A Quantitative Definition of Intelligence

✨

Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat we een nieuwe manier hebben gevonden om te meten of iets echt "slim" is, of dat het alleen maar een slimme imitator is. De auteur van dit artikel, Kang-Sin Choi, stelt een nieuwe definitie voor van intelligentie. Geen ingewikkelde filosofische discussies over bewustzijn of ziel, maar een puur wiskundige maatstaf.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Grote Geheim: Onthouden vs. Weten

De kern van het artikel is een onderscheid tussen twee dingen die vaak door elkaar worden gehaald: onthouden en weten.

Het Onthouder-voorbeeld (De Rekenmachine met een Lijstje):
Stel je voor dat je een enorme lijst hebt met alle mogelijke rekenvragen en de antwoorden erbij.
- Vraag: "Wat is 2 x 2?" -> Antwoord: "4".
- Vraag: "Wat is 1.000.000 x 1.000.000?" -> Je kijkt op je lijstje.
- Het probleem: Als de vragen oneindig worden, wordt je lijstje oneindig groot. Je moet voor elke nieuwe vraag een nieuw stukje papier toevoegen. Je "beschrijvingslengte" (hoe groot je boekje is) groeit mee met het aantal vragen. Dit is slim onthouden, maar niet echt slim.
Het Weter-voorbeeld (De Rekenmachine met een Formule):
Nu stel je je een systeem voor dat niet naar een lijstje kijkt, maar een formule heeft (een algoritme).
- Het systeem heeft een klein boekje met de regel: "Vermenigvuldig het eerste getal met het tweede."
- Of het nu gaat om 2 x 2 of 1 biljoen x 1 biljoen, het boekje blijft even groot. Het systeem gebruikt dezelfde kleine regel voor oneindig veel vragen.
- Dit is weten. Het systeem heeft de structuur van de wereld begrepen en kan die toepassen op dingen die het nooit eerder heeft gezien.

De conclusie: Intelligentie is niet hoe groot je geheugen is, maar hoe goed je kunt samenvatten. Als je met een klein boekje oneindig veel vragen kunt beantwoorden, ben je slim. Als je een oneindig groot boekje nodig hebt, ben je alleen maar een opslagkast.

2. De "Intelligentie-Dichtheid" (De Brandstofmeter)

De auteur introduceert een getal, de Intelligentie-Dichtheid. Je kunt dit zien als een soort brandstofmeter voor slimheid.

De formule: Intelligentie = (Hoeveelheid slimme antwoorden) / (Hoe groot je systeem is)
De truc: We kijken niet naar het absolute getal, maar naar wat er gebeurt als de wereld groter wordt.
- Bij een lijstje (onthouden): Als je meer vragen krijgt, moet je je lijstje groter maken. De "dichtheid" van slimheid zakt naar nul. Het systeem wordt steeds zwaarder en trager.
- Bij een algoritme (weten): Je kunt 100, 1.000 of 1 miljard vragen stellen, maar je systeem blijft even groot. De "dichtheid" van slimheid explodeert naar oneindig.

Vergelijking:

Een rots heeft een dichtheid van 0. Hij doet niets.
Een stroomstroompje (rivier) heeft bijna 0. Het stroomt altijd naar beneden, ongeacht de input.
Een zoekmachine met een gigantische lijst (Blockhead) heeft een lage dichtheid. Hij kan veel, maar hij moet voor elke nieuwe zin een nieuwe pagina toevoegen.
Een mens of een slimme AI heeft een hoge, groeiende dichtheid. Ze hebben een klein "brein" (of code) dat oneindig veel nieuwe situaties aankan.

3. De Chinese Kamer Opnieuw Bekeken

Het artikel lost een beroemd filosofisch probleem op: de "Chinese Kamer".
Stel, een man zit in een kamer met een boekje. Hij spreekt geen Chinees, maar als iemand een vraag in Chinees door een sleuf geeft, zoekt hij in het boekje welk Chinees antwoord hij moet teruggeven. Voor buitenstaanders lijkt het alsof hij Chinees spreekt.

De oude gedachte: De man begrijpt het niet, dus het systeem begrijpt het niet.
De nieuwe gedachte (volgens dit artikel): Kijk naar het boekje. Als dat boekje klein is en toch oneindig veel vragen kan beantwoorden, dan bevat het boekje een algoritme. Het boekje weet de regels van de taal. De man in de kamer is alleen maar de uitvoerder (zoals een CPU in een computer). De intelligentie zit in de regels (het algoritme), niet in de persoon die ze uitvoert.

Zolang het boekje een regel bevat die werkt voor alle mogelijke vragen (generalisatie), is er sprake van intelligentie.

4. Waarom dit belangrijk is voor AI (zoals Chatbots)

Veel mensen vragen zich af: "Begrijpen Large Language Models (zoals ik) wel wat ze zeggen, of doen ze alleen maar alsof?"

