AIXI é um formalismo matemático teórico para inteligência artificial geral que combina a indução de Solomonoff com a teoria da decisão sequencial. Proposto pela primeira vez por Marcus Hutter em 2000, foi elaborado em seu livro de 2005 Universal Artificial Intelligence. AIXI é um agente de aprendizado por reforço que visa maximizar recompensas totais esperadas ao considerar toda hipótese computável sobre seu ambiente, ponderada pela complexidade algorítmica de acordo com a navalha de Occam.
O formalismo define um agente ideal que, a cada passo de tempo, avalia todos os programas possíveis em uma máquina de Turing universal para prever percepções e recompensas futuras, e então seleciona a ação com a maior soma esperada de recompensas futuras. Por ser incomputável na prática, AIXI serve principalmente como um referencial teórico para tomada de decisão sequencial ótima, e não como um algoritmo diretamente implementável.
Etimologia
De acordo com Hutter, o nome 'AIXI' tem múltiplas interpretações. Pode significar 'IA baseada na distribuição de Solomonoff', onde a letra grega xi (ξ) denota o prior de Solomonoff. Alternativamente, pode ser lido como 'IA' cruzada (X) com indução (I), simbolizando o cruzamento da inteligência artificial com a inferência indutiva. Outras interpretações existem, mas essas duas são as mais citadas na literatura.
Definição Formal
AIXI interage com um ambiente μ desconhecido, mas computável, ao longo de um período de vida finito m. A cada passo de tempo t, o agente escolhe uma ação a_t de um conjunto 𝒜 e recebe uma percepção e_t = (o_t, r_t) do ambiente, onde o_t é uma observação e r_t é uma recompensa. O ambiente é modelado como uma distribuição de probabilidade μ sobre percepções condicionada ao histórico completo de ações e percepções, de modo que nenhuma suposição de Markov é feita. O ambiente é computável: suas respostas podem ser simuladas por um programa executado em uma máquina de Turing.
O objetivo do agente é maximizar a recompensa total ∑_{t=1}^{m} r_t. No tempo t, AIXI seleciona a ação a_t que maximiza a expressão:
at := arg max_at ( ∑_{o_t r_t} ... max_{a_m} ∑_{o_m r_m} [r_t + ... + r_m] ∑_{q: U(q, a_1...a_m) = o_1 r_1...o_m r_m} 2^{-length(q)} )
Aqui, U é uma máquina de Turing universal monotônica, e q varia sobre todos os programas determinísticos que, dada a sequência completa de ações, produzem a sequência de percepções. O peso 2^{-length(q)} codifica um prior de simplicidade: programas mais curtos são considerados mais prováveis. Intuitivamente, AIXI considera todo ambiente computável consistente com seu passado, pondera cada um por sua complexidade e escolhe a ação que maximiza a recompensa futura total esperada.
Parâmetros
Os parâmetros-chave são a máquina de Turing universal U e o período de vida do agente m. O parâmetro de período de vida pode ser removido introduzindo um fator de desconto, conforme discutido por Hutter. A escolha de U afeta a ponderação precisa dos ambientes, mas não as propriedades essenciais de otimalidade.
Propriedades de Otimalidade
Foi provado que AIXI satisfaz vários critérios fortes de otimalidade. Ele é Pareto ótimo: nenhum outro agente tem desempenho pelo menos tão bom em todos os ambientes e estritamente melhor em pelo menos um. Também é Pareto ótimo balanceado, o que estende a noção a somas ponderadas de ambientes. Além disso, AIXI é auto-otimizável para certas classes de ambientes: à medida que o período de vida do agente se aproxima do infinito, seu desempenho se aproxima do máximo teórico para esses ambientes. Esses resultados estabelecem AIXI como um limite superior teórico para agentes de aprendizado por reforço.
Relação com Outras Abordagens de IA
AIXI difere de métodos práticos de aprendizado de máquina, como aprendizado profundo e grandes modelos de linguagem, que dependem de dados finitos e inferência aproximada. Enquanto esses métodos usam redes neurais e arquiteturas de transformadores para generalizar a partir de exemplos, AIXI assume computação ilimitada e inferência bayesiana exata sobre todos os ambientes computáveis. Ele fornece um ideal formal que sistemas práticos aproximam, mas não conseguem alcançar plenamente.
O formalismo está intimamente relacionado à pesquisa em inteligência artificial geral, pois visa capturar inteligência universal em vez de desempenho específico de tarefas. No entanto, sua incomputabilidade o torna um guia teórico, e não um projeto de engenharia. Pesquisadores frequentemente usam AIXI como base conceitual para desenvolver algoritmos mais práticos que aproximam sua regra de decisão sob restrições de recursos.
Desafios Computacionais
A definição de AIXI envolve somas e maximizações sobre todos os programas e todos os futuros possíveis, o que é incomputável em geral. A quantificação universal sobre programas torna o problema de decisão do agente indecidível, pois exige resolver o problema da parada para programas arbitrários. Hutter observou que mesmo versões simplificadas são intratáveis, e esforço significativo tem sido dedicado a encontrar aproximações computáveis, como AIXItl, que limita o comprimento do programa e o horizonte de tempo.
Implicações Filosóficas
AIXI incorpora uma resposta formal à questão de o que um agente perfeitamente racional deveria fazer diante de um ambiente desconhecido. Sua dependência da indução de Solomonoff formaliza a navalha de Occam, e sua estrutura de teoria da decisão conecta-se à teoria do aprendizado por reforço. O agente assume que o ambiente verdadeiro é computável, o que se alinha com a tese de Church-Turing. Críticos argumentam que a suposição de computabilidade e o uso de um prior universal podem não capturar todos os aspectos do raciocínio no mundo real, mas o formalismo permanece uma referência para discussões sobre inteligência universal.
Impacto e Recepção
Desde sua proposta em 2000, AIXI influenciou a pesquisa teórica em inteligência artificial e aprendizado por reforço. O livro de Hutter de 2005, Universal Artificial Intelligence, continua sendo uma referência padrão. O conceito foi citado em discussões sobre segurança de IA e teoria da decisão, e inspirou variantes e aproximações. No entanto, sua falta de implementabilidade direta limitou seu uso em sistemas aplicados. Ainda assim, continua a ser um conceito-chave nos fundamentos teóricos da IA.