超越模仿:在人工系统中评估真实智能的框架

科学领域:

• 人工智能的人工智能
• 认知科学 认知科学
• 神经科学是一个神经科学.

背景情况:

• 当前的人工智能基准通常优先考虑任务模仿,而不是真正的智能和认知过程.
• 现有的评估缺乏一个框架来比较各种AI基质 (数字,神经形态,生物).
• 需要对先进的人工智能能力进行系统评估,例如长期推理,规范内化和转型创造力.

研究的目的:

• 介绍机器扰动复杂性和代理电池 (mPCAB),这是一种用于AI评估的新型基板独立框架.
• 应用神经生理学方法来评估人工系统中的意识和认知机制.
• 通过评估长期推理,规范内化和转型创造力来解决人工智能的研究缺口.

主要方法:

• 开发了四个关键组件的mPCAB:扰动复杂性,全球工作空间评估,规范内部化和代理.
• 分析意识理论 (GNW,IIT,PP,HOT) 以确定人工智能实施目标.
• 将人类的认知功能映射到计算对应器上,并定义了一个从组合到转换的创造力分类法.

主要成果:

• 在试点研究中证明了mPCAB在数字,神经形态和生物基质的可行性和度量可比性.
• 建立了一个框架,将AI机制与功能联系起来,使系统的交叉基板比较成为可能.
• 整合人工智能开发的伦理考虑,包括减少偏见和权利问题.

结论:

• mPCAB将人工智能评估从表面的基准转变为基于机制的评估.
• 该框架支持开发具有真正理解力的类似思维机器.
• 通过结合认知和道德维度,促进负责任的AI进步.