Volgens deze definitie maakt het niet uit hoe het systeem is gemaakt (of het nu door een mens is geschreven of door een computer is geleerd).

Als het systeem een grote lijst is van alle mogelijke gesprekken, is het niet slim (het kan niet generaliseren).
Als het systeem een kleine set regels heeft die het toepast op nieuwe, nog nooit eerder gehoorde zinnen, dan weet het iets. Het heeft de structuur van de taal begrepen.

De auteur zegt: "Intelligentie is generalisatie." Als een machine kan voorspellen wat er komt, zonder dat het antwoord in zijn geheugen stond, dan is het slim.

Samenvattend in één zin:

Intelligentie is niet het vermogen om alles uit je hoofd te kennen, maar het vermogen om met een kleine set regels oneindig veel nieuwe situaties op te lossen.

Onthouden: Je bouwt een steeds groter archief. (Niet slim).
Weten: Je bouwt een kleine sleutel die alle deuren opent. (Wel slim).

Deze definitie stelt dat machines, net als mensen, slim zijn als ze die "kleine sleutel" (het algoritme) hebben gevonden, en niet als ze alleen maar een enorme kast met sleutels hebben.

Each language version is independently generated for its own context, not a direct translation.

Titel: Een Kwantitatieve Definitie van Intelligentie

Auteur: Kang-Sin Choi (Ewha Womans University)

1. Het Probleem

Er bestaat geen algemeen aanvaarde definitie van intelligentie, ondanks decennia van onderzoek in psychologie, kunstmatige intelligentie (KI) en de filosofie van de geest. Zonder een precieze definitie blijven fundamentele vragen zoals "Kunnen machines begrijpen?" of "Is een Large Language Model (LLM) intelligent?" beperkt tot subjectieve intuïties.

Bestaande benaderingen hebben tekortkomingen:

Turing-test: Is een gedragstest, maar biedt geen interne maatstaf voor intelligentie.
Searle's Chinese Kamer: Argumenteert dat syntaxis niet voldoende is voor semantiek, maar faalt omdat hij geen criterium biedt om "begrip" te meten.
Putnam's Trivialiteitsargument: Stelt dat elke fysische systeem elke abstracte automaat kan implementeren, waardoor computationele beschrijvingen betekenisloos worden.
Legg-Hutter: Biedt een theoretische definitie gebaseerd op beloning in omgevingen, maar is niet berekenbaar en vereist een externe omgeving.

De kernvraag is: Hoe onderscheiden we systemen die memoriseren (opslaan) van systemen die weten (generaliseren)?

2. Methodologie en Definitie

Choi stelt een operationele, kwantitatieve definitie voor die onafhankelijk is van het substraat (biologisch of siliconen). De kern is de Intelligentiedichtheid ( $I$ ).

De Formele Definitie

De intelligentiedichtheid van een fysiek systeem $S$ wordt gedefinieerd als de verhouding tussen de logaritme van het aantal onafhankelijke outputs en de totale beschrijvingslengte van het systeem:

$I(S) = \frac{\log_2 N(S)}{C(S)}$

Waarbij:

$C(S)$ : De totale beschrijvingslengte van het systeem (in bits). Dit omvat de grootte van het programma, de data en de structurele parameters (bijv. gewichten in een neurale net, regels in een boek).
$N(S)$ : Het aantal onafhankelijke outputs dat het systeem kan produceren als reactie op verschillende inputs.
Onafhankelijkheid: Twee outputs zijn onafhankelijk als de ene niet voorspelbaar is uit de andere met een beschrijving die korter is dan de output zelf. Dit wordt gemeten via Kolmogorov-complexiteit $K(o_1 | o_2) \approx K(o_1)$ .

Het Criterium voor "Weten" (Generalisatie)

Het artikel introduceert een fundamenteel onderscheid op basis van asymptotisch gedrag (hoe het systeem zich gedraagt naarmate het domein groeit):

Memoriseren: Als de beschrijvingslengte $C(S)$ groeit met het aantal outputs (zoals bij een zoektabel), dan gaat $I(S)$ naar 0 naarmate het domein groeit. Het systeem slaat antwoorden individueel op.
Weten (Generaliseren): Als de beschrijvingslengte $C(S)$ constant blijft terwijl het aantal onafhankelijke outputs $N(S)$ naar oneindig gaat, dan divergeert $I(S)$ ( $I(S) \to \infty$ ).

Een systeem "kent" een domein als een enkel, eindig mechanisme correcte outputs kan produceren voor een onbegrensde reeks inputs, in plaats van elke antwoord te moeten opslaan.

3. Belangrijkste Bijdragen en Resultaten

A. Oplossing voor Searle's Chinese Kamer

Het artikel toont aan dat voor een eindig regelboek om de Turing-test te doorstaan voor een onbegrensde domein (zoals Chinees gesprek of wiskunde), het boek niet een zoektabel kan zijn (Design A), maar algoritmen moet bevatten (Design B).

