WO2025117991 - HEURISTIC RECURSIVE TRAINING AND ARTIFICIAL GENERAL INTELLIGENCE TWIN SYSTEM (AGILTS)
National phase entry is expected:
Publication Number
WO/2025/117991
Publication Date
05.06.2025
International Application No.
PCT/US2024/061837
International Filing Date
24.12.2024
Title **
[English]
HEURISTIC RECURSIVE TRAINING AND ARTIFICIAL GENERAL INTELLIGENCE TWIN SYSTEM (AGILTS)
[French]
ENTRAÎNEMENT RÉCURSIF HEURISTIQUE ET SYSTÈME JUMEAU D'INTELLIGENCE ARTIFICIELLE GÉNÉRALE (AGILTS)
Applicants **
XI, Wendy, Wusan
Inventors
XI, Wendy, Wusan
Priority Data
18/395,736
25.12.2023
US
Application details
| Total Number of Claims/PCT | * |
| Number of Independent Claims | * |
| Number of Priorities | * |
| Number of Multi-Dependent Claims | * |
| Number of Drawings | * |
| Pages for Publication | * |
| Number of Pages with Drawings | * |
| Pages of Specification | * |
| * | |
| Number of Office Actions | * |
| * | |
International Searching Authority |
USPTO
* |
| * | |
| Recordal of a Change of the Applicant's Name/Address |
Change of Applicant's Name and Address
* |
| Type of Assignment |
The Standard Agent's Assignment
* |
| Applicant's Legal Status |
Natural Person
* |
| * | |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter I
* |
| Patent Delivery |
Send the Letters Patent by Courier
* |
| Translation |
|
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing, Examination, Granting | 2137 | |
| EPO | Filing, Examination, Granting | 8747 | |
| Japan | Filing, Examination, Granting | 2178 | |
| South Korea | Filing, Examination, Granting | 2107 | |
| USA | Filing, Examination, Granting | 9110 |
Total:
24,279
Contact Us
Abstract[English]
The Personalized Heuristic Iterative-Recursive QA 3D Self-Study Training Process (XI Training) trains learners to master XI Training principles via the Personalized Heuristic Iterative-Recursive Question-Answer Process (PHIR-QA), building logical reasoning and self-study abilities. It can be implemented through an interpretable AGRLTY (Artificial General Rational Intelligence Logic Twin System), comprising a White-Box Twin (WB-Twin), a Black-Box Twin (trained by the WB-Twin for Al intuition when needed), and a Rational Network Flowchart (referred to as L-DAG) process. The WB-Twin consists of three layers: White-Box Twin Central Network (WBT-CN), Integration Hubs (IH), and Clustered Modules (CM). The WBT-CN integrates Knowledge, Rule, Tool, and Method subnetworks, while each CM is a template-supported, adaptable unit with PHIR-QA clusters, and each IH links modules sharing the same WBT-CN elements. The L-DAG generates solutions for complex logical tasks and establishes logical connections within the system to identify conflicts, gain novel insights, and explore potential pathways.[French]
La présente invention porte sur un processus d'entraînement à auto-apprentissage 3D QA itératif-récursif heuristique personnalisé (entraînement XI) qui entraîne des apprenants pour une maîtrise des principes d'entraînement XI par l'intermédiaire du processus de question-réponse itératif-récursif heuristique personnalisé (PHIR-QA), du raisonnement logique de construction et des capacités d'auto-apprentissage. Il peut être mis en œuvre par l'intermédiaire d'un AGRLTY (système jumeau de logique d'intelligence artificielle générale rationnelle) interprétable, comprenant un jumeau de boîte blanche (WB-Twin), un jumeau de boîte noire (entraîné par le WB-Twin pour l'intuition d'lA lorsque cela est nécessaire), et un processus d'organigramme de réseau rationnel (dit L-DAG). Le WB-Twin est constitué de trois couches : un réseau central de jumeau de boîte blanche (WBT-CN), des concentrateurs d'intégration (IH) et des modules groupés (CM). Le WBT-CN intègre les sous-réseaux de connaissance, de règles, d'outils et de procédé, tandis que chaque CM est une unité adaptable supportée par modèle avec des groupes PHIR-QA, et chaque IH lie des modules partageant les mêmes éléments WBT-CN. Le L-DAG génère des solutions pour des tâches logiques complexes et établit des connexions logiques à l'intérieur du système pour identifier des conflits, obtenir de nouvelles informations et explorer des voies potentielles.