AI-as-exploration: Navigating intelligence space

📄 arXiv: 2401.07964v3 📥 PDF

作者: Dimitri Coelho Mollo

分类: cs.AI, cs.CL

发布日期: 2024-01-15 (更新: 2024-08-16)

💡 一句话要点

提出AI-as-exploration以探索智能空间

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 智能探索 人工智能 大型语言模型 概念结合 智能构建块 人机交互 教育技术

📋 核心要点

  1. 现有的智能研究往往局限于人类和动物的智能形式，缺乏对其他可能智能形式的探索。
  2. 提出'AI-as-exploration'的概念，利用AI系统探索智能空间，揭示新的智能构建块。
  3. 通过案例研究，展示大型语言模型在概念结合任务中的表现与人类的不同，强调其对智能研究的贡献。

📝 摘要（中文）

人工智能是一个多样化的领域，涵盖了许多科学和商业活动。本文提出了一个被忽视但重要的科学角色，称为'AI-as-exploration'。这一概念的核心在于创建和研究能够揭示不同于人类和动物智能的智能构建块的系统。作者通过案例研究，展示了AI在探索智能空间方面的价值，尤其是在结合人类和大型语言模型中的新概念能力方面。尽管大型语言模型在此任务中表现出人类水平的准确性，但其解决方式可能与人类的假设存在根本差异，这对智能研究同样重要。

🔬 方法详解

问题定义：本文旨在解决当前智能研究中对非人类智能形式探索不足的问题，现有方法往往局限于人类和动物的智能表现，未能充分挖掘其他可能的智能构建块。

核心思路：提出'AI-as-exploration'的概念，强调AI作为探索智能空间的工具，能够帮助研究者发现与人类智能不同的智能形式，从而拓宽智能研究的视野。

技术框架：整体架构包括创建AI系统以进行智能构建块的探索，重点在于结合人类和大型语言模型的能力，分析其在概念结合任务中的表现。主要模块包括智能构建块的定义、AI系统的设计与实现、以及实验结果的分析。

关键创新：最重要的创新在于将AI视为探索智能空间的工具，而非仅仅是模拟人类智能。这一视角的转变使得研究者能够关注不同的智能形式及其潜在的构建块。

关键设计：在设计中，重点考虑了AI系统的灵活性和适应性，以便能够处理不同类型的智能构建块。同时，采用了适合概念结合任务的损失函数和评估指标，以确保结果的有效性和可靠性。

📊 实验亮点

实验结果表明，尽管大型语言模型在概念结合任务中达到了人类水平的准确性，但其解决问题的方式与人类存在显著差异。这一发现强调了AI在智能研究中的独特价值，推动了对不同智能形式的理解与探索。

🎯 应用场景

该研究的潜在应用领域包括智能系统的设计、教育技术、以及人机交互等。通过探索不同的智能构建块，研究者可以开发出更具创新性和适应性的智能系统，推动人工智能技术的进步与应用。未来，这一研究方向可能会对智能研究的理论基础和实际应用产生深远影响。

📄 摘要（原文）

Artificial Intelligence is a field that lives many lives, and the term has come to encompass a motley collection of scientific and commercial endeavours. In this paper, I articulate the contours of a rather neglected but central scientific role that AI has to play, which I dub `AI-as-exploration'.The basic thrust of AI-as-exploration is that of creating and studying systems that can reveal candidate building blocks of intelligence that may differ from the forms of human and animal intelligence we are familiar with. In other words, I suggest that AI is one of the best tools we have for exploring intelligence space, namely the space of possible intelligent systems. I illustrate the value of AI-as-exploration by focusing on a specific case study, i.e., recent work on the capacity to combine novel and invented concepts in humans and Large Language Models. I show that the latter, despite showing human-level accuracy in such a task, probably solve it in ways radically different, but no less relevant to intelligence research, to those hypothesised for humans.