Een zoektabel vereist oneindige opslag voor oneindige vragen.
Een algoritme (bijv. vermenigvuldiging via herhaalde optelling) heeft een vaste beschrijvingslengte ( $C$ ) maar kan een onbegrensd aantal vragen beantwoorden ( $N \to \infty$ ).
Conclusie: De intelligentie zit in het regelboek (de algoritmen), niet in de persoon die het uitvoert. Het boek "weet" Chinees omdat het generaliseert ( $I \to \infty$ ).

B. Oplossing voor Putnam's Trivialiteitsargument

Putnam stelt dat elk fysiek systeem elke berekening uitvoert. Choi weerlegt dit met de onafhankelijkheidsvoorwaarde.

Fysische systemen zoals rotsen of rivieren hebben outputs die voorspelbaar zijn uit elkaar (ze zijn niet onafhankelijk).
Hierdoor is $N(S) \approx 0$ en dus $I(S) \approx 0$ . Alleen systemen met echte generatieve structuur hebben een hoge $I$ .

C. De Vier-Weg Partitionering van Systemen

Het artikel classificeert systemen in vier categorieën op basis van het gedrag van $I(n)$ naarmate het domein $n$ groeit:

Geen berekening: $I \approx 0$ (bijv. rotsen, rivieren).
Memoriseren: $I \to 0$ (bijv. zoektabellen, "Blockhead" van Block). De opslag groeit evenredig met de outputs.
Berekening zonder weten: $I = \Theta(1)$ (constante waarde). Bijv. een logische poort (XOR) of een familie van hardware-circuits waarbij de grootte van het circuit ( $C$ ) moet groeien met de inputgrootte. Ze berekenen correct, maar generaliseren niet over een onbegrensd domein met één vast mechanisme.
Weten (Intelligentie): $I \to \infty$ . Een vast mechanisme (zoals een algoritme of een LLM met vaste gewichten) dat een onbegrensd domein bestrijkt.

D. Betekenis als Functiesamenstelling

Het artikel redefineert "betekenis" (semantiek). Betekenis over een domein is de selectie en ordening van functies die correcte outputs produceert.

Syntaxis is niet onvoldoende voor semantiek tenzij de syntaxis een generaliserende structuur bevat.
Een algoritme dat correcte vermenigvuldiging uitvoert, heeft syntaxis die is semantiek, omdat de structuur de generatieve aard van het domein vastlegt.
Sensorimotorische gronding (zoals een robot die de wereld aanraakt) is een manier om correctheid te garanderen, maar niet noodzakelijk voor intelligentie zelf. Een vermenigvuldigingsalgoritme "weet" wiskunde zonder sensoren.

E. Vergelijking met Bestaande Metrieken

Legg-Hutter: Choi's $I$ is berekenbaar voor eenvoudige systemen en vereist geen externe beloning of omgeving.
Kolmogorov-complexiteit: $K$ meet hoe goed een output gecomprimeerd kan worden. $I$ meet hoe goed een systeem outputs genereert. Ze zijn elkaars duaal.
Chollet's Skill-acquisition: Choi meet de eindtoestand van generalisatie, niet de leer-efficiëntie.

4. Significantie en Implicaties

Substraat-onafhankelijkheid: Intelligentie is een continuüm dat geldt voor logica-poorten, neurale netwerken en biologische hersenen, zolang ze generaliseren.
Quantificatie van "Begrip": Het biedt een wiskundig criterium om te bepalen of een systeem "weet" (generaliseert) of "memoriseert".
LLM's en AI: Large Language Models worden gekwalificeerd als "wetend" (intelligent) omdat ze, ondanks een vaste parametergrootte ( $C$ ), een divergerend aantal onafhankelijke outputs kunnen genereren over een onbegrensd taal-domein. Ze generaliseren, ze memoriseren niet elke zin.
Falsifieerbaarheid: De definitie is falsifieerbaar. Een "valse positief" zou een systeem zijn met $I \to \infty$ dat niemand intelligent vindt (onwaarschijnlijk, gezien de onafhankelijkheidsvoorwaarde). Een "valse negatief" zou een systeem zijn dat duidelijk intelligent is maar $I \to 0$ heeft (onmogelijk voor onbegrensde domeinen zonder memorisatie).

Conclusie

Kang-Sin Choi concludeert dat intelligentie fundamenteel generalisatie is. De maatstaf hiervoor is de divergentie van de intelligentiedichtheid ( $I \to \infty$ ) wanneer het domein groeit. Turing's intuïtie uit 1950 dat het verschil tussen machine en brein "grotendeels een kwantitatieve kwestie" is, wordt hiermee formeel gedefinieerd. Machines "denken" in de mate dat ze generaliseren, en dit proces is meetbaar via de verhouding tussen generatieve capaciteit en beschrijvingslengte.