのモデルを導入するモジュール式アプローチは、思考連鎖プロンプトを利用し、拡張 LLM、認知の共通モデル、および認知のシミュレーション理論からインスピレーションを得ています。
心の協会理論と LIDA 認知アーキテクチャによって動機付けられたエージェンシー アプローチは、LLM または記号コンポーネントによって駆動される、ミクロおよびマクロの認知レベルで相互作用するエージェント コレクションの形成を提案しています。
CLARION コグニティブ アーキテクチャからインスピレーションを得たニューロシンボリック アプローチは、ボトムアップ学習が LLM レイヤからシンボリック表現を抽出し、トップダウン ガイダンスがシンボリック表現を利用して LLM レイヤでのプロンプト エンジニアリングを指示するモデルを提案します。
これらのアプローチは、LLM と CA の両方の弱点を軽減しながら、両方の強みを活用し、それによってより堅牢な AI システムの開発を進めることを目的としています。
それぞれのアプローチに関連するトレードオフと課題について説明します。

要約(オリジナル)

This paper explores the integration of two AI subdisciplines employed in the development of artificial agents that exhibit intelligent behavior: Large Language Models (LLMs) and Cognitive Architectures (CAs). We present three integration approaches, each grounded in theoretical models and supported by preliminary empirical evidence. The modular approach, which introduces four models with varying degrees of integration, makes use of chain-of-thought prompting, and draws inspiration from augmented LLMs, the Common Model of Cognition, and the simulation theory of cognition. The agency approach, motivated by the Society of Mind theory and the LIDA cognitive architecture, proposes the formation of agent collections that interact at micro and macro cognitive levels, driven by either LLMs or symbolic components. The neuro-symbolic approach, which takes inspiration from the CLARION cognitive architecture, proposes a model where bottom-up learning extracts symbolic representations from an LLM layer and top-down guidance utilizes symbolic representations to direct prompt engineering in the LLM layer. These approaches aim to harness the strengths of both LLMs and CAs, while mitigating their weaknesses, thereby advancing the development of more robust AI systems. We discuss the tradeoffs and challenges associated with each approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google