A Decision Theoretic Perspective on Artificial Superintelligence: Coping with Missing Data Problems in Prediction and Treatment Choice
人工超级智能的决策理论视角：预测与处理选择中的缺失数据问题AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论处理选择中的缺失数据识别问题，直接关联因果决策，但未说明具体识别或估计模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
人工超级智能的决策理论视角：预测与处理选择中的缺失数据问题
- 研究问题
- 当缺失数据引起不会随样本增加而消失的识别问题时，现有机器学习式人工智能能否改善预测和处理选择的决策能力？
- 方法与思路
- 作者讨论智能的概念，以决策理论形式化智能与识别问题的联系，再分析两类缺失数据问题并解释对当前人工智能路径的怀疑。
- 材料陈述的贡献
- 摘要提出以识别和决策为中心的评价视角，强调缺失数据构成超级智能讨论的警示案例，并陈述作者对当前方法能力的判断。
- 阅读关注点
- 核对两类缺失数据案例、信息集合与决策准则如何定义，以及关于人工智能能力的判断依赖哪些论证、比较范围和证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；摘要表达的是作者的怀疑，未报告能力比较实验，不能据此断言人工智能无法改善识别。
原文摘要
Enormous attention and resources are being devoted to the quest for artificial general intelligence and, even more ambitiously, artificial superintelligence. We wonder about the implications for methodological research that aims to help decision makers cope with what econometricians call identification problems, inferential problems in empirical research that do not diminish as sample size grows. Of particular concern are missing data problems in prediction and treatment choice. Essentially all data collection intended to inform decision making is subject to missing data, which gives rise to identification problems. Thus far, we see no indication that the current dominant architecture of machine learning (ML)-based artificial intelligence (AI) systems will outperform humans in this context. In this paper, we explain why we have reached this conclusion and why we see the missing data problem as a cautionary case study in the quest for superintelligence more generally. We first discuss the concept of intelligence, focusing initially on some work by AI researchers, before presenting a decision-theoretic perspective that formalizes the connection between intelligence and identification problems. We next apply this perspective to two leading cases of missing data problems. Then we explain why we are skeptical that AI research is currently on a path toward machines doing better than humans at solving these identification problems.