Форум создателей искусственных интеллектов

Любую задачу(например Шоле) можно решить на машине тьюринга, или рекурентной нейросети, но также можно всё сделать с помощью базы данных, но она может быть велика, однако решение универсальное.

Конфлюенсеры говорят о "97.92% on the ARC-AGI-2 public evaluation set". Это прямо заголовок у них в github. С этим результатом есть только одна проблема - "public evaluation set". А формально тест еще не пройден, т.к. лучший результут сейчас у Gemini 3 Deep Think (2/26) - дает 84.6%. А нужно 85%. Ну и такая мелочь, как ограничение стоимости на задачу 5$. Но это, скорее всего, скоро тоже решат. Так что можно сказать, что тест практически пройден. Огромный прогресс налицо - качество растет прямо на глазах. Есть, правда, нюанс - используется "CoT", т.е. часть задачи ("декомпозицию") решил человек "вручную". Но, видимо, это часть вопроса о непрерывном самообучении, о котором говорил Альтман в интервью. В марте запускается ARC-AGI-3. По прогнозам Шолле он может продержаться 5 лет.

Интеллект - это как раз про алгоритмы, память, творчество, паттерны и механизмы. А то, что Вы пишите - это не про искусственный интеллект, а про искусственное сознание, квалиа. Нельзя просто так отмахиваться от того факта, что нейросети побеждают задачи Шолле. Это значит открыт действительно важный принцип (скорее всего, контекстной обработки последовательностей, как в трансформере), который позволяет показывать такие фокусы. Надо сделать выводы, взять полезное на вооружение, а вредное отбросить, и двигаться дальше. "И от всякого, кому дано много, много и потребуется, и кому много вверено, с того больше взыщут". © Лк 12:48

https://agi.place/?ai=9&msg=11890#11890 от 25.03.25

Так это Ваш аппарат - сам и решайте, к чему он имеет и не имеет.

Определение требует существенного допиливания. Что такое "абсолютно новое" и "разобраться" - не очень понятно. В сущности эффективность человека проявляется в том, что он может быстро вспомнить по аналогии и повторить что-то, уже встречавшееся в его жизненном опыте, для решения некоторой конкретной задачи. Такое понятие как "абсолютно новое", имхо, для человека абсолютно неуместно. Лучше переформулировать так: AGI – это механизм, созданный человеком, который при встрече с любой задачей может так же эффективно, как и человек, синтезировать решающий механизм на основании памяти своего жизненного опыта.

По сути, определение Шолле ничего не определяет - одно неизвестное через другое, ещё более неизвестное. Но с функциональной т.зр. направление выбрано верно.

Кстати, на каггле продолжение банкета arc-prize-2026-arc-agi-2 Франсуа опять, видимо, что-то подшаманил - лучшее решение пока 40%. ---- Могу на примере своих экспериментов несколько слов сказать о споре "нейросеть - формула/алгоритм". Во-первых, настроенный ChatGPT - это вычислимая функция. Можно, конечно придраться к тому, что возможно добавлением элементов случайности при вычислении, но суть предмета, думаю, ясна. Формула/алгоритм для задачи Шолле - это то же самое - вычислимая функция. По-сути мы имеем просто разный способ определения вычислимой функции, а на этапе обучение нужно подбирать эту функцию. Во времена, когда трава была зеленее, был спор о том, может ли аппроксимация быть моделью. Очевидно что да, может, но альтернативно одаренные говорили о "подгонке под результат" и всем таком прочем. Никакие аргументы про соответствии наблюдаемым данным, соблюдение ограничений применения, хорошую прогностическую силу, и т.д. и т.п. не имело никакого эффекта. Во-вторых, в свое время я экспериментировал на данных каггла - пытался подбирать прямые формулы вместо регрессий; критерием был компромисс между точностью и оценкой сложности критерия Оккама (оценка была - количество закорючек в формуле). И... результат был хуже чем при использовании регрессии. Самое смешное, что формула была короткая, данных много, точность на обучающих данных неплохая, но на проверочных выборках точность была средненькая. Как бы получалось, что принцип Оккама не работал. Но, как я теперь полагаю, принцип Оккама все же работает, - просто требуется сделать уточнения. При регрессии практически всегда используется либо регуляризация, либо какой-то ее аналог. Это позволяет регулировать гибкость подбираемой функции. Скажем, при линейной регрессии используется всего несколько регуляризационных коэффициентов. Таким образом, большое количество подбираемых коэффициентов регрессии c_i - это промежуточная часть подбора функции, и их конкретные значения не нужно учитывать при оценивании по Оккаму. Мораль тут все та же - в конкретной задаче может "выстрелить" любой из способов определения функции. В задачах Шолле интуитивно кажется, что "функционально-алгоритмический" подбор вычислимых функций должен быть лучше. Однако "статистическая машина" нейросетей не выглядит безнадежной, т.к. при подборе функций потенциально будет выбирать наиболее вероятные варианты формул.