Foundational Requirements for Artificial General Intelligence: A Falsifiable Framework Based on Signal Prediction
Dieses Paper schlägt ein falsifizierbares Framework für Künstliche Allgemeine Intelligenz vor, das auf Prinzipien der Signalvorhersage basiert, welche aus der kognitiven Neurowissenschaft abgeleitet wurden, und führt ein operationales Testbed ein, um diese grundlegenden Anforderungen empirisch zu evaluieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, einen Roboter zu bauen, der wirklich „intelligent“ ist, so wie ein Mensch. Die meisten Menschen heute versuchen, Roboter zu lehren, indem sie ihnen eine Million Beispiele dafür geben, wie man Schach spielt, Gedichte schreibt oder Autos fährt. Aber dieses Papier argumentiert, dass wir das Problem falsch herum angehen. Anstatt dem Roboter beizubringen, was er tun soll, müssen wir die grundlegenden, niederschwelligen Regeln herausfinden, die es einem Gehirn (biologisch oder künstlich) ermöglichen, überhaupt zu lernen.
Der Autor, Matej Šprogar, schlägt einen neuen Weg vor, um „Künstliche Allgemeine Intelligenz“ (AGI) zu testen. Anstatt zu fragen: „Kann dieser Roboter einen Mathetest bestehen?“, fragt er: „Verfügt dieser Roboter über die grundlegenden Bausteine des Lernens?“
Hier ist eine einfache Aufschlüsselung der Kernideen des Papers:
1. Die Kernidee: Lernen durch das Vorhersagen der Zukunft
Das Papier legt nahe, dass wahre Intelligenz nicht darin besteht, Fakten auswendig zu lernen; es geht darum, die Zukunft vorherzusagen.
- Die Analogie: Stellen Sie sich vor, Sie gehen durch einen dunklen Wald. Sie hören, wie ein Zweig knackt. Ein intelligentes System hört nicht nur ein Geräusch; es rät sofort: „Ein Reh kommt“ oder „Ein Ast ist abgebrochen“, und bereitet seinen nächsten Schritt vor.
- Die Behauptung des Papers: Ein intelligentes System muss in der Lage sein, einen Strom von Rohdaten (wie eine Sequenz von 1en und 0en, ähnlich der Art und Weise, wie Neuronen feuern) zu betrachten und zu erraten, was als Nächstes kommt. Es lernt, indem es versucht, den nächsten „Frame“ der Realität basierend auf den vorangegangenen zu vorhersagen.
2. Der „falsifizierbare“ Test (Die 12 Regeln)
Da wir keine perfekte Definition von „Intelligenz“ haben, versucht der Autor nicht zu beweisen, dass ein System intelligent ist. Stattdessen stellt er eine Falle auf. Er schlägt 12 spezifische Regeln vor, die jedes wirklich intelligente System befolgen muss.
Wenn ein System auch nur eine einzige dieser Regeln verletzt, kann es nicht als allgemein intelligent betrachtet werden. Das Bestehen aller 12 Regeln garantiert jedoch nicht, dass es ein Genie ist; es bedeutet nur, dass es noch nicht beim Betrug erwischt wurde.
Hier sind die 12 Regeln, erklärt mit Alltagsanalogien:
- Das unbeschriebene Blatt: Das System muss mit Null Wissen beginnen. Es darf keine vorprogrammierten „Cheat-Codes“ oder vorab geladenen Fakten über die Welt haben. Es muss alles von Grund auf lernen, genau wie ein menschliches Baby.
- Das Uhrwerk-Gehirn: Wenn man dem System exakt denselben Input zweimal gibt, muss es exakt gleich reagieren. Es darf nicht zufällig oder chaotisch sein; es muss konsistent sein.
- Die bleibende Narbe: Jedes einzelne Stück Information, das das System sieht, muss eine permanente Spur in seinem „Gedächtnis“ hinterlassen. Es kann seine Vergangenheit nicht vergessen oder überschreiben; jede Erfahrung verändert es für immer.
- Zeit spielt eine Rolle: Die Reihenfolge der Ereignisse muss wichtig sein. Wenn man ein „Rauch“-Signal sieht, gefolgt von einem „Feuer“-Signal, ist das etwas anderes, als wenn man erst „Feuer“ und dann „Rauch“ sieht. Das System muss verstehen, dass die Zeit in eine Richtung fließt.
- Die „Erholungsphase“: Genau wie ein echtes Neuron eine Millisekunde Pause braucht, bevor es erneut feuert, kann das System nicht zwei identische Signale instantan verarbeiten. Es benötigt eine winzige „Verschnaufpause“ zwischen den Inputs.
