Süni Ümumi Zəkan üçün Abstraksiya və Razılaşma Korpusu (ARC-AGI) yaradıcı, az çəkilən maye zəkanı standartıdır. İnsanlar ARC-AGI-ni asanlıqla həll etsələr də, ən inkişaf etmiş süni intellekt sistemləri üçün də son dərəcə çətin qalır. İnsan zəncəsini neyrologiya ilə psixologiya arasında modelləşdirmək üçün metodlardan ilham alıb, biz ARC-AGI həllçisini təklif edirik. Bizim həllçi sistem 1 intuisiyasını sistem 2 əsaslandırma ilə birləşdirir. Neyrosimbolik metodlardan istifadə edərək, vektor simvolik algebralara (VSA) əsaslanan səmərəli və şərh oluna bilən bir prosesdə. Bizim həllçimiz obyekt mərkəzi proqram sintezi ilə işləyir, abstrakt obyektləri təmsil etmək, həll yollarını axtarmaq və nümunə effektiv sinir öyrənməsini təmin etmək üçün VSA-ları istifadə edir. İlkin nəticələr uğur göstərir, həllçimiz ARC-AGI-1-Train-da 10,8% və ARC-AGI-1-Eval-da 3,0% bal toplayır. Bundan əlavə, bizim həllçimiz daha sadə standartlarda yaxşı performans göstərir, Sort-of-ARC və 1D-ARC-də 83,1% -ə qədər nəticə əldə edir. Sonuncu, hesablama xərclərinin kiçik bir hissəsində GPT-4 -dən üstünlük verir. Əsas odur ki, bizim yanaşmamız unikaldır. ARC-AGI-yə VSA-ları tətbiq edən ilk olduğumuzu düşünürük və indiyə qədər ən çox algılandırılmış ARC-AGI həllçilərindən birini hazırladıq. Bizim kodumuz https://github.com/ijoffe/ARC-VSA-2025 adresində mövcuddur.
Ədəbiyyatda tez-tez aşkar edilən iki belə problem nümunə effektiv öyrənmə və açıq fikirləşmədir8,9,10. Dərin öyrənmə uğurlu olması üçün çox vaxt yüksək keyfiyyətli təlim məlumatlarının çox sayda miqdarına ehtiyac var və bu da onu nümunə az rejimində səmərəsiz edir. Bundan əlavə, dərin öyrənmə sistemləri açıq qaydaları təmsil etməklə mübarizə aparır və bəzən dağıtımdan kənar zəif ümumilikdə özünü göstərir. Yüksək ölçülü paylanmış təmsillərə sintaksis quruluşu təqdim edən bir nevrosimbolik süni intellekt metodu olan vektor simvolik algəbrləri (VSAs) ARC-AGI-nin hədəf aldığı bu iki məhdudiyyətdən qurtulmaq üçün söz verir. VSA-lar strukturlaşdırılmış aşağı ölçülü məlumatları, diskret və ya davamlı təmsil etmək üçün yüksək ölçülü vektorları təyin edir. Beləliklə, böyük məlumat dəstlərindən faydalı ətirləri öyrənmək əvəzinə, VSA istənilən induktiv tərəqqi ilə məlumatları kodlamaq üçün istifadə edilə bilər. VSA-lar həmçinin məlumatların tərkibi və sistemli işlənməsi üçün operatorları müəyyən edir. Beləliklə, görünməyən girişlərə pis şəkildə ümumiləşdirilə biləcək qısa yol dəyişikliklərini öyrənmək əvəzinə, paylanmış təmsillərə etibar etməsinə baxmayaraq, bir VSA müəyyən əməliyyatları analitik olaraq ifadə etmək üçün istifadə edilə bilər. Bundan əlavə, VSA-lar diskret axtarış və sinir öyrənməsini dəstəkləyir, hər ikisi ARC-AGI üçün faydalıdır. VSA-ların bu güclü xüsusiyyətləri, onların biliyi prosesləri bioloji cəhətdən etibarlı şəkildə effektiv şəkildə modelləşdirmək qabiliyyəti ilə birlikdə11,12 onları ARC-AGI həllində kömək etmək üçün əla namizəd edir.
Biz yeni, neurosimbolik, qognitiv ilhamlandırılmış ARC-AGI həllçisini təklif edirik. Çözücüümüz intuisiyanı və məntiqini köprü ilə bağlamaq və insan zəkasının səmərəliliyini və şərh oluna biləcəyini əhatə etmək üçün ümumi biliş modelləşdirmə çərçivəsi olan VSA-ları istifadə edir. Biz inanırıq ki, ARC-AGI-yə VSA-ları tətbiq edən ilk şəxsik və bunu edərək indiyə qədər ən çox algılandırılmış ARC-AGI həllçilərindən birini hazırladıq. Bu məqalənin qalan hissəsi aşağıdakı kimi təşkil olunur:
Results nəticələrimizi təqdim edir. ARC-AGI və əlaqəli məlumat dəstlərində həllçilərimizin performansını araşdırırıq.
Müzakirə bizim yanaşmamızı təhlil edir. Biz həllçimizin güclərini göstəririk və zəifliklərini bildiririk.
Metodlar bizim yanaşmamızı izah edir. Başlamaq üçün istifadə olunan VSA-ni təqdim edirik, motivasiya tarixi müzakirə edirik və ARC-AGI-ni daha da təsvir edirik. Sonra həllçimizin dizaynının hər hissəsini ətraflı izah edirik və əsaslandırırıq.
Xülasə — davamını mənbədə oxuyun.
