Tämä on tarina kahdesta Stanfordin tutkijasta – @jakub_smekal (KB7) ja @InferenceActive (KB5) – jotka tutkivat yhtä tekoälyn kattavimmista viitekehyksistä. Karl Fristonin aktiivinen päättelykehys kuvaa kuinka kaikki organismit minimoivat "vapaan energian" - odotettujen tilojen ja aistitun todellisuuden välisen eron. "Otamme näytteitä maailmasta varmistaaksemme, että ennustuksistamme tulee itseään toteuttavia ennustuksia", Friston kirjoitti kerran. Active Inference on vuoropuhelussa muiden tekoälyparadigmojen, kuten vahvistusoppimisen ja ennakoivan prosessoinnin, kanssa. Daniel ja Jakub ovat yhdessä kirjoittaneet useita tutkimuspapereita aiheesta, mukaan lukien Generalized Notation Notation (GNN), standardoitu tekstipohjainen kieli, joka yhdistää teorian ja toteutuksen eri tieteiden ja tieteenalojen välillä. Jakubin väitöskirja on kasvanut aktiivisesta päättelystä syvän tilan avaruusmalleiksi (SSM). "Suuri osa työstäni on epävarmuuden minimoimista", Jakub kertoi meille ennen kuin pohti: "Luulen, että se on peli, jota kaikki (tekoälyssä) pelaavat." Soluista tekoälymalleihin ja yhteiskuntiin syvennämme kaikki suhdettamme yllättämään. Valmistaudu odottamattomiin.

Lue lisää S-bst-k:sta ja kerro meille, jos tiedät jonkun muun, joka työskentelee tutkimuksen parissa, jota pitäisi esitellä No Signalissa tai tutkia kanssamme vuonna @Kernel0x.