인공 일반 지능에서 적응적 얽힌 게임 모듈

인터랙티브 적응형 agent들의 집단 행동을 모델링하기 위한 확률파동 framework를 제시하며, 일반화된 행위적 지능(nonlocal probability-wave equation) framework를 통해 테스트 가능한 eigenmode를 도출합니다. 이 framework는 다양한 인간 지능 행위에 대한 분석적 기계를 캡처하며, 집단 트레이더 행동을 통해 Liu-Chen-Ao(LCA) 가설인 nonlocal entangled nerve fibers에 대한 간접적인 방법을 제공합니다. 중국 intraday 주식 시장 데이터의 empirical 분석 결과 adaptive entangled game modes는 82-94%(89% overall)에서 관찰된 결정 패턴을 설명합니다. 이는 independent rational agents에 기반한 neoclassical finance의 예측과는 대조적으로, 독립적인 합리적 agent들의 예측과는 상당히 다릅니다. 더욱이, 2-12%의 행위는 intraday 뉴스, 이벤트, 환경에 대한 적응을 특징으로하며, dual equilibrium states와 abrupt reference point shifts를 특징으로합니다. 반면에, purely independent modes는 5% 미만의 경우에만 발생합니다. 이러한 발견은 LCA 가설을 empirical하게 지지하며, observable trading behaviors는 underlying brain mechanisms와 internal intelligence decision-making in behavioral psychology를 반영합니다. 이 연구 결과는 adaptive entangled game modules를 artificial general intelligence(AGI) architectures에 통합하는 것이 필수적임을 강조하며, conventional artificial neural network(ANN)-based AI의 한계를 해결하기 위해, trillions of opaque parameters에 의존하는 것을 피할 수 있습니다. ANN-based AI를 probability-wave-based entangled-brain simulations와 통합함으로써, machine learning는 AGI foundation models(FMs)을 enrich하고, brain-inspired mechanisms를 활용하여 human-like processing units(HPUs)가 개발될 수 있습니다. 이러한 HPUs는 ultimately compact, efficient, and robust AGI systems를 생성할 수 있으며, 특히 embodied intelligence와 robotics에 적합합니다.