SingularityNET проведет стрим на YouTube 7 мая
SingularityNET проведет две мини-сессии вопросов и ответов на YouTube 7 мая в 17:00 UTC. Сессии будут посвящены обсуждению последних достижений в разработке унифицированного компонента обучения на основе опыта для OpenCog Hyperon — их фреймворка для создания искусственного общего интеллекта (AGI) на уровне человека и выше.
Первая сессия:
• Будет обсуждаться внедрение системы неаксиоматического рассуждения (NARS) в когнитивные вычисления на языке MeTTa OpenCog Hyperon.
• Рассмотрится интеграция системы обучения на основе причинно-следственных связей AIRIS (Autonomous Intelligent Reinforcement Interpreted Symbolism) в Hyperon.
Вторая сессия:
• Будет сосредоточена на воссоздании обучения на основе опыта в Hyperon с использованием Rational OpenCog Controlled Agent (ROCCA).
• Обсудят перенос основных компонентов, необходимых ROCCA из классического OpenCog в Hyperon, включая прямое и обратное цепочное рассуждение, вероятностные логические сети (PLN) и поиск по паттернам.
Что такое вопросы и ответы (AMA)?
Сессия «Вопросы и ответы» (AMA) (сокр. англ. ask me anything, спрашивай что угодно) — это обычно онлайновая неформальная встреча, участники которой могут задавать любые вопросы приглашенному гостю, а гость отвечает на них в реальном времени.
@
Session 1
- The implementation of NARS (Non-Axiomatic Reasoning System) in OpenCog Hyperon’s MeTTa language cognitive computations;
- Integrating the AIRIS (Autonomous Intelligent Reinforcement Interpreted Symbolism) causality-based learning AI into Hyperon.
Session 2
- Recreating experiential learning in Hyperon using ROCCA (Rational OpenCog Controlled Agent);
- Porting fundamental components ROCCA requires from OpenCog classic to Hyperon, including forward and backward chaining, PLN (Probabilistic Logic Networks), and pattern mining.
These advancements are part of our ongoing initiative to consolidate the strengths of several systems —ROCCA, NARS, OpenPsi, and AIRIS— to create a unified experiential learning component for Hyperon. This approach will allow AI models to:
- Develop a goal-independent understanding of their environment through causal knowledge gained from planned and spontaneous interactions;
- Explore their environment with increased efficiency using a curiosity model that prioritizes situations with high uncertainty, challenging their existing causal knowledge.
Our preliminary findings indicate that this approach surpasses common Reinforcement Learning techniques in terms of data efficiency by orders of magnitude.
To learn more, set your reminder for the livestream now on your preferred platform:
- YouTube: https://t.co/66Xm1SpDC8
- LinkedIn: https://t.co/JEwoyT7Z9R
- X: SingularityNET