这篇论文提出一个根本性问题:当现实变化的速度超过智能系统的认知能力时,系统还能否可靠地感知、推理和行动?作者将这一问题形式化为与理论和模型无关的挑战,并提出“有效连贯认知速度”(S_C^eff)作为衡量指标,即在满足预设行为可靠性标准的前提下,系统所能承受的最高现实速度。作为概念验证,研究者在基线现实速度下训练强化学习智能体,随后在不重新训练、计算资源固定的条件下,将现实速度提升至50倍进行测试。结果显示,受细胞机制启发的新型架构Co^4在测试场景中的S_C^eff显著高于Transformer和门控MLP基线。该工作为可靠AI提供了新的评估基准,并将“连贯认知的可扩展性”确立为一条重要原则。
| 有效连贯认知速度 (S_C^eff) | 衡量智能系统在现实变化速度下仍能保持可靠行为的最高速度指标。 |
| 现实速度 (S_R) | 表示环境或现实状态变化快慢的变量,用于测试系统的适应能力。 |
| 观测-现实差距 | 系统观测到的信息与实际现实状态之间的差异,随未来预测距离增加而扩大。 |
| Co^4 | 一种受细胞机制启发的神经网络架构,旨在模拟意识处理和清醒思维。 |
| 行为可靠性准则 | 预先定义的标准,用于判断智能体行为是否可靠,通常基于任务成功率或误差阈值。 |
📱 每天一份 AI 前沿日报
关注公众号,每天 09:00 推送 · 不错过任何重磅