인공지능 시스템의 오버랩 조정된 인공 연령 점수(AAS) 하의 장기 지속성 이론

인공지능 시스템은 점점 더 반복적인 상호 작용, 적응 및 업데이트 사이클에서 작동할 것으로 예상된다 보다는 단 한번의 출력으로 작동하는 것만으로는 더 이상 충분하지 않다. 이에 따라 AI 시스템이 무한정 지속할 수 있는가, 그리고 무한정 지속하는 동안 무한정 구조적 나이를 가지지 않을 수 있는가 하는 근본적인 이론적 문제가 제기된다. 이 논문은 인공지능 시스템의 장기 지속성에 대한 Framework를 Artificial Age Score(AAS)에서 개발한다. AAS는 고정된 평가 지표에서 cycle-level 기능으로 확장되어 반복 작동 중에 나이 순서를 생성한다. 각 사이클에서 구조적 나이는 구성 요소 일관성 수준에 대한 중복성에 대한 가중치가 있는 로그 페널티를 통해 정의된다. 이 Framework 내에서 cycle-level 나이는 잘 정의되고 균일하게 제한되어 폭발적인 점별 나이가 제거된다. 이 Framework에 따라, 이 논문은 지속 기간의 계층적 분류, 비교적 정렬, sensitivity bounds, 구성 요소 단위 안정성에서 수렴, 유한 총 변화를 통해 지속성, damped 사이클 간 간섭을 통해 지오메트릭 안정성, 그리고 비점성 중복성 조건에서 무부담 지연화를 정의한다. 주요 결과는 AI 시스템이 무한히 많은 사이클을 반복할 수 있으며, 구조적 나이가 제한된 상태로 유지될 수 있다는 것이다. 더 강한 규칙 조건 하에서는 구조적 나이의 마진이 사라지며, 가장 강한 규칙 하에서는 사이클 수준의 부담이 0으로 수렴한다. 따라서 Framework는 장기 인공 지속성의 분석을 구조적 부담의 제한된 문제로 보는 formally한 기초를 제공한다.