- Die Kapazitätsgrenze: Das System kann nicht alles lernen. Es hat ein Limit. Es sollte in der Lage sein, einfache Paare von Ereignissen leicht zu lernen, aber wenn diese länger und komplexer werden, sollte es schließlich an eine Wand stoßen, an der es nicht mehr lernen kann.
- Flexible Zeitgestaltung: Das System muss in der Lage sein, Muster zu lernen, die schnell ablaufen (wie ein Trommelschlag), und Muster, die langsam ablaufen (wie die Jahreszeiten). Es darf nicht auf nur eine Geschwindigkeit festgelegt sein.
- Hart vs. Leicht: Wenn das Muster einfach ist, sollte das System es schnell lernen. Wenn das Muster unordentlich und komplex ist, sollte es länger dauern. Die Lerngeschwindigkeit sollte der Schwierigkeit entsprechen.
- Kontext ist entscheidend: Wie schnell das System lernt, sollte davon abhängen, was es bereits weiß. Wenn die neue Information zu dem passt, was es gestern gelernt hat, sollte es schnell gehen. Wenn sie dem widerspricht, was es gestern gelernt hat, sollte es langsam gehen.
- Der Rauschfilter: Wenn man dem System ein vertrautes Muster gibt, aber einen Teil davon verfälscht (wie ein Lied mit einer kratzigen Schallplatte), sollte es in der Lage sein, den Fehler zu „hören“ und zu erraten, welche Note die korrekte gewesen hätte sein müssen.
- Der Vertrauensbeweis (Generalisierung): Wenn das System ein Muster lernt, sollte es in der Lage sein, vorherzusagen, was als Nächstes in einer Sequenz passiert, die es noch nie gesehen hat. Es sollte nicht nur auswendig lernen; es sollte die Regel verstehen.
- Echtzeit-Geschwindigkeit: Das System muss seine Entscheidung sofort treffen. Es kann nicht ein Jahr lang über einen einfachen Input nachdenken. Es muss innerhalb einer festen, kurzen Zeitspanne reagieren, egal wie viel es gelernt hat.
3. Das „Testfeld“ (Die Prüfung)
Der Autor hat eine digitale Prüfung namens AGITB (Artificial General Intelligence Testbed) gebaut, um zu prüfen, ob Computer diese 12 Regeln bestehen können.
- Der Aufbau: Der Computer wird mit einem Strom von zufälligen 10-Bit-Zahlen gefütet (ähnlich einem Strom von Lichtschaltern, die an- und ausgeschaltet werden).
- Das Ziel: Der Computer muss die nächste Zahl in der Sequenz vorhersagen.
- Das Ergebnis: Bisher hat kein existierendes KI-System den vollständigen Test bestanden.
- Warum? Moderne KI (wie die Chatbots, die Sie verwenden) scheitert meist an der Regel „Unbeschriebenes Blatt“, weil sie auf massiven Datenmengen vortrainiert wurden. Sie scheitert an der „Echtzeit“-Regel, weil sie zu langsam ist oder riesige Computer benötigt, um nachzudenken. Sie scheitert an der „Bleibenden Narbe“-Regel, weil sie oft ihr Gedächtnis zurücksetzt.
4. Warum das wichtig ist
Das Papier argumentiert, dass die heutige KI wie ein Papagei ist. Sie kann wiederholen, was sie gehört hat, aber sie versteht nicht wirklich den Fluss der Zeit oder lernt nicht aus roher Erfahrung ohne Vorab-Laden.
Um einen Roboter zu bauen, der wirklich „lebendig“ und anpassungsfähig ist, müssen wir aufhören, ihm hochkomplexe Fähigkeiten beizubringen (wie das Schreiben von Essays) und statfangen, Systeme zu bauen, die diese 12 niederschwelligen Regeln erfüllen. Wenn eine Maschine diesen Test besteht, bedeutet das, dass sie das Potenzial für allgemeine Intelligenz besitzt. Wenn sie scheitert, ist sie nur ein spezialisiertes Werkzeug.
Kurz gesagt: Das Papier sagt: „Wir wissen nicht genau, was ‚Intelligenz‘ ist, aber wir wissen, was sie nicht ist. Hier sind 12 Regeln, denen ein intelligentes Gehirn folgen muss. Wenn Ihr Roboter auch nur eine dieser Regeln bricht, ist er noch nicht intelligent.“
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.