本文讨论计算智能在围棋中的应用，介绍了历史上计算机围棋的发展历程，以及参加围棋比赛的计算机程序和 AlphaGo 所使用的方法和技术，并分析了 AlphaGo 战胜李世石的背后所使用的计算智能技术。文章认为，AlphaGo 打败李世石是基于计算智能方法的人工智能领域的巨大成就，将有望在推广围棋教育和人工智能实际应用方面发挥重要作用。

Jun, 2016

通过提出一个 “AI 科学家的图灵测试” 来评估 AI 代理能否独立地进行科学研究，这篇论文在提供特定问题的交互式库或数据集的前提下，提出了七个评估 AI 代理在各个科学领域中进行突破性发现能力的基准测试。这些基准测试旨在建立 AI 在科学研究中的能力标准，并激发对这个激动人心领域的进一步研究。

May, 2024

人类智能和人类增强的人工智能有着不同的激励，目前技术人员、商业和政策制定者都过分倾向于自动化，这种趋势可能导致失去经济权利和政治议价权，而研究开发人类增强的 AI 才有助于人类保持掌握营造价值的能力。

Jan, 2022

本文讨论了人工智能专家误解模仿游戏，将 HL-level Intelligence 视作人工智能发展的目标，认为 Access 和 Ingest data 是 AGI 发展的当前瓶颈，因此应该重新审视图灵测试，通过对比探讨人工智能和人类数据收集能力之间的差异，探索当前 AGI 缺乏的特征，并在此框架内讨论 AGI 发展的未来。

Dec, 2022

研究人员提出要加快人工智能领域的发展，必须在神经人工智能的基础研究上投资，其中核心是实体图灵测试，要求人工智能的动物模型实现与其动物同类水平的感知运动交互，这将提供下一代人工智能的发展路线图。

Oct, 2022

该论文报告了一项灵感来自图灵测试的在线游戏 Human or Not?，此游戏采用人工智能聊天机器人和人类对话，并要求参与者正确识别对方身份。该游戏吸引了超过 150 万用户参与，研究发现，在人机交互方面，普通用户正确识别人工智能的比率仅为 60％左右，并且为未来探讨了人工智能与人类交互的可能性。

May, 2023

本文简要介绍了 General AI Challenge 的第一轮比赛，其着眼于针对使用已学习的知识来高效学习解决随后问题的渐进式学习能力。文章详细提出了该挑战赛的灵感、目标、挑战描述以及基于计算机力学的课程设置的初步分析。

Aug, 2017

该研究介绍了智能系统自识别反馈信号的必要性，提出了基于算法信息理论的智能定义，阐明了人工智能基准测试的重要性，介绍了一个使用人类内在先验近似设计的基准测试集 ——ARC，用于度量具有高通用流体智能的人工智能系统与人类的综合智能的比较。

Nov, 2019

通过图灵测试进行了人工智能算法和人类的对比实验，实验结果表明在视觉和语言挑战方面，当前的人工智能算法已能够成功模仿人类的判断。同时，该论文提出了一个评价人类模仿能力的方法，通过该方法可以进行新的理论探究与研究成果的展示。

Nov, 2022

我们总结并讨论了针对语言和视觉的理解方面的一些挑战，其中解决方案将这两种模式紧密联系起来，以实现联合学习和推理过程。我们提供了一些解决方案，并在基于室内图像的问题回答任务上展示了一些解决方案，该任务建立了视觉图灵挑战。最后，我们辩称除了现有数据集外，我们还需要依靠 “社交共识” 来创建适当的基准。

Oct, 2014