介入の複雑性をカノニカル報酬とし、知能の指標とする

arXiv cs.AI / 2026/5/5

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

レッグ–ハッターの汎用知能尺度は外部から与えられる報酬関数に依存するため、本論文はよりカノニカルな（恣意性の少ない）報酬の選び方が導けるのかを問い直します。
論文では「介入の複雑性（intervention complexity）」という新しい指標を提案し、環境由来・普遍性・最小性・感度・達成志向という5つの自然な性質を備えるとします。
資源（バイアス）関数（例：プログラム長、実行時間、エネルギー）を用いて介入の評価方法を定めることで、外部の規範的入力なしにカノニカルな報酬の系列を得られると述べています。
知能を「エージェントの熟達（最適オラクル比でどれだけ性能が高いか）」と「学習効率（経験で熟達がどれだけ速く伸びるか）」の2次元で捉え直し、それを支える理論的結果も示します。
資源バイアスの選択が指標の計算可能性を左右することを分離定理で示し、さらにオラクル有無によって何が計算可能になるか、学習が持つ情報論的内容との関係も議論します（超知能や汎用エージェントの事前学習への含意も述べます）。