Wetenschappers hebben een nieuw theoretisch model ontwikkeld dat probeert de diverse definities van intelligentie over verschillende vakgebieden heen te verenigen. In hun publicatie betogen Yanbo Zhang en Michael Levin dat intelligentie fundamenteel kan worden gezien als het vermogen om informatie te filteren, waarbij specifiek wordt gekeken naar wat daadwerkelijk leerbaar is. Door een onderscheid te maken tussen betekenisvolle verrassingen en pure ruis, beogen de auteurs een universele maatstaf te creëren voor adaptief gedrag en complexiteit.
Volgens de publicatie arxiv.org op arXiv.org kampen veel huidige modellen met een tegenstrijdigheid. Enerzijds is er de focus op het zoeken naar nieuwigheid, wat kan leiden tot een systeem dat gefascineerd blijft door betekenisloze patronen, zoals ruis op een televisiescherm. Anderzijds is er het principe van vrije energie, waarbij verrassingen juist worden vermeden, wat kan resulteren in een passieve staat. De onderzoekers stellen dat intelligentie ontstaat wanneer een systeem in staat is om verrassingen te identificeren die kunnen worden omgezet in bruikbare kennis, in plaats van vast te lopen in onkenbare informatie.
Om deze theorie te onderbouwen, hebben de auteurs een estimator ontwikkeld met behulp van een 'reservoir computer'. Dit systeem kan complexiteit classificeren zonder dat er externe labels of supervisie nodig zijn. Een concreet resultaat hiervan is dat de tool de 'rule 110' — een Turing-complete cellulaire automaat — correct als de meest complexe rangschikte binnen een groep elementaire automaten. Daarnaast toonde de methode successen bij ongesuperviseerd leren, waarbij een neuraal cellulair automaton evolueerde naar structuren die essentieel zijn voor computatie, en waarbij de MNIST-dataset met handgeschreven cijfers correct werd georganiseerd zonder voorafgaande labels.
Binnen het domein van reinforcement learning (bekrachtigingsleren) bleek het concept van 'leerbare nieuwigheid' een effectieve intrinsieke beloning te zijn. In de meeste geteste omgevingen presteerde een agent die deze methode gebruikte beter dan de standaard baseline, zonder dat het systeem in een doodlopend spoor terechtkwam.
Deze computationele benadering biedt een interessant contrast met de traditionele psychologische visie op intelligentie. In de psychologie wordt intelligentie doorgaans beschreven als het mentale vermogen om te leren van ervaringen, abstracte concepten te gebruiken en zich aan te passen aan nieuwe omstandigheden. Zoals beschreven door simplypsychology.org, variëren deze perspectieven van de g-factor (algemene intelligentie) tot meer specifieke vormen van intelligentie.
Terwijl de psychologie vaak steunt op kwantitatieve instrumenten zoals IQ-tests om individuele capaciteiten te meten, richt de benadering van Zhang en Levin zich op de wiskundige basis van hoe intelligentie ontstaat uit informatie-interactie. De bredere context van britannica.com binnen de psychologie benadrukt vaak de cognitieve functies en de variabiliteit in menselijke prestaties, terwijl dit nieuwe model streeft naar een universele, computationele definitie die ook op niet-menselijke systemen toepasbaar is.
De conclusie van het onderzoek is dat processen zoals abstractie, exploratie en de generatie van complexiteit voortkomen uit één enkele, differentieerbare grootheid. Hiermee claimen de auteurs dat verschillende uitingen van intelligentie nu op een gemeenschappelijke kwantitatieve basis kunnen worden geplaatst. De volledige analyse en technische details zijn terug te vinden in het volledige document op .