本文介绍了一个历经半个世纪的万能归纳和万能智能的数学理论，重点讨论了该理论面临的挑战和未解决问题，为研究智能算法提供了指导和标准。

Jul, 2009

本文提供了 Universal Artificial Intelligence (UAI) 理论的非正式概述，讨论了智能的特征，一些社会问题和 UAI 的过去和未来，并介绍了代理人 AIXI 和其近似算法的发展和实验研究。

Feb, 2012

研究基于电路复杂度的先验模型，并使用它们来学习部分信息中的布尔函数。该模型假设，布尔函数或布尔字符串由一些电路的贝叶斯混合生成。在电路复杂度方面表现良好。

Jun, 2023

本文基于 Hutter 和 Solomonoff 的理论，研究了建立基于 UIM 的实用性能度量所涉及的实际问题，并开发了一种基于原型实现的度量方法，用于评估不同人工智能代理的性能。

Sep, 2011

本文探讨了当存在独立的多维目标且无法互相归约时，将目标形式化地表示为绝对数学函数所面临的困难性，并提出了使用不确定性目标作为一种替代方案。我们证明了，将已知的某些不可能定理转化为两种设置下的不确定定理，并证明了这些不可能结果所蕴含的不确定度的下限。最后，我们提出了两个关于不确定目标与人工智能系统的严重意外后果之间关系的猜想。

Dec, 2018

Solomonoff 预测的框架将先验概率指派到假设上，这些假设与其 Kolmogorov 复杂度成反比。然而，Solomonoff 先验相对于通用图灵机的选择是有问题的，同时，Solomonoff 先验也是不可计算的。不过，对这两个问题有回应。同样的 Solomonoff 先验会随着越来越多的数据收敛。此外，对于 Solomonoff 先验也有可计算的近似值，但是作者认为在这两类问题的回应之间存在着紧张关系，因为可计算的 Solomonoff 预测近似并不总是能收敛。

Jun, 2022

提出一种基于经验的理论框架，称为 “实用弱点原则”，用于处理认知科学和人工智能中的主观性问题，并将其与 AIXI 进行比较，显示出在弱点最大化的情况下会取得最优的行为结果。

May, 2022

本文旨在通过数学公式将各种形式的人工智能定义转化为机器学习中的智能度量，并将之与通用最优学习智能体的理论联系起来，最后综述了已经为机器学习提出的智能度量和测试方法。

Dec, 2007

分析了在图灵机和数字计算机上求解最优化问题的基本局限性，并在各种不同领域中证明了这些问题都不是 Banach-Mazur 可计算的。

Jan, 2023

本篇论文提出了有限最优性作为一种人工智能的理论基础，该理论基础通过解决机器架构和任务环境的约束优化问题来定义程序的最优性，以在实时环境下构建智能体，其中包括使用自动化邮件排序设施模型来说明结果。

May, 1995