事前学習以外にも、ほとんどの学習がうまくいくと私が想像しています。 1. AIモデル/システムは、取得可能な知識の大規模なコレクションを維持します。これには、「カリフォルニアの首都はサクラメントである」などの事実や、「モノポリーをプレイするときは、早い段階で多くのプロパティを購入する」または「Pythonのデフォルト引数が変更可能ではないことを確認する」などの戦術が含まれます。システムは、タスクを実行するための関連する事実/洞察/戦術を取得します。 2. AIは、あらゆる種類のデータ(書籍、コードベース、ニュース記事、ストリーミング感覚入力)を取り込みます。これは、トレーニング時だけでなく、タスクを実行するためにデプロイされているときにも発生します。 3. システムが新しいデータに遭遇すると、特にシステムの既存の知識のコンテキストでデータを理解するために、データの意味を理解するために、大きく推論します。技術研究論文など、データが理解しにくい場合、このプロセスは非常に計算量が多く、推論の出力は、システムの知識(および洞察が導き出された生データへの参照とともに)に格納される新しい洞察、戦術、および事実のセットに抽出されます。新しいナレッジが取得された既存の事実と矛盾する場合、矛盾を解決するためにより多くの推論が行われ、ナレッジコレクション内の既存の事実が更新されます(更新の理由に関するコンテキストとともに)。 これにはいくつかの素晴らしい特性があります。 - AIが新しい情報を収集する際に、誤った知識を削除または修正する方法。 - モデルが何を知っているか、およびタスクを実行するための戦略についての解釈可能性。また、モデルが何を知っているかを監査/確認する機能もあります。 - 推論時に推論するだけで、苦労して得た洞察を捨てるのではなく、トレーニング時間の推論から利益を得る方法。 - この種のトレーニング時間の推論は、データ効率がはるかに高くなる可能性がありますが、計算負荷ははるかに高くなります。 トレーニング時間の推論、知識の保存、検索のこのプロセスは、適切なアーキテクチャがあれば創発的になる可能性がありますが、最初は組み込まれることを期待しています。