机构名称：
¥ 1.0
目前，人类水平的人工智能 [也称为“强人工智能”、“通用人工智能 (AGI)”等] 是科学界和公众最感兴趣的问题之一。然而，由于许多客观和主观原因（Bostrom，2014），该领域的具体研究和工程工作很少。下面回顾了我们研究主题中发表的四篇论文，然后简要概述了 AGI 的最终发展。本主题的第一篇文章（Karimpanal 和 Bouuffanais）重点关注强化学习算法中改进经验重放技术的问题。为了更有效地学习，作者提出了一种选择合适的转换序列来加速学习的方法。新方法结合了跟踪和存储、构建和重放与更高幅度的时间差异误差相关的合适转换序列。该方法在离策略环境中针对诸如水坑世界和山地车等任务进行了评估，结果表明，通过可控记忆参数，学习速度显著提高。Tapia 等人的论文与我们的大脑通过观察与环境有效互动所需的运动主题来构建和学习的能力有关。作者开发了一种基于动作语义知识、利用神经网络动态构建随时间变化情况下的行为的模型。他们的研究结果指出，在认知层面存在某种形式的静态内部表征机制，涉及构建广义地图的决策和战略规划。在虚拟击剑（防守和进攻）战斗游戏的任务中报告了认知运动技能的结果，并使用真实机器人进行了实验验证。在简要概述中，Bac 和 Zinovyev 描述了将多维空间投影到类比蜥蜴脑任务指定的低维空间的现代方法。他们的评论基于数学投影理论的概念，提供了关于局部固有维数的见解，有助于在实际中选择提取和检测 AI 应用中有用的低维表示的方法。他们列出了 100 篇参考文献，展示了几种以相似性或不相似性为特征的注入、投影和多重流形技术。因此，开发新的数学数据分析方法是现在和不久的将来创建学习系统的最重要任务之一。最后，Tyukin 等人开发了一个框架，用于知识在 AI 系统中传播的过程，而无需大量计算资源。他们展示了 AI 系统如何使用预训练的卷积神经网络为独立的 AI 代理创建训练环境。作者使用了两种学习算法来完全自动化知识和经验的传递，其中一个算法充当“老师”，另一个算法充当“学生”。该框架用于视频流中的自动行人检测，并表现出对过滤假阳性和假阴性错误的极高选择性。
社论：迈向并超越人类水平的人工智能
主要关键词
相关文件推荐
