A Review on Objective-Driven Artificial Intelligence

要約

人工知能は急速に進歩していますが、現在の AI テクノロジーと私たちの認知に関する理解に固有の限界があるため、いくつかの重要な側面において依然として人間の知能に及んでいません。
人間には、コミュニケーションにおける文脈、ニュアンス、微妙な合図を理解する生来の能力があり、それによってジョーク、皮肉、比喩を理解することができます。
機械は、このようなコンテキスト情報を正確に解釈するのに苦労します。
人間は、世界について論理的な推論や予測を行うのに役立つ常識的な知識の膨大な宝庫を持っています。
機械にはこの生来の理解力が欠けており、人間にとっては些細なことだと思われる状況を理解するのに苦労することがよくあります。
この記事では、将来のマシン インテリジェンスの候補者、ヤン ルカン教授によるレビュー、および人間とマシン インテリジェンスのギャップを埋めるのに役立つその他の研究についてレビューします。
具体的には、教師あり学習、強化学習、自己教師あり学習などの現在の AI 技術に何が欠けているかについて説明します。次に、階層計画ベースのアプローチがそのギャップを埋め、エネルギーベースの分野に深く掘り下げるのにどのように役立つかを示します。
、潜在変数法および結合埋め込み予測アーキテクチャ法。

要約(オリジナル)

While advancing rapidly, Artificial Intelligence still falls short of human intelligence in several key aspects due to inherent limitations in current AI technologies and our understanding of cognition. Humans have an innate ability to understand context, nuances, and subtle cues in communication, which allows us to comprehend jokes, sarcasm, and metaphors. Machines struggle to interpret such contextual information accurately. Humans possess a vast repository of common-sense knowledge that helps us make logical inferences and predictions about the world. Machines lack this innate understanding and often struggle with making sense of situations that humans find trivial. In this article, we review the prospective Machine Intelligence candidates, a review from Prof. Yann LeCun, and other work that can help close this gap between human and machine intelligence. Specifically, we talk about what’s lacking with the current AI techniques such as supervised learning, reinforcement learning, self-supervised learning, etc. Then we show how Hierarchical planning-based approaches can help us close that gap and deep-dive into energy-based, latent-variable methods and Joint embedding predictive architecture methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google