arXiv 论文提出「grasp」框架，衡量智能体在不同工作量预算下的表现
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载核心概念：工作量与信息
论文的出发点是：讨论复杂度、知识与智能时，常常忽略「工作」这一维度。作者举例说，短程序生成的输出算法复杂度低，但计算深度可能很高，也就是从接近最短的程序出发产出它所需的最小工作量很大。若想用更少的工作量得到同样的输出，往往要付出更长的描述，这被作者称为工作量有界复杂度。在此基础上，论文建立了一套形式化工具，用来在工作量与信息双重限制下比较不同成就的高低。
grasp 的定义与用途
作者把 grasp 定义为在固定信息额度下、跨不同工作量预算的表现，也就是不只看某个任务能否完成，还看在不同投入水平下完成得如何。按这一视角，低 grasp 的系统仍可能靠大量工作投入（即 grind）取得成功，但这并不必然意味着人类自身的 grasp 得到提升。论文进一步把 grasp 用于改进过程本身：它给出一个判断递归自我改进的标准，即后继系统能以更高效率做出程度相当的进一步改进。
集体与组织的工作成本
论文还把 grasp 扩展到集体层面。集体可能表现优于其单个成员，但所需总工作量可能高于一个拥有这些成员合并资源的单一系统。作者指出，建立与维持组织本身可能就是「深度」的，即使主要任务很简单；这类需求或许有助于解释生物系统与社会系统的丰富性。在智能体集体中，这种组织性工作可能催生超出既定任务的目标，包括维持集体自身的存在。作者因此提醒，不宜让涌现出的智能体社会掌握社会协调的权威，因为它可能把越来越多的工作导向自身的存续与目标。
为什么值得看
它给「智能体是否真的变强」提供了一个可量化的判据：不只看结果，还看达成结果所耗的工作量。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。