arXiv:2411.12308v4 Announce Type: replace-cross 
Abstract: We present the architecture of a fully autonomous, bio-inspired cognitive agent built around a spiking neural network (SNN) implementing the agent's semantic memory. This agent explores its universe and learns concepts of objects/situations and of its own actions in a one-shot manner. While object/situation concepts are unary, action concepts are triples made up of an initial situation, a motor activity, and an outcome. They embody the agent's knowledge of its universe's action laws. Both kinds of concepts have different degrees of generality. To make decisions the agent queries its semantic memory for the expected outcomes of envisaged actions and chooses the action to take on the basis of these predictions. Our experiments show that the agent handles new situations by appealing to previously learned general concepts and rapidly modifies its concepts to adapt to environment changes.

تقدم دراسة جديدة وكيلًا معرفيًا مستوحى من الطبيعة يستخدم شبكة عصبية نابضة لتعلم المفاهيم والإجراءات بشكل مستقل في بيئته. تتيح هذه الطريقة المبتكرة للوكيل فهم أفكار وإجراءات معقدة في محاولة واحدة، مما قد يحدث ثورة في كيفية تفاعل الآلات مع العالم. إن تداعيات هذا البحث مهمة، حيث تمهد الطريق لأنظمة ذكاء اصطناعي أكثر تقدمًا قادرة على التعلم والتكيف في الوقت الحقيقي.

Un nuevo estudio presenta un agente cognitivo bioinspirado que utiliza una red neuronal de picos para aprender de manera autónoma conceptos y acciones en su entorno. Este enfoque innovador permite al agente comprender ideas y acciones complejas en un solo intento, lo que podría revolucionar la forma en que las máquinas interactúan con el mundo. Las implicaciones de esta investigación son significativas, ya que allana el camino para sistemas de IA más avanzados capaces de aprender y adaptarse en tiempo real.

Une nouvelle étude présente un agent cognitif bio-inspiré révolutionnaire qui utilise un réseau de neurones à impulsions pour apprendre de manière autonome des concepts et des actions dans son environnement. Cette approche innovante permet à l'agent de saisir des idées et des actions complexes en une seule tentative, ce qui pourrait révolutionner la façon dont les machines interagissent avec le monde. Les implications de cette recherche sont significatives, car elle ouvre la voie à des systèmes d'IA plus avancés capables d'apprendre et de s'adapter en temps réel.

A new study introduces a groundbreaking bio-inspired cognitive agent that utilizes a spiking neural network to autonomously learn concepts and actions in its environment. This innovative approach allows the agent to grasp complex ideas and actions in a single attempt, which could revolutionize how machines interact with the world. The implications of this research are significant, as it paves the way for more advanced AI systems capable of learning and adapting in real-time.

SNN-Based Online Learning of Concepts and Action Laws in an Open World

arXiv:2512.07631v1 Announce Type: cross 
Abstract: When should an autonomous agent commit resources to a task? We introduce the Agent Capability Problem (ACP), a framework for predicting whether an agent can solve a problem under resource constraints. Rather than relying on empirical heuristics, ACP frames problem-solving as information acquisition: an agent requires $\Itotal$ bits to identify a solution and gains $\Istep$ bits per action at cost $\Cstep$, yielding an effective cost $\Ceff = (\Itotal/\Istep), \Cstep$ that predicts resource requirements before search. We prove that $\Ceff$ lower-bounds expected cost and provide tight probabilistic upper bounds. Experimental validation shows that ACP predictions closely track actual agent performance, consistently bounding search effort while improving efficiency over greedy and random strategies. The framework generalizes across LLM-based and agentic workflows, linking principles from active learning, Bayesian optimization, and reinforcement learning through a unified information-theoretic lens. \

تم تقديم إطار مشكلة قدرة الوكيل (ACP) للتنبؤ بما إذا كان يمكن للوكلاء المستقلين حل المهام تحت قيود الموارد، من خلال تأطير حل المشكلات على أنه اكتساب معلومات. يحسب الإطار تكلفة فعالة بناءً على إجمالي عدد البتات المطلوبة لتحديد الحل والبتات المكتسبة لكل إجراء، مما يوفر حدودًا دنيا وعليا للتكاليف المتوقعة. تُظهر التحقق التجريبي أن ACP يتماشى بشكل وثيق مع الأداء الفعلي للوكلاء، مما يعزز الكفاءة مقارنة بالاستراتيجيات التقليدية.

Se ha introducido el marco del Problema de Capacidad del Agente (ACP) para predecir si los agentes autónomos pueden resolver tareas bajo restricciones de recursos, enmarcando la resolución de problemas como adquisición de información. El marco calcula un costo efectivo basado en el total de bits necesarios para identificar una solución y los bits ganados por acción, proporcionando límites inferiores y superiores para los costos esperados. La validación experimental muestra que el ACP se alinea estrechamente con el rendimiento real de los agentes, mejorando la eficiencia en comparación con estr…

Le cadre du Problème de Capacité des Agents (ACP) a été introduit pour prédire si les agents autonomes peuvent résoudre des tâches sous des contraintes de ressources, en considérant la résolution de problèmes comme une acquisition d'informations. Le cadre calcule un coût effectif basé sur le nombre total de bits nécessaires pour identifier une solution et les bits gagnés par action, fournissant à la fois des bornes inférieures et supérieures pour les coûts attendus. La validation expérimentale montre que l'ACP s'aligne étroitement sur la performance réelle des agents, améliorant l'efficacité p…

The Agent Capability Problem (ACP) framework has been introduced to predict whether autonomous agents can solve tasks under resource constraints by framing problem-solving as information acquisition. The framework calculates an effective cost based on the total bits needed to identify a solution and the bits gained per action, providing both lower and upper bounds for expected costs. Experimental validation shows that ACP closely aligns with actual agent performance, enhancing efficiency over traditional strategies.

SNN-Based Online Learning of Concepts and Action Laws in an Open World

Was this article worth reading? Share it

LucidQuery AI

Chattermate

AIvilization