Die Bewertung adaptiver Weltmodelle in Maschinen mit neuen Spielen

Menschliche Intelligenz zeigt eine bemerkenswerte Fähigkeit zur schnellen Anpassung und effektiven Problemlösung in neuen und unbekannten Kontexten. Wir argumentieren, dass diese tiefgreifende Anpassungsfähigkeit grundlegend mit der effizienten Konstruktion und Verfeinerung innerer Repräsentationen der Umgebung verbunden ist, die als Weltmodelle bezeichnet werden, und wir bezeichnen diesen Anpassungsmechanismus als Induktion von Weltmodellen. Derzeitiges Verständnis und die Bewertung von Weltmodellen in der Künstlichen Intelligenz (KI) bleiben jedoch eingeschränkt und konzentrieren sich oft auf statische Repräsentationen, die aus dem Training anhand großer Datenmengen gelernt wurden, anstatt auf die Effizienz und Effektivität der Modelle beim Lernen dieser Repräsentationen durch Interaktion und Erkundung in einer neuen Umgebung. In dieser Perspektive geben wir einen Überblick über die Induktion von Weltmodellen, indem wir uns auf Jahrzehnte der Forschung in den Kognitions-wissenschaften stützen, die das effiziente Lernen und Anpassen von Menschen untersucht haben; danach fordern wir ein neues Evaluationsframework zur Beurteilung adaptiver Weltmodelle in der KI. Konkret schlagen wir ein neues Benchmarking-Paradigma vor, das auf Serien sorgfältig gestalteter Spiele basiert, die echte, tiefe und kontinuierlich erneuerte Neuheit in den zugrunde liegenden Spielstrukturen bieten – wir bezeichnen solche Spiele als neuartige Spiele (novel games). Wir beschreiben wichtige Anforderungen für die Konstruktion dieser Spiele und schlagen geeignete Metriken vor, um die Fähigkeit des Agenten zur schnellen Induktion von Weltmodellen explizit zu herausfordern und zu bewerten. Wir hoffen, dass dieses neue Evaluationsframework zukünftige Bemühungen zur Bewertung von Weltmodellen in der KI inspirieren wird und einen entscheidenden Schritt darstellt, um KI-Systeme zu entwickeln, die fähig sind, sich wie Menschen schnell anzupassen und robust zu generalisieren – eine wesentliche Komponente der künstlichen allgemeinen Intelligenz (AGI).