Feste KI-Architekturen stoßen auf rechnerische Grenzen, wie die Komplexitätstheorie zeigt, mit Problemen, die exponentiell skalierende Ressourcen erfordern. Diese Dissertation präsentiert Computationally Unbounded AI (CUAI), das autonome Kapazitätsskala ermöglicht, inspiriert von neuronaler Modularität und Plastizität. CUAI überwinde die Zerbrechlichkeit statischer Modelle in dynamischen Umgebungen durch selbstgesteuerte Expansion. Wichtige Beiträge umfassen: (1) das Column Extension Framework, das ANNs durch Graphumformung skaliert, indem es Untergraphen für das Wachstum dupliziert, validiert auf MNIST-1D; (2) das Capacity-Aware Learning (CAL) Framework, das Boosting und selektive Vorhersage mit MLP-Autoencodern kombiniert, um die Aufgabendeckung und Genauigkeit zu verbessern und besser abzuschneiden als Einzelmodelle. Ausgehend von kortikalen Säulen fördert CUAI selbstverbessernde Systeme. Zukünftige Arbeiten zielen auf reale Anwendungen und die Ausrichtung für autonome, skalierbare Intelligenz ab.
Ali Khudiyev (Fr.) hat diese Frage untersucht.