Maschinenpsychologie: Integration von operanter Konditionierung mit dem Nicht-Axiomatischen System für die Förderung der Forschung zur künstlichen allgemeinen Intelligenz

Dieses Papier führt einen interdisziplinären Rahmen namens Maschinenpsychologie ein, der Prinzipien aus der operanten Lernpsychologie mit einem spezifischen Modell der Künstlichen Intelligenz, dem Nicht-Axiomatischen System (NARS), verbindet, um die Forschung zur künstlichen allgemeinen Intelligenz (AGI) zu verbessern. Die Grundannahme dieses Rahmens ist, dass Anpassung sowohl für biologische als auch für künstliche Intelligenz entscheidend ist und durch Prinzipien der operanten Konditionierung verstanden werden kann. Die Studie bewertet diesen Ansatz anhand von drei operanten Lernaufgaben unter Verwendung von OpenNARS für Anwendungen (ONA): einfache Diskrimination, sich ändernde Kontingenzen und bedingte Diskriminationsaufgaben. In der einfachen Diskriminationsaufgabe demonstrierte NARS schnelles Lernen und erreichte während der Trainings- und Testphasen eine perfekte Genauigkeit. Die Aufgabe mit sich ändernden Kontingenzen zeigte NARS' Anpassungsfähigkeit, da es sein Verhalten erfolgreich anpasste, als die Aufgabenbedingungen umgekehrt wurden. In der bedingten Diskriminationsaufgabe bewältigte NARS komplexe Lernszenarien effektiv und erreichte hohe Genauigkeit, indem es komplexe Hypothesen basierend auf bedingten Hinweisen bildete und nutzte. Diese Ergebnisse unterstützen die Anwendung der operanten Konditionierung als Rahmen zur Schaffung adaptiver AGI-Systeme. Die Fähigkeit von NARS, unter Bedingungen unzureichenden Wissens und Ressourcen zu operieren, zusammen mit seinen sensomotorischen Denkmöglichkeiten, etabliert es als ein robustes Modell für AGI. Der Maschinenpsychologie-Rahmen, indem er Elemente der natürlichen Intelligenz wie kontinuierliches Lernen und zielgerichtetes Verhalten integriert, bietet einen skalierbaren und flexiblen Ansatz für Anwendungen in der realen Welt. Zukünftige Forschungen sollten untersuchen, wie verbesserte NARS-Systeme, komplexere Aufgaben und die Anwendung dieses Rahmens auf verschiedene, komplexe Herausforderungen dazu beitragen können, die Entwicklung menschenähnlicher KI weiter voranzutreiben.