Forscher präsentieren neue logische Grundlage für Neuro-Symbolic AGI-Roboter mit menschenähnlicher Kognition
Eine neue Studie schlägt die Kombination neuronaler Netzwerke mit einer 4-wertigen Logik vor, um eine menschenähnliche allgemeine künstliche Intelligenz (AGI) zu entwickeln.
Ein Forscherteam hat einen neuen Ansatz für die Entwicklung von AGI (Artificial General Intelligence) vorgestellt. Ziel ist es, Roboter zu erschaffen, die über ein Bewusstsein verfügen, Probleme lösen, lernen und planen können – nahezu ununterscheidbar von menschlichen Fähigkeiten.
Der Kern dieser Forschung ist der sogenannte Neuro-Symbolic AI-Ansatz. Er kombiniert die Stärken zweier Welten: Neuronale Netze, die hervorragend aus riesigen Datenmengen lernen, und symbolische KI, die logische Schlussfolgerungen anhand klarer Regeln zieht. Diese Fusion soll die Schwächen heutiger KI-Systeme beheben, insbesondere in Bezug auf mangelnde Interpretierbarkeit und logische Struktur.
Die Forscher schlagen die Verwendung der „Intensional many-sorted First-order Logic“ (IFOL) als Kern für den symbolischen Teil der AGI vor. Das Besondere an IFOL ist die Erweiterung klassischer Logik durch Belnap’s Bilattice, das mit vier Wahrheitswerten statt nur „wahr“ oder „falsch“ arbeitet. Dies ermöglicht es dem System, unvollständiges Wissen, Widersprüche oder unbekannte Situationen besser zu bewältigen – Herausforderungen, denen KI in der realen Welt ständig begegnet.
Darüber hinaus zielt die Forschung darauf ab, die Fähigkeit des Systems zur Berechnung von Wahrscheinlichkeiten bei unbekannten Daten zu erweitern. Dieser theoretische Ansatz legt ein fundamentales Fundament für die zukünftige Architektur von AGI-Robotern.
Diese Forschung adressiert grundlegende Herausforderungen der AGI-Entwicklung durch die Verknüpfung neuronaler und symbolischer Ansätze. Ein Erfolg könnte der entscheidende Schritt zu Maschinen sein, die die Welt auf menschlich-komplexe Weise verstehen und logisch schlussfolgern können.