arXiv cs.AI· Yoshua Bengio, Esmeralda S. Whitammer·· 9 天前AI 评分26
面向 AI 数学家的机器学习与信息论概念
Machine learning and information theory concepts towards an AI Mathematician
AI 导读
一篇发表于 Bulletin of the AMS 的论文从信息论视角探讨如何构建 AI 数学家，认为当前深度学习擅长系统 1 能力（直觉与习惯行为），但在系统 2 能力（推理与稳健的不确定性估计）上仍有欠缺。其核心假设是：理想定理集合应能以较短描述长度概括所有可证命题，同时与大量可证命题的推导步数距离较近。研究重点不在证明给定定理，而在发现新的有趣猜想。
正文 · AI 翻译
摘要：人工智能当前的最先进水平令人印象深刻，尤其是在语言掌握方面，但在数学推理方面则不那么突出。可能缺少了什么？我们能否从数学家的大脑如何从事其工作中，学到一些关于这一差距的有用东西？本文基于这样一个观点：当前的深度学习大多在系统 1 能力上取得成功——这对应于我们的直觉和习惯性行为——但在系统 2 能力方面仍缺少某些重要东西——这包括推理和稳健的不确定性估计。它采取信息论的姿态，提出关于什么构成一个有趣的数学陈述的问题，这可以指导未来构建 AI 数学家的研究。重点不是证明一个给定的定理，而是发现新的、有趣的猜想。核心假设是，一个理想化的定理集合能更好地概括所有可证明陈述的集合，例如通过具有较短的描述长度，同时（在推导步数方面）接近许多可证明陈述。
| 评论： | Bulletin of the AMS, 2024 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2403.04571 [cs.AI] |
| （或 arXiv:2403.04571v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2403.04571 由 DataCite 颁发的 arXiv DOI |
|
| 相关 DOI： | https://doi.org/10.1090/bull/1839
链接到相关资源的 DOI |
提交历史
来自：Esmeralda Whitammer [查看电子邮件]
[v1]
2024年3月7日星期四 15:12:06 UTC（33 KB）
[v2]
2026年10月8日星期四 13:58:38 UTC（29 KB）
来源：arXiv cs.AI · arxiv.org