Краткое содержание

Существует распространённая идея в теории сильного ИИ (включая такие работы, как индукция Соломонова и AIXI), согласно которой действительно универсальная система обучения должна справляться с такой задачей: если паттерн прост, система должна уметь выявить лежащее в основе правило практически идеально даже при наличии минимального количества данных (например, нескольких сотен бит или меньше). Под простым паттерном здесь подразумеваются явления, имеющие простое базовое правило: повторяющиеся последовательности, небольшие формулы, короткие алгоритмы, сигналы, которые можно описать крайне компактно. Люди обычно быстро замечают подобные закономерности. Современные модели машинного обучения часто терпят неудачу, если не получают большие объёмы данных либо если паттерн не соответствует встроенным предубеждениям системы. Вопросы для обсуждения: - Является ли эта способность реалистичным требованием для сильного ИИ? - Насколько близки современные методы (например, подходы индуктивного программирования, гибридные архитектуры нейронных сетей и символьного рассуждения и др.)? - Существуют ли хорошие бенчмарки, проверяющие эту способность распознавать правила на малых объемах данных? - Есть ли аргументы против того, чтобы считать такую возможность ключевым требованием?