在人工智能（AI）研究领域，制造人工通用智能（AGI）一直是一个难以实现的目标。AGI 将像人类一样，有能力接触新的问题领域，学习相关知识，然后使用推理过程做出决策。虽然人工智能技术已被广泛应用于各种问题领域，但 AGI 要求人工智能能够在编程和训练之外进行推理。本文向制造 AGI 迈出了一小步。它描述了一种人工智能学习和开发推理路径的机制，以便在先验未知领域做出决策。它结合了一种经典的人工智能技术--专家系统和一种现代的改良技术--梯度下降训练专家系统（GDTES），并利用生成式人工智能（GAI）为该系统创建网络和训练数据集。这些数据集可以从现有资源中创建，也可以借鉴 GAI 自己的预训练模型中的知识。GDTES 中的学习过程用于优化人工智能的决策。虽然这种方法并不符合许多人对人工智能所定义的标准，但它提供了某种类似的能力，尽管在使用前需要一个学习过程。
自适应多域人工智能技术
本节介绍并描述 AMAIT 的设计，如图 3 所示。首先，将提供一个概览。然后，第 3.1 至 3.5 小节将更详细地介绍 AMIT 系统的关键组成部分。
AMAIT 系统结合了 GAI、GDTES 和专家系统技术。为此，AMAIT 系统采用了 GDTES 形式的规则-事实专家系统，该系统利用小数/分数值（DFV）来表示规则。根据特定的应用领域和网络设计，这些值可以代表部分成员资格、模糊性、置信度或其他类似内容。每种技术都发挥着关键作用。从根本上说，AMAIT 的长期目标是建立一个 DFV 专家系统，该系统可以对问题领域进行推理，除了设置所需的初始参数和帮助系统获取相关数据外，无需人工干预。不过，可以在多个地方加入人工审核，以帮助学习过程并确保准确性和合规性。
系统首先要有一个 GAI 模型，能够生成与问题领域相关的内容。这可以是一个预先训练好的通用模型，也可以是一个为特定用途或应用领域创建的模型。该模型向翻译/转换器模块提供内容，该模块采用良好的数据格式、人类可读的英语文本，并将其翻译/转换为专家系统网络。
接下来，GAI 可用于以数据格式良好、人类可读的英文文本形式创建训练数据集。该数据集将提供给监督学习集创建者翻译/转换模块，该模块将为所有系统输入生成输入值，并为监督学习生成目标输出。最初，该模块用于优化应用于 GDTES 系统内规则的权重。
值得注意的是，如果有人工收集的数据，也可用于这一步骤。此外，也可以使用其他合成数据生成技术。
第三个主要步骤是利用 GAI 创建训练数据集（同样是格式化良好、人类可读的英文文本），并将其提供给监督学习集创建翻译器/转换器模块。在这种情况下，它被用来生成用于优化网络本身的数据（如 [29] 中所述）。值得注意的是，在进行网络优化后，应再次执行优化权重的过程，以最大限度地提高系统性能。为简洁起见，图中没有单独描述这一步骤。
如上所述，人工收集的数据或其他合成生成技术也可用于这一步骤。
最后，对 GDTES 模型进行测试，以确保其在投入使用前适合使用。首先，使用 GAI 提供的新数据（或人工收集的数据或以其他方式合成的数据）对其进行测试。然后，使用真实世界的数据（如果有的话）进行测试。如果适用于问题领域，还可在系统运行期间利用反馈机制对系统进行改进。
原文
相关内容
微信扫码咨询专知VIP会员