.png){kind=icon}
返回
Quantifying artificial intelligence through algorithmic generalization
.png){kind=icon}
PRE
AI
DOI：10.1038/s42256-025-01092-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）系统的快速发展催生了对它们进行科学量化的迫切需求。尽管AI系统在多个领域的流畅性令人印象深刻，但在需要算法推理的测试中表现不佳——鉴于可解释和可靠技术的必要性，这是一个明显的局限性。尽管学术界涌现出大量推理基准，但尚无理论框架可用于量化AI系统中的算法推理。在此，我们采用计算复杂性理论中的一个框架，利用代数表达式来量化算法泛化：代数电路复杂性。代数电路复杂性理论——即研究代数表达式作为电路模型的理论——是研究算法计算复杂性的自然框架。代数电路复杂性通过定义以解决问题所需的计算要求为基准，从而实现对泛化的研究。此外，代数电路是通用的数学对象；可以为指定电路生成任意数量的样本，使其成为当今数据饥渴模型理想的实验沙盒。在本篇观点文章中，我们采用代数电路复杂性的工具，将其应用于算法泛化的科学形式化，并解决将其成功应用于AI科学的关键挑战。尽管当前大型AI模型表现出色，但符号和抽象推理任务常常引发这些系统的失败模式。在本篇观点文章中，Ito等人提出利用计算复杂性理论，将代数问题表述为可计算的电路，以应对AI系统中的数学和符号推理挑战。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
机构
引用论文
.png){kind=icon}
分享收藏Long-Term Individual Causal Effect Estimation via Identifiable Latent Representation Learning通过可识别的潜在表示学习进行长期个体因果效应估计
PREAI
分享收藏分享收藏
查看更多内容