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

研究提出了一组具体的通用 AI 目标及一个平台，以客观的方式测量机器满足这些目标的程度，以便填补当前研究缺乏测量机器通用智能进展的客观方法这一空白。

Jan, 2017

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

提出自我监督学习方法，用弱语义相关数据从互联网爬取数据进行预训练，快速适应不同下游任务的基础模型，该模型具有良好的想象能力，实现了从弱人工智能到强人工智能的跨越。

Oct, 2021

我们首先综述了对大型语言模型（LLMs）的现有评估，包括标准化测试和面向能力的基准测试。然后，我们明确了当前评估方法存在的几个问题，倾向于夸大 LLMs 的能力。我们进一步阐述了人工通用智能应该超越 LLMs 能力的几个特征。我们提出了通用智能代理的四个特征：1）能够执行无限的任务；2）能够在特定环境中生成新的任务；3）基于支撑任务生成的价值体系进行操作；4）拥有反映现实的世界模型，影响其与世界的交互。在这一观点基础上，我们强调了人工通用智能中缺失的部分，即认知与行动的统一。我们认为与现实世界中的对象进行积极互动可以提供更强大的形成概念表示的信号。此外，知识获取不仅依赖于被动输入，还需要反复尝试和错误。最后，我们概述了人工通用智能领域未来研究的有希望的方向。

Jul, 2023

本文旨在构建一个计算框架，基于仿神经模型的方法，实现分层的人类智能十诫，为发展更加智能、可解释、通用的人工智能系统提供指引。

Oct, 2022

人工智能在几个关键方面仍然比人类智能有限，如在理解上下文、言外之意和微妙线索方面的能力。本文展望了可能用于缩小人类智能与机器智能差距的机器智能候选方法，重点讨论了当前人工智能技术的不足，以及层次规划和能量基、潜变量方法以及联合嵌入预测架构方法如何帮助弥合这一差距。

Aug, 2023

本文旨在将著名的人类智能概念的精髓进行数学形式化，以产生适用于任意机器的智能的普遍度量，这个度量从最广泛的合理意义上正式捕捉了机器智能的概念。

May, 2006

本文提出了一个基于范畴论的分类框架，其中介绍了自我状态意识的概念作为自我意识的类比，并使用图表进行代理间通信，并通过将目标设计为自我状态函数的输出来保证模型的友好性。

Mar, 2023

通过将现实解读为信息源，并将其转化为计算框架，我们提出了一种新颖的建模方法，从而接近于人工通用智能。该框架可以以流动可扩展的分层方式构建经典的认知架构元素，如长期记忆和工作记忆。

Jun, 2024