Desain AGI Berkesadaran

MDP didefinisikan sebagai tuple (S,A,P,R,) 

• S = set state.

• A = set aksi.

• P(ss,a) = probabilitas transisi.

• R(s,a) = reward fungsi.

• \gamma = discount factor.

Untuk menyesuaikan preferensi antara Id dan Superego, digunakan MDP berbobot:

V(s)=max_a _s P(ss,a)(w_1R_Id(s,a)+w_2R_Superego(s,a)+w_3R_External(s,a))

Bobot w_1, w_2, w_3 diperbarui berdasarkan:

• Bayesian Updating, dengan prior berasal dari keputusan historis.

• Gradient Descent, jika lingkungan kompleks dengan fungsi reward non-linear.