Extended summary of "A Conceptual Bio-Inspired Framework for the Evolution of Artificial General Intelligence"
1. Extended Summary of "A Conceptual Bio-
Inspired Framework for the Evolution of
Artificial General Intelligence"
Sidney PontesSidney Pontes-Filho∗,† and Stefano Nichele∗,‡ Department of Computer Science, Oslo Metropolitan
University, Oslo, Norway †Department of Computer Science, Norwegian University of Science and Technology, Trondheim,
Norway ‡Department of Holistic Systems, Simula Metropolitan, Oslo, Norway
Relatore:
Prof. Ing.
ERIC MEDVET
Presentata da:
NICOLETTA
GIURGEVICH
Dipartimento di Ingegneria e Architettura
Corso di Laurea Triennale in Ingegneria Elettronica ed Informatica
2. Evoluzione Intelligenza Artificiale Generale (AGI)
Abilità agente di apprendere compiti intellettuali che essere umano può svolgere
Comprensione stimoli sensoriali esterni
Cervello è complessa macchina computazionale
Selezione organismi che riconoscono e distinguono stimoli che influiscono
positivamente/negativamente su sopravvivenza e riproduzione
Adattamento ambienti mutevoli e di complessità crescente
Introduzione
3. "Autoapprendimento" mediante personificazione
Ambiente in continua mutazione
Evoluzione topologie reti neurali → NeuroEvoluzione
Neurone
artificiale
Agenti che "imparino ad imparare”
Verosimile in senso biologico
Basato su Spike
Con algoritmi di apprendimento
4. Approcci dello studio all’Intelligenza Artificiale
SNN: "Reti neurali basate sugli Spike"
Insieme neuroni artificiali che comunicano con scariche elettriche (Spike)
che si creano al raggiungimento di valore soglia del potenziale d’azione
NEAT : "NeuroEvoluzione delle Topologie Incrementali"
Usa algoritmi genetici "GA" per accrescimento dimensioni topologiche reti
neurali artificiali e “complessificazione” (senza supervisione)
Caratteristiche ambiente (statico non dinamico)
Lavori
correlati Modalità apprendimento (non autonomo)
5. Approfondimento concetti fondamentali studio
Autoapprendimento tramite personificazione
Tramite reazioni ambiente e input comprendenti ricompense e penalità
Ambienti reattivi e mutevoli
Interazioni vicendevoli agente-ambiente
Obiettivo evoluzionistico agenti è sopravvivere adattandosi
ai continui cambiamenti dell’ambiente
Neuroplasticità
Cambiamenti nell’organizzazione e nella struttura dei neuroni
6. Obbiettivi dello studio
Imitazione evoluzione e capacità di adattamento degli organismi
biologici tramite Intelligenza Artificiale Generale
Modello: neurone artificiale integrato in rete neurale basata su
scariche dette "Spike"
Risultato atteso: possedere topologia che favorisca abilità di
”imparare ad imparare” e conseguente adattamento
7. Aspettativa vita agenti per valutazione di stato agente
e sua capacità adattamento
Ridotta più velocemente → azioni non corrette → penalità
Aspettativa vita massima non infinita anche se esegue sempre azione corretta
Ridotta meno velocemente → azioni corrette → ricompense
8. In conclusione
Articolo da descrizione romanzata di “NeuroEvoluzione
dell’Intelligenza Artificiale Generale" nella più semplice forma
Adattamento agenti risultato di autoapprendimento tramite personificazione
mediante percezione input sensoriali dei dati ambientali
All’interno già incorporate gratificazioni e penalità
In seguito discorso esteso ad ambienti di complessità crescente e multi-agente
Differenza tra IA e AGI capacità apprendimento