在这项工作中,我们认为寻找人工通用智能(AGI)应该从比人类水平的智能低得多的水平开始。自然界中智能行为的环境是由于有机体与周围环境相互作用的情况,这种环境可能会随着时间的流逝而改变,并对有机体施加压力,以便学习新的行为或环境模型。我们的假设是,学习是通过解释代理在环境中作用时的感觉反馈而发生的。为此,需要一个身体和反应性环境。我们评估了一种进化生物学启发的人工神经网络的方法,该神经网络从名为“人工通用智能的神经进化”(Nagi)的环境反应中学习,这是一个低水平AGI的框架。该方法允许使用自适应突触的随机启用尖峰神经网络的进化络合,该神经网络控制在可变环境中实例化的代理。这种配置使我们能够基准基准控制器的适应性和通用性。可变环境中所选的任务是食品觅食,逻辑门的仿真和卡特杆平衡。这三个任务通过相当小的网络拓扑成功解决,因此,它打开了实验更复杂的任务和方案的可能性,其中课程学习是有益的。
translated by 谷歌翻译